廉兴科

摘要：通过恒虚警概率准则检测出目标的初始状态，并以其为中心开窗，把所有跟踪窗内的的观测数据融合到一个观测矩阵中，然后利用修正的最大熵高斯模糊聚类算法得到的隶属度来代替关联概率，通过kalman滤波器更新目标状态。本算法针对观测的不确定性给出新的权值分配方案，并基于差异因子定义了最大有效距离，剔除了无效观测数据，避免了传统跟踪算法中目标密集时产生误跟或跟丢等现象，减少计算量并且确保了跟踪精度。

关键词：观测矩阵，最大熵高斯模糊聚类，kalman滤波器，差异因子，无效观测

1引言

运动目标的跟踪是计算机视觉领域中备受关注的前沿方向，在交通监控，医学研究，客流量统计，轮船导航，军事指挥等领域有着广泛的应用。而在交通监控或客流量统计领域背景较小时研究对象是车辆或行人等大目标，有纹理信息可以利用，然而当背景变成天空或海面时，目标可以视为点目标，而且信躁比也很低，在跟踪上就变得复杂多了。1975年Bar-Shalom和Tse提出了适用于杂波环境中的单目标的跟踪算法概率数据关联（PDA），随后也出现了很多改进的PDA算法;在单目标跟踪的PDA算法基础上Bar-Shalom等人又提出了适用于多目标情形的联合概率数据关联（JPDA）算法[1]。鉴于JPDA在计算量上会随杂波密度的增加出现组合爆炸现象，随后出现了很多针对各种实际应用的改进算法，然而这些算法在降低了计算量的同时也降低了算法的有效性和可靠性。……