观测最优分配的GM-PHD多目标跟踪算法  

Measurements Optimal Assigned GM-PHD Multi-target Tracking Algorithm

作　　者：章涛[1,2] 来燃 吴仁彪[1] 陈敏[1] 

机构地区：[1]中国民航大学天津市智能信号与图像处理重点实验室,天津300300 [2]天津大学电子信息工程学院,天津300072

出　　处：《信号处理》2014年第12期1419-1426,共8页Journal of Signal Processing

基　　金：国家科技支撑计划课题(2011BAH24B12);国家自然科学基金委员会与中国民用航空局联合资助项目(U1233112;U1233109);国家自然基金青年科学基金资助项目(11102134);中央高校基本科研业务费中国民航大学资助专项(3122014D006)

摘　　要：概率假设密度滤波器将目标的状态空间及观测空间描述为随机有限集合的形式,有效避免了多目标跟踪中复杂的数据关联问题。但对于不同类型的目标使用同样的全部观测数据集进行目标状态更新,未对观测数据进行合理分配,导致估计性能下降。该文提出一种观测最优分配的高斯混合概率假设密度多目标跟踪算法(MOA-GM-PHD),将目标分为已有目标和新生目标两类,推导极大似然门限来获得两类目标对应的最优观测数据,再分别进行目标状态更新。实验结果表明,该文方法目标跟踪效果优于传统GM-PHD滤波器。As describing target state space and sensor observation space by Random Finite Set （RFS）method,Probabil-ity Hypothesis Density （PHD）filter is a promising approach for multi-target tracking without consideration of measurement-to-track association.Due to the fact that classic GM-PHD filer has not distinguish the measurements of survival targets and birth targets,a Measurements Optimal Assigned GM-PHD filter （MOA-GM-PHD）is proposed in this paper,which distin-guishes the measurements set by using a maximum likelihood adaptive gate,and survival targets and birth targets update the PHD estimation using the optimal assigned measurements respectively.Simulation results show that the proposed algorithm obtained an improved performance.

关 键 词：多目标跟踪 高斯混合概率假设密度滤波器 观测最优分配 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]