论文部分内容阅读
目前,基于概率假设密度(Probability Hypothesis Density,PHD)滤波的多目标跟踪技术已成为多目标跟踪研究的热门领域。论文将传统非线性处理方法无迹卡尔曼滤波(Unscentesd Kalman Filter,UKF)与高斯混合概率假设密度(Gaussian Mixture PHD,GM-PHD)滤波算法相结合,提出了无迹卡尔曼滤波高斯混合概率假设密度(UKF-GM-PHD)滤波算法,实现GM-PHD滤波器在非线性系统的应用。通过仿真验证了提出算法的有效性,将算法与扩展卡尔曼滤波