一种改进的高斯混合概率假设密度滤波器.docxVIP

一种改进的高斯混合概率假设密度滤波器 　　摘要：针对近邻目标场景下高斯混合概率假设密度滤波器的滤波精度较差问题，该文提出一种改进的高斯混合概率假设密度滤波器。基于更新后的目标强度中目标身份信息，首先将近似同一目标的多个高斯分量融合为一个新的高斯分量，然后依据目标检测结果对各目标分量的权重进行重新分配以获取一个精确的后验强度。实验结果表明，与相关近邻目标gm-phd滤波器相比，该文算法的目标状态及数目估计精度具有较大优势，且其滤波性能相对稳定。 　　关键词：概率假设密度高斯混合目标强度状态估计 　　中图分类号：tp391文献标识码：a文章编号：1672-3791（2020）03（c）-0001-04 　　abstract：aimingatthepoorfilteringaccuracyofthegaussianmixtureprobabilityhypothesisdensityfilterintheclosetargetscenarios，animprovedgaussianmixtureprobabilityhypothesisdensityfilterisproposedinthispaper.basedonthetargetidentityinformationwithintheupdatedtargetintensity，first，themultiplegaussiancomponentsapproximatingasametargetaremergedintoanewgaussiancomponent，andthentheweightsofcomponentsoftargetsareredistributedaccordingtothetargetdetectionresultforthepurposeofobtaininganaccurateposteriorintensity.theexperimentalresultsshowthat，comparedwiththerelatedclosetargetgm-phdfilters，theestimationaccuracyofthetargetstatesanditsnumberoftheproposedalgorithmhasgreatadvantages，anditsfilteringperformanceisrelativelystable. 　　keywords：probabilityhypothesisdensity;gaussianmixture;targetintensity;stateestimate 　　基于隨机有限集（randomfiniteset，rfs）[1]的多目标贝叶斯跟踪方法避免了传统多目标跟踪方法所需的数据关联环节，受到多目标跟踪领域越来越多学者的关注。为了使多目标bayes滤波器具有较低的计算负担，概率假设密度（probabilityhypothesisdensity，phd）[2]通过迭代传递目标状态集的强度实现多目标跟踪。线性高斯模型假设条件下，高斯混合phd（gaussianmixturephd，gm-phd）滤波器[3]提供了一种phd滤波器的实现方法。 　　杂波干扰的近邻目标跟踪环境下，gm-phd滤波器的目标状态及数目估计精度较低[4，5]。基于目标分量二次融合策略，文献[6]提出一种的新的gm-phd（novelgm-phd）滤波器以解决近邻目标跟踪问题。该滤波器利用gm-phd算法获取目标分量的权重、均值和协方差，其中均值和协方差协同工作用于判定多目标是否处于近邻状态。当多个目标间的距离低于一个预设的阈值且各目标的权重超过目标状态抽取阈值时，novelgm-phd滤波器不对这些目标的分量进行融合操作。相较于gm-phd滤波器，novelgm-phd滤波器避免了具有较高权重的近邻目标合并问题，一定程度上提高了杂波跟踪场景中近邻目标的跟踪精度。然而，一些复杂跟踪下novelgm-phd滤波器的目标状态及数目精度较低，且滤波迭代过程中存在死循环问题。针对novelgm-phd滤波器在解决近邻目标时的不足，文献[7，8]提出一种改进的gm-phd（improvedgm-phd）算法。该滤波器利用目标分量的权重、均值和协方差，构建了一个改进的近邻目标度量标准。improvedgm-phd滤波器不仅有效地避免了近邻目标分量错误合并问题，而且解决了novelgm-phd滤波器存在的死循环问题。相较于gm-phd和novelgm-phd滤波器，improvedgm-phd滤波器的滤波性能更加鲁棒且滤波迭代操作更易于实现。值得注意的是，improvedgm-phd滤波器难以有