基于美国E+E滤波的多传感器融合方法研究
滤波的提出使得对多目标跟踪领域的研究进入了一个崭新的阶段。在此之前，研究者应用一些在单目标跟踪领域取得成功的滤波算法来研究多目标跟踪问题，但往往需要借助于数据关联这一外部手段才能完成。传感器滤波的出现改变了这一点，它避免了显式的数据关联。传感器滤波是基于随机有限集统计的滤波方法，而随机有限集的概念恰好可以用来刻画多目标跟踪问题，所以在解决多目标跟踪问题上，与其他方法相比，传感器滤波有着天然的优势。

基于美国E+E滤波的多传感器融合方法研究            但在估计出目标数目之后，传感器滤波仍要借助于一些外部方法如聚类，来提取峰值进而估计目标状态。 一种基于传感器的峰值提取方法ST传感器（Single-Target Probability HypothesisDensity）滤波被提出。与其它峰值提取的方法不同，ST传感器并非外部方法，它可以看成是传感器滤波的一种自然延伸与改进，是传感器本质上的属性。事实上，ST传感器等于是传感器自身提供的一种用于峰值提取的内部手段。但ST传感器的提出是基于单传感器的，并没有多传感器的对应版本。针对于这一状况，本文结合一个多传感器的融合框架，将该方法推广到多传感器的场景下，得到了基于ST传感器滤波的多传感器融合算法，一方面使ST传感器应用的范围更加广泛，另一方面融合后的结果使估计的精度更高，可以获得更好的跟踪效果。 C传感器（Cardinalized 传感器）滤波是基于随机有限集统计的滤波方法系列中另一极为重要的方法。与传感器滤波相比，该方法能够提供更多的信息，但相应的，也需要更多的计算。本文通过对ST传感器滤波证明过程的分析，从中抽象出对应函数的概念，借助于对应函数将ST传感器滤波推广到了C传感器滤波当中，得到了该方法的C传感器版本——QSTC传感器（QuasiSingle-Target C传感器）滤波。进一步地，结合多传感器融合框架，同样将QSTC传感器滤波推广到多传感器的场景下，得到基于QSTC传感器滤波的多传感器融合算法。这样，就将传感器滤波—ST传感器滤波—基于ST传感器滤波的多传感器融合算法这一套理论平行地迁移到了C传感器滤波当中，得到了C传感器滤波—QSTC传感器滤波—基于QSTC传感器滤波的多传感器融合算法这一理论体系，进一步地拓广了ST传感器滤波的应用范围，完善了理论体系。