This paper addresses the problem of joint tracking and classification (JTC) of a single extended target with a complex shape. To describe this complex shape, the spatial extent state is first modeled by star-convex shape via a random hypersurface model (RHM), and then used as feature information for target classification. The target state is modeled by two vectors to alleviate the influence of the high-dimensional state space and the severely nonlinear observation model on target state estimation, while the Euclidean distance metric of the normalized Fourier descriptors is applied to obtain the analytical solution of the updated class probability. Consequently, the resulting method is called the “JTC-RHM method.” Besides, the proposed JTC-RHM is integrated into a Bernoulli filter framework to solve the JTC of a single extended target in the presence of detection uncertainty and clutter, resulting in a JTC-RHM-Ber filter. Specifically, the recursive expressions of this filter are derived. Simulations indicate that: (1) the proposed JTC-RHM method can classify the targets with complex shapes and similar sizes more correctly, compared with the JTC method based on the random matrix model; (2) the proposed method performs better in target state estimation than the star-convex RHM based extended target tracking method; (3) the proposed JTC-RHM-Ber filter has a promising performance in state detection and estimation, and can achieve target classification correctly.

本文解决了具有复杂形状的单个扩展目标的联合跟踪和分类 (JTC) 问题。为了描述这种复杂的形状，空间范围状态首先通过随机超曲面模型（RHM）通过星凸形状建模，然后用作目标分类的特征信息。目标状态通过两个向量建模，以减轻高维状态空间和严重非线性观测模型对目标状态估计的影响，同时应用归一化傅里叶描述符的欧几里德距离度量来获得更新后的解析解。类概率。因此，由此产生的方法称为“JTC-RHM 方法”。除了，提出的 JTC-RHM 被集成到伯努利滤波器框架中，以解决存在检测不确定性和杂波的单个扩展目标的 JTC，从而产生 JTC-RHM-Ber 滤波器。具体来说，就是推导出这个过滤器的递归表达式。仿真表明：(1)与基于随机矩阵模型的JTC方法相比，所提出的JTC-RHM方法能够更准确地对形状复杂、尺寸相似的目标进行分类；(2) 所提出的方法在目标状态估计方面比基于星凸 RHM 的扩展目标跟踪方法有更好的性能；(3)提出的JTC-RHM-Ber滤波器在状态检测和估计方面具有良好的性能，可以正确实现目标分类。导出此过滤器的递归表达式。仿真表明：(1)与基于随机矩阵模型的JTC方法相比，所提出的JTC-RHM方法能够更准确地对形状复杂、尺寸相似的目标进行分类；(2) 所提出的方法在目标状态估计方面比基于星凸 RHM 的扩展目标跟踪方法有更好的性能；(3)提出的JTC-RHM-Ber滤波器在状态检测和估计方面具有良好的性能，可以正确实现目标分类。导出此过滤器的递归表达式。仿真表明：(1)与基于随机矩阵模型的JTC方法相比，所提出的JTC-RHM方法能够更准确地对形状复杂、尺寸相似的目标进行分类；(2) 所提出的方法在目标状态估计方面比基于星凸 RHM 的扩展目标跟踪方法有更好的性能；(3)提出的JTC-RHM-Ber滤波器在状态检测和估计方面具有良好的性能，可以正确实现目标分类。(2) 所提出的方法在目标状态估计方面比基于星凸 RHM 的扩展目标跟踪方法有更好的性能；(3)提出的JTC-RHM-Ber滤波器在状态检测和估计方面具有良好的性能，可以正确实现目标分类。(2) 所提出的方法在目标状态估计方面比基于星凸 RHM 的扩展目标跟踪方法有更好的性能；(3)提出的JTC-RHM-Ber滤波器在状态检测和估计方面具有良好的性能，可以正确实现目标分类。