基于随机有限集理论的多扩展目标跟踪技术综述

合集下载

基于标签随机有限集多目标跟踪快速实现算法研究

基于标签随机有限集多目标跟踪快速实现算法研究基于标签随机有限集多目标跟踪快速实现算法研究摘要：随着计算机视觉和图像处理技术的不断发展，多目标跟踪在各种实际应用中扮演着重要角色。

为了提高多目标跟踪的实时性和准确性，本文提出了一种基于标签随机有限集（labelled random finite set，LRFS）的快速实现算法。

该算法通过综合利用图像处理和目标检测技术，能够高效地对多目标进行跟踪，实现了实时性和准确性的平衡。

关键词：多目标跟踪；标签随机有限集；快速实现；算法研究1. 引言多目标跟踪是计算机视觉和图像处理领域中的一个重要问题，其应用广泛，包括视频监控、交通流量统计、自动驾驶等领域。

然而，由于目标的数量、移动速度和形变等因素的多样性，多目标跟踪任务具有较大的复杂性。

因此，提高多目标跟踪的实时性和准确性一直是研究的热点。

目前，较为常见的多目标跟踪方法包括基于卡尔曼滤波器、粒子滤波器和有限集统计等。

而在这些方法中，有限集统计方法由于其能够充分利用目标检测技术得到的信息，近年来备受研究者的关注。

然而，目前的多目标跟踪方法在实时性和准确性方面仍然有一定的局限性。

2. 算法原理本文提出的基于标签随机有限集多目标跟踪快速实现算法主要包含两个关键步骤：目标检测和多目标跟踪。

首先，利用图像处理和目标检测技术对图像序列进行处理，提取出目标的位置和特征信息。

然后，将目标的位置和特征信息输入到多目标跟踪模块中，通过建立目标模型和利用贝叶斯滤波方法，结合标签随机有限集模型，高效地对多目标进行跟踪。

具体来说，首先，通过目标检测技术获得目标的初始位置，例如使用卷积神经网络（Convolutional Neural Networks，CNN）进行目标检测。

然后，根据目标的位置信息，利用标签随机有限集模型对目标进行建模。

标签随机有限集模型是一种概率模型，可以描述目标的出现和消失等不确定性因素。

通过将目标的位置和特征信息输入到标签随机有限集模型中，可以估计出目标的状态和属性。

基于随机集理论的多个声目标融合跟踪

ｓｍｕｌｉｅｏｔａｅｈｆｅｉｅｓｈｅａｐｏｈ．ｉａｔｏｎｄｍｎｓｒｔｓｔｅｅｆｄｖｎｅｓｏｆｔｐｒａｃ
Ｋｅｗｏｄ：ｒｎｏｓｌｔｅｒ；ｍｕｔｔｒｅｒｃｉｇ；Ｂａｅｉｔｒｙｒｓａｄｍｅｈｏｙｌｉａｇｔａｋｎｔｙｓｆｌｅ；ＰＨＤｉｒａｓｖｃｕｔｃｌｃｌａｉｎｆｈｅ；ｐｓｉｅａｏｓｉｏａｉｔｚｏ
ｐｏａｉｔｙｏｈｓｓｄｎｉｙ（ｑＤ）ｐｒｉｌｉｅｓｕｅ０ｓｌｅｔｅｍｏｅ．ＡｉｉｇａｈｒｂｅｏｈｒｂｂｌｙｈｐｔｅｉｅｓｔＰＩｉａｔｅｆｌｒｉｓｄ１ｏｖｈｃｔｄ１ｍｎｔｔｅｐｏｌｍｆｔｅ
机有限集模型，用概率假设密度（ｒｂｂｌｙｈｐｔｅｉｄｎｉ，ｌＩ）子滤波对该模型进行求解。针对Ｐ采ｐｏａｉｔｙｏｈｓｅｓｙＰＩ粒ｉｓｔ）ＨＤ滤波器只适用于单传感器的问题。出了一种实现多个声传感器融合跟踪的方法。该方法在序贯Ｐ提ＨＤ滤波器的基础上进行改进，高了目标检测率，过仿真实验验证了该方法的有效性。提通关键词：随机集理论；多目标跟踪；ａｅ滤波；率假设密度滤波；动声定位Ｂｙｓ概被

基于随机有限集的视频SAR多目标跟踪方法

基于随机有限集的视频SAR多目标跟踪方法基于随机有限集的视频SAR多目标跟踪方法摘要：合成孔径雷达（Synthetic Aperture Radar，SAR）在军事、民用等领域具有重要的应用价值。

随着技术的发展，SAR视频中的多目标跟踪成为了研究的热点之一。

本文提出了一种基于随机有限集（Random Finite Set，RFS）的视频SAR多目标跟踪方法，该方法能够有效地解决目标碎裂、遮挡、尺度变化等问题，提高多目标跟踪的准确性和鲁棒性。

1. 引言随着SAR技术的迅猛发展，视频SAR成为了获取目标动态信息的重要手段。

然而，视频SAR中存在目标碎裂、目标遮挡、弱回波等问题，给多目标跟踪带来了巨大的挑战。

因此，研究一种高效、准确、稳健的视频SAR多目标跟踪方法变得非常必要。

2. 相关工作2.1 SAR目标检测在SAR多目标跟踪之前，首先需要进行目标检测。

常用的SAR目标检测方法包括：CFAR检测方法、极化特征检测方法等。

2.2 视频SAR目标跟踪方法目前，常用的视频SAR目标跟踪方法包含：基于卡尔曼滤波（Kalman Filter）的方法、粒子滤波（Particle Filter）方法、贝叶斯滤波（Bayesian Filter）方法等。

然而，这些方法在处理目标碎裂、遮挡等问题时存在一定局限性。

3. 方法设计针对视频SAR多目标跟踪的问题，本文提出了一种基于随机有限集的方法。

具体包括以下几个步骤：3.1 提取目标特征通过人工智能技术，对SAR图像中的目标进行特征提取，包括目标的位置、速度、加速度等信息。

3.2 建立RFS模型将目标特征转化为随机有限集模型，以更好地描述目标的动态变化。

利用RFS模型可以有效解决目标碎裂、遮挡、尺度变化等问题。

3.3 运用拓展卡尔曼滤波（Extended Kalman Filter，EKF）进行跟踪通过EKF算法，实现对目标的跟踪。

EKF算法能够对非线性系统进行估计，并估计出目标的状态和协方差矩阵。

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。

基于随机有限集的多目标跟踪算法综述

近年来，一类基于随机有限集（ＲＦＳ）的跟踪算法应运而生，受到跟踪界的极大关注。ＲＦＳ与ＲＶ均具有随机性，区别在于，ＲＦＳ中集合的元素数目为随机的，且没有顺序。不同于经典跟踪算法，基于ＲＦＳ的跟踪算法将多目标状态和多目标观测建模为ＲＦＳ，具有如下显著优势：无需进行复杂的数据关联，且自然并入航迹起始、终止机制，可实现目标数目及其状态的同时估计，是一种自顶而下的科学方法，除ＭｒＩｆｒ应用外，它还为目标检测、跟踪和识别、态势评估、多传感器数据融合和传感器管理等问题提供了统一的理论描述框架和解决方案。限于篇幅，本文仅介绍国外取得的重要成果。
收稿日期：２０１５—０３－２５
修回日期：２０１５—０５－１２
基金项目：国家自然科学基金（６１１０２１６８）
作者简介：吴卫华（１９８７一），男，湖南邵阳人，博士生，研究方向为多
源信息融合。
有限、时变数目的目标与量测集合实质难以用经典算法中采用的随机变量（ＲＶ）进行建模。
中图分类号：ＴＰ３９１文献标志码：Ａ文章编号：１６７１—６３７Ｘ（２０１６Ｊ０３—０００１—０６
Ｍｕｌｔｉ－ｔａｒｇｅｔＴｒａｃｋｉｎｇＡｌｇｏｒｉｔｈｍｓＢａｓｅｄｏｎＲａｎｄｏｍＦｉｎｉｔｅＳｅｔ：ａＳｕｒｖｅｙ
ＷＵＷｅｉ－ｈｕａ，ＪＩＡＮＧＪｉｎｇ，ＦＥＮＧＸｕｎ，ＬＩＵＣｈｏｎｇ－ｙａｎｇ，ＱＩＮＸｉｎｇ
ＨｙｐｏｔｈｅｓｉｓＤｅｎｓｉｔｙ（ＰＨＤ），ｃａｒｄｉｎａｌｉｚｅｄＰＨＤａｎｄቤተ መጻሕፍቲ ባይዱｍｕｌｔｉ－ｔａｒｇｅｔｍｕｌｔｉ－Ｂｅｒｎｏｕｌｌｉｆｉｌｔｅｒ，ａｎｄｃｏｍｐａｒｉｓｏｎｉｓ

基于随机集理论的多目标跟踪研究进展

ＣＨＥＮｎｇｎｇ１Ｊｉｕａ
．
ＭＡｉ１Ｌ．ｉ
（．ｃｏｌｆＣｍｕｅＳｉｎｅＸｉｎｐｌｔｈｉｎｖｒｉ，ｉｎ７０４，ｈｎ；１Ｓｈｏｏｐｔｃｅｃ，＇ｏｅｎｃＵｉｅｓｙＸ＇１０８Ｃｉａｏｒａｙｃｔａ
２ＳｈｏｏＥｅｔｎｃｎｉｅｒｇＸｄａｎｖｒｉ，＇１０１Ｃｉａ．ｃｏｌｆｌｃｏｉＥｇｎｅｉ，ｉｉｎＵｉｅｓｙＸｉｎ７０７，ｈｎ）ｒｎｔａ
ＡｂｔａｔＭｕｔｔｒｅａｋｎｔｏｓｂｓｄｏｎｏｆｉｅｅｒａｌｖｉｒｂｅｐｅｒｄｉｅｐｏｒｓｓｒｃ：ｌ — ｇｔｒｃｉｇｍｅｈｄａｅｎｒｄｍｎｔｓｔｈｏｙｃｒａｏｄｐｏｌｍｓａｐａｅｔｒｇｅｓｉａｔａｉｅｔｎｈｏａａａｓｃａｉｎＩｃｎａｓｅｌｔｌ — ｒｅａｋｎｒｂｅｎｔｅｃｍｐｅｎｉｎｎｔａｇｔｎｍｂｒｆｄｔｓｏｉｔ．ｔａｌｏｄａｈｍｕｔｔｇｔｔｃｉｇｐｏｌｍｓｉｈｏｌｘｅｖｒｍｅｔｏｗｉｉａｒｏｗｉｔｒｅｕｅｈｕｋｏｎｒｅｕｅａｙｉｇｗｉｍｅＩｉｗｏｋｍｕｔ— ｒｅａｋｎｔｏｓｂｓｄｏａａａｓｃａｉｎａｄｎｎｗｎａｄｔｇｔｍｂｒｒｎｔｔａｎｖｈｉ．ｎｔｓｈｒ，ｌｔｇｔｔｃｉｇｍｅｈｄａｅｎｄｔｓｏｉｔｎｉａｒｏｒｎｏｆｉｅｒｎｌｚｄＣｈｒｃｅｓａｄａｖｎａｅｆｔｃｉｇｍｅｈｄａｅｎｒｎｏｆｉｅｒｅｃｉｅ．ａｄｍｎｔｓｔａｅａａｙｅ．ａａｔｒｎｄａｔｇｓｏａｋｎｔｏｓｂｓｄｏａｄｍｎｔｓｔａｅｄｓｒｂｄｉｅｒｉｅＳｍｅｋｙｐｏｌｍｓｌａｇｔｓｔｘｒｃｉｎｔｃ — —ｒｃｓｏｉｔｎｍｏｅａｃｒｔｌｒｇａｇｒｔｍｓａｄＰｏｅｒｂｅ，ｉｔｒｅｔｅｅｔａｔ，ｒｋｔｔａｋａｓｃａｉ，ｒｃｕａｅｆｔｉｌｏｈ，ｎＨＤＦｋｅａｏａｏｏｉｅｎｉａｇｒｔｍｓｕｄｒｃｍｐｅｉａｉｎ，ａｅｓｍｍａｚｄａｄｒｖｅｄｎｈｎｓｍｅｒｓａｃｏｕｅｎｔｅｆｌｗｉｇｌｏｉｈｎｅｏｌｘｓｔｔｓｒｕｕｏｉｒｅｎｅｉｗｅ，ａｄｔｅｏｅｅｈｆｃｓｓｉｈｏｌｎｒｏ

多扩展目标跟踪算法的研究及其实现

摘要摘要多目标跟踪技术是信息融合领域的重点和难点，由于具有很高的军用和民用价值，一直以来受到国内外学者的高度重视。

随着现代传感器技术的发展及其分辨率的不断提高，每个目标在每一个采样周期可产生多个量测，扩展目标跟踪成为了越来越受关注的方向。

本文重点研究了粒子实现下的多扩展目标跟踪方法。

首先，介绍了粒子滤波的实现方式以及基于随机有限集的多目标跟踪理论。

详细介绍基于 PHD 滤波的多目标跟踪理论基础，并给出了其点目标和扩展目标的粒子实现。

这为本文后续章节的研究提供理论支撑。

其次，针对粒子滤波实现下的多扩展目标跟踪中出现的粒子退化问题，将粒子滤波的改进方法——粒子流滤波引入到多扩展目标跟踪当中。

使用粒子流滤波算法代替重采样，这样可以减少算法的计算量，提高运算效率，实现对多扩展目标跟踪算法的优化。

通过仿真实验,分析了所提出的实现算法在处理粒子退化问题时的有效性及存在的一些缺陷。

然后，针对现有技术不能在杂波强度未知和新生目标未知情况下对多扩展目标进行准确跟踪的问题，提出了一种基于强度滤波器的多扩展目标跟踪方法。

将增广状态空间应用到扩展目标随机集滤波模型中来表征扩展目标与杂波之间的运动和相互转化，通过量测空间得到杂波模型估计、扩展目标个数估计和扩展目标的状态估计。

给出了该算法粒子实现方法，验证了强度滤波器在扩展目标跟踪中应用的可行性。

最后，针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题，在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法。

首先对聚类后量测数据进行关联，得到新生目标状态，解决目标新生问题；其次，通过Mean Shift迭代获得目标量测集质心，将扩展目标的多量测问题转化为点量测处理；最后，给出其粒子实现方式。

实验表明，该算法可降低跟踪复杂度、提高跟踪效率、交叉时刻具有稳定的跟踪性能，通过实测数据说明实际应用中也有良好的性能。

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。

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)。

ｍｅｎｔ．
Ｋｅｙｗｏｒｄｓ：ｅｘｔｅｎｄｅｄｔａｒｇｅｔ；ｓｈａｐｅｍｏｄｅｌｉｎｇ；ｒａｎｄｏｍｆｉｎｉｔｅｓｅｔｔｈｅｏｒｙ；ｔｒａｃｋ—ｖａｌｕｅｄｅｓｔｉｍａｔｉｏｎ
目标跟踪作为信息融合理论的重要构成成分，其建模和跟踪滤波理论及技术得到了广泛重视与研究。传统的目标跟踪方法一般将运动体视为点
第１７卷第３期
空军工程大学学报（自然科学版）
２０１６年６月
ＪＯＵＲＮＡＬＯＦＡＩＲＦＯＲＣＥＥＮＧＩＮＥＥＲＩＮＧＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬＳＣＩＥＮＣＥＥＤＩＴＩＯＮ）
Ｖ０１．１７Ｎｏ．３Ｊｕｎ．２０１６
基于随机有限集理论的多扩展目标跟踪技术综述
目标，并基于 “一对一”的“目标一量测 ”数据对运动状态进行估计。但近年来，现代先进传感器技术取得了长足的进步，传感器分辨率不断提高，目标占据雷
收稿日期：２Ｏ１５—１２一Ｏ７基金项目：国家自然科学基金（６１５７１４５８）作者简介：冯新喜（１９６２一），男，陕西富平人，教授，博士生导师，主要从事目标跟踪和信息融合研究．Ｅ－ｍａｉｌ：ｆｅｎｇｘｉｎｘｉ２００５＠ａｌｉｙｕｎ．ｃｏｒｎ通信作者：蒲磊（１９９１一），男，四川Ｉ遂宁人，硕士生，主要从事目标跟踪和信息融合研究．Ｅ—ｍａｉｌ：３０４０１９４１６＠ｑｑ．ｃｏｒｎ引用格式：冯新喜，蒲磊，孔云波．等．基ｆ随机有限集理论的多扩展疆标跟睬技术综述ｒｊ］．空军Ｉ程大学学报：自然科学版，２０１６，ｉ７（３）：９３— ９９．ＦＥＮＧＸｉｎｘｉ，ＰＵＬｅｉ，ＫＯＮＧＹｕｎｈｏ，ｅｔａ１．ＡＳｕｒｖｅｙｏｆＭｕｌｔｉｐｌｅＥｘｔｅｎｄｅｄＴａｒｇｅｔｓＴｒａｃｋｉｎｇＴｅｃｈｎｉｑｕｅｓＢａｓｅｄｏｎＦＩＳＳＴＵ２．ＪｏｕｒｎａｌｏｆＡｉｒＦｏｔｅｅＥｎｇｌｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ，２０１６，ｊ７（３）ｊ９３—９９．
ＡＳｕｒｖｅｙｏｆＭｕｌｔｉｐｌｅＥｘｄｏｎＦＩＳＳＴ
ＦＥＮＧＸｉｎｘｉ，ＰＵＬｅｉ，Ｋ０ＮＧＹｕｎｂｏ，ＷＡＮＧＸｕｅ（ＩｎｆｏｒｍａｔｉｏｎａｎｄＮａｖｉｇａｔｉｏｎＣｏｌｌｅｇｅ，ＡｉｒＦｏｒｃｅＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉａｎ７１００７７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＡｎｏｖｅｒｖｉｅｗｏｆｔｈｅｓｔｕｄｉｅｓｏｎｔｈｅＦＩＳＳＴ—ｂａｓｅｄｍｕｌｔｉｐｌｅｅｘｔｅｎｄｅｄｔａｒｇｅｔｓｔｒａｃｋｉｎｇｔｅｃｈｎｉｑｕｅｓｉｓａｎａｌｙｚｅｄｈｅｒｅ．Ｔｈｅｃｏｎｔｅｎｔｓｏｆｔｈｅｏｖｅｒｖｉｅｗｉｎｃｌｕｄｅｔｈｅｓｈａｐｅｍｏｄｅｌｉｎｇｍｅｔｈｏｄｓ，ｔｈｅｏｐｔｉｍａｌｍｕｌｔｉ—ｔａｒｇｅｔＢａｙｅｓｆｉｌｔｅｒａｎｄｉｔｓｐｒｉｎｃｉｐｌｅｄａｐｐｒｏｘｉｍａｔｉｏｎｓ，ＲＦＳ—ｂａｓｅｄｔｒａｃｋ—ｖａｌｕｅｄｅｓｔｉｍａｔｉｏｎａｎｄＳＯｏｎｉｎｔｈｅｏｖｅｒ— ｖｉｅｗ．Ｆｉｎａｌｌｙ，ｏｎｔｈｅｂａｓｉｓｏｆｔｈｅｅｘｉｓｔｉｎｇｒｅｓｅａｒｃｈｉｎｔｈｅｓｅａｒｅａｓ，ｓｏｍｅｋｅｙｉｓｓｕｅｓｏｆｔｈｅＲＦＳ—ｂａｓｅｄｍｕｌｔｉ— ｐｌｅｅｘｔｅｎｄｅｄｔａｒｇｅｔｓｔｒａｃｋｉｎｇｔｅｃｈｎｉｑｕｅｓａｒｅｐａｙｉｎｇａｇｒｅａｔｄｅａｌｏｆａｔｔｅｎｔｉｏｎｔｏｔｈｅｒｅｓｅａｒｃｈｅｒｓｆｏｒｓｏｌｕｔｉｏｎ．Ｔｈｅｓｅｃｏｎｔｅｎｔｓｃｏｎｓｉｓｔｏｆｃｏｍｂｉｎａｔｉｏｎｏｆｓｈａｐｅｍｏｄｅｌｉｎｇａｎｄｇｒｏｕｐｔａｒｇｅｔｐｒｏｆｉｌｅｍｏｄｅｌｉｎｇ，ｍｕｌｔｉｐｌｅｍａ— ｎｅｕｖｅｒｉｎｇｅｘｔｅｎｄｅｄｔａｒｇｅｔｔｒａｃｋｉｎｇ，ｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｏｆｅｘｔｅｎｄｅｄｔａｒｇｅｔｔｒａｃｋｉｎｇ，ｅｘｔｅｎｄｅｄｔａｒｇｅｔｔｒａｃｋｉｎｇｂａｓｅｄｏｎｎｏｎｌｉｎｅａｒａｎｄｎｏｎ—Ｇａｕｓｓｉａｎ，ｅｘｔｅｎｄｅｄｔａｒｇｅｔｔｒａｃｋｉｎｇｗｉｔｈｎｏｎ—ｓｔａｎｄａｒｄｍｅａｓｕｒｅ—
冯新喜，蒲磊，孔云波，王雪
（空军工程大学信息与导航学院，西安，７１００７７）
摘要随着传感器分辨率的不断提高，扩展目标跟踪技术在实际应用中的作用日益凸显。传统的基于数据关联的目标跟踪方法在对多扩展目标进行跟踪时难以适用，而基于随机有限集理论的方法由于避免了数据关联的困扰而得到了广泛的关注和大量的研究。通过对近年来基于随机有限集理论的多扩展目标跟踪技术研究现状进行了综合分析，包括外形建模方法、最优多目标跟踪贝叶斯滤波器的各类近似技术以及基于随机有限集的多扩展目标跟踪算法的性能评价指标等。最后在已有研究发展的基础上，提出了基于随机有限集理论的多扩展目标跟踪技术需重点关注和解决的若干问题，包括如何将外形建模与群目标轮廓建模进行结合、多机动扩展目标跟踪、多扩展目标跟踪性能评价指标、非线性非高斯下的扩展目标跟踪、非标准量测下的扩展目标跟踪等问题。关键词扩展目标；外形建模；随机有限集理论；评价指标ＤＯＩ１０．３９６９／ｊ．ｉｓｓｎ．１００９—３５１６．２０１６．０３．０１８中图分类号ＴＮ９５３文献标志码Ａ文章编号１００９—３５１６（２０１６）０３—００９３—０７