[发明专利]一种解决分布式标签融合的多目标跟踪方法

权利要求书

1.一种解决分布式标签融合的多目标跟踪方法，其特征在于：所述多目标跟踪方法包括：

步骤一，在各个局部传感器上单独运行LMB滤波器得到局部估计的LMB后验信息，对局部信息设置阈值进行修剪截断用于减少计算复杂度；

步骤二，针对各传感器标签通过标签匹配进行标签一致化；

步骤三，共享各传感器与相邻传感器的LMB后验信息，并对共享后的信息按照标签的方式进行算术平均融合；

步骤四，根据融合结果进行目标状态和目标航迹提取；

步骤一包括：

步骤1.1：初始化系统参数，包括系统包含的传感器数目S，各传感器位置P_m＝(x_m,y_m),m＝1,…,S，跟踪场景平面大小N_x×N_y，算法联合处理周期k，目标新生先验信息M_b为目标新生个数，为新生目标状态向量，为新生目标的存在概率，为新生目标的空间分布函数，初始化变量k＝1；

步骤1.2：各传感器接收跟踪场景内的量测数据Z_k＝{Z_1,k,Z_2,k,…,Z_S,k}；

其中，表示k时刻第s个传感器上的量测；

步骤1.3：在k时刻，各传感器s通过得到的量测Z_s,k以及k-1时刻的标签后验运行标签多伯努利滤波LMB得到k 时刻的局部LMB后验包括LMB预测和LMB更新，以及对LMB分量进行包括修剪、截断合并在内的操作；其中，L_s为第s个传感器的标签空间，l为目标状态的标签,为k-1时刻第s个传感器上的标签为l的目标状态，为目标状态的存在概率，为目标状态服从的空间分布函数，为k时刻第s个传感器上的标签为l'的目标状态，为目标状态的存在概率，为目标状态服从的空间分布函数；

LMB预测包括对存活标签后验的预测和新生标签后验的预测B是新生标签空间，其中，为k-1时刻第s个传感器上的标签为l的存活目标在k时刻的预测目标状态，为目标状态的存在概率，为目标状态服从的空间分布函数，为新生目标状态向量，为新生目标的存在概率，为新生目标的空间分布函数，即k时刻的预测LMB后验密度π_s,k|k-1(X)表示如下：

其中，

＜·,·＞表示求两个变量的内积，表示k-1时刻的目标状态的存活概率，为目标状态的空间概率分布函数，ηs(l)为轨迹l的存活概率，为单目标转移密度函数；

LMB更新包括利用量测Z_s,k对预测后验密度π_s,k|k-1(X)进行更新，更新后的LMB后验概率密度π_s,k(X|Z_s,k)如下：

其中，L'_s＝L_s∪B表示第s个传感器更新后的标签空间，是存活目标标签空间L_s和新生目标标签空间B的并集，表示k时刻的目标状态的存在概率，表示目标状态的空间概率分布函数，l'表示目标状态的标签；

步骤三包括

步骤3.1，标签一致化之后，每个传感器通过泛洪通信迭代与相邻传感器N _s进行信息共享，通信迭代最大次数为T，通信完成后，每个传感器都包括相邻传感器的后验信息；

步骤3.2，每个传感器信息共享后直接按照标签的方式将标签相同的LMB后验信息放入到同一个子集中，从而得到个后验子集，表示通信迭代t次后传感器s上的标签集，每个子集都有一个唯一的标签；

步骤3.3，对每个子集中的LMB后验信息进行AA融合得到融合后的后验密度信息以及融合后的目标个数估计其中表示算术平均融合后第s个传感器上标签为l的目标的存在概率，表示融合后第s个传感器上标签为l的目标x的空间概率分布函数。

2.根据权利要求1所述的解决分布式标签融合的多目标跟踪方法，其特征在于：标签多伯努利滤波时使用高斯混合方法完成的，每次在局部传感器都会对标签后验分量进行修剪截断，同时对每个后验分量中的高斯成分进行包括修剪、合并及截断在内的操作。