侯子林, 程 婷, 彭 瀚

(電子科技大學(xué)信息與通信工程學(xué)院, 四川 成都 611731)

0 引 言

雜波環(huán)境中的多目標(biāo)跟蹤中,量測(cè)存在不確定性,其來(lái)自雜波還是其中哪一個(gè)目標(biāo)是實(shí)現(xiàn)目標(biāo)跟蹤需要解決的首要問(wèn)題。為了解決這一問(wèn)題,各種數(shù)據(jù)關(guān)聯(lián)算法相繼出現(xiàn)。最近鄰(nearest neighbor, NN)算法選擇距離預(yù)測(cè)目標(biāo)位置最近的量測(cè)作為濾波的量測(cè)。概率數(shù)據(jù)關(guān)聯(lián)(probabilistic data association, PDA)算法則通過(guò)給不同的量測(cè)分配加權(quán)系數(shù),綜合考慮所有有效量測(cè)。在多目標(biāo)跟蹤中,將PDA擴(kuò)展為聯(lián)合PDA(joint PDA, JPDA)算法。然而,隨著目標(biāo)數(shù)的增加,計(jì)算復(fù)雜度將呈指數(shù)增長(zhǎng)。Vo等人基于隨機(jī)有限集(random finite set, RFS)理論提出了概率假設(shè)密度(probability hypothesis density, PHD),其具體實(shí)現(xiàn)方式包括文獻(xiàn)[9]中的序貫蒙特卡羅PHD(sequential Monte Carlo PHD, SMCPHD)和文獻(xiàn)[10]中的高斯混合PHD(Gaussian mixture PHD, GMPHD)。SMCPHD不受系統(tǒng)模型的限制,但目標(biāo)狀態(tài)的提取取決于聚類算法的穩(wěn)定性。GMPHD算法可以有效、可靠地提取高斯分量的統(tǒng)計(jì)量作為狀態(tài)估計(jì),同時(shí)GMPHD的計(jì)算量較少。

多普勒雷達(dá)進(jìn)行多目標(biāo)跟蹤時(shí),目標(biāo)量測(cè)信息為非線性量測(cè)。因此,目標(biāo)跟蹤成為一個(gè)非線性濾波問(wèn)題。解決這一問(wèn)題的主要方法包括擴(kuò)展卡爾曼濾波(extended Kalman filter, EKF)、無(wú)跡卡爾曼濾波(unscented Kalman filter, UKF)等。Vo在文獻(xiàn)[10]中提出GMPHD時(shí),分別采用了EKF、UKF處理非線性量測(cè)。另一類常用的非線性量測(cè)處理方法為量測(cè)轉(zhuǎn)換卡爾曼濾波(converted measurements Kalman filtering, CMKF),其主要原理是將量測(cè)從極坐標(biāo)或球面轉(zhuǎn)換為笛卡爾坐標(biāo)。當(dāng)在多普勒雷達(dá)獲得與目標(biāo)狀態(tài)呈強(qiáng)非線性關(guān)系的徑向速度量測(cè)時(shí),論文[17]考慮構(gòu)建偽測(cè)量來(lái)減少這種非線性。文獻(xiàn)[18]提出了序貫EKF(sequential EKF, SEKF),使用EKF對(duì)多普勒量測(cè)進(jìn)行處理。此外,文獻(xiàn)[19]在去偏一致量測(cè)轉(zhuǎn)換卡爾曼濾波(debiased consistent CMKF, DCCM)算法中引入了偽測(cè)量進(jìn)行序貫濾波處理。但是,這些量測(cè)轉(zhuǎn)換方法都使用量測(cè)來(lái)計(jì)算轉(zhuǎn)換后的量測(cè)誤差統(tǒng)計(jì)特性,使得其統(tǒng)計(jì)特性與噪聲相關(guān),導(dǎo)致估計(jì)結(jié)果的有偏性?；诖?文獻(xiàn)[20]提出了一種去相關(guān)無(wú)偏量測(cè)轉(zhuǎn)換序貫卡爾曼濾波(decorrelated unbiased converted measurements sequential Kalman filter, DUCM-SQ)方法。

考慮到目標(biāo)機(jī)動(dòng)性的問(wèn)題,文獻(xiàn)[21]中已經(jīng)提到,基于跳轉(zhuǎn)馬爾可夫系統(tǒng)(jump Markov System, JMS)的算法是解決目標(biāo)機(jī)動(dòng)性問(wèn)題的有效方法,典型算法包括交互式多模型(interacting multiple model, IMM)算法和多模型(multiple model, MM)算法。文獻(xiàn)[23]則提出了最適高斯(best-fitting Gaussian, BFG)近似方法來(lái)準(zhǔn)確地近似IMM估計(jì)。傳統(tǒng)的GMPHD中,單個(gè)固定模型無(wú)法滿足目標(biāo)的機(jī)動(dòng)性,需要在跳轉(zhuǎn)馬爾可夫框架下進(jìn)行擴(kuò)展。然而文獻(xiàn)[24]指出IMM方法不能用于合并依賴于模型的PHD濾波器輸出,因?yàn)槠涿芏炔灰欢ㄊ歉咚狗植?因此提出了MM-PHD算法,使用并行的不同模型下的SMCPHD濾波器進(jìn)行濾波。而在文獻(xiàn)[25]中,Pasha等人基于線性高斯JMS(linear Gaussian JMS, LGJMS)多目標(biāo)模型,在GMPHD濾波器的遞歸中使用LGJMS假設(shè)來(lái)管理不同模型之間的轉(zhuǎn)換,提出了一個(gè)PHD遞歸的封閉式解決方案,形成了LGJMS-GMPHD跟蹤方法,也可以稱為MM-GMPHD,并且通過(guò)EKF、UKF解決了非線性量測(cè)。而Li等人在文獻(xiàn)[27]中將BFG方法引入GMPHD算法,提出了一種適用于LGJMS的最適高斯近似GMPHD(best-fitting Gaussian approximation GMPHD, BFG-GMPHD)算法,其基本思想是在每次遞歸時(shí)用BFG分布來(lái)近似多模型先驗(yàn)概率密度函數(shù),將LGJMS下的多模型估計(jì)轉(zhuǎn)化為線性高斯系統(tǒng)的單模型估計(jì),從而減少了高斯分量的個(gè)數(shù),同時(shí),文獻(xiàn)給出了BFG-GMPHD的UKF實(shí)現(xiàn)方式。

雖然基于GMPHD的多機(jī)動(dòng)目標(biāo)跟蹤研究已經(jīng)取得了一定的成果,但是還存在一些問(wèn)題。文獻(xiàn)[25]中的無(wú)跡卡爾曼MM-GMPHD(unscented Kalman MM-GMPHD, UK-MM-GMPHD)認(rèn)為每個(gè)高斯分量都具有服從各模型運(yùn)動(dòng)規(guī)律的可能,在每次迭代過(guò)程中維持了不同模型下的高斯分量,復(fù)雜度增加,而文獻(xiàn)[26]中的無(wú)跡卡爾曼BFG-GMPHD(unscented Kalman BFG-GMPHD, UK-BFG-GMPHD)雖然使用了一個(gè)模型近似多個(gè)模型,但是只對(duì)迭代過(guò)程中的模型概率進(jìn)行了預(yù)測(cè),模型概率無(wú)法根據(jù)目標(biāo)運(yùn)動(dòng)狀態(tài)自適應(yīng)變化。針對(duì)上述問(wèn)題,本文提出了DUCM-SQ多模型GMPHD算法。使用無(wú)偏量測(cè)轉(zhuǎn)換方法處理非線性量測(cè),借助預(yù)測(cè)高斯分量的信息計(jì)算量測(cè)轉(zhuǎn)換誤差特性,并通過(guò)序貫濾波的方法處理多普勒量測(cè),從而形成高斯分量的量測(cè)更新結(jié)果。針對(duì)不同的高斯分量,將其分為模型相關(guān)、模型無(wú)關(guān)兩類,針對(duì)模型相關(guān)的分量在不同的模型下進(jìn)行預(yù)測(cè)、更新,在更新后將不同模型下的更新結(jié)果融合,而模型無(wú)關(guān)的高斯分量直接進(jìn)行預(yù)測(cè)、更新。

本文將按照如下安排展開:第1節(jié)將介紹多普勒雷達(dá)多機(jī)動(dòng)目標(biāo)跟蹤的系統(tǒng)模型;第2節(jié)首先給出了所提DUCM-SQ MM-GMPHD(DUCM-SQ-MM-GMPHD)算法的框架,介紹了去相關(guān)無(wú)偏量測(cè)轉(zhuǎn)換方法,并在此基礎(chǔ)上給出了算法的詳細(xì)步驟;第3節(jié)進(jìn)行了仿真,驗(yàn)證了所提算法的有效性,同時(shí)與已存的UK-MM-GMPHD和UK-BFG-GMPHD算法進(jìn)行了比較。最后,在第4節(jié)給出了全文結(jié)論。

1 系統(tǒng)模型

1.1 運(yùn)動(dòng)模型

(1)

1.2 量測(cè)模型

多普勒雷達(dá)獲得的量測(cè)與目標(biāo)狀態(tài)之間的關(guān)系滿足

=()+

(2)

(3)

2 DUCM-SQ-MM-GMPHD

雖然GMPHD算法避免了傳統(tǒng)數(shù)據(jù)關(guān)聯(lián)算法中復(fù)雜的關(guān)聯(lián)步驟,可以實(shí)現(xiàn)多目標(biāo)的穩(wěn)定跟蹤。但是由于在預(yù)測(cè)步驟中只使用了單個(gè)目標(biāo)運(yùn)動(dòng)模型,因此對(duì)于機(jī)動(dòng)目標(biāo)的跟蹤有著很大的局限性。在LGJMS-GMPHD(MM-GMPHD)算法中,目標(biāo)狀態(tài)對(duì)應(yīng)的高斯分量峰值點(diǎn)被擴(kuò)展到+1維,其中最后一維代表高斯分量對(duì)應(yīng)的模型。在算法遞歸的過(guò)程中,采用MM方法的并行濾波思想,維持了不同模型下的高斯分量,具有較高的計(jì)算復(fù)雜度。而在BFG-GMPHD算法中,雖然存在多個(gè)模型,但是通過(guò)模型概率的加權(quán)對(duì)不同模型的狀態(tài)轉(zhuǎn)移矩陣(∈)進(jìn)行融合,近似出一個(gè)總的狀態(tài)轉(zhuǎn)移矩陣,從而在后續(xù)的遞歸過(guò)程中只維持少量的高斯分量,但是由于算法迭代過(guò)程中并未對(duì)模型概率進(jìn)行更新,因此模型概率無(wú)法根據(jù)目標(biāo)運(yùn)動(dòng)狀態(tài)自適應(yīng)變化。

針對(duì)上述問(wèn)題,本文考慮到目標(biāo)存活、消亡狀態(tài)的區(qū)別,將幸存高斯分量與新生高斯分量做不同處理,從而基于經(jīng)典GMPHD算法的主要框架,形成如圖1所示的DUCM-SQ-MM-GMPHD算法,其中給出了由-1時(shí)刻到時(shí)刻算法的一次迭代過(guò)程。

圖1 DUCM-SQ-MM-GMPHD算法框圖Fig.1 Diagram of DUCM-SQ-MM-GMPHD algorithm

由圖1可見,多普勒雷達(dá)進(jìn)行多機(jī)動(dòng)目標(biāo)跟蹤時(shí),算法的輸入是非線性量測(cè),首先必須進(jìn)行量測(cè)轉(zhuǎn)換處理。

對(duì)于位置量測(cè)使用無(wú)偏量測(cè)轉(zhuǎn)換:

(4)

對(duì)于徑向速度量測(cè),使用徑向速度與徑向距離的乘積形成偽量測(cè)減少非線性,同時(shí)使用去偏量測(cè)轉(zhuǎn)換進(jìn)行處理:

(5)

(6)

,=[0,0,0]

(7)

(8)

其中,

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

式中：右下角標(biāo)表示預(yù)測(cè)相關(guān)量,具體含義和獲得方法可見文獻(xiàn)[20]。

下面給出DUCM-SQ-MM-GMPHD的迭代步驟。

假設(shè)-1時(shí)刻的高斯混合為

(17)

預(yù)測(cè):在時(shí)刻的預(yù)測(cè)高斯混合為

(18)

()為新生高斯混合,與模型無(wú)關(guān),其形式為

(19)

(20)

其中,

(21)

(22)

(23)

更新:考慮到場(chǎng)景中可能會(huì)出現(xiàn)漏檢,首先對(duì)預(yù)測(cè)高斯分量進(jìn)行漏檢更新,其中與模型相關(guān)的預(yù)測(cè)幸存高斯分量漏檢更新為

(24)

(25)

(26)

(27)

(28)

(29)

其中,

(30)

(31)

(32)

(33)

在時(shí)刻獲得量測(cè)后進(jìn)行量測(cè)更新,采用前述DUCM方法。仍然以與模型相關(guān)的預(yù)測(cè)幸存高斯分量為例,首先按照式(4)～式(6)將極坐標(biāo)下包含個(gè)量測(cè)的量測(cè)集合={,1,,2,…,,,…,,}轉(zhuǎn)換到笛卡爾坐標(biāo)下,={,,1,,,2,…,,,,…,,,},其中第個(gè)量測(cè)轉(zhuǎn)換寫為如下形式:

(34)

由式(8)可以看出,偽量測(cè)與位置之間存在相關(guān)性,因此采用文獻(xiàn)[28]中的序貫濾波方法更新高斯分量的均值、協(xié)方差,其中與模型相關(guān)的預(yù)測(cè)幸存高斯分量處理過(guò)程如下。

通過(guò)位置項(xiàng)濾波獲得不同模型下每一個(gè)量測(cè)針對(duì)預(yù)測(cè)高斯分量的位置項(xiàng)更新結(jié)果:

(35)

(36)

(37)

其中,

(38)

(39)

使用位置項(xiàng)濾波結(jié)果計(jì)算去相關(guān)處理后的偽量測(cè)誤差協(xié)方差,對(duì)偽量測(cè)做如下變換:

(40)

其中,

(41)

去相關(guān)后的偽量測(cè)對(duì)應(yīng)的誤差協(xié)方差為

獲得序貫的速度濾波結(jié)果:

(42)

(43)

其中,

(44)

(45)

(46)

(47)

(48)

(49)

(50)

同時(shí),計(jì)算徑向速度量測(cè)的似然

(51)

(52)

(53)

(54)

其中,

(55)

(56)

(57)

其中,

(58)

(59)

(60)

在量測(cè)更新完成后對(duì)使用第個(gè)量測(cè)更新結(jié)果的高斯分量權(quán)值進(jìn)行歸一化處理:

(61)

最終將個(gè)量測(cè)下的所有量測(cè)更新結(jié)果與漏檢更新結(jié)果統(tǒng)一得到時(shí)刻的高斯混合為

,,()+,,()+,,,()+,,,()

(62)

式中：=(1+),+(1+)-1為高斯分量的個(gè)數(shù)。顯然迭代過(guò)程中高斯分量不斷增加,通過(guò)剪枝融合可以減少一些干擾的高斯分量,降低運(yùn)行時(shí)間。因此,適當(dāng)?shù)娜诤稀⒓糁Σ襟E是必要的。設(shè)定一個(gè)固定的高斯分量個(gè)數(shù)上限、剪枝門限,刪除低于剪枝門限的高斯分量。

對(duì)于高斯混合中的第個(gè)高斯分量,選擇相近的高斯分量形成集合,即滿足

(63)

式中:為高斯分量融合門限。按照式(64)～式(67)融合每個(gè)集合中的高斯分量:

(64)

(65)

(66)

(67)

如果高斯分量的個(gè)數(shù)仍然超過(guò)上限,選取權(quán)值最大的個(gè)高斯分量保留,形成時(shí)刻最終的高斯混合:

(68)

式中：≤。

在完成時(shí)刻的高斯分量更新后,需要進(jìn)行目標(biāo)狀態(tài)估計(jì)以及目標(biāo)個(gè)數(shù)估計(jì),選擇權(quán)值超過(guò)狀態(tài)提取門限的高斯分量峰值點(diǎn)作為狀態(tài)估計(jì)結(jié)果,高斯分量權(quán)值之和作為目標(biāo)個(gè)數(shù)估計(jì)結(jié)果

(69)

(70)

3 仿 真

表1 目標(biāo)運(yùn)動(dòng)場(chǎng)景

圖2 目標(biāo)航跡及量測(cè)分布Fig.2 Target track and measurement distribution

采用本文提出的算法實(shí)現(xiàn)上述場(chǎng)景下的多目標(biāo)跟蹤,算法中的模型使用近似常速率(nearly constant velocity, NCV)模型、右轉(zhuǎn)彎常轉(zhuǎn)彎率(constant ture rate, CTR)模型、左轉(zhuǎn)彎CTR模型,高斯分量的個(gè)數(shù)上限=100,剪枝門限=1e,融合門限=5。圖3給出了所獲得的跟蹤目標(biāo)航跡。在漏檢發(fā)生時(shí),算法會(huì)出現(xiàn)失跟,在量測(cè)重新捕獲后,仍然可以進(jìn)行穩(wěn)定跟蹤。在目標(biāo)狀態(tài)估計(jì)起始位置,即新生分量預(yù)測(cè)位置處的目標(biāo)跟蹤效果不同,形成了極少量的虛假目標(biāo)狀態(tài)估計(jì)點(diǎn)?？傮w來(lái)看,所提算法能夠準(zhǔn)確濾除雜波,對(duì)多個(gè)機(jī)動(dòng)目標(biāo)實(shí)現(xiàn)穩(wěn)定的跟蹤。

圖3 DUCM-SQ-MM-GMPHD跟蹤結(jié)果Fig.3 Tracking result of DUCM-SQ-MM-GMPHD

為進(jìn)一步證明所提算法的性能,與已存的UK-MM-GMPHD與UK-BFG-GMPHD算法的跟蹤性能進(jìn)行對(duì)比:通過(guò)文獻(xiàn)[30]中的最優(yōu)子模式分配距離(optimal sub pattern assignment, OSPA)評(píng)估算法對(duì)多機(jī)動(dòng)目標(biāo)跟蹤的準(zhǔn)確性,其中OSPA截?cái)嗑嚯x=20,OSPA階數(shù)=5,蒙特卡羅實(shí)驗(yàn)次數(shù)為50。

圖4給出了統(tǒng)計(jì)的平均OSPA距離,3種算法在目標(biāo)新生階段都存在一定的OPSA起伏,但從總體來(lái)看,所提出算法的OSPA距離最小,平均值為3.598 0,UK-BFG-GMPHD算法的OSPA次之,平均值為5.817 1,UK-MM-GMPHD算法的OSPA距離最大,平均值為5.663 8。由于OSPA的大小與目標(biāo)狀態(tài)估計(jì)的精度呈反比,因此所提出算法的多目標(biāo)狀態(tài)估計(jì)結(jié)果最優(yōu),且差異明顯,相較于UK-BFG-GMPHD提升了38.15%,相較于UK-MM-GMPHD提升了36.47%。

圖4 統(tǒng)計(jì)平均OSP A距離Fig.4 Statistical averaged OSP A distance

圖5給出了統(tǒng)計(jì)的平均目標(biāo)個(gè)數(shù)估計(jì)結(jié)果,3種算法都能夠在多目標(biāo)不斷新生、消亡的時(shí)候?qū)δ繕?biāo)個(gè)數(shù)進(jìn)行估計(jì),且所提SQ-DUCM-GMPHD算法的估計(jì)結(jié)果與真實(shí)值的差距更小。

圖5 統(tǒng)計(jì)平均目標(biāo)個(gè)數(shù)估計(jì)結(jié)果Fig.5 Statistical averaged number estimation of targets

圖6給出了統(tǒng)計(jì)的算法每步迭代平均耗時(shí),通過(guò)對(duì)50次蒙特卡羅實(shí)驗(yàn)算法完整迭代的耗時(shí)總和平均計(jì)算得到?？梢钥闯鲇捎赨K-MM-GMPHD算法迭代過(guò)程維持了大量的高斯分量,所以耗時(shí)最大,平均值為1.234 2 s;而UK-BFG-GMPHD算法,由于只采用一個(gè)模型進(jìn)行預(yù)測(cè),進(jìn)一步減少了高斯分量的個(gè)數(shù),耗時(shí)最少,平均值為0.109 3 s。本文所提算法由于對(duì)不同模型下的更新結(jié)果進(jìn)行融合,減少了高斯分量的個(gè)數(shù),因此耗時(shí)相對(duì)較少,平均值為0.198 7 s,相對(duì)UK-MM-GMPHD下降了83.90%,相對(duì)UK-BFG-GMPHD提高了81.79%,仍然能滿足實(shí)時(shí)性的要求。

圖6 統(tǒng)計(jì)平均算法運(yùn)行時(shí)間Fig.6 Statistical averaged algorithm running time

為了直觀展示所提算法高斯分量模型概率隨目標(biāo)運(yùn)動(dòng)狀態(tài)變化的結(jié)果,圖7～圖10給出了所提算法中每個(gè)目標(biāo)濾波估計(jì)結(jié)果附近高斯分量的加權(quán)模型概率統(tǒng)計(jì)平均結(jié)果,可以看出:目標(biāo)1一致進(jìn)行勻速直線運(yùn)動(dòng),因此NCV模型概率最大;目標(biāo)2在NCV運(yùn)動(dòng)期間,相應(yīng)的模型概率最大,當(dāng)其切換到左轉(zhuǎn)彎CTR運(yùn)動(dòng)期間,左轉(zhuǎn)彎CTR模型概率最大,隨后又切換到NCV運(yùn)動(dòng)。類似地,目標(biāo)3和目標(biāo)4運(yùn)動(dòng)期間,模型概率最大的模型與目標(biāo)運(yùn)動(dòng)期間的運(yùn)動(dòng)模式模型相匹配。

圖7 統(tǒng)計(jì)平均目標(biāo)1模型概率變化Fig.7 Statistical averaged probability of models of Target 1

圖8 統(tǒng)計(jì)平均目標(biāo)2模型概率變化Fig.8 Statistical averaged probability of models of Target 2

圖9 統(tǒng)計(jì)平均目標(biāo)3模型概率變化Fig.9 Statistical averaged probability of models of Target 3

圖10 統(tǒng)計(jì)平均目標(biāo)4模型概率變化Fig.10 Statistical averaged probability of models of Target 4

在本文所提算法的測(cè)試中,濾波算法的參數(shù)與仿真場(chǎng)景參數(shù)保持了一致,取得了較好的濾波效果,從統(tǒng)計(jì)平均OSPA的角度來(lái)說(shuō),本文所提算法相對(duì)于UK-MM-GMPHD和UK-BFG-GMPHD均得到了改善。

為了驗(yàn)證算法的魯棒性,改變?yōu)V波算法中的參數(shù)取值使之與真實(shí)場(chǎng)景中的取值不匹配,考察雜波密度分別為=0.5×10/m、=2×10/m,目標(biāo)檢測(cè)概率分別為=079、=089,目標(biāo)幸存概率分別為=079、=089時(shí),本文算法相對(duì)于UK-MM-GMPHD和UK-BFG-GMPHD在OSPA的改善程度,結(jié)果如表2所示。由表2可見,在濾波參數(shù)與真實(shí)場(chǎng)景參數(shù)不匹配的條件下,本文所提算法仍然具有良好的性能改善,說(shuō)明了所提算法具有較好的魯棒性。

表2 不同參數(shù)下DUCM-SQ-MM-GMPHD相對(duì)UK-MM-GMPHD、UK-BFG-GMPHD算法的OSPA改善程度

4 結(jié) 論

針對(duì)多普勒雷達(dá)在雜波場(chǎng)景下進(jìn)行多目標(biāo)跟蹤時(shí)的關(guān)鍵問(wèn)題,即目標(biāo)的機(jī)動(dòng)性、量測(cè)的非線性,本文提出了DUCM-SQ-MM-GMPHD算法。該算法在GMPHD框架下,使用序貫去相關(guān)無(wú)偏量測(cè)轉(zhuǎn)換濾波方法處理非線性量測(cè),有效利用了多普勒雷達(dá)獲得的徑向速度量測(cè)。同時(shí)，引入多模型思想,為每個(gè)高斯分量增加一個(gè)模型概率參數(shù),對(duì)與模型無(wú)關(guān)的新生高斯分量在漏檢更新、量測(cè)更新不做其他處理,而對(duì)與模型相關(guān)的幸存高斯分量,在漏檢更新、量測(cè)更新之外,利用更新后的模型概率融合,從而將來(lái)源于同一個(gè)幸存高斯分量的不同模型結(jié)果融合。根據(jù)仿真結(jié)果,所提算法可以有效地實(shí)現(xiàn)雜波環(huán)境下的多機(jī)動(dòng)目標(biāo)跟蹤。與現(xiàn)有算法相比,能獲得更好的跟蹤精度、目標(biāo)個(gè)數(shù)估計(jì),具有較好的魯棒性,同時(shí)有較小的運(yùn)行時(shí)間。