[发明专利]基于多伯努利的非规则多扩展目标联合跟踪与分类方法

说明书

本发明属于信息融合领域，具体涉及一种基于多伯努利的非规则多扩展目标联合跟踪与分类方法。然而以往的联合跟踪与分类算法都是将目标的扩展状态建模为椭圆，在目标大小相似时不能正确对目标进行分类。为此，结合RHM(Random Hypersurface Model，RHM)，本发明给出一种基于多伯努利的非规则多扩展目标联合跟踪与分类算法，即JTC‑RHM‑CBMeMBer滤波方法，该方法不仅能对非规则扩展目标的运动状态、量测率、扩展状态等进行估，还能估计目标的类状态，且在算法复杂度上与RHM‑CBMeMBer滤波算法相当。

技术领域

本发明属于信息融合领域，具体涉及一种基于多伯努利的非规则多扩展目标联合跟踪与分类方法。

背景技术

在传统的扩展目标跟踪中，只使用量测值跟踪扩展目标的质心。但是随着对跟踪需求的提升，估计扩展目标的形状成为学者的重点研究内容，便提出了针对扩展目标跟踪的各类量测模型提取出扩展目标的形状信息。不同的量测模型建立在不同的假设上，对扩展目标外形的跟踪的精度也有所不同。因此，需要在不同的跟踪场景中选择合适的建模方式，选用合适的滤波器作跟踪估计。

在空间分布模型中，每个量测源都是独立地从概率分布函数中获得，但在实际情况中，量测源取决于扩展目标的形状。最早研究人员将扩展目标建模为椭圆，比如基于随机矩阵和高斯逆威沙特(Gaussian Inverse Wishart，GIW)的概率假设密度(ProbabilityHypothesis Density，PHD)滤波器，但是该算法忽略了传感器的量测噪声，因此GIW-PHD对形状的变化不敏感，扩展状态的估计精度有限。2009年，Baum提出一种新型的扩展目标量测模型建模方法，即椭圆随机超曲面模型(Random Hypersurface Model，RHM)，同时该模型也考虑量测噪声。RHM假设量测源分布在扩展目标表面，通过量测源的分布估计扩展状态。使用椭圆建模时，扩展目标的轮廓为椭圆，对于非规则的扩展目标难以实现精确的跟踪，且对目标轮廓的拟合也不能达到理想的状态。2011年，Buam又提出了一种星凸形随机超曲面模型，该模型将扩展目标的轮廓建模为星凸形，由一个径向函数来描述目标的外形特征，扩展目标的量测是由量测源叠加噪声产生。随后的研究中，学者将RHM模型嵌入到ET-PHD(Extended Target-PHD)框架中，提出了RHM-GM-PHD滤波算法，通过与GIW-PHD的性能对比，该算法不仅能够提供更高的质心估计，而且也提升了扩展目标外形的估计精度。但是传统的基于RHM的多扩展目标跟踪算法没有考虑到扩展目标的分类问题，若能够估计扩展目标的类状态，将会为跟踪系统提供更多的关于目标的信息，提高多目标跟踪系统的性能。

发明内容

针对上述问题，本发明提出一种基于多伯努利的非规则多扩展目标联合跟踪与分类方法，解决杂波环境下单传感器跟踪多个非规则的扩展目标的问题，具有良好的性能、对环境的适应性和鲁棒性。

本发明方法针对的是星凸型扩展目标的随机超曲面建模，这类扩展目标的特征是目标轮廓可以由一个径向函数进行描述，即轮廓上的点与扩展目标质心之间的距离是一个特定的值，不随时间发生改变。

基于星凸型随机超曲面，建立目标的观测方程如下：

z_k,l＝y_k,l+v_k,l

＝s_k,l·R(φ_k,l)·B_k·η(φ_k,l)+μ_k+v_k,l