作者：彭聪; 王杰贵; 朱克凡; 程泽新目标跟踪扩展目标多扩展目标高斯混合概率假设密度滤波器量测划分局部异常因子共享最近邻相似度
摘要：在扩展目标产生量测密度差异较大的情况下,传统的基于距离划分的多扩展目标高斯混合概率假设密度(ET-GM-PHD)滤波算法计算量大,跟踪效果不佳。针对这个问题,提出了一种改进的ET-GM-PHD滤波算法,该算法首先通过局部异常因子(LOF)检测对量测集进行杂波的滤除,然后采用共享最近邻(SNN)相似度为量测划分准则。SNN相似度体现了量测分布的局部信息,考虑了量测周围的量测信息,因此利用SNN相似度划分量测密度差别较大的量测集时,划分效果比较理想。提出的算法相较于传统算法,减少了运行时间,提升了跟踪的稳定性。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
