基于SMC-PHDF的部分可分辨的群目标跟踪算法

摘要：

提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMCPHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.

关键词：群目标跟踪、粒子概率假设密度滤波器、高斯混合模型、期望最大化算法、马尔科夫链蒙特卡洛算法

所属期刊栏目：36

分类号：TP2(自动化技术及设备)

资助基金：国家重点基础研究发展计划973计划项目2007CB311006;国家自然科学基金60574033

在线出版日期：2010-11-19（万方平台首次上网日期，不代表论文的发表时间）

页码：731-741