文档介绍：Computer Engineering and Applications 计算机工程与应用 2016 ,52 ( 2 ) 1 引言多目标跟踪问题一直是目标跟踪领域研究的热点问题之一,传统的多目标跟踪算法大都基于数据关联, 需要建立量测与目标的对应关系,计算量较大。近年来,Mahler 等人提出了使用随机有限集(RFS )理论来处理多目标跟踪问题,并利用多目标一阶统计矩得到概率假设密度(PHD )滤波器。该算法将复杂的多目标运算转换为单目标状态空间的运算,从而有效地避免了复杂的数据关联问题。PHD 滤波器的实现方式主要有粒子 PHD (PF-PHD ) 和高斯混合 PHD (GM-PHD ) ,目前已在机动目标跟踪、声纳目标跟踪、微弱信号检测等领域得到了广泛应用。粒子 PHD 滤波器需要抽取大量粒子,实时性能差,而高斯混合 PHD 滤波器的计算量要小得多。然而,高斯混合 PHD 滤波器存在两个缺点:( 1 ) 漏检情况下会造成大量有用信息的丢失,目标数估计不稳定;( 2 )多个目标接近时,滤波精度降低,目标位置估计偏差大。针对以上问题,本文提出一种改进的 GM-PHD 滤波算法,通过对滤波器的预测和更新方程进行修正, 保存漏检目标的信息,再对递推后的高斯分量进行选择性合并。仿真实验结果表明,以上方法不仅能够有效地解决目标漏检问题,而且当目标相互接近时仍具有良好多目标跟踪中一种改进的高斯混合 PHD 滤波算法胡玮静,陈秀宏 HU Weijing, CHEN Xiuhong 江南大学数字媒体学院,江苏无锡 214122 School of Digital Media, Jiangnan University, Wuxi, Jiangsu 214122 , China HU Weijing, CHEN Xiuhong. Improved Gaussian mixture PHD filter for multi-target tracking. Computer Engi - neering and Applications, 2016 ,52 ( 2): 244 -249 . Abstract :The Gaussian mixture probability hypothesis density filter is an algorithm for estimating multiple target states in clutter. An improved algorithm is proposed to resolve the missed detection problem and enhance the accuracy of the fil - ter while tracking close proximity targets. Under Gaussian mixture assumptions, the predication and update equations of the PHD filter are modified, which effectively solve the information loss problem of missed true targets. And then depend - ing on