低信噪比下弱目标检测与跟踪的箱粒子PHD滤波方法

本文主要探讨了在低信噪比环境下，多弱小目标检测与跟踪算法面临的挑战，特别是在跟踪效率和计算复杂度方面的不足。为解决这些问题，作者提出了一种创新的方法，即基于箱粒子概率假设密度滤波（BOX-PHD）的弱目标检测与跟踪算法。 首先，该算法的关键步骤是处理由目标贡献强度和噪声共同构成的目标强度量测图像。为了降低噪声的影响，作者采用均值滤波技术，通过对图像进行平滑处理，有效地抑制了图像中的随机噪声，提高了后续处理的精度。 接着，算法引入了区间分析的概念，通过不交叉原则挑选出强度值较大的区域，这些区域被认为是可能包含目标的位置。这种方法有助于减少假警报并保持对目标位置的精确估计，特别是对于那些弱信号的目标。 最后，箱粒子概率假设密度滤波是算法的核心部分。它是一种粒子滤波的变种，利用箱形分布来建模目标的概率密度，相比于传统的粒子滤波，BOX-PHD更适用于处理高维状态空间和大规模目标跟踪问题。这种方法不仅能够有效地融合区间量测信息，还能通过概率更新机制实现对目标状态的连续估计，从而提高了跟踪的稳定性和准确性。 通过仿真实验，研究结果证明了这种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法在提高跟踪性能方面具有明显优势。在保持高跟踪精度的同时，它还显著降低了计算复杂度，这对于实时性要求较高的应用场景尤其重要。 总结来说，本文的主要贡献在于提出了一种结合了噪声抑制、区间分析和概率假设密度滤波的高效弱目标检测与跟踪策略，适用于信噪比低、目标弱小的复杂环境，具有广泛的应用潜力。