[发明专利]多重搜索粒子概率假设密度滤波的多目标跟踪方法

权利要求书

1.多重搜索粒子概率假设密度滤波的多目标跟踪方法，其特征在于，包括以下步骤：

步骤1，变量初始化：

K是雷达关机时刻；

T是雷达扫描周期；

L₀为代表1个目标的粒子数；

D₀为目标出现的初始分布；

J_k为搜索新目标的粒子数；

S_k表示搜索1个消失目标的粒子数；

L_k为k时刻滤波器采用的粒子总数；

γ_k为平均目标出现概率；

P_D为目标检测概率；

λ_k为平均每帧的杂波个数；

F_k为状态转移矩阵；

G_k为过程噪声分布矩阵；

Q_k为过程噪声协方差；

R_k为量测噪声协方差；

步骤2，令k＝0，初始化粒子集：

对任意p∈{1,2,…,L₀}，从初始分布D₀中采样粒子并赋予该粒子权重得到初始粒子集其中表示粒子代表的目标状态，包含了目标的位置和速度信息；

步骤3，令k＝k+1，获得k时刻的雷达量测：

将雷达接收到的信号进行A/D变换，得到k时刻的雷达量测集送雷达数据处理计算机，其中表示k时刻雷达得到的第q个量测，包含了目标的距离量测多普勒速度量测以及方位量测信息，而M_k则表示k时刻雷达得到的量测个数；

步骤4，预测：

(1)若k≤2，令I_k＝0，直接转(4)，否则定义集合

Xdis,k-2=Δ{xdis,k-2n|n=1,2,...,Ndis,k-1}]]>

其中，表示k-2时刻存在而k-1时刻消失的第n个目标的状态，N_dis,k-1表示消失的目标数；

(2)若令I_k＝0，直接转(4)，否则令I_k＝N_dis,k-1S_k，对任意根据状态转移方程

xpre,k-1n=Fk-1xdis,k-2n]]>

进行一步预测，其中

Fk-1=1T000100001T0001]]>

(3)对任意n∈{1,2,...,N_dis,k-1}和任意p∈{L_k-1+(n-1)S_k+1,L_k-1+(n-1)S_k+2,…,L_k-1+nS_k}，根据

xk|k-1p=Fkxpre,k-1n+Gkvk]]>

采样粒子并赋予该粒子权重其中

Gk=T2/20T00T2/20T]]>

为过程噪声分布矩阵，v_k为过程噪声，其噪声协方差为Q_k；

(4)对任意p∈{L_k-1+I_k+1,L_k-1+I_k+2,…,L_k-1+I_k+J_k}，根据初始分布D₀采样“新生”粒子并赋予该粒子权重

(5)对任意p∈{1,2,…,L_k-1}，根据

xk|k-1p=Fkxk-1p+Gkvk]]>

采样粒子并赋予该粒子权重

步骤5，更新：

对任意p∈{1,2,…,L_k-1+I_k+J_k}，利用量测集Z_k对粒子权重进行更新

wk|kp=[1-PD+Σz∈Zkψk,z(xk|k-1p)λk+Ck(z)]wk|k-1p]]>

其中

ψk,z(xk|k-1p)=PDgk(z|xk|k-1p)]]>

Ck(z)=Σp=1Lk-1+Ik+Jkψk,z(xk|k-1p)wk|k-1p]]>

g_k(z|x)为量测似然函数；

步骤6，重采样：

(1)计算所有粒子的权重和

N^k|k=Σp=1Lk-1+Ik+Jkwk|kp]]>

(2)对粒子集进行重采样，得到新的粒子集其中为k时刻估计的目标数，Round(x)表示取与x最接近的整数；步骤7，目标状态估计：

若直接转步骤8，否则采用K-均值聚类分析的方法将粒子集划分为个类其中L_k,n表示第n个类包含的粒子数，满足则估计的目标状态为

x^k,n=1Lk,nΣp=1Lk,nx′k,np,n=1,2,...,N^k]]>

步骤8，重复步骤3～步骤8，直至雷达关机。