粒子滤波算法：处理未知数量变化的红外弱机动目标检测与跟踪

本文主要探讨了一种基于粒子滤波（Particle Filter, PF）的算法，用于在红外弱信号场景中检测和跟踪不同信噪比下的机动目标，特别针对多目标数量未知且变化的情况。该算法的核心在于采用“追踪先于检测”（Track-before-Detect, TBD）策略，这与传统的先检测后跟踪（Detect-before-Track, DBT）方法相比，能够充分利用全部观测数据，避免了测量预阈值和数据关联问题，从而提高了检测性能。 算法首先设计了一个检测滤波器和一个跟踪滤波器，分别基于固定样本大小的序列似然比（Sequential Likelihood Ratio, SLRT）测试。检测滤波器用于捕捉新的目标出现，而跟踪滤波器则负责跟踪已确认的目标。这种设计允许算法在面对机动目标时，能更有效地适应目标状态的变化。 Boers等人[1]先前提出了利用PF进行TBD的方法，相较于基于概率密度估计的多假设跟踪（Histogram Probability Multi-Hypothesis Tracking, H-PMHT）[3,4]和概率数据关联（Probabilistic Data Association, PDA）[5]算法，PF在计算成本上具有优势。然而，原始的算法并未考虑到多目标情况，特别是目标数量的不确定性以及可能的时间变异性。因此，为了处理这种情况，通常需要采用复合多假设测试或启发式搜索方法，但这些方法往往复杂且效率较低。 Pertilä[7]改进的算法正是针对这一问题，它将粒子滤波技术扩展到处理多目标环境。该算法通过选择性粒子采样（Selective Particle Sampling）来优化性能，这是一种有效的策略，可以减少不必要的计算，同时保持对目标动态的准确建模。此外，该算法还采用了自适应过程，这意味着它可以根据实际环境条件动态调整其行为，进一步提升了对机动目标的跟踪精度和效率。 本文提出的TBD算法结合了粒子滤波的优势，能够有效地应对机动红外弱信号场景中的多目标检测和跟踪问题，尤其在目标数量不确定且频繁变化的情况下，展示了优于传统方法的性能和灵活性。通过选择性粒子采样和自适应过程的优化，该算法能够在保持高精度的同时，降低计算负担，是现代红外传感器数据处理中一个重要的进展。