广义概率数据关联算法

随着跟踪环境、跟踪对象和跟踪系统的不断变化、发展 ,目标与量测已很难仅仅以一一对应的关联关系来描述 ,这使得多目标跟踪中数据关联这一核心问题更具挑战 .JesusGarrcia、T .Kirubarajan和Bar Shalom等学者从智能方法或重复使用一对一分配JPDA等方面进行了研究 ,取得一定成效 ,但计算量和性能均未达到理想效果 .本文首先提出更符合实际情况的新的目标与量测相关联的可行性规则 ,给出广义联合事件的一种分割与组合方法 ,利用贝叶斯法则推导出了一种全局次优的广义概率数据关联算法 (GeneralizedProbabilityDataAssociation ,GPDA) .通过本文设计的各种典型环境的仿真计算表明 ,GPDA算法的性能在目标与量测无论是否在一一对应的情况下 ,全面优于JPDA算法 ,且由于新算法的设计技巧 ,使计算量和存储量也大大小于JPDA算法 ,为发展同时具有良好实时和关联性能的多目标跟踪算法给出了新的尝试 .