针对粒子概率假设密度滤波算法(particle probability hypothesis density filter,PF-PHD)在多目标跟踪过程中存在粒子退化和估计精度不高的问题,提出了一种新的基于无迹卡尔曼滤波(unscented Kalman fiter,UKF)的多目标状态估计算法.该算法首先通过UKF算法利用当前观测值得到重要性密度函数,使粒子状态分布更接近多目标概率假设密度分布.然后利用粒子身份标签将所有粒子分为不同的粒子群,依据最新获得粒子群中的粒子和似然度估计目标状态.仿真实验表明,在复杂环境下该方法较PF-PHD能够提高估计精度和目标关联的准确性.
