刘成涛，马全海

(西安工程大学 电子信息学院，西安 710048)



【基础理论与应用研究】

基于似然分布自适应调整的SMC-PHDF算法

刘成涛，马全海

(西安工程大学 电子信息学院，西安 710048)

SMC-PHDF(Sequential Monte Carlo-Probability Hypothesis Density Filter)算法由于不受高斯和线性的限制，在目标跟踪领域有着广泛的应用；然而当系统量测噪声较大，很多样本的归一化权重很小而成为无效样本，最终导致SMC-PHDF算法滤波精度较低；针对这一问题提出似然分布自适应调整的SMC-PHDF算法，通过在更新步骤中自适应调整粒子权值，增加先验密度和似然的重叠区，从而达到提高滤波性能的目的；仿真结果表明：在系统量测噪声较大时该算法比传统SMC-PHDF算法的滤波效果有所提升。

SMC-PHDF；测噪声；自适应；先验密度

目标跟踪在诸多领域都得到了广泛的应用，其中在军事和民用领域应用较多。在军事领域中，主要涉及各种防卫系统、空中攻击、战场监视、精确制导等核心技术；在民用领域中，主要应用于海岸监视系统、交通管制、导航和计算及视觉等重要场所[1]。目标跟踪技术一经诞生，便一直保持着计算机视觉领域研究的热点，对其研究具有非常重要的现实意义，。

Mahler针对多目标跟踪在贝叶斯框架的基础上提出了概率假设密度滤波(probability hypothesis density filter,PHDF)，其实现方式主要有两种：GM-PHDF和SMC-PHDF，前者对模型有着线性和高斯的要求，从而限制了自身的应用。而后者SMC-PHDF算法却很好地克服了GM-PHDF的限制条件[2]：它应用随机采样的方式获取诸多的粒子，以此诸多粒子的样本均值近似替代概率假设密度滤波的更新粒子权值[3-4]。……