有序粒子概率假定密度跟踪算法

doi:10.3778/j.issn.1002-8331.2009.25.018

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 58-61.DOI: 10.3778/j.issn.1002-8331.2009.25.018

有序粒子概率假定密度跟踪算法

林焕杉，董福安，朱林户，齐立峰

空军工程大学理学院，西安 710051

收稿日期:2008-05-26 修回日期:2008-08-25 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 林焕杉

Sequential particle-probability hypothesis density tracking algorithm

LIN Huan-shan，DONG Fu-an，ZHU Lin-hu，QI Li-feng

School of Science，Air Force Engineering University，Xi’an 710051，China

Received:2008-05-26 Revised:2008-08-25 Online:2009-09-01 Published:2009-09-01
Contact: LIN Huan-shan

摘要/Abstract

摘要： 针对由单传感器概率假定密度滤波到多传感器情形推导困难的问题，提出了一种有序粒子概率假定密度跟踪算法。首先，推导出集中式多传感器粒子概率假定密度滤波模型，再根据集中式融合系统的特点，选取与多传感器相关的重要性密度函数，通过多传感器多步更新重采样粒子，从而实现多传感器多目标有序粒子概率假定密度跟踪。仿真结果表明，该算法的跟踪误差距离差要小于单传感器粒子概率假定密度跟踪算法，且具有更优越的跟踪性能。

关键词: 多传感器, 随机集, 融合系统, 多目标跟踪

Abstract: For the problem of the difficulty in extending single sensor Probability Hypothesis Density（PHD） filtering to the multi-sensor case，a new sequential particle-PHD tracking algorithm is proposed.First，the general theoretical model of centralized multi-sensor particle-PHD filtering is deduced.Then，the importance density function with regard to multiple sensors is chosen according to the characteristics of centralized fusion system.The resampling particles are updated via multiple sensors.So multi-target multi-sensor sequential particle-PHD tracking is implemented.Experimental results show that the tracking miss distance of the proposed algorithm is less than single sensor particle-PHD tracking algorithm and it has better tracking behavior.

Key words: multi-sensor, random set, fusion system, multi-target tracking

中图分类号:

TP391

TP301.1

TP183

林焕杉，董福安，朱林户，齐立峰. 有序粒子概率假定密度跟踪算法[J]. 计算机工程与应用, 2009, 45(25): 58-61.

LIN Huan-shan，DONG Fu-an，ZHU Lin-hu，QI Li-feng. Sequential particle-probability hypothesis density tracking algorithm[J]. Computer Engineering and Applications, 2009, 45(25): 58-61.

[1]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[2]	李晓花，苏骏，李秀秀. 强干扰环境单观测站水下纯方位多目标跟踪[J]. 计算机工程与应用, 2021, 57(17): 253-259.
[3]	张瑶，卢焕章，张路平，胡谋法. 基于深度学习的视觉多目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(13): 55-66.
[4]	李俊彦，宋焕生，张朝阳，侯景严，武非凡. 基于视频的多目标车辆跟踪及轨迹优化[J]. 计算机工程与应用, 2020, 56(5): 194-199.
[5]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[6]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[7]	王雪琴1，蒋建国1，2，齐美彬1，2. 全局分层关联网络流在多目标跟踪中的应用[J]. 计算机工程与应用, 2018, 54(14): 180-185.
[8]	张锦，程良伦. 一种分布式CPS异常检测的无监督图模型[J]. 计算机工程与应用, 2018, 54(12): 110-115.
[9]	陈海华，张立臣. 大数据下的CPS自适应路由服务[J]. 计算机工程与应用, 2018, 54(1): 94-101.
[10]	段锁林，杨可，毛丹，任珏朋. 基于模糊证据理论算法在火灾检测中的应用[J]. 计算机工程与应用, 2017, 53(5): 231-235.
[11]	万琴1，余洪山2，吴迪1，林国汉1. 基于三维视觉系统的多运动目标跟踪方法综述[J]. 计算机工程与应用, 2017, 53(19): 33-39.
[12]	刘洋，张兴芳. 同Vague谓词命题的概率逻辑[J]. 计算机工程与应用, 2016, 52(6): 35-41.
[13]	胡玮静，陈秀宏. 多目标跟踪中一种改进的高斯混合PHD滤波算法[J]. 计算机工程与应用, 2016, 52(2): 244-249.
[14]	王华1，王连华2，邓军3. 数据融合算法在煤自然发火实验系统中的应用[J]. 计算机工程与应用, 2015, 51(23): 226-229.
[15]	刘益，王平，高颖慧. 免聚类粒子PHD滤波多目标状态提取方法[J]. 计算机工程与应用, 2015, 51(20): 45-49.

有序粒子概率假定密度跟踪算法

Sequential particle-probability hypothesis density tracking algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics