[发明专利]一种多传感器多目标联合检测、跟踪与分类方法

说明书

本发明提供了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：给定的多目标状态的初值，定义新的贝叶斯风险；S2：在所述类别假设集合中的类别假设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；S3：在类别决策集合条件下，计算k时刻的多目标后验密度，得到后验多目标状态分布；S4：计算不同决策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。该方法易于实现，为多传感器组网环境感知系统提供了重要的技术支持。

技术领域

本发明涉及传感器目标检测技术领域，特别涉及一种多传感器多目标联合检测、跟踪与分类方法。

背景技术

多传感器多目标联合检测、跟踪与分类问题是战场环境监测中需要解决的一个重要且复杂的问题。这个问题解决的是对监视区域的军事目标(舰艇、飞机、导弹)的检测、跟踪和识别。在实际应用中，多(异类)传感器进行组网是一种常用手段。该系统中一般包括多种类别的传感器，如雷达(Radar)、红外(IR)、电子支援(ESM)、敌我识别(IFF)等，利用传感器之间的量测互补及信息融合，可以提高目标的综合发现概率，跟踪精度，以及识别准确率。

解决这个问题，需要估计目标的数目，各目标的运动状态，并且判断目标的类别。前两个问题是估计问题，需要得到多目标状态的最优估计，后一个问题是决策问题，需要对目标的类别进行判断。实际上，这三个子问题是是互相耦合的，因此，它们需要被联合地解决。并且，该问题也是一个联合决策与估计问题。

对现有的文献检索发现，传统方法主要有：1)先决策后估计，即先判断目标类别，再进行跟踪和分类。2)先估计再决策，即先对多目标进行跟踪，再判断目标类别。3)估计目标类别-状态的概率密度函数。前两种方法属于两步法，由于没有考虑决策和估计之间的相关性，因此无法得到联合的最优解。后一种方法属于密度估计，但无法给出明确的决策以及相应的估计结果。近年来，提出了一种联合决策与估计方法，该方法将目标运动状态估计的损失和目标分类损失进行联合，从而定义了一种新的广义贝叶斯风险，最终在最小贝叶斯风险条件下得到联合解决决策与估计问题的方法。本发明以该理论为基础，本发明给出了联合地求解多目标检测、跟踪和分类问题的具体方法。

发明内容

本发明的目的在于提供一种多传感器多目标联合检测、跟踪与分类方法，以解决现有的方法由于没有考虑决策和估计之间的相关性，因此无法得到联合的最优解以及无法给出明确的决策以及相应的估计结果的问题。

为实现上述目的，本发明提供了一种多传感器多目标联合检测、跟踪与分类方法，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，计算该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。

较佳地，所述步骤S1中定义的新的贝叶斯风险表示为：