第9期 龙云利等：一种基于IS-MCMC的多目标跟踪算法 2033 现时间。轨迹“分裂”和“删减”的目的都是为了获 T'=T:(t)I te [tou -W+1,t],4"Pcl 得更佳的目标轨迹量测，直接的“分裂”、“删减”操 并计算P(o'IY)； 作将导致MH的接受概率会极低，从而影响该轨迹 (3)以a'为初始值进行W帧IS-MCMC处理， 的后续更新。为此S-MCMC对于轨迹“分裂”，在 输出a、{x(o)。 MH接受判断之前先对其进行轨迹的“合并”，如果 3仿真实验与分析 “合并”未成功则进行轨迹的“延续”；对于轨迹“删 减”，在接受判断之前先对其进行轨迹的“延续”。 3.1算法性能对比仿真 基于W帧累积观测加窗的S-MCMC多目标跟 为对比分析算法在复杂环境下的适应能力和多 踪实现如下： 目标的跟踪性能，首先设置不同杂波密度、不同检测 (1)根据观测数据{Y()t=1,…,W}Pp,、 概率和不同目标密度三组场景，通过100次蒙特卡 P、入。、A及采样次数Nc,初始化量测分配集w°= 洛仿真实验进行IS-MCMC与MCMC1,6-刃对比。目 1Y},w=0,w=w°，a=w,建立所有量测的多级 标运动采用像平面CV模型： 节点树La（): X(k+1)=FX(k)+Gw(k) (15) (2)For n 1 to N 「1T007 r2/20 根据2、3节所述基于定向概率数据关联重要度 01 0 0 T 0 G= 采样进行量测分配集解空间的马尔可夫状态转移， 001 0 T2/2 对量测分配集w进行修正得到仙'； L0001J 0 T 计算修正后量测分配集的后验概率P(ω'IY)、 (k)=[x(k)(k)y(k)(k)]T 目标状态及预测估计{x(w),(w), w(k)=[a.(k)a,(k)]T (w)},并计算目标轨迹的感知概率少(t1t), (k)是均值为零、方差阵为Q的高斯随机序列。观 进行确认和终止判决； 测方程： 利用MH算法进行接受判断操作： Z(k+1)=HX(k)+v(k) (16) 随机均匀采样u~U(0,1); k)1 Z(k)= H= r10001 w=ω'，ifu≤p(o'lY)/p(wlY)； 10010J 贝叶斯极大后验概率估计： "(k) a=w,=(a),if P(wI Y)>P(@l Y); (k)= .(k) End Foro (k)是均值为零、方差阵为R的高斯随机序列。为 加窗IS-MCMC采用批处理方法，轨迹的发布需 对比分析，引人性能评价指标NCA和ICAR),并 要等待全窗口数据处理完毕，为实现对目标全生命 定义TDR: 周期的在线跟踪，采用滑窗方法进行处理：根据接收 NCA 正确关联的轨迹节点数 到的当前帧观测数据，结合上一窗口数据的跟踪结 (17) 真实的轨迹节点总数 果构造新的量测分配集作为初始值，利用加窗S- ICAR 错误关联的轨迹节点数 (18) MCMC算法进行处理。实现过程如下： ”正确关联的轨迹节点数 （1)输人当前帧观测数据1Y(tr)}、NP,、 TDR 检测到的轨迹数 (19) Pa、入。及目标跟踪结果a={o。Ua,}、{x= 真实轨迹总数 TDR反映了算法对目标轨迹的捕获能力，NCA x(⊙)，k=1,…,K,t=6,…,}; 和ICAR综合体现了算法正确关联目标轨迹真实量 (2)量测分配集调整：。'={a。Ua,},其中 测的能力，一定程度上体现了目标的轨迹跟踪精度。 @o =Y(tem)U@o\yl yEl@oUT:(t), 仿真实验运行环境配置：Matlab09,Cpu3.0G,Ram t=teur -W+1,4<Pc, 4.0G。 ⊙1'={r.UT'I≥Pc, 万方数据17) 万方数据