下载掌阅APP，畅读海量书库
立即打开
基于假设的MHT算法首先由Reid提出，被认为是标准的多假设跟踪算法。此算法考虑每个新接收到的点迹可能来自新目标、虚警或已有目标，通过一个有限长度的时间滑窗，建立多个候选假设，并利用假设评估、假设管理（删除、合并、聚类等）技术实现数据关联。在候选目标的航迹扩展阶段，对于给定的假设中多个候选目标有共同相关点迹的现象，首先，建立反映点迹与候选目标关系的关联矩阵，然后通过关联矩阵的拆分，形成可行关联矩阵，从而将当前假设边扩展、边分裂成多个可行假设，这样，每个可行假设内的候选目标航迹之间便没有共同相关点迹。
这里，用 h （ k ）代表 k 时刻的假设个数，用矩阵 H j （ k ）表示 k 时刻的第 j 个假设，其中，矩阵的行数代表 k 时刻该假设包含的暂时航迹个数，矩阵的列数为 k 。 H j （ k ）的每一行代表在该假设中的一个候选目标航迹，其 p 行 q 列元素代表 q 时刻源于候选目标 p 的点迹编号。
对于初始时刻接收到的所有量测 Z （1），都可能是候选目标航迹的起点，从而形成初始时刻假设 H 1 （1），用维数 m （1）×1的矩阵表示，且有 h （1）=1。
（1）确认点迹。从第二个采样周期开始（ k =2，3，…， M -1），对于前一个采样周期中的每一个假设 H j （ k -1）（ j =2，3，…， h （ k ）-1）中的每一个候选目标航迹，通过多项式外推形成相应的点迹区域。
令
o
i
（
k
）表示
k
时刻候选目标
i
的确认点迹集合。若
o
i
（
k
）=
φ
，则删除该候选目标
i
；令
，表示在该假设中所有候选目标的确认点迹集合；令
，表示所有确认点迹集合非空的候选目标集合。
（2）关联矩阵形成。对于该假设中每个目标航迹 i （ i ∈ T （ k ））及确认点迹 j （ j ∈ M （ k ）），建立反映点迹与目标关系的关联矩阵 Ω （ k ），其中元素定义为
（3）关联矩阵拆分。由于在实际情况中，一个点迹不可能对应多个目标，一个给定的目标最多有一个点迹以其为源（这里不考虑有不可分辨点迹的可能性），所以考虑以下的关联矩阵拆分原则：每个点迹有唯一的源；对于一个给定的候选目标，最多有一个点迹以其为源。对于关联矩阵 Ω （ k ），通过关联矩阵拆分原则，形成当前可行事件矩阵 B =｛ b ij ｝，该矩阵的每一行对应一种点迹与候选目标的对应关系。其元素 b ij 意为在第 j 个可行事件中，候选目标 i 与点迹 b ij 关联。若候选目标 i 在该可行事件中无点迹与其关联，则 b ij =0。
（4）假设分裂。对于 k -1时刻的假设 H j （ k -1）（ j =1，2，…， h （ k -1）），利用矩阵 B 的每一行对其进行扩展。若 B 为多行，则假设分裂为多个；若在当前可行事件中，候选目标航迹 l 无点迹关联（ b ij =0），则删除 H l （ k -1）的第 l 行之后再扩展。所以在假设扩展过程中，候选目标个数会发生变化，从而形成 k 时刻的可行假设 H j （ k ）。
由于假设扩展会导致假设个数的大量增加，这种情况在目标个数较多及杂波密度较大时尤为明显。为此，提出基于似然函数打分的假设删除逻辑。该方法保留似然函数较大的前几个假设（宽容方法），而删除其余的假设。
为讨论方便，引入当前假设中候选目标与点迹关系的指示变量 τ i ，即
则该假设中的候选目标数为
。对于
k
时刻的每个假设，其似然函数
式中，
；
V
为跟踪门体积；
t
i
为在该假设中与点迹
z
i
（
k
）关联的目标编号；与
t
i
关联的点迹
z
i
（
k
）服从高斯分布
N
ti
［［
z
i
（
k
）］］。
这是算法中的最终决策环节，当
k
=
M
时，对于该时刻的所有假设
H
j
（
M
）（
j
=1，2…，
h
（
m
）），选择似然函数最大的假设
，即
对于该假设中的所有候选目标航迹进行阈值检验，得到最终的确认目标航迹。