[发明专利]基于随机矩阵的不规则形状多扩展目标形状和状态估计方法

权利要求书

1.基于随机矩阵的不规则形状多扩展目标形状和状态估计方法，包括：

(1)初始化参数：初始目标状态ξ₀＝{m₀,X₀,V₀,v₀,P₀}，其中，m₀为运动状态，X₀为形状参数，V₀为反威沙特分布的尺度矩阵，v₀为反威沙特分布的自由度；P₀为运动噪声协方差矩阵。状态噪声协方差为Q，目标初始权重为w₀；

(2)当k≥1帧时，对量测集Z_k进行划分；

(2.1)利用距离划分方法，将Z_k划分为若干子集W；

(2.2)检测每个子集的量测数量，若量测过多，则利用各目标形状函数将该子集拆分为两个子集；

(2.3)遍历所有可能的形状组合，利用似然函数递归选择出最优拆分；

(3)根据量测信息，利用GIW-PHD滤波框架对目标运动状态进行多假设滤波；

(4)对于每个多假设的目标分量，估计对应的量测子集的形状，然后用其更新目标的形状状态，生成二次B样条函数形状函数；

(5)对低权重目标分量进行删减，相似的目标分量进行合并，高权重目标分量进行状态提取；

(6)若下一时刻观测信息到达，转到步骤(2)进行迭代；否则，目标跟踪过程结束。

2.根据权利要求书1所述的基于随机矩阵的不规则形状多扩展目标形状和状态估计方法，其中，步骤2所述的用目标形状拆分子集，按下述步骤计算得到：

(2.2.1)对于任意形状X_i和位置μ_j，量测集分为形状区域内、外两个子集：

其中，表示量测z_k到μ_j的距离。表示在以μ_j为原点的极坐标系下，X_i中与z_k角度相差最小的控制顶点到μ_j的距离。Δ表示M中相邻点的最小距离。

(2.3.1)用来选择最优拆分结果的似然函数为：

其中，φ^(j,W)表示目标形状似然函数，S_R表示目标形状区域的面积，表示先验反威沙特分布的均值矩阵。

3.根据权利要求书1所述的基于随机矩阵的不规则形状多扩展目标形状和状态估计方法，其中，步骤4所述的B样条形状估计方法为：

(4.1)在笛卡尔坐标系中，令控制顶点为则为生成闭合曲线而在集合末尾增加集合首前三个元素的扩展控制顶点集，即 则二次B样条闭合曲线为

其中，N_i,3(u)为

。