张新英 王焱春 刘聪

摘 要：针对目标跟踪目标数量大，观测数据与目标状态相关性较为复杂的问题，本文提出了一种驱动历史信息和反馈融合的多目标跟踪算法，即驱动反馈融合多目标跟踪方法（HIFMTT），并对杂波环境下目标数量未知的多目标跟踪问题进行了大量仿真试验。仿真结果表明，该算法能较好地完成多目标跟踪，并具有较好的鲁棒性。

关键词：历史信息;目标跟踪;粒子滤波;反馈融合

中图分类号：TP391文献标识码：A文章编号：1003-5168（2018）28-0010-04

Abstract： In view of the problem of large number of target tracking and complicated correlation between observation data and target state， this paper presented a  multi-target tracking algorithm driven by historical information and feedback fusion， that is， driven feedback fusion multi-target tracking method （HIFMTT）. A large number of simulation experiments were carried out. Simulation results showed that the algorithm could achieve multi-target tracking and has better robustness.

Keywords： historical information;target tracking;particle filter;feedback fusion

虽然传统的PHD方法能较好地完成在航迹维持期间的多目标跟踪工作，但缺乏合理且特别有效的航迹起始方法[1]。传统的PHD方法为：假定新目标的起始位置和概率分布是已知量，也就是说，新目标基本上都是从“先验目标发生区域”生成。但不能非常精确地描述更多的复杂场景[2]，因为后者相对比较难得到有效的有关航迹是否发生或已经发生的先验知识。为此，本文对传统PHD框架进行假设、修改和补充，提出历史信息驱动反馈融合多目标跟踪方法（Historical Information Feedback Mutiple- Target Tracking Method，HIFMTT）。历史估计信息和观测信息反馈处理后被用作轨道开始的标志。首先，累积和反馈历史信息，得到的结果用来驱动新概率假设的产生，其次，使用当前观测值进行后验估计，最后，实现多目标跟踪的目的。

1 相关理论基础

1.1 基于随机有限集理论下的多目标跟踪问题

对于传统的多目标跟踪方法构造问题，主要包括单个目标空间[Es]的随机向量值，所以，目标状态预测向量和具体观测向量均为拥有业务维度的单个向量。……