一种避免航迹聚集的改进的JPDA方法

提出了使用分类信息来改进传统的JPDA方法,在数据关联过程中综合使用了目标的运动学信息和目标的分类信息,提高了在跟踪波门内目标正确关联的概率,有效避免了航迹聚集现象.理论分析和仿真结果表明,尤其当多个临近目标的属性信息差别明显时,有目标分类信息辅助的JPDA方法可以显著提高跟踪波门内目标的正确关联概率,降低波门内其他目标/杂波的关联概率,使得被跟踪目标的信息更新以正确目标的信息为主.仿真结果验证了算法的正确性和有效性.

基于Meanshift聚类-Bhattacharya观测似然度修正的联合概率数据关联改进算法

为降低多目标航迹聚集时联合概率数据关联(JPDA)联合关联事件的计算复杂度,提出一种基于Meanshift聚类-Bhattacharya(Bhy)观测似然度修正的JPDA改进算法。利用Meanshift得到聚类中心,据聚类中心与目标预测量测马氏距离形成跟踪门;提出Bhy似然度矩阵,将Meanshift聚类中心与各量测Bhy距离所表征的观测似然度作为确认矩阵小概率事件划分依据,消除确认矩阵中小概率事件对联合关联事件计算复杂度的影响。实验结果表明:多目标航迹聚集时,该算法在减少计算复杂度同时保持了较高关联精度,跟踪性能明显优于经典JPDA。