基于PHD濾波的多目標跟蹤平滑算法研究.pdf

1、近年來，基于隨機有限集（RFS）的多目標跟蹤（MTT）方法受到了研究人員的廣泛關(guān)注，該方法將目標狀態(tài)集合和傳感器量測集合分別建模為隨機有限集合。RFS理論將多目標跟蹤問題描述為貝葉斯濾波問題，解決了傳統(tǒng)多目標跟蹤方法中出現(xiàn)的數(shù)據(jù)關(guān)聯(lián)以及目標數(shù)目變化的難題。
　　在多目標跟蹤中，平滑（Smoothing）是一種可以進一步提高傳統(tǒng)濾波算法性能的重要方法。與濾波算法處理不同，平滑算法通過延遲決定時刻以及有效利用后一時刻的量測數(shù)據(jù)，產(chǎn)生比

2、濾波算法更好的目標估計。延遲越大，精度越高，但計算越復雜。為此，論文綜合考慮延遲時刻（滯后時間）、性能的改善、平滑器的復雜性等因素，分別將概率假設(shè)密度濾波（PHD）、勢概率假設(shè)密度濾波（CPHD）與平滑算法相結(jié)合，對多目標跟蹤問題進行研究，主要工作如下：
　　1.討論多目標跟蹤平滑算法所涉及的狀態(tài)空間模型，這些模型將實際中出現(xiàn)的復雜問題簡化，有效地促進算法的研究。
　　2.在PHD濾波實現(xiàn)原理基礎(chǔ)上，從預測步和更新步推導出基

3、于PHD濾波的后向平滑步。與前向PHD遞歸不同，此后向平滑步不需要預先假設(shè)服從泊松（Poisson）分布。仿真實驗表明，改進算法性能優(yōu)于經(jīng)典的PHD濾波。
　　3.在PHD后向平滑遞歸公式的基礎(chǔ)上，推導出性能更加優(yōu)良的CPHD后向平滑遞歸公式，同時也推導出勢分布和后向平滑多目標的所有階分布，并將其基于高斯混合實現(xiàn)，得到GM-CPHD平滑器，有效減少計算量。仿真實驗表明，所提平滑器的檢測與跟蹤性能優(yōu)于未經(jīng)平滑處理的CPHD濾波器。該