点目标和扩展目标联合跟踪算法

合集下载

非线性系统的多扩展目标跟踪算法

非线性系统的多扩展目标跟踪算法非线性系统的多目标跟踪算法是指在面对非线性系统时，能够同时跟踪多个目标的一种算法。

在实际应用中，我们经常会遇到需要同时跟踪多个目标的情况，例如在无人机航迹规划、自动驾驶、智能交通系统等领域都会用到多目标跟踪算法。

非线性系统的多目标跟踪算法是一种复杂而又具有挑战性的问题，因为非线性系统具有复杂的动态特性，同时需要考虑多个目标之间的相互影响和干扰。

本文将介绍一种基于扩展目标跟踪算法的非线性系统多目标跟踪方法，并进行深入的探讨。

一、扩展目标跟踪算法简介扩展目标跟踪（Extended Target Tracking, ETT）算法是一种针对多目标跟踪问题的算法。

与传统的目标跟踪算法不同，扩展目标跟踪算法考虑到目标的扩展性，即目标可能在时空上都有一定的扩散性。

这种扩展性使得目标不再是一个点目标，而是一个区域目标，因此需要在目标跟踪算法中考虑到目标的扩展性。

扩展目标跟踪算法能够有效地处理多个目标之间的交叉干扰和相互遮挡的情况，因此在复杂环境下具有非常好的效果。

扩展目标跟踪算法的基本思想是通过对目标进行扩展描述，将目标看作是一个概率分布函数，而不是一个确定的点目标。

根据目标的运动模型和传感器的观测模型，通过贝叶斯滤波方法对目标的状态进行估计和预测。

扩展目标跟踪算法通常采用的滤波方法包括卡尔曼滤波、粒子滤波等，通过对目标的概率分布进行更新和迭代，最终得到目标的轨迹和状态信息。

针对非线性系统的多目标跟踪问题，我们可以将扩展目标跟踪算法进行扩展，利用非线性滤波方法对多个扩展目标进行跟踪。

在非线性系统中，目标的运动和观测模型往往是非线性的，因此传统的线性滤波方法已经不再适用。

我们需要借助非线性滤波方法，如扩展卡尔曼滤波（Extended Kalman Filter, EKF）或无迹卡尔曼滤波（Unscented Kalman Filter, UKF），来处理非线性系统的多目标跟踪问题。

在非线性系统中，目标的状态通常是由位置、速度和加速度等多个参数组成的向量，而目标的观测数据也可能是非线性的。

多扩展目标跟踪流程

多扩展目标跟踪流程目标跟踪是一种计算机视觉技术，用于在视频中检测和跟踪特定目标的位置和动态。

目标跟踪在许多应用中都有广泛的应用，如视频监控、自动驾驶、机器人导航等。

它可以帮助我们了解目标的运动路径、行为模式以及与其他目标的交互。

在本文中，我将介绍多种目标跟踪的扩展技术和流程。

一、基于图像特征的目标跟踪基于图像特征的目标跟踪是最常见的目标跟踪方法之一。

它通过提取目标的视觉特征（例如颜色、纹理、形状等）来识别和跟踪目标。

常用的特征提取算法包括颜色直方图、梯度直方图、局部二值模式等。

接下来，我们将介绍一些基于图像特征的目标跟踪的扩展技术。

1. 目标外观建模目标外观建模是一种将目标的外观表示为一个模型的方法。

常见的外观模型包括基于统计的模型、形状模型和纹理模型等。

通过建模目标的外观模型，可以更准确地跟踪目标并解决外观变化的问题。

在实际应用中，可以通过在线学习或离线训练来建立目标的外观模型。

2. 目标运动模型目标运动模型是一种通过建模目标的运动模式来预测目标位置的方法。

常见的运动模型包括线性模型、非线性模型和机器学习模型等。

通过建立目标运动模型，可以在目标漂移或突变的情况下准确地预测目标位置。

3. 多目标跟踪多目标跟踪是一种同时跟踪多个目标的方法。

在多目标跟踪中，需要解决交叉遮挡、目标重叠等问题。

常见的多目标跟踪算法包括卡尔曼滤波器、粒子滤波器和轨迹聚类等。

多目标跟踪可以帮助我们理解多目标的行为和交互。

二、基于深度学习的目标跟踪随着深度学习的迅速发展，基于深度学习的目标跟踪成为目标跟踪领域的热门研究方向。

深度学习通过使用深度神经网络来自动学习目标的特征表示和目标的运动模式。

接下来，我们将介绍一些基于深度学习的目标跟踪的扩展技术。

1. 卷积神经网络（CNN）卷积神经网络是一种特殊的深度神经网络，广泛应用于图像识别和目标跟踪等领域。

在目标跟踪中，可以使用卷积神经网络来提取目标的高级特征表示，进而实现更准确的目标跟踪。

融合顺序敏感的多传感器GM-PHD跟踪算法研究

融合次序敏感的多传感器GM-PHD跟踪算法探究Mixture Probability Hypothesis Density）跟踪算法。

该算法接受了多个传感器的数据融合，实现了对目标的跟踪和位置猜测，并通过次序敏感方法改进了算法的鲁棒性和跟踪精度。

试验表明，本算法能够有效跟踪目标，缩减“传感器失联”、“传感器漂移”的影响，在多传感器跟踪领域有较大的应用前景。

关键词：多传感器；GM-PHD；次序敏感；目标跟踪；数据融合一、引言近年来，随着传感器技术的飞速进步，多传感器目标跟踪技术也得到了迅猛的进步。

多传感器目标跟踪技术利用多个传感器得到的数据，对目标进行多源信息融合，可大大提高目标跟踪的准确性和鲁棒性。

然而，在多传感器目标跟踪中，“传感器失联”、“传感器漂移”等问题也变得突出，这些问题会导致目标的跟踪精度降低，甚至失效。

为了提高多传感器目标跟踪的鲁棒性和精度，本文基于GM-PHD（Gaussian Mixture Probability Hypothesis Density）跟踪算法，提出了一种次序敏感的多传感器跟踪算法。

在此基础上，接受了多源数据融合技术，实现了对目标的多源信息得到和位置猜测，显著提高了跟踪精度和鲁棒性。

二、多传感器跟踪算法探究2.1 GM-PHD算法原理GM-PHD算法是一种基于概率密度的目标跟踪算法，它使用高斯混合模型（Gaussian Mixture Model）来描述目标的位置和速度信息。

GM-PHD算法的核心思想是基于观测数据和历史轨迹来推断目标状态。

2.2 多传感器跟踪算法构建本文针对已有的多传感器跟踪算法进行优化，起首接受数据融合技术，实现了多个传感器数据的汇聚和处理。

然后针对传感器失联和漂移等问题，提出了一种次序敏感的算法。

该算法能够在传感器失联等状况下，自适应调整跟踪模型，提高跟踪精度和鲁棒性。

三、试验结果与分析为了验证本文提出的多传感器次序敏感GM-PHD算法的有效性，我们进行了模拟试验和真实数据试验。

基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现

基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种用于非线性系统状态估计的算法。

在目标跟踪定位中，它可以用于估计目标的运动轨迹。

下面是一个简单的基于扩展卡尔曼滤波的目标跟踪定位算法的描述，以及一个简化的MATLAB程序实现。

算法描述1. 初始化：设置初始状态估计值（例如位置和速度）以及初始的估计误差协方差矩阵。

2. 预测：根据上一时刻的状态估计值和模型预测下一时刻的状态。

3. 更新：结合观测数据和预测值，使用扩展卡尔曼滤波算法更新状态估计值和估计误差协方差矩阵。

4. 迭代：重复步骤2和3，直到达到终止条件。

MATLAB程序实现这是一个简化的示例，仅用于说明扩展卡尔曼滤波在目标跟踪定位中的应用。

实际应用中，您需要根据具体问题和数据调整模型和参数。

```matlab% 参数设置dt = ; % 时间间隔Q = ; % 过程噪声协方差R = 1; % 观测噪声协方差x_est = [0; 0]; % 初始位置估计P_est = eye(2); % 初始估计误差协方差矩阵% 模拟数据：观测位置和真实轨迹N = 100; % 模拟数据点数x_true = [0; 0]; % 真实轨迹初始位置for k = 1:N% 真实轨迹模型（这里使用简化的匀速模型）x_true(1) = x_true(1) + x_true(2)dt;x_true(2) = x_true(2);% 观测模型（这里假设有噪声）z = x_true + sqrt(R)randn; % 观测位置% 扩展卡尔曼滤波更新步骤[x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R);end% 扩展卡尔曼滤波更新函数（这里简化为2D一维情况）function [x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R)% 预测步骤：无观测时使用上一时刻的状态和模型预测下一时刻状态F = [1 dt; 0 1]; % 状态转移矩阵（这里使用简化的匀速模型）x_pred = Fx_est + [0; 0]; % 预测位置P_pred = FP_estF' + Q; % 预测误差协方差矩阵% 更新步骤：结合观测数据和预测值进行状态更新和误差协方差矩阵更新K = P_predinv(HP_pred + R); % 卡尔曼增益矩阵x_est = x_pred + K(z - Hx_pred); % 更新位置估计值P_est = (eye(2) - KH)P_pred; % 更新误差协方差矩阵end```这个示例代码使用扩展卡尔曼滤波对一个简化的匀速运动模型进行估计。

基于扩展目标的不变矩跟踪算法

ｍａｌｚａｇｕｈａ２３ｎｔｉｈｎｋｎｕ＠６，：
维普资讯
第】期
张坤华等：基于扩展目标的不变矩跟踪算法
和图像分类领域 ’ 但还很少有关于把不变矩用于目标跟踪的报道。。究其原因是因为不变矩的计算量太大，难用于动态目标的处理。很为此，本文提出基于边缘区域的不变矩快建算法，并把其运用于扩展目
声和运动状态发生变化条件下的扩展目标跟踪稳定可Байду номын сангаас
关键词：不变矩；扩展目标相关跟踪；差的绝对值和相关法（ＡＤ）跟踪置信度Ｓ；中图分类号：Ｔ３１Ｐ９文献标识码：Ａ
成像跟踪是利用目标的图像信息来跟踪目标。目标的图像尺寸呈现出可度量的程度时，当用成像方
维普资讯
第１卷第ｌ『１期２００２年】月
强
激
光
与粒
子
束
Ｖｏ１．，Ｏ．１１Ｎ．】
ＨＩＨＰＯＷＥＲＩＡＳＥＲＡＮＤＰＡＲＩ、ＣＩＥＧ，ＩＢＥＡＭＳ
Ｊｎ，∞ ２ａ．２
标图像的形状和灰度发生变化的情况下保持不变的局部特征
２扩展目标的跟踪特征提取
目标形态和位置发生变化后仍保持不变的特征在模式识别中称为不变量。不变量的研究是当前模式识别领域的热点之一。我们这里着重讨论目标图像的特征在经历了如下一个或几个变换后仍然保持

随机有限集扩展目标跟踪算法研究

随机有限集扩展目标跟踪算法研究随机有限集扩展目标跟踪算法研究摘要：目标跟踪是计算机视觉和机器人领域的研究热点之一。

随机有限集（Random Finite Set，RFS）扩展目标跟踪算法是一类基于概率和统计的目标跟踪方法。

本文通过研究RFS扩展目标跟踪算法的基本理论和关键技术，总结了该算法的发展历程和应用情况，并对其未来发展进行了展望。

1. 引言目标跟踪是计算机视觉和机器人领域的重要课题，广泛应用于目标检测、自动驾驶、智能监控等领域。

传统的目标跟踪算法主要基于滤波或粒子滤波方法，其在处理高维状态空间和多目标的情况下存在一定的局限性。

为了克服这些问题，研究人员提出了随机有限集扩展目标跟踪算法。

2. 随机有限集扩展目标跟踪算法概述RFS扩展目标跟踪算法是一类基于RFS理论的目标跟踪方法，该方法通过描述目标状态的概率密度函数来进行目标跟踪。

RFS概率密度函数描述了目标的存在概率以及目标的状态分布，能够更准确地表示目标的不确定性。

3. RFS扩展目标跟踪算法的基本理论RFS扩展目标跟踪算法的核心理论包括卡尔曼滤波器、粒子滤波器、卡尔曼-粒子滤波器等。

卡尔曼滤波器是一种基于线性状态空间模型的目标跟踪方法，其通过线性近似的方式估计目标状态。

粒子滤波器是一种基于重采样的蒙特卡洛方法，能够处理非线性和非高斯的目标模型。

卡尔曼-粒子滤波器是卡尔曼滤波器和粒子滤波器的结合，用于解决高维状态空间和多目标的跟踪问题。

4. RFS扩展目标跟踪算法的关键技术RFS扩展目标跟踪算法的关键技术包括目标测量、目标建模、数据关联和滤波更新等。

目标测量用于从视频序列中提取目标特征，如位置、速度、外观等。

目标建模用于描述目标的运动模型和外观模型，常见的建模方法包括卡尔曼滤波器、高斯混合模型等。

数据关联用于将每个测量与目标进行关联，常见的关联方法有最小二乘关联、相似度度量等。

滤波更新用于根据最新的目标测量信息更新目标的状态估计值和不确定度。

多扩展目标的高斯混合概率假设密度滤波器

多扩展目标的高斯混合概率假设密度滤波器韩玉兰;朱洪艳;韩崇昭;王静【期刊名称】《西安交通大学学报》【年(卷),期】2014(048)004【摘要】针对多扩展目标跟踪中状态信息难以估计的问题,提出了一种可以估计扩展目标运动状态和形状信息的多扩展目标高斯混合概率假设密度(RHM-GMPHD)滤波器.首先利用描述凸星形扩展目标量测源分布的随机超曲面模型和传感器量测方程,建立扩展目标运动状态及形状信息与量测之间关系的伪量测函数;然后结合扩展目标状态预报信息,推导了扩展目标状态更新方程,递推地对扩展目标运动状态及形状信息进行估计跟踪.此外,还建立了Jaccard距离来度量RHM-GMPHD滤波器对目标形状的估计性能.与联合概率数据关联(JPDA)滤波器和GMPHD滤波器相比,RHM-GMPHD滤波器不仅可以估计凸星形扩展目标的形状信息,并能有效提高对目标数和运动状态的估计精度.仿真实验表明,RHM-GMPHD滤波器对质心估计的均方根误差分别约为JPDA和GMPHD滤波器的1/3和1/2,对目标数的估计接近真实值,对形状估计的Jaccard距离一般小于0.2.【总页数】7页(P95-101)【作者】韩玉兰;朱洪艳;韩崇昭;王静【作者单位】西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安;西安邮电大学电子工程学院,710121,西安【正文语种】中文【中图分类】TN274【相关文献】1.利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分 [J], 孔云波;冯新喜;危璋2.高斯混合扩展目标概率假设密度滤波器的收敛性分析 [J], 连峰;韩崇昭;刘伟峰;元向辉3.基于高斯混合概率假设密度滤波器的扩展目标跟踪算法 [J], 曹倬;冯新喜;蒲磊;张琳琳4.一种多扩展目标非线性高斯逆Wishart概率假设密度滤波器 [J], 陈辉;赵维娓5.基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器 [J], 李翠芸;王精毅;姬红兵;刘远因版权原因，仅展示原文概要，查看原文内容请购买。

基于ET-GM-PHD的多传感器多目标跟踪算法

和精度。
关键词：扩展目标；概率假设密度滤波器；高斯混合方法；数据关联
中图分类号：ＴＰ２１２文献标识码：Ａ文章编号：１０００－９７８７（２０１３）１０－０１２６－－０３
Ｍｕｌｔｉｓｅｎｓｏｒｍｕｌｔｉｐｌｅｔａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍ
１２６
传感器与微系统（ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ）
２０１３年第３２卷第１Ｏ期
基于ＥＴ－ＧＭ— ＰＨＤ的多传感器多目标跟踪算法
ｂａｓｅｄｏｎＥＴ．ＧＭ．ＰＨＤ
ＬＩＵＬｉ－ｊｕａｎ，ＬＩＵＧｕｏ — ｄｏｎｇ
（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｄｖａｎｃｅｄＰｒｏｃｅｓｓＣｏｎｔｒｏｌｆｏｒＬｉｇｈｔＩｎｄｕｓｔｒｙ，ＭｉｎｉｓｔｙｒｏｆＥｄｕｃａｔｉｏｎ，ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ２１４１２２，Ｃｈｉｎａ）
ｈｙｐｏｔｈｅｓｉｓｄｅｎｓｉｔｙ（ＥＴ — ＧＭ— ＰＨＤ）．Ｔｈｅｂｉｇｇｅｓｔａｄｖａｎｔａｇｅｏｆｔｈｉｓａｌｇｏｒｉｔｈｍｉｓｔｈａｔｉｔｃａｎａｖｏｉｄｄａｔａａｓｓｏｃｉａｔｉｏｎ

用在红外热成像上的目标检测算法

红外热成像目标检测算法研究与应用红外热成像技术是一种利用物体热辐射差异进行成像的技术，广泛应用于军事、工业、医疗等领域。

其中，红外热成像目标检测是红外技术应用的一个重要分支，它能够在复杂背景下快速准确地检测出目标，为后续的识别、跟踪等任务提供重要支持。

一、红外热成像目标检测算法概述红外热成像目标检测算法的主要任务是从红外图像中识别出感兴趣的目标，通常包括点目标、面目标和扩展目标等。

这些目标在红外图像中表现为亮度、形状、纹理等特征的变化。

目标检测算法需要能够处理红外图像的噪声、对比度低等问题，同时实现对目标的快速准确检测。

二、红外热成像目标检测算法分类根据检测原理和实现方法的不同，红外热成像目标检测算法可分为以下几类：基于阈值的方法：通过设置合适的阈值，将图像中的目标与背景进行分离。

这种方法简单快速，但容易受到噪声和光照变化的影响。

基于滤波的方法：利用滤波器对红外图像进行预处理，提高目标与背景的对比度。

常见的滤波方法包括高斯滤波、中值滤波等。

基于特征的方法：提取目标的特征（如边缘、角点等），然后利用分类器（如支持向量机、神经网络等）对特征进行分类，从而实现目标检测。

这种方法对目标的形状、纹理等特征具有较强的描述能力，但计算复杂度较高。

基于深度学习的方法：利用深度学习模型（如卷积神经网络）对红外图像进行特征学习和分类。

这种方法能够自动提取目标的深层特征，具有较高的检测精度和鲁棒性，但需要大量的训练数据和计算资源。

三、红外热成像目标检测算法应用与挑战红外热成像目标检测算法在军事侦察、无人机导航、安防监控等领域具有广泛的应用前景。

然而，在实际应用中，红外热成像目标检测算法面临着诸多挑战，如复杂背景干扰、目标遮挡、光照变化等。

为了提高算法的鲁棒性和实时性，需要针对这些问题进行深入研究和技术创新。

四、总结与展望红外热成像目标检测算法作为红外技术应用的重要分支，在军事、工业等领域具有广泛的应用前景。

随着深度学习等技术的不断发展，红外热成像目标检测算法的性能将得到进一步提升，为实际应用提供更加可靠的支持。

采用改进粒子滤波的雷达扩展目标检测前跟踪

ｒｄｃｈｕｅｆｐｒｃｅ．ＤｅｔｈｃｈｎｅｗｅｈｒｐｓｄｔｒｅｄｌａｄｔｅｉｔｇａｉｎｅｕｅｔｅｎｍｂｒｏａｔｌｓｉｕｏｔｅｍａｔｉｇｂｔｅｎｔｅｐｏｏｅａｇｔｍｏｅｎｈｎｅｒｔｏｆｎｔｎｏＢａｇｒｈｏｅｉ，ａｍｐｏｅｒｂｂｌｙｏｅｅｔｎｆｒｔｅｄｍａｇｔｓｏｔｉｅ．ｕｃｉｆＴＤｌｏｉｍｖｒｔｏｔｍｅｎｉｒｖｄｐｏａｉｔｆｄｔｃｉｈｉｔｒｅｉｂａｎｄｉｏｏＳｍｕａｉｎｒｓｌｅｎｔａｅｔａｈｒｐｓｄｍｅｈｄｉｃｐｂｅｏｅｅｔｇａｄｔａｋｎａｇｔｗｔｈｉｌｔｅｕｔｄｍｏｓｒｔｈｔｅｐｏｏｅｔｏｓａａｌｆｄｔｃｉｎｒｃｉｇａｔｒｅｉｈｔｅｏｓｔｎ
ＳＮＲｆ１ｄＢｓａｌ．ｏｔｂｙＫｅＷｏｄｓｙｒ：ｔａｋ・ｅｏｅ－ｔｃ；ｐｒｉｌｌｅ；ｅｔｎｄｔｒｅ；ｌｋｌｈｏｄｒｔｏｆｃｉｎｒｃ－ｆｒ－ｅｔａｔｃｅｆｔｒｘｅｄｅａｇｔｉｅｉｏａｉｕｎｔｏｂｄｅｉ
２１０１年４月
西安电子科技大学学报（自然科学版）
Ｊ０ＵＲＮＡＩ０Ｆ Ⅺ ＤＩＡＮＩＲＳｎＹ
Ａｐ．０１ｒ２１
第３８卷
第２期

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)。

吴俊辰，周峰
（空军工程大学防空反导学院，西安７１００５１）摘要：目标跟踪问题在国防领域，如雷达对飞机、轮船和导弹等机动军事目标的精确探测和定位很大程度上
决定了战争武器的有效性。针对点目标和扩展目标同时存在的特殊情况，提出基于随机集的点目标和扩展目标联合跟踪算法。该算法探索基于随机有限集的扩展目标滤波器对于点目标跟踪的不足，并尝试通过放宽约束条件的方式对其进行改进。仿真结果表明，在点目标和扩展目标同时存在的情况下，所提算法相比于已有基于随机集理论的扩展目标跟踪算法具有更好的鲁棒性。关键词：多目标跟踪；随机有限集；点目标；扩展目标
Ｊｏｉｎｔｔｒａｃｋｉｎｇｐｏｉｎｔｔａｒｇｅｔａｎｄｅｘｔｅｎｄｅｄｔａｒｇｅｔｂａｓｅｄｏｎｒａｎｄｏｍｓｅｔ
ＷｕＪｕｎｃｈｅｎ，ＺｈｏｕＦｅｎｇ（Ａｉｒ＆ＭｉｓｓｉｌｅＤｅｆｅｎｓｅＡｃａｄｅｍｙ，ＡｉｒＦｏｒｃｅＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ ａｎ７１００５１，Ｃｈｉｎａ）
ｊｏｉｎｔｔｒａｃｋｉｎｇｐｏｉｎｔｔａｒｇｅｔａｎｄｅｘｔｅｎｄｅｄｔａｒｇｅｔ．Ｂａｓｅｄｏｎｔｈｅｒａｎｄｏｍｆｉｎｉｔｅｓｅｔｔｈｅｏｙ，ｒｔｈｅａｌｇｏｒｉｔｈｍｅｘｐｌｏｒｅｄｔｈｅｄｅｉｆｃｉｅｎ Байду номын сангаас ｅｏｆ
ｋｎｏｗｎｅｘｔｅｎｄｅｄｔａｒｇｅｔｆｉｌｔｅｒｆｏｒｐｏｉｎｔ — ｔａｒｇｅｔｔｒａｃｋｉｎｇ，ａｎｄｔｒｉｅｄｔｏｒｅｌａｘｔｈｅｃｏｎｓｔｒａｉｎｓｔｏｉｍｐｒｏｖｅｉｔ．Ｃｏｍｐａｒｅｄｔｏｋｎｏｗｎａｌｇｏ —
第３４卷第９期２０１７年９月
计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏ１．３４Ｎｏ．９Ｓｅｐ．２０１７
点目标和扩展目标联合跟踪算法
中图分类号：ＴＰ３９１．４文献标志码：Ａ文章编号：１００１ — ３６９５（２０１７）０９ — ２５８６ — ０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３６９５．２０１７．０９．００５
ｒｉｔｈｍｓｏｒｆｅｘｔｅｎｄｅｄｔａｒｇｅｔｔｒａｃｋｉｎｇｂａｓｅｄｏｎｒａｎｄｏｎｌｓｅｔｔｈｅｏｒｙ，ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｓｍｏｒｅｒｏ — ｂｕｓｔｉｎｔｈｅｐｒｅｓｅｎｃｅｏｆｐｏｉｎｔｔａｒｇｅｔａｎｄｅｘｔｅｎｄｅｄｔａｒｇｅｔ．Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉ — ｔａｒｇｅｔｔｒａｃｋｉｎｇ；ｒａｎｄｏｍｉｎｉｆｔｅｓｅｔ；ｐｏｉｎｔｔａｒｇｅｔ；ｅｘｔｅｎｄｅｄｔａｒｇｅｔ
ｍｉｓｓｉｌｅｓ，ｅｔｃ，ｔｈａｔａｒｅａｌｌｍａｎｅｕｖｅｒｉｎｇｍｉｌｉｔａｒｙｔａｒｇｅｔｓ，ｄｅｔｅｒｍｉｎｅｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｗａｒｗｅａｐｏｎｓｔｏａｇｒｅａｔｅｘｔｅｎｔ．Ａｉｍｅｄａｔｓｐｅｃｉａｌｃｏｎｄｉｔｉｏｎｔｈａｔｐｏｉｎｔｔａｒｇｅｔａｎｄｅｘｔｅｎｄｅｄｔａｒｇｅｔｅｘｉｓｔｅｄａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎａｌｇｏｒｉｔｈｍｆｏｒ
Ａｂｓｔｒａｃｔ：Ｔａｒｇｅｔｔｒａｃｋｉｎｇｐｒｏｂｌｅｍｉｎｔｈｅｄｅｆｅｎｓｅａｒｅａ，ｓｕｃｈａｓｒａｄａｒ ’ Ｓｐｒｅｃｉｓｅｄｅｔｅｃｔｉｏｎａｎｄｌｏｃａｔｉｏｎｆｏｒａｉｒｃｒａｆｔｓ，ｓｈｉｐｓａｎｄ