图 3.2   Kalman滤波算法方框图
（2）    α-β与α-β-γ滤波
α-β与α-β-γ滤波是两种简单且易于工程实现的常增益滤波方法，已广泛应用于跟踪滤波器的设计过程。其最大的优点在于增益矩阵可以离线计算，并且在每次滤波循环中大约可以节约计算量70%。α-β滤波器是针对匀速运动模型的一种滤波器，而α-β-γ滤波器是针对匀加速运动模型的一种滤波器。
若过程噪声和测量噪声的统计特性已知，可以采用Kalman滤波。为了减少Kalman滤波的计算量，可以采用常增益滤波器，即α-β与α-β-γ滤波。
（3）    最小二乘滤波
采用何种滤波算法，主要取决于事先掌握的先验信息的多少。当对先验统计信息一无所知时，一般采用最小二乘滤波。
3.2.2    非线性滤波算法
在实际的目标跟踪系统中，大部分系统是非线性的，或者只有部分线性。常见的非线性滤波算法有扩展卡尔曼滤波（EKF）算法、容积卡尔曼滤波（CKF）算法、粒子滤波（Particle Filter, PF）算法等。
EKF算法将非线性问题做线性化处理[35]，转换为近似的线性滤波问题，被广泛用于各种非线性系统的状态估计。但是在复杂系统中，模型的线性化误差会严重的影响滤波精度，甚至造成滤波发散。
CKF是新近提出的基于曲面径向准则的非线性卡尔曼滤波算法[36]，它采用一组等权值的Cubature 点集来解决贝叶斯滤波的积分问题。与EKF、UKF 等传统高斯域非线性滤波算法相比，该算法具有更优的非线性逼近性能(二阶矩) 、数值精度以及滤波稳定性。
粒子滤波算法[37,38]是一种基于Monte Carlo仿真最优回归贝叶斯滤波算法,它将状态向量表示为一组带有相关权值的随机样本，基于这些样本和权值可以计算出状态估计值，它不受线性化误差和高斯噪声假定的限制，适用于任何环境。
3.2.3    自适应滤波算法
自适应滤波算法可以分为检测自适应滤波、实时辨识自适应滤波以及“全面”自适应滤波算法。
（1）    检测自适应滤波算法
机动的发生将使原来的模型变差，从而造成目标状态估计偏离真实状态，滤波残差特性发生变化。检测自适应滤波算法的基本思想是，根据残差过程的变化，设计出机动检测准则，一旦检测到机动发生或消除，立即进行模型转换或噪声方差调整。此类算法的关键在于设计出合理的检测方式，包括检测门限的选择以及恰当的模型转换和调整等。
（2）    实时辨识自适应滤波算法
实时辨识自适应滤波算法是指在线辨识出机动加速度或其统计特性（表现为机动噪声方差和均值等）。典型的算法有协方差匹配法、自适应状态估计器、二级卡尔曼滤波等。
（3）    “全面”自适应滤波算法
实时辨识自适应滤波算法能较好地反映目标机动范围和强度的变化，机动时跟踪效果较好，但非机动时性能有所下降。而检测自适应滤波在非机动时跟踪精度较高，机动时性能较差。“全面”自适应滤波综合了以上两种方法，其中典型的算法就是IMM算法。
3.3    机动检测与机动辨识
机动检测与机动辨识是传统滤波算法中比较关键的一步，它的好坏将直接影响到滤波结果的好坏。机动目标的检测是当前目标跟踪领域一个很困难但又很重要的问题。
3.3.1    机动检测基本原理
一般的滤波过程以所假定的模型为基础。当目标发生机动时，实际的目标运动特性将与给定的模型不一致，因而导致跟踪误差变大，新息量急剧的变化。通过监测新息量的变化，即可对目标的机动做出某些监测，设计机动检测准则。 基于IMM的机动目标跟踪算法研究(7):http://www.youerw.com/zidonghua/lunwen_7868.html