[发明专利]基于GM-PHD的运动参数估计组合平滑滤波方法

说明书

本发明公开了一种基于GM‑PHD的运动参数估计组合平滑滤波方法，解决了GM‑PHD滤波方法没有充分利用现有信息的技术问题。实现包括使用GM‑PHD滤波器；目标状态信息获取；差分获取初步目标速度估计值；分速度并行处理得到平滑后的速度估计值；获取速度估计值的平滑差值；计算平滑后速度估计值的补偿值；获得组合平滑滤波速度估计；对获取的目标状态信息实时更新，完成对目标状态信息实时的运动参数估计组合平滑滤波。本发明利用位置差分获取速度估计值、对速度估计值组合平滑并对GM‑PHD滤波器中目标状态速度信息更新，获得更贴近实际的速度估计值，实时用于对目标状态的检测与跟踪，提高了跟踪精确度。

技术领域

本发明属于信息融合技术领域，主要涉及运动目标跟踪和状态估计，具体是基于GM-PHD的运动参数估计组合平滑滤波方法，用于运动目标的状态估计、跟踪、定位等。

背景技术

信息融合是一门基于多种认知手段理解认识外部事物及其变化规律的交叉学科。目前信息融合理论与技术已被广泛应用于导航、遥感、目标检测、跟踪与识别环境监测等众多军事和民用领域。

20世纪70年代，目标跟踪理论引起人们大量关注，此后相继提出了多种经典的目标跟踪方法，Malher将点过程理论与专家系统理论相结合，提出了一种随机集RFS(RandomFinite Set)理论，为信息融合问题建立了统一的概率基础，RFS把每一个时间步上的目标状态构成的集合和传感器测量值集合定义为一个RFS变量进行处理，构建了基于RFS的最优多目标贝叶斯滤波框架，避免了传统多目标算法中的数据关联过程及其产生的大量的计算问题。随机有限集RFS框架内的概率假设密度PHD(Probability Hypothesis Density)是RFS多目标贝叶斯滤波器的次优近似算法，用以解决RFS理论框架内的多目标贝叶斯滤波器公式中存在的难以处理的集合积分问题。学者Vo B N等人利用高斯混合方法GM(GaussianMixture)近似推导出了GM-PHD(Gaussian Mixture Probability Hypothesis Density)滤波器，为PHD滤波器在线性高斯多目标假设情况下的封闭解。Mahler证明了在距离准则Kullback-Leibler下，PHD是多目标后验分布的最优泊松Poisson近似，这一结论为实现最优多目标贝叶斯滤波器的一阶矩近似递归提供了理论依据。

概率假设密度(PHD)滤波器通过一种混合高斯(GM)近似，在合理的假设条件下为PHD滤波器提供一种快速的解析解。虽然RFS理论实现了将多目标运动模型转换为相应的真实多目标马尔可夫密度，即该密度函数可如实反映多目标运动模型；同时GM-PHD能够通过近似提供合理解析解。但是在实际应用时，如何确保这个解析解能够高效、稳定起作用，关键在于是否能够从可用信息中充分提取和有效利用这些信息。本发明就是为了给GM-PHD在多目标运动模型环节，提供更充分、有效的信息，使多目标马尔可夫密度更能真实反映多目标运动模型而提出的。

PHD滤波被认为是解决难以处理的集合积分问题的有效解决方案，使多目标贝叶斯滤波器能够在运动目标跟踪监测、舰船跟踪定位、水下目标自主定位、行人检测跟踪等多种应用场合中使用。GM-PHD从统计意义上来说在线性高斯多目标假设情况下是最优的。实际中需要足够多的观测来准确估计目标状态，当滤波过程中采集的观测数据越少，或者观测数据越不准确，就需要足够多的观测数据做递归处理后才能精确估计目标状态；同样的当信噪比SNR越低时，正确估计状态需要的观测数也越多。其原因在于需要通过观测数据积累强化实际目标的可能性概率，进而获得更准确的估计。运动目标的建模越精确，贝叶斯滤波器就越有效，否则将会消耗一定量的数据来克服目标模型低效带来的负面影响。严重时甚至会无法锁定目标，导致系统失配。当对未知状态运动目标进行估计时，这种运动目标模型中未知参数的不确定性会对状态估计系统的准确快速估计带来困扰，信息累积强化的效率也不高。如果在此过程中能够逐步改善未知参数的影响，实现对未知参数的估计，协助观测信息累积强化，则能提升估计性能。