王海鵬，賈舒宜，林雪原，唐田田

（海軍航空工程學(xué)院信息融合研究所，山東煙臺264001）

基于模板匹配的集中式多傳感器群內(nèi)目標精細跟蹤算法

王海鵬，賈舒宜，林雪原，唐田田

（海軍航空工程學(xué)院信息融合研究所，山東煙臺264001）

為解決多傳感器探測下群內(nèi)目標精細跟蹤的難題，基于非機動情況下各探測周期內(nèi)群內(nèi)目標真實回波位置相對固定的特性，提出了一種基于模板匹配的集中式多傳感器群內(nèi)目標精細跟蹤算法。該算法通過預(yù)關(guān)聯(lián)成功的群狀態(tài)集合與群量測集合分別建立模板形狀矩陣和待匹配形狀矩陣，利用匹配搜索模型和匹配矩陣確認規(guī)則選出代價最小的匹配矩陣，并基于模板和對應(yīng)的匹配矩陣利用kalman濾波完成群內(nèi)各目標航跡的狀態(tài)更新。仿真表明，與傳統(tǒng)多傳感器多目標跟蹤算法中性能優(yōu)越的基于數(shù)據(jù)壓縮的集中式多傳感器多假設(shè)算法相比，該算法在跟蹤精度、實時性、有效跟蹤率方面的性能明顯優(yōu)越，能很好的滿足群內(nèi)目標精細跟蹤的實際工程需求。

模板匹配；多傳感器；群內(nèi)目標；精細跟蹤

在現(xiàn)實環(huán)境中，經(jīng)常因為不可控制或特定人為目的等因素，會在一個較小的空域分布范圍內(nèi)構(gòu)成一個復(fù)雜的目標群，如空間碎片的分裂、彈道導(dǎo)彈突防過程中伴隨的大量碎片及誘餌、掠海飛行的導(dǎo)彈和飛機群等，這些目標空域分布范圍較小，運動特征差異不明顯，相對運動速度較低且特性接近。目標跟蹤領(lǐng)域?qū)⒋祟惸繕朔Q為群目標［1-7］。

在一些實際應(yīng)用中，與群的整體態(tài)勢相比，往往更關(guān)心群內(nèi)個體目標的情況［3-6］。例如，航天器在軌爆炸后所產(chǎn)生的空間碎片會形成一個群目標，這個群目標將會嚴重威脅太空安全，為消除太空安全隱患，必須精確掌握每一個碎片的運動軌跡，簡單跟蹤群整體已無法滿足工程實際需求；再如，當(dāng)面對敵方群飛機突防時，為更好地進行戰(zhàn)術(shù)攔截和打擊，要求在探測系統(tǒng)只能部分分辨飛機群的條件下，盡可能精確地估計出群中飛機的個數(shù)及各架飛機的運動軌跡，以便為后續(xù)的作戰(zhàn)決策提供精確的信息支持。此時，為改善跟蹤效果，工程上通常利用多套不同的設(shè)備、從不同測向獲取群目標測量數(shù)據(jù)，進行數(shù)據(jù)互聯(lián)和融合等處理，多傳感器探測下群內(nèi)目標的精細跟蹤成為必須解決的問題。

但傳統(tǒng)的多目標跟蹤算法［8-17］難以有效跟蹤群內(nèi)目標，因為與傳統(tǒng)多目標相比，雜波環(huán)境下群內(nèi)目標的回波特性明顯復(fù)雜，傳統(tǒng)跟蹤算法對群目標回波復(fù)雜性考慮不足，漏跟、錯跟、多跟現(xiàn)象嚴重。此外，現(xiàn)有群目標跟蹤算法［18-27］大多基于群整體進行跟蹤，未考慮群內(nèi)目標的精細跟蹤；而小部分考慮群內(nèi)目標航跡維持的算法跟蹤環(huán)境又相對單一，難以工程應(yīng)用。

因此，為解決該問題，本文基于非機動情況下各探測周期內(nèi)群內(nèi)目標真實回波位置相對固定的特性，利用模板匹配［268-32］的方式區(qū)別目標真實測量和雜波，提出了一種基于模板匹配的集中式多傳感器群內(nèi)目標精細跟蹤算法（Centralized Multi-sensor Refined Tracking Algorithm within Group Targets Based on Template Matching，CMSRT-GT-TM）算法；并建立了多種典型的仿真環(huán)境，驗證了本文算法的有效性。

1　系統(tǒng)描述

集中式多傳感器群內(nèi)目標跟蹤問題是在雜波中用Ns個傳感器上報到融合中心的量測實現(xiàn)群內(nèi)每個目標的狀態(tài)更新。設(shè)系統(tǒng)的動態(tài)方程為：

式（1）中：Xt（k+1）∈?n（k=1，2，…；t=1，2，…，Tg）是k+1時刻目標的全局狀態(tài)向量，Tg為第g個群中的目標個數(shù)；F（k）∈?n是狀態(tài)轉(zhuǎn)移矩陣；Γ（k）∈?n，h為噪聲分布矩陣；Vt（k）是離散時間白噪聲序列，且E［Vt（k）］=0，E［Vt（k）Vt（k）T］=Qt（k）。

k時刻融合中心所獲得的綜合觀測向量為：

并假定各傳感器間的量測誤差是統(tǒng)計獨立的。

2　CMSRT-GT-TM算法

2.1基于群整體的預(yù)互聯(lián)

設(shè)G（k-1）為k-1時刻群航跡狀態(tài)更新值和協(xié)方差更新值的集合：

式（4）中：t=1，2，…，Tg（k-1），Tg（k-1）為k-1時刻群的個數(shù)；為k-1時刻第t個群中的目標個數(shù)。

針對第i個傳感器上報的量測集合Zi（k），利用循環(huán)闕值法［33］進行群的預(yù)分割。設(shè)）為分割后獲得的第l個群量測，為）中的量測個數(shù)。設(shè)的中心點，為群Gt（k-1）中心航跡的狀態(tài)更新值和協(xié)方差更新值。此時，群量測與群航跡的互聯(lián)，暫時轉(zhuǎn)變?yōu)橹g的互聯(lián)。與傳統(tǒng)目標相同，以的一步預(yù)測值為中心，建立關(guān)聯(lián)波門。若滿足式（5），則認為落入關(guān)聯(lián)波門內(nèi)。

通常情況下，群與群之間相距較遠，落入同一關(guān)聯(lián)門的概率較??；假如同一傳感器有多個群量測落入同一關(guān)聯(lián)波門內(nèi)，基于最近鄰域的思想，選取最近的群量測為關(guān)聯(lián)量。設(shè)各傳感器上報量測中與Gt（k-1）關(guān)聯(lián)成功的群量測集合為：

式中，N′s為存在關(guān)聯(lián)群量測的傳感器個數(shù)。

2.2模板匹配模型的建立

基于預(yù)關(guān)聯(lián)成功的Gt（k-1）和，建立模板匹配模型，剔除雜波并實現(xiàn)群內(nèi)航跡與真實量測的互聯(lián)，具體過程分為以下4步。

2.2.1模板形狀矩陣的建立

基于Gt（k-1）建立模板，具體過程與文獻［34］中云雨雜波剔除模型相似。設(shè)Gt（k-1）中位置狀態(tài)更新值在x、y方向最大值和最小值的集合為，基于Exy（k）構(gòu)建矩形A，如圖1所示。

圖1　量測區(qū)域示意圖Fig.1 Area of the measurements

式（7）中：ωi為k時刻傳感器i的位置；ωt為目標t的真實位置；為服從高斯分布的隨機噪聲；在傳感器探測區(qū)域內(nèi)服從均勻分布。

當(dāng)群目標不發(fā)生機動時，群內(nèi)各目標真實位置構(gòu)成的圖形在相臨時刻是基本一致的；受量測誤差的影響，量測值會發(fā)生一定的擺動，由式（7）可知，在x、y方向擺動的范圍大致為按圖2的方式將矩形A劃分成多個小矩形，其中，μx、μy分別為x、y方向上的劃分依據(jù)，其定義為：

圖2　矩形A劃分示意圖Fig.2 Segmentation of rectangleA

定義矩形A模板形狀矩陣為：

2.2.2待匹配形狀矩陣的建立

3）基于有無量測落入小矩形中建立待匹配形狀矩陣

2.2.3匹配搜索模型的建立

匹配搜索模型如圖3所示。

圖3　匹配搜索模型示意圖Fig.3 Matching search model

以矩形B在x、y方向上最小的矩形為起點，將矩形A嵌入B內(nèi)，基于與建立Bij與A的匹配度矩陣為：

2.2.4匹配矩陣的確認

矩形B中滿足匹配條件的Bij可能有多個。在此，通過建立匹配代價矩陣確定最終的匹配矩陣?；趥鞲衅鱯的匹配度矩陣定義匹配代價矩陣為：

式（18）中，di′j′為Bij中第i′j′個方格中量測與模板A對應(yīng)方格中所包含目標狀態(tài)一步的預(yù)測值的差值，即

同時，儲存Bij各方格中用于計算di′j′的量測集對s個傳感器，均建立取代價最小的矩陣為匹配矩形，記中各方格的互聯(lián)量測集為

2.3群內(nèi)航跡的狀態(tài)更新

基于Gt（k-1）和利用模板A和匹配矩形若落入A中的小矩形ai′j′中，則基于落入中的量測利用kalman濾波完成狀態(tài)和協(xié)方差更新。

在此，需要注意的是，在完成群內(nèi)所有航跡的狀態(tài)更新后，還需利用當(dāng)前時刻剩余的量測集與前3個時刻剩余的量測集進行航跡起始，并建立航跡終結(jié)原則，判斷群內(nèi)各條航跡是否終結(jié)。

3　仿真驗證與分析

為驗證說明算法性能和有效性，設(shè)定2種典型的群目標運動情況，從算法跟蹤精度、實時性、有效跟蹤率3個方面分析算法的跟蹤性能，并與傳統(tǒng)多傳感器多目標跟蹤算法中性能優(yōu)越的基于數(shù)據(jù)壓縮的集中式多傳感器多假設(shè)（簡稱數(shù)據(jù)壓縮CMS-MHT）算法［11］進行比較。

3.1仿真環(huán)境

假定傳感器為3部2D雷達，參數(shù)如表1所示。

表1　傳感器參數(shù)設(shè)置表Tab.1 Parameters of the sensors

環(huán)境1：模擬2個交叉運動的密集群目標。設(shè)存在8個目標，均做勻速直線運動。前4個目標組成第1個群，初始位置分別為（5km，0.8km）、（5.2km，1km）、（5.55km，1.2km）、（5.7km，1.4km），初始速度均為（-200 m/s，300 m/s）；后4個目標組成第2個群，初始位置分別為（-5km，8km）、（-5.2km，8.2km）、（-5.55km，8.4km）、（-5.7km，8.6km），初始速度均為（100 m/s，300 m/s）。

仿真中，雜波的產(chǎn)生分2部分。對目標T0而言，以T0為中心在極坐標下建立一個邊長為的矩陣，在此矩陣中均勻產(chǎn)生λ1個雜波；對群目標G而言，計算群目標的中心點，以為中心在極坐標下建立一個邊長為的矩陣（其中ΔGρ、ΔGθ分別為G中各量測在極坐標系兩坐標軸上的最大差值），在該矩陣中均勻產(chǎn)生λ2個雜波。在此，取λ1=2，λ2=4。

環(huán)境2：為驗證各算法耗時和有效跟蹤率隨雜波的變化情況，在環(huán)境1的基礎(chǔ)上，雜波的取值見表2。

表2　環(huán)境3中雜波取值表Tab.2 Number of clutter in environment 3

3.2仿真結(jié)果及分析

圖4為環(huán)境1中群目標真實態(tài)勢圖，從圖中可以看出2個群目標交叉運動。圖5、6分別為環(huán)境1中CMSRT-GT-TM算法和數(shù)據(jù)壓縮CMS-MHT算法的均方根位置、速度誤差比較圖，從圖中可以看出，本文算法能夠?qū)δ繕诉M行有效跟蹤，均方根位置誤差小于60 m，均方根速度誤差小于2 m/s；而基于數(shù)據(jù)壓縮的CMS-MHT算法的跟蹤效果不理想，在50步以后均方根位置誤差高達300 m以上，均方根速度誤差高達12 m/s以上，在對跟蹤精度要求較高的實際場合中已無法滿足工程要求。

圖4　群目標真實態(tài)勢圖Fig.4 True state of the formation targets

圖5　x方向均方根位置誤差比較圖Fig.5 RMS position error atx-axis

圖6　x方向均方根速度誤差比較圖Fig.6 RMS velocity error atx-axis

表3為環(huán)境2中2種算法有效跟蹤率及算法耗時隨雜波數(shù)變化比較表。從表中可以看出，對應(yīng)于同樣的雜波數(shù)，CMSRT-GT-TM算法的有效跟蹤率明顯高于數(shù)據(jù)壓縮CMS-MHT算法，當(dāng)雜波數(shù)為（6，12）時，前者的有效跟蹤率在75%以上，而后者的有效跟蹤率僅為39.34%，已不能滿足實際工程需求。此外，隨著雜波數(shù)的增加，2種算法的有效跟蹤率均有所下降，數(shù)據(jù)壓縮CMS-MHT算法下降幅度明顯大于本文算法。

由表3可知，隨著雜波數(shù)的增加，2種算法的單次更新耗時均有所增大；數(shù)據(jù)壓縮CMS-MHT算法的增加幅度較大，當(dāng)雜波數(shù)為（6，12）時，其單次更新耗時已高達0.994 6 ms，在對實時性要求較高的實際場合中已不能滿足工程要求；對應(yīng)同樣的雜波數(shù)，CMSRTGT-TM算法的單次更新耗時明顯較小。

表3　各算法有效跟蹤率及算法耗時隨雜波數(shù)變化比較表Tab.3 Effective tracking ratio and runtime of the algorithms varied with the number of clutter

4　結(jié)論

基于非機動模式下各時刻同一群內(nèi)目標真實回波整體結(jié)構(gòu)的相似性，提出了CMSRT-GT-TM算法，其優(yōu)點主要包括：

1）通過模板與待匹配區(qū)域的搜索匹配，最大限度的消除了雜波，并保證了群內(nèi)目標結(jié)構(gòu)的穩(wěn)定性，不會出現(xiàn)群內(nèi)目標交叉錯誤互聯(lián)的情況；

2）基于匹配矩陣確認模型，在所有傳感器的匹配矩陣中，獲取代價最小的匹配矩形完成群內(nèi)各目標的狀態(tài)更新，既充分利用了多個傳感器的探測信息，又避免了冗余航跡的產(chǎn)生。

經(jīng)仿真驗證表明，該算法能較好的實現(xiàn)多傳感器探測下非機動群內(nèi)目標的精細跟蹤。

［1］耿文東.編隊目標跟蹤綜述［C］//第十屆全國雷達學(xué)術(shù)年會.北京：國防工業(yè)出版社，2008：367-371. GENG WENDONG.Summarizing of group-target tracking［C］//10thChina Radar Conference.Beijing：National Defense Industry Press，2008：367-371.（in Chinese）

［2］邢鳳勇，熊偉，王海鵬.基于聚類和Hough變換的多群航跡起始算法［J］.海軍航空工程學(xué)院學(xué)報，2010，25（6）：624-629. XING FENGYONG，XIONG WEI，WANG HAIPENG.A formation target track initiation algorithm based on clustering and hough transform［J］.Journal of Naval Aeronautical and Astronautical University，2010，25（6）：624-629.（in Chinese）

［3］PENG Z H，SUN L，CHEN J.Path planning of multiple UAVs low-altitude penetration based on improved multiagent coevolutionary algorithm［C］//30thChinese Control Conference.Yantai：IEEE，2011：4056-4061.

［4］ZHEN Q，SHELTON C R.Improving multi-target tracking via social grouping［C］//IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2012：1972-1978.

［5］王海鵬，熊偉，董云龍，等.集中式多傳感器群目標灰色精細航跡起始算法［J］.系統(tǒng)工程與電子技術(shù)，2012，34（11）：2244-2255. WANG HAIPENG，XIONG WEI，DONG YUNLONG，et al.Gray refined track initiation algorithm for centralized multi-sensor group targets［J］.Systems Engineering and Electronics，2012，34（11）：2244-2255.（in Chinese）

［6］王海鵬，董云龍，熊偉，等.運動狀態(tài)下多傳感器群目標精細航跡起始算法［J］.宇航學(xué)報，2012，33（11）：1690-1698. WANG HAIPENG，DONG YUNLONG，XIONG WEI，et al.Multi-sensor group target refined track initiation algorithm based on moving state［J］.Journal of Astronautics，2012，33（11）：1690-1698.（in Chinese）

［7］趙盟盟，張群，陳怡君，等.一種用于空間群目標分辨的滑動窗軌跡跟蹤算法［J］.宇航學(xué)報，2015，36（10）：1187-1194. ZHAO MENGMENG，ZHANG QUN，CHEN YIJUN，et al.A sliding window tracking algorithm for distingushing space group targets［J］.Journal of Austronautics，2015，36（10）：1187-1194.（in Chinese）

［8］何友，王國宏，關(guān)欣.信息融合理論及應(yīng)用［M］.北京：電子工業(yè)出版社，2010：135-177. HE YOU，WANG GUOHONG，GUAN XIN.Information fusion theory with applications［M］.Beijing：PublishingHouse of Electronics Industry，2010：135-177.（in Chinese）

［9］TRAN A，MANZANERA A.A versatile object tracking algorithm combining Particle Filter and Generalised Hough Transform［C］//International Conference on.Image Processing Theory，Tools and Applications（IPTA）. Oreans，F(xiàn)rance：IEEE，2015：105-110.

［10］ZHOU H，GAO Y，YUAN G，et al.Adaptive multiple cues integration for particle filter tracking［C］//IET International Radar Conference.Hangzhou：IET，2015：1-6.

［11］張晶煒，熊偉，何友.基于數(shù)據(jù)壓縮的多傳感器多假設(shè)算法［J］.北京航空航天大學(xué)學(xué)報，2007，33（12）：1448-1451. ZHANG JINGWEI，XIONG WEI，HE YOU.Multisensor multipled hypothesis algorithm based on data compressing technic［J］.Journal of Beijing University of Aeronautics and Astronautics，2007，33（12）：1448-1451.（in Chinese）

［12］JIN Y，DING Y，HAO K，et al.An endocrine-based intelligent distributed cooperative algorithm for target tracking in wireless sensor networks［J］.Soft Computing，2015，19（5）：1427-1441.

［13］陳帥，鄭世友，張世倉.并行多傳感器多目標跟蹤系統(tǒng)性能優(yōu)化算法［J］.計算機仿真，2015，32（10）：69-73，122. CHEN SHUAI，ZHEN SHIYOU，ZHANG SHICANG. Centralized multi-sensor structuerd branch multiple hypothesis algorithm［J］.Computer Simulation，2015，32（10）：69-73，122.（in Chinese）

［14］陳金廣，江夢茜，馬麗麗，等.具有形狀信息的多傳感器群目標跟蹤算法［J］.計算機工程與應(yīng)用，2015，51（17）：210-216. CHEN JINGUANG，JIANG MENGQIAN，MA LILI，et al.Multi-sensor group tracking algorithm with information of shape［J］.Computer Engineering and Applications，2015，51（17）：210-216.（in Chinese）

［15］BEARD M，REUTER S，GRANSTR?M K，et al.Multiple extended target tracking with labeled random finite sets［J］.IEEE Transactions on Signal Processing，2016，64（7）：1638-1653.

［16］BEARD M，VO B T，VO B N.Bayesian multi-target tracking with merged measurements using labelled random finite sets［J］.IEEE Transactions on Signal Processing，2015，63（6）：1433-1447.

［17］李翠蕓，王榮，姬紅兵.基于變分貝葉斯勢均衡多目標多伯努利濾波的多擴展目標跟蹤算法［J］.控制理論與應(yīng)用，2015（2）：187-195. LI CUIYUN，WANG RONG，JI HONGBIN.Mutiple extended-target tracking based on variational bayesian cardinality-balanced multi-target muli-bernoulli［J］.Control Theory and Applications，2015（2）：187-195.（in Chinese）

［18］GVAN K，F(xiàn)GAN F.MHT extraction and track maintenance of a target formation［J］.IEEE Transactions on Aerospace and Electronic System，2002，38（1）：288-294.

［19］AMADOU G，LYUDMILA M.Ground target group structure and state estimation with particle filtering［J］.IEEE Transactions onAuto Control，2010，37（5）：1-8.

［20］HADINEJAD I，F(xiàn)ATEMIA.Anew efficient joint probabilistic data association method for multiple target tracking system［J］.Majlesi Journal of Multimedia Processing，2016，4（4）：135-167.

［21］PANAKKAL V P，VELMURUGAN R.A factor graph approach for efficient JPDA implementation in multi-target tracking［C］//IEEE Aerospace Conference.Helena（MT）：IEEE，2015：1-15.

［22］PLOPLYS N J，KENEFIC R J.Multiple hypothesis tracking using maximum weight independent set：USA，9，291，708［P］.2016-3-22.

［23］KIM C，LI F，CIPTADI A，et al.Multiple hypothesis tracking revisited［C］//Proceedings of the IEEE International Conference on Computer Vision.Washington，D.C.：IEEE，2015：4696-4704.

［24］JAMES P F.Group tracking on dynamic networks［C］// 12thInternational Conference on Information Fusion. Washington，D.C.：IEEE，2009：930-937.

［25］LYUDMILA M.Group object structure and state estimation in the presence of measurement origin uncertainty ［C］//IEEE 15thWorkshop on Statistical Signal Processing. Cardiff，UK：IEEE，2009：473-476.

［26］FELDMANN M，F(xiàn)RANKEN D.Advances on tracking of extended objects and group targets using random matrices ［C］//12thInternational Conference on Information Fusion. Washington，D.C.：IEEE，2009：1029-1036.

［27］LIAN F，HAN C Z，LIU W F.Sequential monte carlo implementation and state extraction of the group probability hypothsis density filter for partly unresolvable group targets-tracking problem［J］.IET Radar，Sonar and Navigation，2010，4（5）：685-702.

［28］JAHNE，BERND.Digital image processing［M］.Berlin：Springer Verlag，2005：78-85.

［29］ABDUL R M，MAHALEKSHMI M C.Automated object recognition and pattern matching analysis of runways using surface track data［C］//3rdInternational Conference on Electronics Computer Technology.IEEE，2011：46-51.

［30］MASOOD-UR-REHMAN M，F(xiàn)ANG J C，SAFFIH F.Automatic star pattern recognition in tracking mode［C］//6thInternational Bhurban Conference on Applied Sciences and Technology.IEEE，2009：249-252.

［31］GRACIANO A B V，CESAR R M，BLOCH I.Graphbased object tracking using structural pattern recognition ［C］//Brazilian Symposium on Computer Graphics and Image Processing.IEEE，2007：179-186.

［32］BADRI J，TILMANT C，LAVEST J M.Hybrid sensors calibration：application to pattern recognition and tracking ［C］//IEEE International Symposium on Intelligent Signal Processing.IEEE，2007：1-5.

［33］王海鵬.多傳感器編隊目標跟蹤算法研究［D］.煙臺：海軍航空工程學(xué)院，2012：8-9. WANG HAIPENG.Research on multi-sensor formation targets tracking algorithm［D］.Yantai：Naval Aeronautical andAstronautical University，2012：8-9.（in Chinese）

［34］WANG HAIPENG，JIA SHUYI，TANG TIANTIAN.The algorithm of the clutter and interference detection based on the image technique of the group segmentation［C］// The 2016 International Conference on Applied Mathematics，Simulation and Modelling.Beijing：Advances in Computer Science Research.2016：135-141.

Centralized Multi-Sensor Refined Tracking Algorithm within Targets Inside Cluster Based on Template Matching

WANG Haipeng，JIA Shuyi，LIN Xueyuan，TANG Tiantain
（Research Institute of Information Fusion，NAAU，Yantai Shandong 264001，China）

Aiming to solve the track refined tracking problem of the targets inside cluster with the multi-sensor detections，based on the relative invariant of the actual positons of the targets inside cluster in each detection period，a new algorithm named centralized multi-sensor refined tracking algorithm within targets inside cluster based on template matching was proposed.In the algorithm，the template shape matrix and the shape matrix to be matched were respectively obtained with the previous associated group state set and group measurement set.The least-cost matching matrix was obtained with the matching search model and the matching matrix validation rules.Moreover，based on the template and the corresponding matching matrix，the state update of each track within the targets inside cluster was completed with the Kalman filter.The analysis results of the simulation data showed that obvious advantages of this algorithm were esrablished in the aspects of tracking accuracy，real-time performance and effective tracking rate，compared with the multisensor multipled hypothesis algorithm based on data compressing technic which waqs a superior performance algorithm in the traditional multi-sensor multi-target tracking field.The real engineering requirement of the refined tracking of the targets inside cluster was met very well with this algorihtm.

template matching；multi-sensor；targets inside cluster；refined tracking

TP953；TN957

A

1673-1522（2016）04-0430-07

10.7682/j.issn.1673-1522.2016.04.005

2016-05-26；

2016-06-27

國家自然科學(xué)重點基金資助項目（61531020）；國家自然科學(xué)面上基金資助項目（6147383）

王海鵬（1985-），男，講師，博士。