宋 岩，胡建旺，吉 兵,郭 超

(1.陆军工程大学石家庄校区 信息工程系， 河北 石家庄 050003； 2.中国人民解放军71777部队， 山东 济南 250100)

一种改进剪枝合并的GM-PHD方法

宋 岩1，胡建旺1，吉 兵1,郭 超2

(1.陆军工程大学石家庄校区 信息工程系， 河北 石家庄 050003； 2.中国人民解放军71777部队， 山东 济南 250100)

高斯混合概率假设密度滤波器；多目标跟踪；剪枝合并

0 引言

随着科学技术的发展，多目标跟踪领域受到各国学者的高度重视[1-2]。传统的多目标跟踪均以数据关联为主，该方法在目标数目未知且时变的情况下，跟踪精度会下降[3-4]。近年来，Mahler等人提出了随机有限集(RFS)方法，该方法利用一阶矩的形式，巧妙地避开了数据关联问题，并成功应用到目标跟踪领域，成为研究领域的热点。但是，该方法在进行递推的过程中，存在过多的积分运算，导致工程量巨大，并且难以获得解析解。于是，Vo等人提出了一种新的方法，高斯混合概率假设密度滤波(GM-PHD)[5-6]滤波方法，该方法有效解决概率假设密度递推中多重积分问题，但是随着该算法的递推，高斯分量会无限制增加，这就使计算量变得更加复杂。

1 概率假设密度(PHD)滤波器

在多目标跟踪中，由于随机有限集(Random Finite Set，RFS)[7-8]多目标跟踪不需要数据关联，因此引起国内外学者的高度重视。随机有限集可理解为元素数目随机变化，但变化范围是有限的集合。该方法通过建立集合的形式进行递推，目标状态和量测可分别表示为如下的形式：

Xk={xk,1,xk,2,...,xk,Nk}∈F(χ)，

(1)

Zk={zk,1,zk,2,...,zk,Mk}∈F(ψ)。

(2)

RFS的递推过程中考虑到了目标的新生、衍生、存活和消亡等过程，则k时刻目标状态集可表示为: