基于容积卡尔曼的粒子PHD多目标跟踪算法

摘要

标准粒子概率假设密度(standard particle probability hypothesis density,SP-PHD)滤波在预测粒子状态时没有考虑最新的观测信息,因而存在估计精度较低、粒子退化严重的问题,针对上述问题,提出基于容积卡尔曼的粒子概率假设密度(cubature Kalman particle probability hypothesis density,CP-PHD)滤波算法,该算法基于球面-径向容积数值积分准则,利用容积卡尔曼滤波(cubature Kalman filter,CKF)产生建议密度函数,并对其进行采样得到当前时刻的粒子状态,从而使粒子分布更接近于真实的多目标后验概率密度函数.同时,CDPHD 算法性能不受目标状态维数影响,与无迹卡尔曼粒子概率假设密度(unscented Kalman particle probability hypothesis density,UP-PHD)滤波相比,具有更强适应性和更好的跟踪性能.实验结果表明,CP-PHD算法的跟踪精度优于SP-PHD和UP-PHD.