标签随机有限集下多机动目标跟踪快速实现

针对传统δ-GLMB(δ-Generalized Labeled Multi-Bernoulli)滤波和δ-JGLMB(δ-Joint Generalized Labeled Multi-Bernoulli)滤波计算复杂度较高和实际场景中目标机动的问题,文中提出了IMM-δ-FGLMB(Interactive Multi-modelδ-GLMB)滤波和IMM-δ-FJGLMB(Interactive Multi-modelδ-JGLMB)滤波两种跟踪算法。在滤波新生阶段提出量测驱动Bernoulli成分筛选过程(Measurement Driven for Filtrate the Bernoulli Components,MDFBC),通过利用量测信息来对新生的Bernoulli成分进行粗筛,去除无贡献的新生Bernoulli成分,进而为算法减少计算量。在滤波的预测阶段,通过利用多个模型对机动目标的状态进行交互式预测,从而避免使用单个模型进行状态预测时出现的模型失配问题。实验验证了所提算法在多机动目标跟踪和计算效率方面的优良性能。

交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题,将交互式多模型(Interacting multiple model,IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter,Box-LMB)相结合,提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态,引入模型匹配概率变量,并利用量测信息在预测阶段更新模型匹配概率,进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次,在更新阶段提出二次收缩算法,通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率,也更加接近真实目标位置,从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明,二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法,能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下,与匀速直线运动(Constant velocity,CV)模型下的Box-LMB算法相比,IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.