占荣辉刘盛启 欧建平 张 军

(国防科学技术大学电子科学与工程学院 长沙 410073)

1 引言

在传统的目标跟踪中，通常先进行门限处理，从原始的观测中提取目标的量测信息，这种处理方法常被称为检测后跟踪(Detect-Before-Track,DBT)。DBT处理方法的潜在不足是，在进行门限处理过程中代表目标的有用信息可能被部分或全部舍弃，导致量测信息不完整(甚至有可能全部丢失)，这一问题在信噪比较低的条件下更为突出。为了提高低信噪比条件下的目标检测与跟踪能力，通常不事先设定门限，而直接对原始的观测数据进行处理，同时完成目标的检测与跟踪，这种处理方法又称为检测前跟踪(Track-Before-Detect, TBD)。

随着技术的发展，已有多种TBD算法被相继提出，这些算法按实现方式可粗略分为两大类，即批处理方法和递推型方法。作为批处理方法的典型代表如最大似然估计法[1]、动态规划法[2,3]等需要利用多个连续帧的数据，其算法复杂度通常较大。递推型方法(如贝叶斯推演)可有效降低运算开销，且不需要处理和存储多帧历史数据，这些优势使其具有更强的适应能力。贝叶斯推演的一种有效实现途径是序贯蒙特卡罗(Sequential Monte Carlo, SMC)，也称粒子滤波方法[4,5]，这种方法在单目标TBD背景下已有广泛深入的研究。

文献[6]给出了一种利用粒子滤波实现多目标TBD的典型应用实例，文中通过设计转移矩阵对目标个数的变化进行建模，并通过实验证实该算法对具有两个目标的特定应用条件是非常有效的。其不足之处是很难推广到更一般的多目标TBD应用条件，且不能适用于最大目标数目事先未知的场合。……