初等对称函数对GM-CPHD算法执行效率的影响

多目标跟踪问题中,GM-CPHD滤波算法能够同时递推估计势分布及强度分布信息,滤波精度较高。然而其缺点是时间复杂度较大,尤其是当杂波率较高时,滤波时间过长。导致该问题的主要原因是该算法更新步骤中的初等对称函数的计算复杂度很高。针对该问题,采用递推方法替换定义方法计算初等对称函数,提高了求解效率,降低了整个算法的时间复杂度。仿真结果表明,通过递推方法计算初等对称函数能够大大降低滤波时间复杂度,且不影响滤波精度。

基于航迹—估计关联的GM-CPHD后处理算法

高斯势概率假设密度滤波算法在低检测率条件下目标数目估计会出现偏差。针对该问题,提出了一种基于航迹—估计关联的GM-CPHD后处理算法。计算航迹和估计之间的距离矩阵,利用匈牙利指派算法进行航迹—估计关联。通过设定航迹的连续性阈值对短航迹进行裁剪,并以此消除虚假目标估计。利用拉格朗日插值对各条不连续的航迹进行插值,以弥补由于低检测率而造成的遗漏估计。仿真实验结果表明,该处理算法能够有效地提高目标数目的估计精度。

基于随机有限集的多目标跟踪算法

对基于有限集统计的多目标跟踪算法进行研究。PHD滤波器针对传统多目标跟踪中计算量较大的问题,通过计算多目标分布后验密度的一阶矩模拟多目标贝叶斯迭代,取得了良好的效果。针对PHD滤波器对目标漏检较为敏感的缺陷,Cardinalized PHD(CPHD)滤波器同时估计得到后验密度分布和后验势分布,是对PHD滤波的泛化。通过实现PHD和CPHD滤波的混合高斯模型,分析比较两者的性能。实验表明,由于引入了势分布,CPHD滤波提高了对目标估计的准确率,总体性能优于PHD滤波算法。