基于标签多伯努利滤波的衍生目标跟踪算法

针对现有随机有限集(RFS)滤波器在低信噪比环境下对衍生目标跟踪性能严重下降的问题,提出了一种基于Delta扩展标签多伯努利(δ-GLMB)滤波器的改进算法。基于随机集理论和伯努利衍生模型,推导了新的预测方程,并采用了假设裁剪及分组手段和多伯努利近似技术以降低算法的计算量。针对假设增多引起的虚警问题,将多帧平滑思想和算法相结合,利用标签信息对新目标进行回溯处理。仿真结果表明,所提算法能对目标数目进行无偏估计,在低探测概率和强杂波环境下性能明显优于概率假设密度(PHD)算法,计算开销在衍生初始阶段增长快于PHD,目标较分散时低于PHD。     

幅度及多普勒信息辅助的多目标跟踪算法

针对现有的多目标跟踪（MTT）算法在强杂波环境下会出现严重的性能衰退,利用目标的幅度及多普勒特征,基于随机有限集（RFS）理论,提出了一种幅度及多普勒信息辅助的δ广义标签多伯努利（ADI-δ-GLMB）滤波器。首先,利用幅度及多普勒信息对目标状态进行扩展,在此基础上建立了新的量测似然函数。然后,基于δ-GLMB滤波器框架推导了新的更新方程。最后,进行仿真验证,结果表明：强杂波下,ADI-δ-GLMB滤波器跟踪性能明显优于δ-GLMB滤波器,估计精度及稳定性更高,且计算量更低;同信息辅助的概率假设密度（PHD）、多目标多伯努利（MeMBer）滤波器相比,ADI-δ-GLMB滤波器状态估计精度更高。