多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器.随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合(Gaussian mixture,GM)技术获得了该滤波器解析的递推形式—多模型GMCBMeMBer滤波器,并简要给出了它在非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似.仿真实验结果表明所建议的多模型GM-CBMeMBer滤波器能有效地对多个机动目标进行跟踪而单模型GM-CBMeMBer滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度(GM probability hypothesis density,GM-PHD)滤波器,接近于多模型高斯混合势概率假设密度(GM cardinalized PHD,GM-CPHD)滤波器.

低检测率条件下改进的势均衡多目标多伯努利算法+

标准势均衡多目标多伯努利算法在低检测率下对目标数目估计过少。针对该问题,提出一种改进的势均衡多目标多伯努利算法。通过在上一时刻滤波过程中对某些特定的高斯项进行修正和保存,将修正后的高斯项合并到更新后的高斯项中,用到下一时刻的滤波步骤中,以削减低检测率带来的影响。仿真实验结果表明,在低检测率下,改进算法能够在一定程度上解决目标数目估计过少的问题,提高算法的目标跟踪精度。