基于美國(guó)E+E濾波的多傳感器融合方法研究
濾波的提出使得對(duì)多目標(biāo)跟蹤領(lǐng)域的研究進(jìn)入了一個(gè)嶄新的階段。在此之前，研究者應(yīng)用一些在單目標(biāo)跟蹤領(lǐng)域取得成功的濾波算法來研究多目標(biāo)跟蹤問題，但往往需要借助于數(shù)據(jù)關(guān)聯(lián)這一外部手段才能完成。傳感器濾波的出現(xiàn)改變了這一點(diǎn)，它避免了顯式的數(shù)據(jù)關(guān)聯(lián)。傳感器濾波是基于隨機(jī)有限集統(tǒng)計(jì)的濾波方法，而隨機(jī)有限集的概念恰好可以用來刻畫多目標(biāo)跟蹤問題，所以在解決多目標(biāo)跟蹤問題上，與其他方法相比，傳感器濾波有著天然的優(yōu)勢(shì)。

基于美國(guó)E+E濾波的多傳感器融合方法研究            但在估計(jì)出目標(biāo)數(shù)目之后，傳感器濾波仍要借助于一些外部方法如聚類，來提取峰值進(jìn)而估計(jì)目標(biāo)狀態(tài)。 一種基于傳感器的峰值提取方法ST傳感器（Single-Target Probability HypothesisDensity）濾波被提出。與其它峰值提取的方法不同，ST傳感器并非外部方法，它可以看成是傳感器濾波的一種自然延伸與改進(jìn)，是傳感器本質(zhì)上的屬性。事實(shí)上，ST傳感器等于是傳感器自身提供的一種用于峰值提取的內(nèi)部手段。但ST傳感器的提出是基于單傳感器的，并沒有多傳感器的對(duì)應(yīng)版本。針對(duì)于這一狀況，本文結(jié)合一個(gè)多傳感器的融合框架，將該方法推廣到多傳感器的場(chǎng)景下，得到了基于ST傳感器濾波的多傳感器融合算法，一方面使ST傳感器應(yīng)用的范圍更加廣泛，另一方面融合后的結(jié)果使估計(jì)的精度更高，可以獲得更好的跟蹤效果。 C傳感器（Cardinalized 傳感器）濾波是基于隨機(jī)有限集統(tǒng)計(jì)的濾波方法系列中另一極為重要的方法。與傳感器濾波相比，該方法能夠提供更多的信息，但相應(yīng)的，也需要更多的計(jì)算。本文通過對(duì)ST傳感器濾波證明過程的分析，從中抽象出對(duì)應(yīng)函數(shù)的概念，借助于對(duì)應(yīng)函數(shù)將ST傳感器濾波推廣到了C傳感器濾波當(dāng)中，得到了該方法的C傳感器版本——QSTC傳感器（QuasiSingle-Target C傳感器）濾波。進(jìn)一步地，結(jié)合多傳感器融合框架，同樣將QSTC傳感器濾波推廣到多傳感器的場(chǎng)景下，得到基于QSTC傳感器濾波的多傳感器融合算法。這樣，就將傳感器濾波—ST傳感器濾波—基于ST傳感器濾波的多傳感器融合算法這一套理論平行地遷移到了C傳感器濾波當(dāng)中，得到了C傳感器濾波—QSTC傳感器濾波—基于QSTC傳感器濾波的多傳感器融合算法這一理論體系，進(jìn)一步地拓廣了ST傳感器濾波的應(yīng)用范圍，完善了理論體系。