张奕群,尹立凡,王硕,孙承钢

北京电子工程总体研究所,北京 100854

未来强对抗的战场环境对目标跟踪系统的多目标处理能力提出了更高的要求。而传统的检测前跟踪(Track Before Detect, TBD)方法[1-3]在多目标情况下会遇到“维数灾难”问题[4]。为此人们致力于发展高效的多目标处理方法,直方图概率多假设跟踪[5](Histogram Probabilistic Multi-Hypothesis Tracking, H-PMHT)就是其中一种。该方法由Streit提出,其计算量与目标数呈线性增长,因而在多目标情况下仍可以保持较高的计算效率[5]。

H-PMHT方法有这一优势的关键在其多项式分布(Multinomial Distribution, MD)量测模型[6-7]。Streit等使用期望极大化(Expectation Maximization,EM)方法[8]在经验贝叶斯意义下对该模型未知分布参数进行了估计,其结果是包括目标状态和强度参数在内的未知参数寻优过程可以被解耦为多个易于计算的子寻优过程,由此为H-PMHT方法计算量与目标数呈线性关系奠定了基础。

在H-PMHT方法基础上,Davey等以多维泊松分布(Poisson Distribution, PD)替换了多项式分布[9],从而得到了不同目标强度参数互相解耦的改进的量测模型。因而,以此得到的泊松H-PMHT(Poisson H-PMHT,P-HPMHT)方法可以在估计中利用强度参数先验信息并同时保持计算量与目标数间的线性关系。因为P-HPMHT方法在目标数目较多时仍可以有效的利用先验信息,其表现比H-PMHT方法更为稳定[10]。

H-PMHT方法的一个主要问题是在低信噪比条件下跟踪能力较差。Davey等在文献[1,11]中通过仿真对包括H-PMHT方法在内的几种TBD方法的跟踪检测能力进行了比对研究,研究表明H-PMHT方法的低信噪比跟踪检测能力较弱。究其原因,H-PMHT方法的量测方程中并未考虑传感器噪声[12]。……