[发明专利]基于箱粒子滤波的扩展目标CBMeMBer跟踪方法

说明书

技术领域

本发明属于雷达信号处理领域，具体属于多扩展目标跟踪，即基于箱粒子滤波的扩展目标CBMeMBer跟踪方法。可用于高分辨率雷达和传感器信号处理等，可有效提高目标跟踪精度，相对粒子滤波实现方法，运算时间更短。

背景技术

目标跟踪中，目标一般被建模为一个运动的点。这在目标尺寸较小且目标距离传感器较远时是合理的。当距离较近时，高分辨率的传感器对单个目标可能形成多个量测数据。此时目标被建模为由一群点构成的扩展目标。扩展目标的跟踪最早由Drummond等在1990年提出。Koch将扩展目标建模成椭圆，提出了一种采用随机矩阵的扩展目标跟踪方法。

传统的扩展目标跟踪方法需要解决复杂的数据关联问题，计算复杂，适用性较差。近年来，Mahler提出的基于随机有限集(RFS)的多目标跟踪方法受到普遍关注，并产生了不少成果。其中，概率假设密度(PHD)滤波传递多目标状态的一阶矩，势概率假设密度(CPHD)滤波传递多目标状态的一阶矩和势分布，能获得比PHD滤波更加精确的目标数估计值。这两种方法直接对目标状态和目标数进行估计，避免了多目标跟踪中复杂的数据关联，在很多领域都得到应用。这两种方法实现时都要运用聚类算法对多目标状态进行聚类，从中提取多目标的状态估计。这一过程需要耗费昂贵的计算代价并且计算结果可靠性较低。Mahler提出的多目标多伯努利(Multi-target Multi-Bernoulli,以下称MeMBer)滤波是基于多伯努利随机有限集，通过传递有限的、数目随时间变化的假设航迹来完整传递多目标的后验概率密度。每一个假设航迹由存活概率和当前假设状态的概率分布函数表示。该方法在更新步骤采用了两次近似，因此，当不能很好满足近似条件时，将会产生较大的势估计偏差。Vo B.T等推导出了这个偏差的具体数学形式，通过修正更新步骤中存活概率和假设状态的概率分布函数的计算公式，得到了一种改进的多目标多伯努利滤波，即势均衡多目标多伯努利滤波(Cardinality Balanced MeMBer，以下称CBMeMBer)。Vo B.T等同时给出了CBMeMBer滤波的序贯蒙特卡洛(SMC)和线性高斯条件下的高斯混合实现方法。CBMeMBer滤波传递的是多伯努利随机有限集参数，通过多伯努利随机有限集参数可以直接获得多目标随机有限集的后验概率密度，这为多目标状态的可靠、高效提取带来了很大便利，这是CBMeMBer滤波相对于PHD和CPHD滤波的最大优点。

最近，西安交通大学的连峰等在《扩展目标CBMeMBer滤波器及其高斯混合实现》中，运用高斯混合方法实现了CBMeMBer滤波对扩展目标的处理。高斯混合实现假设目标为线性高斯模型，这就限制了该方法的应用范围。

发明内容

本发明针对上述现有技术存在的线性高斯约束和运算复杂的不足，提出了一种基于箱粒子滤波的扩展目标CBMeMBer跟踪方法。本发明能够较好的处理各种线性、非线性，高斯、非高斯模型，同时通过用箱粒子代替粒子，充分发挥箱粒子滤波用几十个箱粒子就能达到粒子滤波中需要上千粒子才能达到的滤波效果的优势，大大提高运算速度。

本发明实现上述目的的方法是：首先产生扩展目标量测，并将扩展目标量测划分为相应的划分单元，然后将目标状态转化为区间形式，用箱粒子滤波实现CBMeMBer的预测、更新，最终进行目标数估计，状态提取，完成扩展目标的跟踪。

本发明的实现方法包括扩展目标量测产生，扩展目标量测划分，将目标状态转化为区间形式，基于箱粒子的CBMeMBer预测、更新和目标数估计，具体步骤如下：

(1)目标状态初始化

设定初始时刻n₀个扩展目标的目标状态矩阵目标状态区间长度R_I、信号噪声矩阵ν₀、量测噪声矩阵w₀，存活概率r₀和概率分布函数p₀；初始目标数大于真实目标数，当没有目标数和目标状态的先验知识时，令r₀＝1/2，p₀为均匀分布；

(2)扩展目标量测产生

(2a)按照如下块矩阵求得扩展目标状态矩阵：

其中，为第i个目标k时刻目标状态矩阵，为第i个扩展目标k时刻的扩展目标状态矩阵，为扩展目标产生的量测数目，ω_k为符合高斯分布、泊松分布或均匀分布的噪声矩阵k时刻的值；