基于MIE的ET-GM-PHD算法：机动多扩展目标跟踪与航迹关联

本文主要探讨了"基于ET-GM-PHD的机动多扩展目标跟踪算法"的研究。在现代信息技术背景下，扩展目标跟踪技术因其在如濒海监视、机器人定位和自主式武器等领域的重要应用而备受关注。传统的点目标跟踪方法在高分辨率传感器环境下不再适用，因为目标尺寸可能跨越多个传感器的分辨率单元，这就需要采用扩展目标跟踪技术来处理。 原始的ET-GM-PHD滤波算法在处理机动目标时存在局限性，因为它专为非机动扩展目标设计，不能很好地适应机动目标的运动特性。为解决这个问题，研究者在GM-PHD滤波框架内引入了修正的输入估计算法（Modified Input Estimation，MIE）。MIE算法通过改进的目标状态估计，使得算法能够在处理多扩展目标的机动问题时展现出更好的性能，尽管它在理论上可以处理未知数量的机动目标，但并未提供每个目标的独立航迹信息。 为了克服这一挑战，文中进一步引入了高斯分量标记方法，这是一种有效的方法，它能对多机动扩展目标的航迹进行精确关联，从而实现对每个目标航迹的独立跟踪。这种方法通过建立和维护每个目标的专属航迹模型，显著提高了跟踪精度和可解释性。 该研究得到了国家自然科学基金（No.61305017）、江苏省自然科学基金（No.BK20130154）以及江苏省普通高校研究生科研创新计划项目的资助。研究团队由葛建良、葛洪伟、王冬和杨金龙四位学者组成，他们在目标跟踪和模式识别领域拥有丰富的学术背景和实践经验。 论文在2016年10月28日收到初稿，并于同年12月16日进行了修订。最终发表在2017年的《计算机工程与应用》期刊上，文章编号为1002-8331，网络优先出版日期为2017年3月13日。通过这篇论文，研究人员提出了一种创新的机动多扩展目标跟踪算法，展示了在弱机动场景下良好的跟踪性能，对于提升目标跟踪的准确性和实时性具有重要的理论和实际意义。