多传感器箱粒子PHD滤波多目标跟踪算法

蔡如华, 杨标, 吴孙勇

蔡如华, 杨标, 吴孙勇. 多传感器箱粒子PHD滤波多目标跟踪算法[J]. 红外技术, 2020, 42(4): 385-392.
引用本文: 蔡如华, 杨标, 吴孙勇. 多传感器箱粒子PHD滤波多目标跟踪算法[J]. 红外技术, 2020, 42(4): 385-392.
CAI Ruhua, YANG Biao, WU Sunyong. Multisensor Box Particle PHD Multitarget Tracking Algorithm[J]. Infrared Technology , 2020, 42(4): 385-392.
Citation: CAI Ruhua, YANG Biao, WU Sunyong. Multisensor Box Particle PHD Multitarget Tracking Algorithm[J]. Infrared Technology , 2020, 42(4): 385-392.

多传感器箱粒子PHD滤波多目标跟踪算法

基金项目: 国家自然科学基金(61561016,61362005)%广西密码学与信息安全重点实验室研究课题项目(GCIS201611)
详细信息
  • 中图分类号: TP302.7

Multisensor Box Particle PHD Multitarget Tracking Algorithm

  • 摘要: 针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器.MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新.数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57%.
  • 期刊类型引用(4)

    1. 赵启纯,陈红. 传感器信息融合的机器人运动轨迹跟踪. 信息技术. 2024(05): 182-186 . 百度学术
    2. 孙志强. 基于自适应新生强度的多传感器多目标跟踪算法. 山东商业职业技术学院学报. 2023(02): 97-102 . 百度学术
    3. 孙志强. 基于均方误差的多目标概率假设密度滤波器. 清远职业技术学院学报. 2023(02): 68-73 . 百度学术
    4. 王颖. 一种多扫描平滑的多目标GM-PHD滤波器的技术研究. 襄阳职业技术学院学报. 2021(04): 73-77 . 百度学术

    其他类型引用(2)

计量
  • 文章访问数:  81
  • HTML全文浏览量:  21
  • PDF下载量:  23
  • 被引次数: 6
出版历程

目录

    /

    返回文章
    返回