基于高斯混合模型的扩展目标PHD滤波器的MATLAB实现与验证

资 源 简 介

本项目提供了扩展目标概率假设密度（PHD）滤波器的高斯混合实现，适用于传感器高分辨率或目标近距离观测场景。通过随机有限集理论处理多反射点问题，支持目标状态估计与杂波环境下的性能验证。

详 情 说 明

基于高斯混合模型的扩展目标PHD滤波器

项目介绍

本项目实现了基于高斯混合（GM）形式的扩展目标概率假设密度（PHD）滤波器。该算法依托随机有限集（RFS）理论，专为处理传感器分辨率提升或目标近距离观测时产生的多个量测点（如飞机的不同反射部位）而设计。在杂波环境下，滤波器无需复杂的数据关联，即可同时估计多个扩展目标的数量和运动状态。项目完整实现了滤波器的预测、更新以及高斯分量管理（合并与剪枝）等核心模块，适用于线性高斯系统模型下的多扩展目标跟踪仿真与性能验证。

功能特性

• 多扩展目标跟踪：能够有效处理单个扩展目标产生多个量测点的情况，同时估计目标数目和状态。
• 杂波鲁棒性：内置杂波模型，滤波器具备较强的杂波抑制能力，能够在虚假量测背景下稳定工作。
• 高斯混合实现：采用高斯混合模型近似PHD滤波器，计算效率较高，适用于线性高斯动态与观测模型。
• 自适应分量管理：集成高斯分量剪枝与合并策略，有效控制高斯分量数量的增长，保证算法实时性。
• 性能评估：提供OSPA距离、目标数量估计误差等指标，用于定量分析滤波器的跟踪性能。

使用方法

1. 配置参数：在运行主脚本前，需根据仿真场景设置相关参数，包括：

* 目标动态模型：定义状态转移矩阵、过程噪声协方差等。 * 传感器模型：定义观测矩阵、观测噪声协方差等。 * 杂波参数：设置杂波密度及其空间分布。 * 滤波器参数：设定检测概率、生存概率、新生目标强度以及高斯分量的合并/剪枝阈值。

1. 准备输入数据：输入数据应为传感器在每个时刻获取的量测集合，通常为二维或三维坐标点的序列，该集合包含真实目标产生的量测以及杂波。

1. 执行滤波：运行主程序。滤波器将依次执行预测步、更新步和分量管理步骤，逐时刻处理量测数据。

1. 分析结果：程序运行后，将输出每一时刻的目标数量估计、目标状态（位置、速度等）估计及其协方差。同时，可调用性能评估模块计算OSPA距离等统计指标，以评估跟踪精度。

系统要求

• 操作系统：Windows / Linux / macOS
• 软件环境：MATLAB (推荐 R2016a 或更高版本)

文件说明

主程序文件承担了仿真的核心调度与控制功能。其主要实现了仿真场景的参数化设置、扩展目标与量测数据的动态生成、高斯混合PHD滤波器核心算法（预测、更新、分量管理）的逐时间步长调用执行，并对最终输出的目标状态与数量估计结果进行可视化展示与性能指标计算。