[发明专利]一种多传感器多目标联合检测、跟踪与分类方法

权利要求书

1.一种多传感器多目标联合检测、跟踪与分类方法，其特征在于，包括以下步骤：

S1：给定目标类别的识别框架，包含J种目标可能属于的类别，给定的多目标状态的初值，定义新的贝叶斯风险，包括：设置类别决策损失为当多目标类别假设集合为真时决策的损失，设置状态估计损失为条件化的多目标状态估计误差的期望，以及设置检测损失为条件化的多目标数目估计损失，分类损失是当目标类别判断为类别假设集合H而类别假设为类别决策集合D时的损失；

S2：在所述类别假设集合H的条件下对所述多目标状态进行预测，得到多目标的先验状态分布，其中类别假设集合H包含所有单个目标的类别假设条件；

S3：在类别决策集合D条件下，计算当前时刻的多目标后验密度，得到后验多目标状态分布，其中类别决策集合D包含了对所有单个目标的类别决策结果，单个目标的类别决策为判断该目标为第j种目标，其中j∈J；

S4：计算不同决策集合条件下的多目标检测损失、状态估计损失及分类损失；

S5：根据所述检测损失、状态估计损失及分类损失，基于最小贝叶斯风险准则得到多目标的估计和分类最优解；

所述步骤S1中定义的新的贝叶斯风险表示为：

其中，所述类别决策损失表示为c_mn，则c_mn为当多目标类别假设集合H^m为真时决策的损失，m表示第m组多目标类别的假设集合，n表示第n组多目标类别的决策集合，k表示第k个时刻；所述状态估计损失表示为所述检测损失表示为是假设和决策集合的后验概率，α_mn，β_mn和γ_mn是各损失的非负权重，Z_k为多目标量测，X为标签随机有限集，其包含若干个被赋予了标签的目标；

所述步骤S2中，对于标签随机有限集X，其包含的所有目标都被赋予唯一的标签l，则对标签为l的目标的类别假设表示为j∈J，J为目标可能属于的类别的个数；

设k-1时刻多目标集合包含L个目标，则多目标的状态分布表示为类别假设条件下的状态分布和假设概率其中，为标签为l的目标的存在概率；

则k时刻的多目标的先验状态分布表示为：

其中，L₊表示k时刻预测的所有多目标的标签集合，它包括了幸存目标及新生目标的标签，是单个目标的在该假设下的预测状态分布，是预测的存在概率，为类别假设概率。

2.根据权利要求1所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S3中，设k时刻的类别决策集合为这里L(X)＝{L(x):x∈X}表示多目标的标签随机有限集X中包含的所有目标标签，表示k时刻标签为l的目标的类别决策；

则当得到k时刻的多目标量测Z_k时，在类别决策集合条件下计算k时刻的多目标后验密度为

3.根据权利要求2所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S3中，首先得到类别决策对应的量测空间，然后判断映射θ下标签为l的目标的多传感器量测是否属于决策对应的量测划分区域这里采用包含函数表示任意一个量测z是否落入然后对不同的决策区域计算类别决策条件下的多目标状态分布的估计，得到后验多目标状态分布及类别假设概率。

4.根据权利要求2所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S4中，在利用标签随机有限集X计算得到的类别相关多目标后验分布之后，用多个目标各自的状态估计损失相加得到多目标的检测损失，状态估计损失，以及分类损失。

5.根据权利要求2所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S5中，将多目标检测损失，估计损失，以及分类损失相加得到量测Z_k下的条件化的总体损失进而得到最优决策D_k为：

这里C_n(Z_k)是决策n下的损失；

而合理的参数选择为：

γ_mn≈(α_mn·1+β_mn·max(ε_x))/(1-r^(l))，

该损失表示单个目标漏检的损失大于最大估计损失和最大分类损失的和。