李文娟 顾 红 苏卫民



基于多伯努利概率假设密度的扩展目标跟踪方法

李文娟 顾 红*苏卫民

(南京理工大学电子工程与光电技术学院 南京 210094)

高分辨率雷达系统中，扩展目标一般会产生多个量测。现有随机有限集(RFS) 类算法一般假定扩展目标的量测数目服从泊松分布，然而这个假设与实际情况不符。针对这一问题，该文提出一种多伯努利扩展目标概率假设密度(MB-ET-PHD)跟踪算法。该算法首先假设扩展目标的量测数目服从多伯努利分布，然后通过有限集统计(FISST)理论的多目标微积分推导得到校正等式，最后给出了高斯混合(GM)框架的仿真结果。仿真结果表明该算法能够获得比泊松ET-PHD算法更好的跟踪性能。

扩展目标跟踪；概率假设密度；多伯努利

1 引言

在传统目标跟踪问题中，一个目标每个时刻最多产生一个量测。然而，在一些高分辨雷达中，一个目标会占据多个分辨单元，这种目标被称为扩展目标。在扩展目标跟踪问题中，令人感兴趣的是对扩展目标的量测数目建模。文献[1]提出扩展目标的量测数目服从泊松分布的假设，一个扩展目标产生任意数目的量测且量测互相独立。基于此假设，Mahler[2]提出一种泊松扩展目标概率假设密度(Extended Target Probability Hypothesis Density, ET-PHD)滤波算法。PHD滤波是一种新颖的随机有限集(Random Finite Set, RFS)多目标跟踪方法。与传统算法相比，PHD滤波方法易于统筹管理，避免了大量的数据关联。文献[9,10]给出了泊松ET-PHD的高斯混合(Gaussian Mixture, GM)滤波器实现方法，并提供了一种将未标记的量测集分成几个子集的方法，每个子集的所有量测应当来自同一个目标或者杂波。……