基于GLMB滤波和Gibbs采样的多扩展目标有限混合建模与跟踪算法

摘要：

本文针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled random finite sets,L-RFS)框架下多扩展目标跟踪学习算法,该学习算法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计.首先,结合广义标签多伯努利滤波器(Generalized labelled multi-Bernoulli,GLMB)建立了扩展目标的量测有限混合模型(Finite mixture models,FMM),利用Gibbs采样和贝叶斯信息准则(Bayesian information criterion,BIC)准则推导出有限混合模型的参数来对多扩展目标形状进行学习,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状与状态的估计.仿真实验表明本文所给的方法能够有效跟踪多扩展目标,并且在目标个数估计方面优于CBMeMBer算法.此外,与标签多伯努利滤波(LMB)计算比较表明:GLMB和LMB算法滤波估计精度接近,二者精度高于CBMeMBer算法.

关键词：多扩展目标、有限混合模型、标签随机有限集、GLMB滤波器、Gibbs采样、BIC准则

所属期刊栏目：46

资助基金：国家自然科学基金;江苏省自然科学基金项目;杭州电子科技大学优秀学位论文培育基金项目

在线出版日期：2020-08-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1445-1456