本文關(guān)鍵詞：基于模型類型匹配PHD濾波器和TBM的多目標聯(lián)合跟蹤分類

  更多相關(guān)文章： 聯(lián)合跟蹤與分類 概率假設(shè)密度 可轉(zhuǎn)移信度模型 粒子濾波 多傳感器數(shù)據(jù)融合

【摘要】：為了解決雜波和漏檢下多目標的聯(lián)合跟蹤與分類問題,提出了模型類型匹配概率假設(shè)密度(probability hypothesis density,PHD)濾波器,同時將其與多傳感器的可轉(zhuǎn)移信度模型(transferable belief model,TBM)框架相結(jié)合,并用多個運動學雷達和粒子濾波遞推實現(xiàn)。該算法對飛行器的先驗信息進行估計,從而替代了屬性傳感器。在預(yù)測階段,根據(jù)模型和類型對PHD濾波器進行粒子匹配;傳感器得到觀測結(jié)果后進行粒子權(quán)重的更新;再根據(jù)粒子對應(yīng)的權(quán)重得到目標的后驗狀態(tài)-模型-類型分布;這些PHD濾波器可以同時得到目標的狀態(tài)和類型;結(jié)合TBM和航跡粒子標簽算法,得到多個傳感器的融合結(jié)果。仿真表明,本文提出的模型類型匹配PHD濾波器的性能比傳統(tǒng)多模型PHD濾波器更精確,同時多傳感器的TBM框架也全面提升了算法的性能。
【作者單位】： 北京航空航天大學自動化科學與電氣工程學院;
【關(guān)鍵詞】： 聯(lián)合跟蹤與分類 概率假設(shè)密度 可轉(zhuǎn)移信度模型 粒子濾波 多傳感器數(shù)據(jù)融合
【基金】：航空科學基金(2014ZC51042)資助課題
【分類號】：TN713;TP212
【正文快照】： 0引言在現(xiàn)代戰(zhàn)爭軍事偵察系統(tǒng)中,多目標的跟蹤與分類問題已經(jīng)成為了最重要的兩個技術(shù)難題。盡管這兩個問題是耦合的,但是以往人們通常將它們用不同的傳感器分別處理,用運動學傳感器進行目標跟蹤,用屬性傳感器進行目標分類。由于目標類型信息能夠確定目標運動學包絡(luò),提高目標跟，

本文編號：870157