GM―CPHD自适应门限目标跟踪算法研究.docVIP

GM-CPHD自适应门限目标跟踪算法研究 摘要：该文提出利用一种最大似然自适应门限的快 速算法，该算法首先利用自适应的对观测进行门限处理，然 后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步 计算，大大降低了算法的计算复杂度。 关键词：多目标跟踪；带有势估计的概率假设密度滤波; 自适应门限；GM-CPHD算法 分类号：TP18文献标识码：A文章编号：1009-3044 (2014) 20-4804-02 GM-CPHD Adaptive Threshold Target Tracking Algorithm Research ZHANG Qi-wen, LIU Zhong-yi (Radar Department of Navy Submarine Academy, Qingdao 266042， China) Abstract： Due to the fact that classic GM-CPHD filer has a great computational complexity, a adaptive gating algorithm is proposed in this paper, which reduces the measurements set by using a max likelihood adaptive gate, and only the measurement falling into the gate can be used to update the PHD estimation. Key words : Multitarget tracking Track-Before-Detect (TBD ) ； Gaussian mixture CPHD ； Adaptive gating 1概述 多目标跟踪作为一个重要的理论和实践问题，最近几年 被研究的比较深入，多目标跟踪就是利用传感器所获得的量 测对多个目标的状态进行持续地估计和预测。目前主要有两 类方法。一类是传统的基于数据关联的多目标跟踪方法 ［1］ ［2］。该方法首先采用数据关联技术确定传感器测量和目 标源之间的对应关系，然后再对每个目标的状态分别进行估 计。另一类是非关联的多目标跟踪算法，主要是基于随机有 限集理论(Random Finite Set, RFS)的方法［3］ ［4］。 2007年mahler提出了势概率假设密度(Cardinalized PHD, CPHD)滤波器［5］。相比PHD滤波器，CPHD滤波器在传 递PHD的同时传递目标数的分布函数，从而获得了更好的估 计效果。但是CPHD的计算量十分巨大，即使是具有封闭形 式解的高斯混合实现方法GM-PHD其计算复杂度仍为［0nm3］， 其中［n］为跟踪的目标数，［m］为观测数，远高于GM-PHD滤 波器的［Onm］。特别是在高杂波强度的情况下，GM-CPm)滤波 器计算十分复杂。 2 GM-CPHD滤波器 GM-CPHD算法是在保持CPIID滤波器的原始假设的前提 下，在线性高斯框架下实现的具有封闭解形式的势概率假设 密度滤波器。其实现需满足下面相关前提条件［9］。 状态模型即测量模型均满足线性高斯特性即 3最大似然自适应门限方法 由GM-CPHD滤波器算法可知，而其计算复杂度为［Onm3 ］， 与观测数［m］的3次方成正比，所以通过减少有效观测数可 以有效的降低其计算量［4］。 对于［k］时刻进行预测步计算后，第［i］个观测值与第［j］ 个状态预测值（高斯项均值）的残差向量可以表示为 对于线性高斯系统，椭球门限判别可以表示为 其中，［Tg］为门限值，如果门限取值较大，则将会使较 多的杂波进入门限，导致误警提高且会增大计算量；如果门 限取值较小，虽然减小了计算量但有可能导致某些目标对应 的观测未能进入门限，造成目标漏检。 最大似然方法获得最佳的自适应椭球门限，如果［Pg］为 正确观测落入椭球门限的概率，［nz］为观测空间维数，［o （j） k|k-l］表示第［j］个预测值的高斯项权值，门限［Tg］ 可表示为； 由式（7）可知，该门限为一自适应门限，门限大小与 状态估计量的高斯项权值系数及残差误差有关。当状态估计 量的高斯权值较小时，即目标的强度较小时，目标存在概率 较低，应取较小的对应椭球门限区域，以减少无效观测进入 更新步，有利用于相应高斯项的裁剪，降低误警；另外自适 应椭球门限的大小还与残差误差有关，当预测的残差误差较 大时，意味着目标机动性较强，邻近预测状态的观测数据不 能体现目标真实目标，这时应选取较大的椭球门限，使得各 状态预测值对应的有效观测值能落入相应的椭球门限中，避 免目标漏检。 4仿真实验及结论 为了验证本文算法，实验设置一个［［-100，