基于目标预测的扩展目标量测集划分算法

来源：计算机工程与应用杂志2020年第8期北京时间：

作者：王文慧，李鹏，胡韵迪

单位：1.江苏理工学院 艺术设计学院，江苏 常州 213001；2.江苏理工学院 计算机工程学院，江苏 常州 213001

摘要：扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density，ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时，该算法的状态估计精度降低，这是由于距离-Kmeans++（Distance Partitioning-Kmeans++，DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题，提出了改进的DP-Kmeans++量测集划分算法，利用目标预测信息来分割量测集，从而提高了划分精度。仿真结果表明，当目标邻近时，使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。

关键词：目标跟踪,扩展目标,量测集划分,密度分析,概率假设密度（PHD）