周 舟，邓 平，崔允贺

(西南交通大学 信息科学与技术学院，四川 成都 610031)

0 引言

目标跟踪技术在军事和民用方面都具有广泛的应用价值，如何按照被跟踪目标的特点来建立对应的模型，并选择合适的滤波算法，是提高跟踪性能的关键[1]。其中跟踪精度和响应速度之间的矛盾已成为目标跟踪技术的难点。针对这一难点而提出的交互式多模型(IMM，Interacting Multiple Model)算法[2]一定程度上提高了跟踪性能。考虑到模型具有较强的非线性和非高斯噪声背景，Boers Y将粒子滤波(PF，Particle Filter)[3-4]技术运用到目标跟踪中，与交互式多模型相结合，形成交互式多模型粒子滤波(IMMPF, Interacting Multiple Model Particle Filter)[5]算法。该算法对目标跟踪采用多模型结构并运用粒子滤波方法，来克服非高斯噪声，跟踪性能优于基于卡尔曼滤波的 IMM 算法。文献[6]在椭圆跟踪门的基础上加入了速度和角度限定,进一步减少了波门中杂波的个数和计算量,提高了关联跟踪的质量。2011年文献[7]将IMMPF运用于基于GPS航位导航的目标跟踪中，文献[8]提出了基于交互式多模型联合概率数据关联与粒子滤波相结合的算法，改进跟踪当中出现的非线性问题。但它们没有考虑跟踪目标的运动的随机性和粒子滤波中可能会出现的样本多样性丧失的问题。为了克服这两个引起跟踪性能下降的不利因素，提出了一种基于变速率模型和遗传算法(GA，Genetic Algorithm)[9]的IMMPF算法，通过引入交叉和变异操作来增加粒子的多样性，通过变速率目标跟踪模型来提高模型的匹配度。仿真结果表明，对……