为克服原始扩展目标高斯混合概率假设密度滤波算法(Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM PHD)不能解决机动目标跟踪问题,将交互多模型(Interacting M ultiple M odel,IM M)的思想引入到高斯混合概...为克服原始扩展目标高斯混合概率假设密度滤波算法(Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM PHD)不能解决机动目标跟踪问题,将交互多模型(Interacting M ultiple M odel,IM M)的思想引入到高斯混合概率假设密度滤波框架下,提出一种交互多模型扩展高斯混合概率假设密度滤波算法(IMM-ET-GMPHD).该算法主要融合了经典的三种运动模型,通过模型的交互实现了对多机动扩展目标的跟踪.此外,为了获取各个机动扩展目标完整航迹,提出一种高斯分量标识方法,使得提出的算法不仅能跟踪多机动扩展目标,还可以有效地估计每个机动扩展目标的航迹.仿真结果表明,本文提出的算法在对复杂环境下多机动扩展目标的跟踪上体现出良好的性能,同时能够有效地管理多机动扩展目标的航迹.展开更多
文摘为克服原始扩展目标高斯混合概率假设密度滤波算法(Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM PHD)不能解决机动目标跟踪问题,将交互多模型(Interacting M ultiple M odel,IM M)的思想引入到高斯混合概率假设密度滤波框架下,提出一种交互多模型扩展高斯混合概率假设密度滤波算法(IMM-ET-GMPHD).该算法主要融合了经典的三种运动模型,通过模型的交互实现了对多机动扩展目标的跟踪.此外,为了获取各个机动扩展目标完整航迹,提出一种高斯分量标识方法,使得提出的算法不仅能跟踪多机动扩展目标,还可以有效地估计每个机动扩展目标的航迹.仿真结果表明,本文提出的算法在对复杂环境下多机动扩展目标的跟踪上体现出良好的性能,同时能够有效地管理多机动扩展目标的航迹.
