采用多树结构的快速多假设跟踪算法
基于结构多假设目标跟踪算法优化与仿真饶世钧
第30卷第1期计算机仿真2013年1月文章编号：1006－9348（2013）01－0018－05基于结构多假设目标跟踪算法优化与仿真饶世钧1，姜宁1，张云雯2（1．海军大连舰艇学院作战指挥系，辽宁大连116018；2．海军大连舰艇学院研究生2队，辽宁大连116018）摘要：研究雷达跟踪目标性能优化问题，传统多假设算法计算量大、实时性较差，无法应用于实际雷达装备。
为解决上述问题，提出一种结构化分枝的多假设目标跟踪算法，同时提出限制最大航迹数量、删除负分航迹、低等级航迹处理、滑动窗口多维分配法、多扫分配法及交互多模型多假设跟踪算法等一系列改进方法，并通过计算机仿真证明改进后的结构化分枝的多假设目标跟踪算法比传统多假设算法及联合概率数据互联算法计算量更小，精度更高，并对改善当前舰载雷达跟踪性能，提高对目标的跟踪能力具有一定的指导意义。
关键词：多假设跟踪；结构化分枝；数据互联；交互多模型多假设跟踪；密集杂波中图分类号：TN955；T957．51文献标识码：BOptimization and Simulation of Multiple Hypotheses TargetAlgorithm Tracking Based on Structured BranchingRAO Shi－jun1，JIANG Ning1，ZHANG Yun－wen2（1．Dept．of Operational Commanding of Dalian Navy Academy，Dalian Liaoning116018，China；2．Postgraduate Team2of Dalian Navy Academy，Dalian Liaoning116018，China）ABSTRACT：In order to solve the problems of computational complexity，poor real time and practical difficulty to ra-dar equipment of multiple hypotheses target tracking algorithm，this paper introduced a multiple hypotheses target tracking algorithm based on structured branching，and gave some improved methods such as limiting track numbers，deleting minus track，dealing with Bi－Level track and IM3HT．Experimental result shows that this algorithm can sig-nificantly reduce errors with higher computational effectiveness when compared with traditional multiple hypotheses tracking（MHT）and joint probabilistic data association（JPDA）．The methods have important significances in the im-provement of tracking algorithm and tracking abilities of shipborne radars．KEYWORDS：Multiple hypotheses tracking；Structured branching；Data association；IM3HT；Dense clutter1引言跟踪算法是雷达跟踪目标的核心问题，直接关系到雷达的跟踪性能。
深度学习的目标跟踪算法综述
深度学习的目标跟踪算法综述引言：随着深度学习技术的快速发展，目标跟踪领域也得到了巨大的发展。
目标跟踪是指在视频序列中，对感兴趣的目标进行连续的定位和跟踪，其在计算机视觉、自动驾驶、视频监控等领域有着广泛的应用前景。
本文将综述几种常见的深度学习目标跟踪算法，以便读者对这一领域有更全面的了解。
一、基于卷积神经网络的目标跟踪算法卷积神经网络（Convolutional Neural Network，CNN）是深度学习中最常用的网络结构之一。
它通过卷积层、池化层和全连接层等结构，能够自动提取图像特征。
在目标跟踪中，常用的基于CNN的算法有Siamese网络、Correlation Filter网络和DeepSORT等。
1. Siamese网络Siamese网络是一种基于孪生网络结构的目标跟踪算法，它通过输入一对图像样本来学习两个样本之间的相似度。
该网络通过训练得到的特征向量，可以用于计算待跟踪目标与骨干网络中的目标特征之间的距离，从而确定目标的位置。
2. Correlation Filter网络Correlation Filter网络是一种基于卷积神经网络的目标跟踪算法，它通过训练得到的滤波器，可以将目标与背景进行区分。
该算法通过计算滤波响应图，来确定目标的位置和尺度。
3. DeepSORTDeepSORT是一种结合深度学习和传统目标跟踪算法的方法，它通过使用CNN进行特征提取，并结合卡尔曼滤波器对目标进行预测和更新。
DeepSORT在准确性和实时性上都有较好的表现，在实际应用中有着广泛的使用。
二、基于循环神经网络的目标跟踪算法循环神经网络（Recurrent Neural Network，RNN）是一种能够处理序列数据的神经网络模型。
在目标跟踪中，RNN可以考虑到目标在时间上的依赖关系，从而提高跟踪的准确性。
常见的基于RNN的目标跟踪算法有LSTM和GRU等。
1. LSTMLSTM是一种常用的循环神经网络结构，它能够有效地处理长期依赖问题。
多假设跟踪算法范文
多假设跟踪算法范文假设跟踪算法是计算机视觉和图像处理领域中的一个重要任务，其目的是在视频或图像序列中追踪特定的目标。
在目标跟踪中，我们通过将目标与周围的背景进行区分来实现目标的定位和运动分析。
能够有效地跟踪目标对于许多应用非常关键，例如视频监控、智能交通系统和虚拟增强现实等。
本文将介绍目前常见的多假设跟踪算法，重点讨论卡尔曼滤波器和粒子滤波器。
这些方法在目标跟踪领域非常流行，因为它们能够提供良好的性能和实时性。
卡尔曼滤波器是一种线性时变系统的状态估计器，以最小化均方误差为目标。
它假设系统的状态和观测噪声是高斯分布的，并且具有线性动力学模型。
卡尔曼滤波器根据先验的状态估计和测量更新来估计目标的状态。
这种方法通过递归方式进行计算，并根据当前观测的信息进行迭代更新。
卡尔曼滤波器的一个重要优势是能够处理线性和高斯噪声模型，并且具有较低的计算复杂度。
然而，由于它的线性模型假设，它对于非线性和非高斯过程的跟踪任务可能表现不佳。
粒子滤波器是一种基于蒙特卡洛采样的非线性非高斯状态估计方法。
它通过使用一组粒子来逼近目标的状态分布，并根据目标的观测信息进行更新。
粒子滤波器的核心思想是使用一组随机采样的粒子来表示潜在的目标状态，然后通过逐个计算每个粒子的权重来估计目标的最终状态。
由于粒子滤波器不需要对模型进行线性化，并且能够处理非高斯特性，因此对于非线性和非高斯过程的目标跟踪任务具有较好的性能。
但是，粒子滤波器的计算复杂度较高，尤其是在高维状态空间中。
在多假设跟踪算法中，目标的状态被假设为一个有限数量的假设集合，每个假设都表示目标的一个假设状态。
这种方法的核心思想是通过对假设进行增删和更新，来动态地追踪目标的多个假设状态。
通常，在一些时刻，我们可能无法确定目标的确切状态，因此引入多个假设可以更好地处理目标的不确定性和复杂性。
多假设跟踪算法可以结合卡尔曼滤波器和粒子滤波器的一些优点。
例如，我们可以使用一个卡尔曼滤波器来估计目标的先验状态，并根据观测信息选择最佳的假设状态。
基于YOLOv5和DeepSORT的多目标跟踪算法研究与应用
基于YOLOv5和DeepSORT的多目标跟踪算法研究与应用一、本文概述随着计算机视觉技术的飞速发展，多目标跟踪（Multi-Object Tracking, MOT）作为其中的一项关键技术，已广泛应用于智能监控、自动驾驶、人机交互等领域。
本文旨在研究基于YOLOv5（You Only Look Once version 5）和DeepSORT（Deep Simple Online and Realtime Tracking）的多目标跟踪算法，并探讨其在实际应用中的性能表现。
本文将对YOLOv5算法进行详细介绍。
作为一种先进的实时目标检测算法，YOLOv5凭借其高效的速度和优异的检测性能，在众多目标检测算法中脱颖而出。
本文将对YOLOv5的基本原理、网络结构、训练过程等进行深入剖析，为后续的多目标跟踪算法研究奠定基础。
本文将重点研究DeepSORT算法在多目标跟踪中的应用。
DeepSORT算法结合了深度学习和SORT（Simple Online and Realtime Tracking）算法的优点，通过提取目标的深度特征并进行数据关联，实现了对多个目标的准确跟踪。
本文将详细介绍DeepSORT算法的实现过程，包括特征提取、目标匹配、轨迹管理等关键步骤，并分析其在实际应用中的优势与不足。
本文将探讨基于YOLOv5和DeepSORT的多目标跟踪算法在实际应用中的性能表现。
通过设计实验，对比不同算法在不同场景下的跟踪效果，评估所提算法在准确性、鲁棒性、实时性等方面的性能。
本文将结合具体的应用场景，对所提算法进行实际应用案例分析，展示其在智能监控、自动驾驶等领域的应用潜力。
本文旨在深入研究基于YOLOv5和DeepSORT的多目标跟踪算法，通过理论分析和实验验证，评估其在实际应用中的性能表现，为推动多目标跟踪技术的发展和应用提供有益的参考。
二、YOLOv5目标检测算法介绍YOLOv5，全称为You Only Look Once version 5，是一种先进的实时目标检测算法。
多目标跟踪算法
多目标跟踪算法多目标跟踪算法是计算机视觉领域中一项重要的研究任务，它的目标是在视频序列中同时跟踪多个目标。
本文将介绍一种基于深度学习的多目标跟踪算法。
该算法的主要步骤如下：1.目标检测：首先，使用卷积神经网络（CNN）对视频帧进行目标检测。
CNN可以提取图像特征，识别图像中的目标物体。
常用的CNN架构有Faster R-CNN、YOLO等。
2.目标特征提取：对于每一个被检测到的目标，通过CNN提取其特征表示。
这些特征可以包括目标的外观、形状、运动等信息。
3.目标关联：根据目标的特征，使用关联算法来建立当前帧和前一帧之间的目标关联。
常用的关联算法有卡尔曼滤波、匈牙利算法等。
如果一个目标在两帧中都被检测到且满足一定的相似度阈值，则认为它们是同一个目标。
4.目标轨迹估计：根据目标的关联关系，使用轨迹估计算法来预测目标在未来的位置。
常用的轨迹估计算法有卡尔曼滤波、粒子滤波等。
通过预测目标的轨迹，可以实现对目标的跟踪。
5.目标更新：在每一帧中，根据新检测到的目标和通过轨迹估计算法预测的目标位置，更新目标的状态。
这种多目标跟踪算法基于深度学习的目标检测和特征提取实现了对视频序列中多个目标的准确跟踪。
同时，通过目标关联和轨迹估计算法，可以解决目标在视频中的跳跃和遮挡等问题。
这种算法在实际应用中具有广泛的应用前景，例如视频监控、自动驾驶等领域。
需要注意的是，多目标跟踪算法仍然存在许多挑战，例如目标遮挡、目标外观变化等。
未来的研究方向包括进一步提升目标检测和特征提取的准确性，改进目标关联和轨迹估计算法的效果，以及开发更加高效的实时多目标跟踪算法。
多运动目标高速实时跟踪算法的实现
多运动目标高速实时跟踪算法的实现运动目标高速实时跟踪算法是计算机视觉领域的一个重要研究方向，它可以应用于自动驾驶、智能监控、人机交互等多个领域。
本文将介绍一个基于卡尔曼滤波和深度学习的多运动目标高速实时跟踪算法的实现。
一、引言在自动驾驶和智能监控等应用中，准确快速地跟踪多个运动目标是至关重要的。
传统的跟踪算法常常受限于目标遮挡、光照变化等因素，难以实现高速实时跟踪。
因此，本文提出了一种基于卡尔曼滤波和深度学习的多运动目标高速实时跟踪算法。
二、算法框架本文所提出的算法框架主要包括两个部分：目标检测和目标跟踪。
目标检测使用深度学习方法，如YOLO、Faster R-CNN等，来实现在图像中准确地定位出运动目标。
目标跟踪使用卡尔曼滤波来预测目标的位置和速度，通过匹配检测和跟踪结果来实现目标的高速实时跟踪。
三、目标检测目标检测是实时跟踪算法的关键步骤，它决定了跟踪的准确性和效率。
本文使用YOLO算法作为目标检测的基础，因为YOLO具有较高的准确率和速度。
YOLO将图像划分为多个网格，每个网格负责检测其中的目标。
通过在每个网格上预测目标的类别和边界框，可以实现快速准确的目标检测。
四、目标跟踪目标跟踪是实时跟踪算法的核心，它通过在不断更新的目标状态中预测目标的位置和速度来实现目标的连续跟踪。
本文使用卡尔曼滤波来对目标状态进行建模和预测。
卡尔曼滤波不仅可以估计目标的位置和速度，还可以考虑观测噪声和模型不确定性，提高跟踪的鲁棒性和准确性。
五、实时性优化为了实现高速实时跟踪，本文进行了一些实时性优化。
首先，使用多线程和GPU加速来提高算法的计算速度。
其次，通过降低目标检测和跟踪的分辨率来减少计算量。
最后，使用滑动窗口和目标预测等技术来减少不必要的目标检测和跟踪操作。
六、实验与结果本文在多个公开数据集上进行了实验，并与其他跟踪算法进行了比较。
实验结果表明，本文所提出的算法在准确性和实时性方面都达到了很好的性能。
算法能够快速准确地跟踪多个运动目标，并在目标遮挡、光照变化等复杂场景下保持较高的稳定性和鲁棒性。
目标跟踪算法的分类
主要基于两种思路：a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标；b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。
一．运动目标检测对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。
运动检测即为从序列图像中将变化区域从背景图像中提取出来。
运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测〔一〕静态背景1.背景差2.帧差3.GMM4.光流背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模，在各种不同情况下它都可以准确地检测出运动目标。
因此对于固定摄像头的情形，目前大多数的跟踪算法中都采用背景减算法来进行目标检测。
背景减算法的局限性在于它需要一个静态的固定摄像头。
〔二〕运动场通常情况下，摄像机的运动形式可以分为两种：a)摄像机的支架固定，但摄像机可以偏转、俯仰以及缩放; b)将摄像机装在某个移动的载体上。
由于以上两种情况下的背景及前景图像都在做全局运动，要准确检测运动目标的首要任务是进行图像的全局运动估计与补偿。
考虑到图像帧上各点的全局运动矢量虽不尽相同(摄像机做平移运动除外)，但它们均是在同一摄像机模型下的运动，因而应遵循相同的运动模型，可以用同一模型参数来表示。
全局运动的估计问题就被归结为全局运动模型参数的估计问题，通常使用块匹配法或光流估计法来进行运动参数的估计。
块匹配基于块的运动估算和补偿可算是最通用的算法。
可以将图像分割成不同的图像块，假定同一图像小块上的运动矢量是相同的，通过像素域搜索得到最正确的运动矢量估算。
块匹配法主要有如下三个关键技术：a)匹配法则，如最大相关、最小误差等b)搜索方法，如三步搜索法、交叉搜索法等。
c) 块大小确实定，如分级、自适应等。
光流法光流估计的方法都是基于以下假设：图像灰度分布的变化完全是目标或者场景的运动引起的，也就是说，目标与场景的灰度不随时间变化。
多假设跟踪算法
多假设跟踪算法
多假设跟踪算法（Multi-Hypothesis Tracking，MHT）是一种用于目
标跟踪的算法，核心思想是在对目标进行跟踪时同时考虑多种可能性。
它
的理论基础是贝叶斯估计和最优化理论，可以处理目标出现、消失、重合、遮挡等复杂情况，其主要流程如下：
1.初始化：给定目标的初始位置和大小，建立跟踪模型，即目标的状
态以及其在之后的状态中所具有的不确定性。
2.预测：根据上一帧的目标状态和运动信息，预测目标在当前帧的位
置和状态，并生成多个候选估计。
3.测量更新：利用当前帧的传感器信息（如图像、雷达等）对多个估
计进行更新和筛选，确定最有可能的目标状态。
4.轨迹假设：由于目标可能出现和消失，实际应用中目标轨迹可能存
在多条假设，需要在跟踪中对多个假设进行维护和推理。
5.选择最优轨迹：根据给定的目标跟踪指标（如跟踪误差、轨迹长度等）选择最优的目标轨迹，同时可以根据跟踪状态的不确定性确定目标的
可信度水平。
总的来说，多假设跟踪算法是一种高鲁棒性的目标跟踪算法，适用于
复杂场景下的目标跟踪问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
# 50#
实验科学与 技术
冗余计算量, 快速地找到其中正确的航迹。
2009年 10月
2 多树算法
目标跟踪一个最基本的问题就是航迹初始化。 这需要把不同时刻的回波集合进行排列组合, 然后 判断各时刻量测形成的链接可不可能源于同一个目 标。通常来说, 随着时间的增加, 从起始时刻到当 前时刻的回波组合会导致组合爆炸。
图 2 简化为一维的量测模型
迹来更新目标的运动模型。而运动模型则可以用来 预测目标在下一时刻的状态, 通过预测的结果, 结 合下一时刻的实际量测集合, 不需要进行完全组合 计算, 只需在一个小的区域范围内进行搜索和关联 计算即可。
整个航迹形成的过程, 如图 3所示。考虑在对 T 1 时刻的 1 个回波点可能源于 1个机动目 标, 在 T 2 时刻对其领域范围的 3个回波建立 了 3 个试探 性的航迹。T3 时刻对试探性的航 迹进行航迹与量 测关联, 判断 T 3 时刻有哪些回波满足这些试探性 航迹的关联规则, 删除掉没能持续保持的试探性航 迹, 继续进行试探。T 4 时刻通过 对试探性航迹继 续进行关联, 发现只剩下一个航迹还在持续保持, 删掉前一时刻错误的假设, 保留持续的航迹继续进 行试探。如果试探性航迹保持时间超过航迹建立的 最低时间, 则认为该目标是实际移动目标, 接着建 立目标档案, 形成目标航迹, 持续跟踪目标。
# 51#
示。跟踪门的中心位置是目标运动模型预测的位置。
图 4 跟踪门的中心位置
211 多树的存储结构 为了实现航迹形成过程中量测与量测的快速关
联, 系统对每个 时刻的量测数 据都以 KD - TREE 方式存储。这种方式允许在进行下一次关联时, 快 速地砍掉不满足关联规则的假设量测。由于树的查 询时间优于线性表的查询时间, 所以多树的航迹初 始化算法性能远远优于以完全组合方式进行计算的 多假设航迹初始化算法。
1引 言
在多目标跟踪系统中, 由于缺乏对跟踪环境的 先验知识, 往往并不知道目标的确切数目。即使目 标只有一个, 由于杂波的干扰, 传感器检测到的有 效量测也可能是多个。这就需要用数据关联算法来 确定传感器收到的量测信息和目标源的对应关系。
S inger在 1971 年提出 的最近邻 关联算法 [ 1- 2] 仅在统计意义上与被跟踪目标预测位置最近的量测 作为与目标关联的回波信息。近邻法较简单, 计算 量小, 但该算法具有太多的限制和错误, 不能处理 杂波环境中真实回波数据。
图 5表示在某一 时刻量测 数据的 KD - TREE 表示以及平面表示。其中树的每个节点记录了 2个 信息: 1) 该节点所包含的 区域范围; 2) 该范围 内的量测集。
其中数的根节点记录了整个监测区域和该区域 内全部的量测。而叶子节点则记录了某个局部的区 域和局部区域内的量测集。
区域 0? 如果这样的答案不存在, 那么这些量测集
如果以全遍历的方式进行航迹初始化, 那么算
k
F 法的时间复 杂度为 O ( N k = 1 k ) 。多树算法 大大
地减少了这个时间复杂度, 除了 k = 1时刻需要遍 历所有的叶子节点以外, 随后的时刻都在树形结构
遍历的过程中, 通过关联规则剪掉了大量错误的假
设分支, 节省了冗余计算的时间开销, 提高了算法
要在没有任何先验信息的情况下, 判断不同时 刻的量测 ( 回波 ) , 哪些 源于同一个目标。可以采 用多假设的方法: 假设目标在下一时刻可能会移动 到任意一个量测位置, 然后利用关联规则去判断, 这个可能性是否成立; 如果成立, 那么保持这个可 能的航迹, 继续加入 下次的量测集 合进行假设判 断; 否则, 则裁剪这个航迹, 认为原来的假设关联 错误。多假设的跟踪方法, 通过下一时刻的回波和 新的假设结果来支持或纠正上一时刻假设。图 1展 示了 3个时刻的量测集和量测中一个潜在的航迹。
FastM ultiple Hypothesis Tracking A lgorithm U sing M ultiple Trees
HE Ye, L IU Gu-i song
( S ch ool of Compu ter Science and Engineering, U n iversity E lectron ic Science and T echnology of C hina, C hengdu 610054, Ch ina)
Abstrac t: T he algorithm o fM u ltiple H ypo thesis T rack ing ( MHT ) is a popular m ethod to so lve m ultiple targ ets tracking problem1 MHT is ab le to track targ ets by consider ing each hypothe tica l track composed o f sets of m easurem ents at d iffe rent tim e sam pling, w ithout a pr ior i know ledge, and filters a ll the tracks using a desired data assoc iation rule1 H ow ever, the increasing number of m easurements in practica l process w ill lead to a com binato rial exp los ion o f hypo thetical tracks1 T his paper proposes a fastMHT algor ithm using m ultip le trees m ethod, w hich can reduce the redundant com puting by pruning the w rong hypo thesis tracks1 K ey word s: target track ing; data assoc ia tion; MHT; track in itia tion
Bar- Sha lom 和 T se在 1975年提出了概率数据 关联 方 法 PDA ( Probab ility D ata A ssociation ) [ 3 - 4 ] 。 它适用于杂波环境中单目标的 跟踪问题。 PDA 关 联理论的基本假设是, 在监视空域中仅有一个目标 存在, 并且这个目标的航迹已经形成。在杂波环境 下, 由于随机因素的影响, 在任一时刻某指定目标
第 7卷 第 5期
实验 科学与技术
# 49#
采用多树结构的快速多假设跟踪算法
何 晔, 刘贵松
( 电子科技大学计算机科学与工程学院, 成都 610054)
摘要: 多假设跟踪算法是解决 多目标跟踪问题的常用方法。算法在没有任何先 验知识情 况下, 组合不 同时刻量测 形成假设 航迹, 依据关联规则判断所有假设航迹 是否成立, 从而跟踪目标。在实际关联 过程中, 量 测数量增加 会导致假设 航迹数量 出现组合爆炸现象, 从而产生大量冗余 计算。文 章用多树结构实现多假设 算法, 利用树 形结构特征 快速剪枝, 极 大减少了 错误假设的冗余计算 量。 关 键 词: 目标跟踪; 数据关联; 多假设跟踪 ; 航迹初 始化 中图分类号: T P30116 文献标识码: A 文章编号: 1672- 4550( 2009) 05- 0049- 06
1979年 R eid针对多目 标跟踪问题, 基于 / 全 邻 0最优滤波器和 Bar- Sha lom 的思想, 提出了多 假 设 跟 踪 方 法 ( m ultiple hypo thesis track ing, MHT ) [ 8] 。此方法考虑每个新接收到的量测可能源 于新目标、虚警或已知目标, 它通过一个有限长度 的时间滑窗, 建立了多个候 选假设, 通过 假设评 估、假设删除、假设合并、假设聚类等技术实现数
构成的试探性航迹就应该被删除掉。由于是树形结
构, 在遍历的过程中, K 个区域可以不用全部遍历
到叶子节点才进行判断。系统可以在更广阔的范围
内进行判断, 这 K 个区域的组合可行还是不可行。 如果不可行, 那么可以直接 剪掉该节点的 孩子节
点, 跳过该广阔区域内的小区域, 继续进行遍历。
在遍历的过程中, 若每一刻 KD - TREE 全都
的性能。在 k X 1时刻, 树形结构遍历算法的时间
复杂度为 O ( lbN k ( k X 1) ) 。所以 整个算法的时间
F 复杂度就为 O (N 1
k
k= 2 lbN k ) ,
其中 k 为航迹初始
化的最低持续时间。
3 目标运动模型
( a) 某一时刻量测的树形存储结构
( b) 某一时刻量测树形存储结构的平面展示 图 5 某一时刻量测的 KD - TREE 存储
据关联。但 MH T 在假设计算的过程中, 可行联合 假设的数量随着目标数量和杂波量测数量的增加呈
指数级增长。这时需要用到假设修剪技术, 以减少 不可行假设的数量。多假设算法的关键在于如何实
现假设评估、删除、合并, 以快速地找到其中正确 的假设航迹。目前已有相关文献研究如何在 MHT 算法中快速地找到正确的航迹 [ 9- 10] 。
收稿日期: 2009- 03- 26 基金项目: 四川省科技基金项 目 ( 07JY 029- 088) 。 作者简介: 何 晔 ( 1983 - ), 男, 在 读硕 士, 研 究 方向:
多传感器数据融合 。
的有效回波往 往不止一个。 PDA 理论认为 所有有 效回波都有可能源于目标, 只是每个有效回波源于 每个目标的概率不同。以 PDA 为理论基础, 又衍 生出了 交互 式多 模型 概率 数 据关 联算 法 ( IMM PDA ) [ 5] , 联合 概率 数据 关联 算法 ( JPDA ) 等 [ 6- 7] , 这些数据关联算法都是基于概率的不确定模型。