[发明专利]一种可变数目机动目标跟踪方法

说明书

技术领域

本发明属于机动目标跟踪领域，涉及一种新的目标联合检测与跟踪方法，具体涉及一种可变数目机动目标跟踪方法。

背景技术

现代防空系统需要借助于多传感器提供的互补观测信息进行探测工作，复杂的观测环境对机动目标跟踪算法也提出了越来越高的要求。传统的先检测后跟踪算法大多先对传感器每帧原始数据进行门限检测，然后利用超过门限值的测量数据进行跟踪处理，这种方法虽然在一定程度上减少了计算量，但是却损失了许多有用信息。为了提高目标的检测与跟踪性能，利用未经门限处理的多帧原始观测数据进行能量积累，以实现融合检测与跟踪的算法受到了很大的关注。典型的检测与跟踪算法包括基于Hough变换的算法，动态规划算法，极大似然估计，以及粒子滤波算法等，其中，基于粒子滤波实现的递归算法得到了广泛的改进与研究应用。

多模粒子滤波算法利用粒子滤波实现对各粒子加权求和得到状态估计，然后依据多模型中每个模型的模型概率对各模型的估计值加权求和，得到多模型粒子滤波器的全局估计值，该方法通常是在所采用的滤波器完成对状态估计的同时，进行实时系统模型估计，适用于机动目标跟踪。关于经典多模粒子滤波算法的改进方法大致涉及粒子重要性采样、重采样、模型粒子数以及滤波框架四类，它们虽然在一定程度上解决了粒子多样性及算法计算量问题，但是大多没有考虑实际多传感器观测环境下机动目标数目变化时的跟踪情况，并且忽视了对状态粒子集与当前观测值的关联判定，降低了目标跟踪性能。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种可变数目机动目标跟踪方法，

技术方案

一种可变数目机动目标跟踪方法，其特征在于：在S个多传感器的公共探测区域内，确定时刻k存在最大数目为Γ_max个的机动目标数目以及每个机动目标状态，具体步骤如下：

步骤1：对于传感器S_s观测下的机动目标状态进行随机采样，记机动目标t的状态为其初始状态分布为采样粒子γ对应于模型状态的模型概率为采样控制变量为u(γ)，其中u(γ):U(0,1)，当满足时，该时刻第γ个粒子所对应的采样模型状态为以概率在模型对应的状态分布中抽取粒子相应粒子权重取得到机动目标t的初始状态粒子集

其中：传感器编号为s＝1,2,L S，S为传感器最大数目，分别表示初始时刻机动目标t的采样粒子γ所对应的运动状态、采样模型状态及相应权值，t＝0,1,L,Γ_k，Γ_k＝0,1,L,Γ_max，Γ_max为时刻k可能存在的机动目标最大数目，k＝0,1,2L，γ＝1,2,L,Π，Π为采样粒子总数，M表示模型状态总数；

步骤2、在k-1时刻，k＝1,2,L，记表征机动目标t混合状态后验分布的粒子集为依据粒子存在变量进行粒子状态预测，其中，表示目标不存在，表示目标存在，且Π_e为转换概率；分三种情况进行处理：

状态(a)：对于持续存在的机动目标采样粒子，此时利用k-1时刻粒子模型状态通过模型状态转移矩阵Π_m，由求得当前k时刻粒子模型状态依据模型转移概率α,β＝1,2,L,M，k-1时刻对应模型状态α的模型概率可得时刻k机动目标t关于模型β的预测模型概率以预测模型概率为基础，根据不同模型状态对应的目标状态转移密度函数进行粒子状态预测，抽取Π_c个持续存在的机动目标采样粒子γ_c，形成粒子集

状态(b)：对于新生的机动目标采样粒子，此时新生机动目标的建议分布选取为初始状态分布，根据不同模型状态对应的状态分布抽取Π_b个新生的机动目标采样粒子γ_b，形成粒子集

状态(c)：对于消失的机动目标采样粒子，此时时刻k的粒子状态不存在；

步骤3：机动目标粒子集和记为其中：为时刻k第η个机动目标状态采样粒子，i＝b,c，1≤η≤Γ_k，Γ_k为时刻k的机动目标数目；

对当前的观测值集合与机动目标状态采样粒子集合依据模糊拍卖算法和粒子群优化理论进行关联判定，并完成机动目标是否新生与消失的判断，为时刻k传感器S_s输出的第ζ个机动目标观测值，1≤ζ≤Ω_k，Ω_k为观测值数目；