冯燕

摘 要 在许多跟踪应用中，多目标跟踪算法可以解决不同类型的目标跟踪和机动目标跟踪。在两种场景中，利用多运动模型可以得到更加精确的跟踪结果。标签多伯努利（LMB）滤波器不仅能够精确的提供目标轨迹，而且计算复杂度也更加高效，在单模型场景下，LMB滤波器的性能优于PHD滤波器。多模型多伯努利（MM-LMB）滤波器适用于机动目标场景中，本文将对MM-LMB滤波器进行研究，并与LMB进行性能比较。

关键词 随机有限集 多目标跟踪 多模型

0引言

多目标跟踪的目的是通过一系列的观测数据来联合估計目标的数目和状态。传统的多目标跟踪算法的核心是数据关联。随着目标数目的增多以及杂波的干扰，基于数据关联的多目标跟踪算法的计算量也会增大。Mahler提出了标签多伯努利滤波器（LMB），该算法不易受虚警及漏检的影响，且计算结果更加精确。在机动目标场景下，跟踪算法需要标记每个目标不同的运动特征，而且上述算法在低信噪比探测环境下性能严重下降，因此多模型系统的引入是必要的。

1随机有限集

随机有限集是一种集合映射。本文中，状态空间记为，表示单目标的状态向量，大表示多个单目标的状态集合，即。记目标的量测空间为，表示单个目标的量测向量，表示多个目标的量测向量的集合。

在多目标场景中，给每个目标的状态向量追加标签，标签索引可以确定集合元素的唯一性。本文中用表示标签空间， ，单目标状态向量可由表示，其中为每个目标的标签索引，引入标签索引后，多目标状态集合可由表示，即。……