[发明专利]一种多目标跟踪方法及系统

权利要求书

1.一种多目标跟踪方法，其特征在于，所述方法包括：

新生目标的生成与扩展步骤、先由前一时刻的测量数据生成前一时刻新生目标的边缘分布，并且为所述新生目标指定存在概率，再将新生目标的边缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中，得到前一时刻目标的扩展边缘分布和扩展存在概率；

新生目标的生成与扩展步骤具体包括：以k-1时刻表示前一时刻，k时刻表示当前时刻，k-1时刻的测量数据j表示为y_j,k-1＝[r_j,k-1 θ_j,k-1]^T，其中，j＝1,...,C'，r_j,k-1和θ_j,k-1分别表示k-1时刻测量数据j的距离分量和方位角分量，C'为k-1时刻测量数据的总数，上标T表示矩阵或向量的转置，k-1时刻目标i的边缘分布和存在概率分别为f_i(x_i,k-1|y_1:k-1)＝N(x_i,k-1；m_i,k-1|k-1,P_i,k-1|k-1)和ρ_i,k-1|k-1，其中，i＝1,...,N'_k-1，N(·)表示高斯分布，x_i,k-1、m_i,k-1|k-1和P_i,k-1|k-1分别表示k-1时刻目标i的边缘分布中的状态向量、均值和协方差，N'_k-1表示k-1时刻目标的总数，所述的状态向量包括目标在直角坐标系中的位置、速度和转弯率；

由k-1时刻的测量数据y_j,k-1＝[r_j,k-1θ_j,k-1]^T生成新生目标j的边缘分布为f_j(x_j,k-1|y_1:k-1)＝N(x_j,k-1；m_j,k-1,γ,P_j,k-1,γ)，为所述新生目标j指定的存在概率为ρ_j,k-1,γ，其中，m_j,k-1,γ＝[x_s+r_j,k-1cosθ_j,k-1 0 y_s+r_j,k-1sinθ_j,k-1 0 0]^T，P_j,k-1,γ＝P_γ，ρ_j,k-1,γ＝ρ_γ，x_s和y_s分别表示传感器在直角坐标系下的x坐标和y坐标，P_γ为给定的矩阵，ρ_γ为给定的常数，j＝1,...,C'；将各新生目标的边缘分布f_j(x_j,k-1|y_1:k-1)＝N(x_j,k-1；m_j,k-1,γ,P_j,k-1,γ)和存在概率ρ_j,k-1,γ扩展至k-1时刻各目标的边缘分布f_i(x_i,k-1|y_1:k-1)＝N(x_i,k-1；m_i,k-1|k-1；P_i,k-1|k-1)和存在概率ρ_i,k-1|k-1中，得到k-1时刻目标的扩展边缘分布为k-1时刻的扩展存在概率为其中，扩展边缘分布的个数为N_k-1＝N'_k-1+C'；

预测步骤、根据前一时刻各个目标的扩展边缘分布和扩展存在概率，使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率；

所述预测步骤具体包括：以A表示一次抽取粒子的总数，f(·)表示系统模型；

由k-1时刻的目标i的扩展边缘分布的均值m_i,k-1|k-1和协方差P_i,k-1|k-1，得到多维高斯分布N(·；m_i,k-1|k-1,P_i,k-1|k-1)，从所述多维高斯分布中抽取粒子其中，i＝1,...,N_k-1,a＝1,...,A，利用所述系统模型f(·)更新抽取到的粒子，得到更新粒子其中，T表示采样间隔，ω_i,k表示所述k时刻目标i的转弯率，通过所述更新粒子预测k-1时刻的目标i在k时刻的预测边缘分布f_i(x_i,k|y_1:k-1)＝N(x_i,k；m_i,k|k-1,P_i,k|k-1)和预测存在概率ρ_i,k|k-1，其中ρ_i,k|k-1＝p_S,kρ_i,k-1|k-1，过程噪声方差σv和σω表示过程噪声标准差，T表示采样间隔，p_S,k表示幸存概率；

更新步骤、根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量数据，利用粒子滤波方法确定前一时刻的各个目标在当前时刻的更新边缘分布和更新存在概率；

所述更新步骤具体包括：以C表示当前时刻测量数据的总数，当前时刻的测量数据集合为测量模型为h(·)，测量噪声概率密度函数为其中，为闪烁率，和表示协方差，和表示均值，σ_r1、σ_r2、σ_θ1和σ_θ2表示测量噪声标准差，r₁和r₂表示距离，θ₁和θ₂表示方位角；

由目标i在所述当前时刻的所述预测边缘分布f_i(x_i,k|y_1:k-1)＝N(x_i,k；m_i,k|k-1,P_i,k|k-1)中的均值m_i,k|k-1和协方差P_i,k|k-1，以及测量噪声协方差R₁和测量数据y_c,k，经过无迹卡尔曼滤波处理得到第一个重要性密度函数的均值和协方差其中，无迹卡尔曼滤波处理的过程包括：选取采样点采样点和的权值分别为其中，l＝1,...,d，d表示状态向量的维数，λ为尺度参数，λ为满足λ+d≠0的任意数值；由所述采样点得到的第一个预测测量向量为其中，x_s和y_s分别表示传感器的x坐标和y坐标，和分别表示状态向量的x分量和y分量，由所述采样点得到的第一个测量向量更新的协方差为增益为第一个互协方差进而得到第一个重要性密度函数的均值和协方差

由目标i在当前时刻的预测边缘分布f_i(x_i,k|y_1:k-1)＝N(x_i,k；m_i,k|k-1,P_i,k|k-1)的均值m_i,k|k-1和协方差P_i,k|k-1，以及测量噪声协方差R₂和测量数据y_c,k，经过无迹卡尔曼滤波处理得到第二个重要性密度函数的均值和协方差其中，无迹卡尔曼滤波处理的过程为：选取采样点所述采样点和的权值分别为其中，l＝1,...,d，d为状态向量的维数，λ为尺度参数，所述λ为满足λ+d≠0的任意数值；由所述采样点得到第二个预测测量向量其中x_s和y_s分别表示传感器的x坐标和y坐标，和分别表示状态向量的x分量和y分量，由所述采样点得到第二个测量向量更新的协方差为增益为第二个互协方差进而得到第二个重要性密度函数的均值和协方差

从两个重要性密度函数中分别抽取总数为A的粒子并计算每个粒子的权重，从第一个重要性密度函数中抽取粒子粒子的权重为从第二个重要性密度函数中抽取粒子粒子的权重为其中，c＝1,...,C,a＝1,...,A；根据抽取的粒子确定当前时刻的目标i的更新边缘分布和更新存在概率分别为和其中，目标i的更新边缘分布均值为目标i的更新边缘分布协方差为目标i的更新存在概率为其中，λ_c,k表示杂波密度，p_D,k表示检测概率；

提取步骤、将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率分别扩展至各个目标在当前时刻的更新边缘分布和更新存在概率中，得到当前时刻各个目标的扩展边缘分布为和扩展存在概率为同时从当前时刻目标i的扩展边缘分布中提取存在概率最大的边缘分布f_i(x_i,k|y_1:k)＝f_i^index(x_i,k|y_1:k)，以及从当前时刻目标i的扩展存在概率中提取最大存在概率分别作为目标i在当前时刻的边缘分布和存在概率，其中i＝1,...,N_k-1，从各个目标在当前时刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁减掉；传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻，作为下一时刻目标跟踪过程的输入；从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。

2.一种多目标跟踪系统，其特征在于，所述系统包括：

新生目标生成与扩展模块，用于由前一时刻的测量数据生成前一时刻新生目标的边缘分布，并且为所述新生目标指定存在概率，再将新生目标的边缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中，得到前一时刻目标的扩展边缘分布和扩展存在概率；

以k-1时刻表示前一时刻，k时刻表示当前时刻，k-1时刻的测量数据j表示为y_j,k-1＝[r_j,k-1θ_j,k-1]^T，其中，j＝1,...,C'，r_j,k-1和θ_j,k-1分别表示k-1时刻测量数据j的距离分量和方位角分量，C'为k-1时刻测量数据的总数，上标T表示矩阵或向量的转置，k-1时刻目标i的边缘分布和存在概率分别为f_i(x_i,k-1|y_1:k-1)＝N(x_i,k-1；m_i,k-1|k-1,P_i,k-1|k-1)和ρ_i,k-1|k-1，其中，i＝1,...,N'_k-1，N(·)表示高斯分布，x_i,k-1、m_i,k-1|k-1和P_i,k-1|k-1分别表示k-1时刻目标i的边缘分布中的状态向量、均值和协方差，N'_k-1表示k-1时刻目标的总数，所述的状态向量包括目标在直角坐标系中的位置、速度和转弯率；

所述新生目标生成与扩展模块，具体用于由k-1时刻的测量数据y_j,k-1＝[r_j,k-1 θ_j,k-1]^T生成新生目标j的边缘分布为f_j(x_j,k-1|y_1:k-1)＝N(x_j,k-1；m_j,k-1,γ,P_j,k-1,γ)，为所述新生目标j指定的存在概率为ρ_j,k-1,γ，其中，m_j,k-1,γ＝[x_s+r_j,k-1cosθ_j,k-1 0 y_s+r_j,k-1sinθ_j,k-1 0 0]^T，P_j,k-1,γ＝P_γ，ρ_j,k-1,γ＝ρ_γ，x_s和y_s分别表示传感器在直角坐标系下的x坐标和y坐标，P_γ为给定的矩阵，ρ_γ为给定的常数，j＝1,...,C'；将各新生目标的边缘分布f_j(x_j,k-1|y_1:k-1)＝N(x_j,k-1；m_j,k-1,γ,P_j,k-1,γ)和存在概率ρ_j,k-1,γ扩展至k-1时刻各目标的边缘分布f_i(x_i,k-1|y_1:k-1)＝N(x_i,k-1；m_i,k-1|k-1；P_i,k-1|k-1)和存在概率ρ_i,k-1|k-1中，得到k-1时刻目标的扩展边缘分布为k-1时刻的扩展存在概率为其中，扩展边缘分布的个数为N_k-1＝N'_k-1+C'；

预测模块，用于根据前一时刻各个目标的扩展边缘分布和扩展存在概率，使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率；

具体的，以A表示一次抽取粒子的总数，f(·)表示系统模型；

所述预测模块，具体用于由k-1时刻的目标i的扩展边缘分布的均值m_i,k-1|k-1和协方差P_i,k-1|k-1，得到多维高斯分布N(·；m_i,k-1|k-1,P_i,k-1|k-1)，从所述多维高斯分布中抽取粒子其中，i＝1,...,N_k-1,a＝1,...,A，利用所述系统模型f(·)更新抽取到的粒子，得到更新粒子其中，T表示采样间隔，ω_i,k表示所述k时刻目标i的转弯率，通过所述更新粒子预测k-1时刻的目标i在k时刻的预测边缘分布f_i(x_i,k|y_1:k-1)＝N(x_i,k；m_i,k|k-1,P_i,k|k-1)和预测存在概率ρ_i,k|k-1，其中ρ_i,k|k-1＝p_S,kρ_i,k-1|k-1，过程噪声方差σ_v和σ_ω表示过程噪声标准差，T表示采样间隔，p_S,k表示幸存概率；

更新模块，用于根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量数据，利用粒子滤波方法确定前一时刻的各个目标在当前时刻的更新边缘分布和更新存在概率；

具体的，以C表示当前时刻测量数据的总数，当前时刻的测量数据集合为测量模型为h(·)，测量噪声概率密度函数为其中，为闪烁率，和表示协方差，和表示均值，σ_r1、σ_r2、σ_θ1和σ_θ2表示测量噪声标准差，r₁和r₂表示距离，θ₁和θ₂表示方位角；

所述更新模块，具体用于由目标i在所述当前时刻的所述预测边缘分布f_i(x_i,k|y_1:k-1)＝N(x_i,k；m_i,k|k-1,P_i,k|k-1)中的均值m_i,k|k-1和协方差P_i,k|k-1，以及测量噪声协方差R₁和测量数据y_c,k，经过无迹卡尔曼滤波处理得到第一个重要性密度函数的均值和协方差其中，无迹卡尔曼滤波处理的过程包括：选取采样点采样点和的权值分别为其中，l＝1,…,d，d表示状态向量的维数，λ为尺度参数，λ为满足λ+d≠0的任意数值；由所述采样点得到的第一个预测测量向量为其中，x_s和y_s分别表示传感器的x坐标和y坐标，和分别表示状态向量的x分量和y分量，由所述采样点得到的第一个测量向量更新的协方差为增益为第一个互协方差进而得到第一个重要性密度函数的均值和协方差由目标i在当前时刻的预测边缘分布f_i(x_i,k|y_1:k-1)＝N(x_i,k；m_i,k|k-1,P_i,k|k-1)的均值m_i,k|k-1和协方差P_i,k|k-1，以及测量噪声协方差R₂和测量数据y_c,k，经过无迹卡尔曼滤波处理得到第二个重要性密度函数的均值和协方差其中，无迹卡尔曼滤波处理的过程为：选取采样点所述采样点和的权值分别为其中，l＝1,…,d，d为状态向量的维数，λ为尺度参数，所述λ为满足λ+d≠0的任意数值；由所述采样点得到第二个预测测量向量其中x_s和y_s分别表示传感器的x坐标和y坐标，和分别表示状态向量的x分量和y分量，由所述采样点得到第二个测量向量更新的协方差为增益为第二个互协方差进而得到第二个重要性密度函数的均值和协方差从两个重要性密度函数中分别抽取总数为A的粒子并计算每个粒子的权重，从第一个重要性密度函数中抽取粒子粒子的权重为从第二个重要性密度函数中抽取粒子粒子的权重为其中，c＝1,...,C,a＝1,...,A；根据抽取的粒子确定当前时刻的目标i的更新边缘分布和更新存在概率分别为和其中，目标i的更新边缘分布均值为目标i的更新边缘分布协方差为目标i的更新存在概率为其中，λ_c,k表示杂波密度，p_D,k表示检测概率；

提取模块，用于将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率分别扩展至各个目标在当前时刻的更新边缘分布和更新存在概率中，得到当前时刻各个目标的扩展边缘分布为和扩展存在概率为同时从当前时刻目标i的扩展边缘分布中提取存在概率最大的边缘分布f_i(x_i,k|y_1:k)＝f_i^index(x_i,k|y_1:k)，以及从当前时刻目标i的扩展存在概率中提取最大存在概率分别作为目标i在当前时刻的边缘分布和存在概率，其中i＝1,...,N_k-1，从各个目标在当前时刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁减掉；传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻，作为下一时刻目标跟踪过程的输入；从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。