基于迭代积分卡尔曼PHD滤波多目标跟踪

在多目标跟踪环境下,通过对数值积分卡尔曼概率假设密度滤波器(QK-PHD)的误差分析,提出一种迭代QK-PHD算法。该算法基本思想是将一步预测作为第1次迭代的初始值,通过量测更新得到状态估计,然后将此状态估计作为下一步迭代的初始均值和方差。通过多次迭代后滤波输出精度更高方差更小。Matlab仿真结果表明,在不明显增加计算时间的基础上,迭代QK-PHD比QK-PHD的跟踪效果更加明显,滤波输出精度更高。

基于数值积分粒子PHD多目标跟踪滤波算法

在多目标跟踪环境下,粒子概率假设密度(P-PHD)因杂波、漏检和非线性情况,导致滤波精度不高,跟踪发散,对此问题提出一种基于数值积分粒子概率假设密度滤波算法。利用数值粒子滤波(QPF)实现概率假设密度(PHD),用数值卡尔曼滤波(QKF)算法得到更好的重要性密度函数,并从中采样得到粒子,使粒子的分布更接近真实的概率假设密度分布。试验仿真表明,与粒子概率假设密度和容积粒子概率假设密度滤波算法相比,所提算法的滤波精度和稳定性明显提高。