复杂条件下MHT方法的滤波器选择

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (15): 229-233.

复杂条件下MHT方法的滤波器选择

陈春风，骆文成

中航工业雷达与电子研究院，江苏无锡 214063

出版日期:2013-08-01 发布日期:2013-07-31

Selected filter of MHT method for complex environment

CHEN Chunfeng, LUO Wencheng

The Radar and Avionics Institute of Aviation Industry Corporation of China, Wuxi, Jiangsu 214063, China

Online:2013-08-01 Published:2013-07-31

摘要/Abstract

摘要： 米波波段雷达，譬如超视距雷达，面临空间复杂的电磁环境，低检测概率、低数据率、低观测精度与多虚警等问题。由于空间的限制，米波雷达不能安装较多天线阵子，因此DBF所形成的波束宽度可能达到十几度到几十度，测角精度很差。对于这种条件下的跟踪，多假设算法是比较适合的。在应用MHT方法的前提下，对不同的滤波器进行仿真，结果表明，用线性补偿滤波器（LCKF）的多假设算法具有较好的性能。

关键词: 多目标跟踪, 自适应卡尔曼滤波器, 数据关联, 多假设

Abstract: Metter Wave Radar, taking Over-The-Horizon Radar for example, faces with a serious challenges of the complex electromagnetism, low-resolution, low-data-rate, low measurement accuracy and high false alarm ratio. Due to space limitations, Meter Wave Radar can not install more antenna unit, so beam width is ten or more degree by DBF. Angle-measurement is very poor. For this kind of target-tracking, MHT method is suitable for complex environment. On the premise of MHT method, different Kalman filters are simulated in this paper. The results show that the MHT method with LCKF is good for target tracking.

Key words: multi-target tracking, adapting Kalman filter, data association, multiple hypothesis tracking

陈春风，骆文成. 复杂条件下MHT方法的滤波器选择[J]. 计算机工程与应用, 2013, 49(15): 229-233.

CHEN Chunfeng, LUO Wencheng. Selected filter of MHT method for complex environment[J]. Computer Engineering and Applications, 2013, 49(15): 229-233.

[1]	牛通，卿粼波，许盛宇，苏婕. 基于深度学习的分层关联多行人跟踪[J]. 计算机工程与应用, 2021, 57(8): 96-102.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	张维华1，2，孙启臣1，张丽静1. 新的分布交互式多模型广义概率数据关联算法[J]. 计算机工程与应用, 2018, 54(4): 44-49.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	董微，闻育. 基于数据关联性聚类的数据布局算法[J]. 计算机工程与应用, 2014, 50(3): 117-120.
[13]	尹玉萍1，刘万军2，魏林3. 基于改进蚁群算法的多目标跟踪数据关联方法[J]. 计算机工程与应用, 2014, 50(16): 16-20.
[14]	郭剑辉，张荣涛. 弹道导弹防御中的群目标跟踪算法[J]. 计算机工程与应用, 2012, 48(35): 243-248.
[15]	高倩1，邹海林1，柳婵娟1，2，周莉1. 融合多特征信息的联合概率数据关联算法[J]. 计算机工程与应用, 2012, 48(3): 111-113.