文献类型：期刊文章

作　　者：俞皓芳[1] 孙力帆[1,2] 付主木[1]

YU Haofang;SUN Lifan;FU Zhumu(Information Engineering College,Henan University of Science and Technology,Luoyang Henan 471023,China;School of Communication and Information Engineering,University of Electronic Science and Technology of China,Chengdu Sichuan 611731,China)

机构地区：[1]河南科技大学信息工程学院,河南洛阳471203 [2]电子科技大学通信与信息工程学院,成都611731

出　　处：《计算机应用》

基　　金：国家“十三五”装备预研共用技术和领域基金资助项目(61403120207);国家国防基础研究计划项目(JCKY2018419C001);航空科学基金资助项目(20185142003);国家自然科学基金资助项目(U1504619,61671139);河南省科技攻关计划项目(182102110397,192102210064,172102310636);河南省高校科技创新团队支持计划项目(18IRTSTHN011)~~

年　　份：2020

卷　　号：40

期　　号：1

起止页码：271-277

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对多扩展目标跟踪过程中量测集划分准确度低和计算量大的问题,提出一种基于改进K-means++聚类划分的高斯混合假设密度强度多扩展目标跟踪算法。首先,根据下一时刻目标可能变化的情况缩小K值的遍历范围;其次,利用目标预测状态选择初始聚类中心点,为正确划分量测集提供依据,从而提高聚类算法的精度;最后,将所提改进K-means++聚类划分方法应用到高斯混合概率假设滤波器中,联合估计多目标的个数和状态。仿真实验结果表明:与基于距离划分和基于K-means++的多扩展目标跟踪算法相比,该算法在平均跟踪时间上分别减小了59.16%和53.25%,同时其最优子模式指派度量(OSPA)远小于以上两种算法。综上,该算法能在大幅度降低计算复杂度的同时取得比现有量测集划分方法更为优异的跟踪性能。

关 键 词：多目标跟踪 扩展目标  概率假设密度 高斯混合 K-means++聚类  

分 类 号：TP301.6]