For joint tracking and classification (JTC) of multiple extended targets in the presence of clutter and detection uncertainty, this paper proposes a recursive algorithm based on the probability hypothesis density (PHD) filter and star-convex random hypersurface model (RHM), resulting in the JTC-RHM-PHD filter. By modeling the extent state via the star-convex RHM, the JTC-RHM-PHD filter can classify the extended targets using the feature information of size and shape, instead of the size information only in the random matrix model (RMM)-based JTC method. To integrate the prior class-dependent information into the tracking procedure and obtain the recursive expressions of the JTC-RHM-PHD filter, the relationship between the instantaneous extent state and prior class-dependent information is first constructed. Then, the target state is remodeled by two vectors: one for the kinematic state and another for the extent state. The kinematic state is estimated via a Kalman-like filter. For the extent state, the measurement-based extent state and class-based extent state are obtained via the sensor measurements and prior class-dependent information, respectively. The two kinds of extent states are used to determine the target class. At last, a Gamma-Gaussian-Gaussian mixture implementation of the JTC-RHM-PHD filter is presented. Simulation results indicate that: (1) Compared with the RMM-based JTC method, the proposed JTC-RHM-PHD filter can correctly classify multiple extended targets with similar sizes. (2) Compared with the RHM-PHD filter, the proposed JTC-RHM-PHD filter has superior tracking performance with a similar algorithm complexity.

对于存在杂波和检测不确定性的多个扩展目标的联合跟踪和分类（JTC），本文提出了一种基于概率假设密度（PHD）过滤器和星凸随机超曲面模型（RHM）的递归算法。 JTC-RHM-PHD过滤器。通过星型RHM对范围状态进行建模，JTC-RHM-PHD过滤器可以使用尺寸和形状的特征信息来对扩展目标进行分类，而不是仅在基于随机矩阵模型（RMM）的JTC中使用尺寸信息方法。为了将先验类相关信息集成到跟踪过程中并获得JTC-RHM-PHD滤波器的递归表达式，首先构造瞬时范围状态与先验类相关信息之间的关系。然后，目标状态由两个向量重塑：一个用于运动状态，另一个用于范围状态。运动状态是通过类似卡尔曼滤波器的估计。对于范围状态，分别通过传感器测量值和先前的类相关信息获得基于测量的范围状态和基于类别的范围状态。两种范围状态用于确定目标类别。最后，给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。一个用于运动状态，另一个用于范围状态。运动状态是通过类似卡尔曼滤波器的估计。对于范围状态，分别通过传感器测量值和先前的类相关信息获得基于测量的范围状态和基于类别的范围状态。两种范围状态用于确定目标类别。最后，给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。一个用于运动状态，另一个用于范围状态。运动状态是通过类似卡尔曼滤波器的估计。对于范围状态，分别通过传感器测量值和先前的类相关信息获得基于测量的范围状态和基于类别的范围状态。两种范围状态用于确定目标类别。最后，给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。运动状态是通过类似卡尔曼滤波器的估计。对于范围状态，分别通过传感器测量值和先前的类相关信息获得基于测量的范围状态和基于类别的范围状态。两种范围状态用于确定目标类别。最后，给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。运动状态是通过类似卡尔曼滤波器的估计。对于范围状态，分别通过传感器测量值和先前的类相关信息获得基于测量的范围状态和基于类别的范围状态。两种范围状态用于确定目标类别。最后，给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。基于测量的程度状态和基于类别的程度状态分别通过传感器测量值和先前的基于类别的信息获得。两种范围状态用于确定目标类别。最后，给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。基于测量的程度状态和基于类别的程度状态分别通过传感器测量值和先前的基于类别的信息获得。两种范围状态用于确定目标类别。最后，给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。给出了JTC-RHM-PHD滤波器的Gamma-Gaussian-Gaussian混合实现。仿真结果表明：（1）与基于RMM的JTC方法相比，本文提出的JTC-RHM-PHD滤波器可以正确分类多个大小相似的扩展目标。（2）与RHM-PHD滤波器相比，提出的JTC-RHM-PHD滤波器具有出色的跟踪性能，并且算法复杂度相似。