孙志强
(商丘职业技术学院机电系,河南 商丘 476000)
近年来,基于随机有限集(Random Finite Set,RFS)的概率假设密度(Probability Hypothesis Density,PHD)[1]滤波器引起了目标跟踪领域众多学者的密切关注。PHD 滤波器无需显式处理目标与量测间的数据关联,因而,该滤波器更适合于密集杂波环境下的目标跟踪问题。线性高斯动态系统中,高斯混合PHD(Gaussian mixture PHD,GM-PHD)滤波器[2]是PHD 滤波器的一种易处理的解析解。目前,GM-PHD 滤波器被广泛应用于计算机视觉[3-5]、车辆跟踪[6]、机器人[7]、点目标跟踪[8-10]和扩展目标跟踪[11-12]。
密集杂波的多目标跟踪场景中,GM-PHD 滤波器的计算代价随着分量的增多而不断变大。通过删除小权重分量和合并极大相似分量,GM-PHD 滤波器较大程度地减少了滤波迭代过程中目标分量的数目,因此,该滤波器具有相对较高的运算效率。然而,当跟踪场景中存在近邻目标(尤其是,平行运动的目标)时,GM-PHD 滤波器的目标状态及数目估计精度急剧下降。文献[13]分析了多目标近邻时Bayes 滤波迭代中目标身份管理、目标-量测间关联及混合标记问题,并且以清晰、简洁的物理含义解释了近邻目标身份不确定性的本质。针对杂波干扰环境下的平行目标跟踪问题,文献[14]给出一种基于检测合并技术的GM-PHD(NM-GM-PHD)跟踪算法。基于每一时刻更新后的目标后验强度,NM-GM-PHD 滤波器首先对目标分量进行试探性合并,随后对合并结果进行评估。如果出现目标分量错误合并问题,则该次分量合并操作无效,这些分量仍作为独立分量用于近似目标后验强度。与标准GM-PHD 滤波器相比,杂波干扰的平行目标跟踪场景中NM-GM-PHD 滤波器具有相对较高目标状态估计精度。……