اجراي فيلتر چگالي فرض احتمال با شدت زايش وفقي توسط فيلتر ذره اي كمكي

Implementation of Probability Hypothesis Density Filter with Adaptive Birth Intensity Using Auxiliary Particle Filter

فيلتر چگالي فرض احتمال (PHD) به صورت متوالي گشتاور چندهدفه مرتبه اول را براي تابع چگالي احتمال چندهدفه محاسبه مي نمايد و بنابراين حجم محاسبات مسئله ردگيري را به مقدار زيادي كاهش مي دهد. در اين مقاله، پياده سازي بهبوديافته اي از فيلتر PHD را با استفاده از ايده فيلتر ذره اي با متغير كمكي براي تقريب شدت اهداف از قبل موجود و ايده اجراي شدت زايش وفقي براي اهداف تازه متولدشده ارائه مي دهيم. تفاوت شيوه ارائه شده از شيوه مرسوم پياده سازي بروش SMC فيلتر PHD در اين است كه به طور هم زمان اهداف از قبل موجود و اهداف تازه متولدشده در محيطي كه شدت زايش يك نواخت و داراي اطلاعات كمي است، جستجو مي شوند. نتايج شبيه سازي بيان گر اين مطلب مي باشند كه شيوه جديد ارائه شده دقت تقريب PHD را در مقايسه با شيوه هاي مرسوم-سازي پياده سازي به روش SMC، در تعداد ذرات يكسان، افزايش قابل توجهي مي دهد.

The probability hypothesis density (PHD) filter sequentially computes the first-order multi-target mo-ment for the full multi-target probability density function and dramatically reduces the computational ex-pense of tracking problem. In this paper, we propose an improved implementation of the PHD using the notion of auxiliary particle filter to enhance the effectiveness of the Sequential Monte Carlo (SMC) imple-mentation of the PHD filter. The proposed method differs from traditional SMC implementations because it demonstrates an ability to simultaneously search in an effective way for persistent and newborn targets where the birth intensity is uniform and noninformative. Simulation results indicate that our novel method dramatically improves the accuracy of PHD approximation when compared to traditional SMC implemen-tation methods for the same number of particles