[发明专利]一种基于道路网的机动目标跟踪算法

说明书

本发明提供了一种基于道路网的机动目标跟踪算法，借助先验道路信息库，给出一种利用道路信息实现的跟踪算法模型自适应策略，采用变结构的多模型方法实现地面多机动目标跟踪，可以提高机动目标跟踪的状态估计精度，降低目标跟丢率，同时避免固定多模型算法采用过多模型带来的计算负担，大大减少运行时间，本方案在地面目标跟踪问题上有其实用价值。

技术领域

本发明属于目标跟踪领域，涉及一种基于道路网的机动目标跟踪算法，具体涉及一种利用道路信息辅助地面目标跟踪的变结构多模型概率假设密度算法。

背景技术

地面目标跟踪在军事和民用领域有极为广阔的应用前景。地面目标具有运动能力强、运动状态多的特点，基于单模型的滤波器无法满足对其机动的跟踪，传统的方法是利用多模型滤波方法，例如交互式多模型-多假设跟踪算法和交互式多模型-联合概率数据关联算法对地面目标进行跟踪。然而，这种固定模型集算法的性能很大程度上取决于它使用的模型集，为了覆盖目标的全部运动，要求运动模型集中包含目标所有可能的运动模型，并且所有模型在整个跟踪过程中都有效，这一方面导致了计算量的增加，另一方面过多模型的竞争还可能导致目标估计精度的降低。考虑到地面目标的运动受到道路和地形条件的限制，基于道路地理信息辅助的地面目标跟踪算法被提出。该类方法根据道路信息调整目标运动模型，每一跟踪时刻在目标所有可能的运动模型中选择与当前目标真实运动状态匹配的模型子集进行跟踪滤波。这种变模型的结构解决了固定模型方法模型过多的问题，但是该方法依然是基于以数据关联为核心的经典多目标跟踪框架，该框架下，需要通过数据关联完成观测数据和目标间的分配，再通过滤波技术完成目标状态估计，随着杂波和目标数目的增加，会导致计算量随指数增长，并且对出生、死亡、衍生、合并等行为难以给出满意的结果。

针对经典多目标跟踪框架的问题，基于随机有限集的跟踪算法被提出，该理论很好的解决了数据关联的难题，将所有个体目标状态集合和每次观测所获得的观测值集合建模为随机有限集，自然并入目标起始和终止机制，实现目标数目及其状态的同时估计。概率假设密度滤波器作为随机有限集最优多目标贝叶斯滤波器的一种原理性近似滤波器，具有序列蒙特卡洛和高斯混合两种实现方式，高斯混合实现方式能够提供解析解，具有计算量小和实现简单的特点，是多目标跟踪领域的研究热点。然而，与其他滤波方法一样，基于随机有限集的多目标跟踪算法同样要对目标运动模式进行建模，建立在单模型基础上的高斯混合概率假设密度滤波器并不能有效识别目标机动。对此，一些基于多模型的方法被提出，例如使用多个模型并行滤波估计，使用最佳拟合高斯匹配目标动态模型等，但是这些方法依然是固定模型集方法，具有固定模型集方法的固有弊端，同时无法考虑和利用目标运动的外部条件，比如目标的周围环境信息等。

发明内容

本发明所要解决的，就是针对上述目标跟踪和道路辅助存在的问题，提出一种基于道路网的机动目标跟踪算法。该算法基于高斯混合概率假设密度(GMPHD)滤波框架，借助先验道路信息库，采用变结构的多模型方法实现地面多机动目标跟踪的目标跟踪算法。首先，给出一种先验道路信息库的构建方法，以道路网为基础将传感器威力区分成道路区域，道路交点区域，非道路区域等，根据各区域对目标运动方式的限制给定各区域相应的目标运动模型集合，构建道路信息库；其次，给出一种利用道路信息实现的跟踪算法模型自适应策略，实现目标在不同区域之间的运动模型集转换；最后，给出具体的滤波跟踪步骤。

本发明具体采用如下技术方案：

A.构建道路信息库：

A-1.生成数字地图：将真实道路表示为一系列直线路段的组合，弯曲的道路用多个小的直线路段近似，用道路编号、起始点、结束点联合表示路段，连接的起始点和结束点表示道路交叉点，整个数字道路网由一系列首尾相连的直线路段组成；将地面空间定义分成开放区域和道路区域两大部分，道路路段和道路交叉点属于道路区域，其余区域为开放区域；

A-2.选定总的模型集合，根据路段和地形约束形成对应于各道路路段、道路交叉点和开放区域的目标运动模型集；