强杂波环境下的LGM-PHDF算法

陈金广，赵甜甜，王明明，马丽丽

(西安工程大学 计算机科学学院，陕西 西安 710048)

0 引 言

使用概率假设密度滤波(probability hypothesis density filter，PHDF)算法来解决多目标跟踪问题是当前的一个研究热点[1,2]。Vo等提出了两种PHD算法的实现方法，非线性环境下的序贯蒙特卡罗(sequential Monte Carlo，SMC)PHDF算法[3]及线性条件下的高斯混合概率假设密度滤波(GM-PHDF)算法[4]。为了解决上述算法无法实现对目标航迹提取的问题，有学者提出为粒子或高斯项加注标签，来实现航迹估计的算法[5-8]。该类算法虽然实现了目标航迹的估计，但同时也带来了计算量增大的问题。在PHDF中，算法的时间复杂度和量测数据量成正比，且虚假量测还会影响算法的估计性能。由于基于数据关联的目标跟踪算法使用门限技术进行量测信息的筛选[9]，减少了算法的计算量。文献[10]将椭球门限运用到GM-CPHDF中，提高了计算效率。文献[11,12]将量测集合划分为存活目标量测和新生目标量测进行处理，减少了计算量。文献[13]推导出极大似然门限，并通过对量测数据进行最优分配以提高算法的状态估计性能。文献[14]通过使用门限对LGM-PHDF算法进行处理，降低了时间复杂度，算法性能得到了提高，但是忽略了衍生目标的存在，会导致衍生目标的漏估计。本文针对强杂波环境下，LGM-PHDF算法计算量大且精度下降的问题提出改进，并通过仿真实验验证改进算法的有效性。

1 LGM-PHDF

LGM-PHDF是在标准GM-PHDF的基础上，为每一个高斯项添加标签，并通过管理标签实现不同时刻目标状态之间的关联和航迹的形成及维持。……