18 基于多伯努利概率假设密度的扩展目标跟踪方法.pdf

【基于多伯努利概率假设密度的扩展目标跟踪方法】 在现代雷达系统中，尤其是在高分辨率雷达系统中，目标不再被视为简单的点状实体，而是可能占据多个分辨单元，形成了所谓的扩展目标。这样的目标在探测时可能会产生多个量测，使得传统的单一量测目标跟踪方法不再适用。针对这一挑战，研究者们提出了扩展目标跟踪理论，其中概率假设密度(PHD)滤波是一种重要的方法。本文主要关注的是基于多伯努利概率假设密度(MB-ET-PHD)的扩展目标跟踪算法。 传统的PHD滤波，如泊松扩展目标概率假设密度(Poisson ET-PHD)滤波，通常假设目标产生的量测数目遵循泊松分布。然而，这种假设在实际应用中并不总是准确的，因为它忽略了可能存在的量测关联性和非均匀目标分布情况。为了解决这个问题，文章提出了多伯努利扩展目标概率假设密度滤波算法。 多伯努利分布是一种更灵活的概率分布，可以更好地描述扩展目标产生的多量测特性。MB-ET-PHD算法首先假设目标的量测数目服从多伯努利分布，这允许模型考虑不同目标产生量测的可能性和相关性。通过有限集统计(Finite Set Statistics, FISST)理论中的多目标微积分，该算法能推导出更为精确的更新公式，从而更准确地估计目标状态和其对应的量测数量。 在FISST框架下，多目标跟踪问题转化为单目标的加权处理，使得复杂的多目标问题得以简化。MB-ET-PHD算法利用这一理论，通过多目标微积分计算每个目标存在和消失的概率，以及对应量测的生成概率，从而更新目标的状态估计。 在实际应用中，高斯混合(GM)模型常用于表示目标状态的不确定性。文章提供了GM框架下的MB-ET-PHD算法仿真结果，展示了相比于泊松ET-PHD算法，新算法在跟踪性能上的显著提升。通过比较两者的仿真数据，可以看出MB-ET-PHD算法在处理目标分裂、合并和非均匀分布时的适应性更强，能够更有效地跟踪目标状态，降低虚警和漏检率。 基于多伯努利概率假设密度的扩展目标跟踪方法是一种改进的PHD滤波技术，它提高了对复杂扩展目标跟踪问题的建模精度，特别是在目标量测数目不确定或非独立的情况下。这种方法对于高分辨率雷达系统和其他类似需要处理扩展目标的传感器网络具有重要的理论和实践价值。未来的研究方向可能包括进一步优化多伯努利分布参数的估计，以及将该方法应用于实时的跟踪系统中。