基于ML背景参数估计的CDKF-CPHD多目标跟踪算法.pdfVIP

2017年3月 北京航空航天大学学报 March2017 of ofAeronauticsandAstronautics V01．43No．3 第43卷第3期 Journal University Beijing bhxb．buaa．edu．an http：ff jbuaa@buaa．edu．cn DOI：10．13700／j．bh．1001—5965．2016．0189 多目标跟踪算法 马天力，王新民8，曹宇燕，张阳 (西北工业大学自动化学院，西安710129) 摘 要：针对低信杂比环境下的多机动目标跟踪问题，提出了一种基于极大似然 用ML法实时估计重尾分布模型参数，计算检测概率和虚警概率。运用极大似然一恒虚警(ML— CFAR)算法对信号进行处理，提取有效量测值，将幅值似然函数与势概率假设密度滤波器 (CPHD)中的目标位置似然函数相结合，通过中心差分法递y-3更新得到后验均值与协方差，达 到对多机动目标进行跟踪的目的。仿真结果表明，在低信杂比环境中，所提算法提高了跟踪精 度与目标数目估计准确度。 关 键 词：重尾分布；中心差分法；幅值信息；极大似然估计；虚警；非线性系统； OSPA距离；信杂比 中图分类号：TP273 文献标识码：A 文章编号：1001-5965(2017)03-0516—08 多目标跟踪是将雷达、声呐等传感器所接收 器(GSPHD)¨。、序贯蒙特卡罗概率假设密度滤波 到的观测信号，通过信号处理与数据分析，实现目 器(SMC—PHD)‘4。、扩展卡尔曼概率假设密度滤波 标个数以及各目标运动状态的实时估计。在跟踪 器(EK—PHD)、无迹卡尔曼概率假设密度滤波器 过程中，高杂波率、目标强机动飞行以及传感器漏 (UK—PHD)一1、高斯混合粒子概率假设密度滤波 检等情况的出现，大大增加了跟踪难度。因此，复 器(GMP—PHD)。6。和中心差分卡尔曼概率假设密 杂环境下的多目标跟踪技术一直是数据处理领域 度滤波器(CDKF—PHD)¨。等多种滤波方法。 所研究的重点和难点¨…。 近年来，为了增加多目标跟踪的可靠性，提高 文献[2]提出的基于随机集理论的概率假设 目标观测效率，国内外研究学者通过引入幅值信 密度滤波器(PHD)和势概率假设密度滤波器息来判断量测的有效性。文献[8]提出一种基于 (CPHD)，突破了传统算法所使用的数据关联理 幅值信息的概率数据关联算法，算法在粒子滤波 论，在保证精度的同时，提高了实时性，对于线性 的基础上，将概率数据关联算法中的关联似然函 系统具有较高的实用价值。但在实际应用中，多 数与幅值似然比相结合，实现对多目标进行跟踪。 目标跟踪系统大部分属于非线性系统。针对这一 文献[9]将幅值信息与交互式多模型概率数据关 问题，专家们提出了如高斯和概率假设密度滤波 联算法相结合，有效地改善了对多机动目标的跟 收稿日期：2016-03-10；录用日期：2016-06—12；网络出版时间：2016-09-0616：00 网络出版地址：WWW．cnki．net／kcms／detail／11．2625．V1600．007．html 基金项目：航空科学基金(20152853029) $通讯作者：E-mail：wxmin@nwpu．edu．an T X Y a1．ACDKF—CPHD 430)：516-523．MAL，WANGM，CAOY，et