论文部分内容阅读
为了规避数据关联的困难，本文深入研究了适宜多目标跟踪工程应用，线性高斯多目标模型假设下的高斯混合概率假设密度算法（GM—PHD），详细给出了后验PHD高斯元素的均值、方差和权值的解析递推式，使用了修剪和合并方法控制高斯元素数目的指数增长。最后。给出了一系列仿真实验，验证了在检测不确定和高杂波环境下，即使对目标数量未知和时变的场景。GM—PHD都能有效地完成跟踪，将其扩展应用于非线性多目标模型，同样得到了令人满意的跟踪效果。