章 飞, 孙 睿

(江苏科技大学 电子信息学院, 江苏 镇江 212003)

在多传感器多目标跟踪系统中,对于目标状态的估计是通过融合来自多个传感器的数据得到的.融合多个传感器的数据能够提高跟踪系统的性能,然而,多传感器多目标跟踪问题至今仍然是具有挑战性的问题,这些挑战源于目标数目的不确定性、目标与量测之间数据关联的复杂性等问题[1]．近年来,针对多传感器多目标跟踪问题,研究了很多数据融合的方法[2-4],主要分为集中式融合、分布式融合以及混合式融合3类,而这3类方法一般都需要解决数据关联问题,计算量较大,特别是在杂波环境中，传感器和目标数量较大时会出现计算上的组合爆炸,其计算时间是不可接受的[5]．

近年来,随机集方法成为多传感器多目标跟踪的一个新的研究方向．文献[6]在随机集理论的框架下提出了一种概率假设密度(probability hypothesis density, PHD)滤波,该滤波方法在单目标状态空间操作,完全避免了数据关联的计算,大大减少了计算量．而PHD滤波是在单传感器情况下提出的,对于多传感器情况不适用.文献[7]基于序贯滤波的方法将PHD滤波推广到多传感器情况,并给出了粒子滤波的算法实现,但基于粒子滤波的算法实现仍然具有计算量大的不足,且其中基于聚类技术的目标状态的提取方法不可靠,对于目标数目的估计不稳定[8].文献[5]提出了一种基于高斯混合实现的序贯概率假设密度滤波(Gaussian mixture sequential PHD, GMSPHD)算法,增加了多传感器多目标……