电子学报 ›› 2015, Vol. 43 ›› Issue (9): 1689-1695.DOI: 10.3969/j.issn.0372-2112.2015.09.003

• 学术论文 • 上一篇    下一篇

非线性高斯系统边缘分布多目标贝叶斯滤波器

刘宗香, 谢维信, 李丽娟, 李良群   

  1. 深圳大学 ATR国防科技重点实验室, 广东深圳 518060
  • 收稿日期:2013-12-31 修回日期:2014-12-31 出版日期:2015-09-25 发布日期:2015-09-25
  • 作者简介:刘宗香 男,1965年2月生于河南光山,博士,深圳大学教授,硕士生导师,主要研究方向为数据融合、智能信息处理、模糊信息处理.E-mail:zongxiangliu@sohu.com;谢维信 男,1941年12月生于广东花都,教授,博士生导师,深圳大学信息与通信工程学科学术带头人,主要研究方向为信号处理、智能信息处理、模糊信息处理、雷达目标识别等.E-mail:wxxie@szu.edu.cn;李丽娟 女,1990生于广西玉林,深圳大学信息工程学院硕士研究生,主要研究方向为数据融合.E-mail:lilijuanguet@163.com;李良群 男,1979年生于湖南邵阳,博士,深圳大学副教授,主要研究方向为数据融合、智能信息处理、模糊信息处理.E-mail:lqli@szu.edu.cn
  • 基金资助:

    国家自然科学基金(No.61271107,No.61301074);深圳基础研究项目(No.JCYJ20140418095735618);国防预研基金(No.9140C800501140C80340)

Marginal Distribution Multi-Target Bayesian Filter for a Nonlinear Gaussian System

LIU Zong-xiang, XIE Wei-xin, LI Li-juan, LI Liang-qun   

  1. ATR Key Laboratory, Shenzhen University, Shenzhen, Guangdong 518060, China
  • Received:2013-12-31 Revised:2014-12-31 Online:2015-09-25 Published:2015-09-25

摘要:

为解决存在数据关联不确定、检测不确定和杂波情况下的多目标跟踪问题,提出了一种新的多目标贝叶斯滤波器.代替维持多目标状态的联合后验密度,所提出的贝叶斯滤波器联合传递各个目标状态的边缘分布和它们的存在概率.为了处理目标运动和传感器测量模型中的非线性,利用无迹变换技术提出了一种非线性高斯条件下边缘分布贝叶斯滤波器的近似实现算法.仿真实验结果表明,与PHD(Probability Hypothesis Density)滤波器相比,所提出的滤波器具有更好的多目标跟踪能力.

关键词: 多目标跟踪, 贝叶斯滤波器, 非线性模型, 边缘分布

Abstract:

To resolve the problem for multi-target tracking in the presence of association uncertainty,detection uncertainty and clutter,we derive and present a novel multi-target Bayesian filter.Instead of maintaining the joint posterior density of the multi-target state,the proposed Bayesian filter jointly propagates the marginal distribution for each target and their existence probabilities.We also develop an approximation implementation algorithm of the marginal distribution Bayesian (MDB) filter for a nonlinear Gaussian system where the unscented transform technique is employed to deal with the nonlinearities of target dynamic and measurement models.The simulation results demonstrate that the proposed filter achieves better tracking performance of multiple targets than the probability hypothesis density (PHD) filter.

Key words: multi-target tracking, Bayesian filter, nonlinear models, marginal distributions

中图分类号: