共 3 条
- [1] CBMeMBer滤波器序贯蒙特卡罗实现新方法的研究[J]. 陈辉,韩崇昭. 自动化学报. 2016(01)
- [3] The Gaussian Mixture Probability Hypothesis Density Filter .2 Ba-Ngu Vo,Wing-Kin Ma. IEEE Transactions on Signal Processing . 2006
Pairwise马尔科夫模型下的势均衡多目标多伯努利滤波器
被引：3
作者：
张光华
韩崇昭
连峰
曾令豪
机构：
[1] 西安交通大学智能网络与网络安全教育部重点实验室
来源：
关键词：
隐马尔科夫模型;
Pairwise马尔科夫模型;
多目标跟踪;
随机有限集;
多伯努利密度;
高斯混合;
D O I：
10.16383/j.aas.2017.c160430
中图分类号：
O211.62 [马尔可夫过程];
TN713 [滤波技术、滤波器];
学科分类号：
摘要：
由于在实际应用中目标模型不一定满足隐马尔科夫模型(Hidden Markov model,HMM)隐含的马尔科夫假设和独立性假设条件,一种更为一般化的Pairwise马尔科夫模型(Pairwise Markov model,PMM)被提出.它放宽了HMM的结构性限制,可以有效地处理更为复杂的目标跟踪场景.本文针对杂波环境下的多目标跟踪问题,提出一种在PMM框架下的势均衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMe MBer)滤波器,并给出它在线性高斯PMM条件下的高斯混合(Gaussian mixture,GM)实现.最后,采用一种满足HMM局部物理特性的线性高斯PMM,将本文所提算法与概率假设密度(Probability hypothesis density,PHD)滤波器进行比较.实验结果表明本文所提算法的跟踪性能优于PHD滤波器.
引用
收藏
页码：2100 / 2108
页数：9
相关论文