[发明专利]一种可变数目机动目标跟踪方法

摘要

本发明涉及一种以多模粒子滤波框架为基础，在粒子状态预测与更新步骤中，依据粒子存在变量进行预测粒子状态集的采样，考虑当前观测值与机动目标状态粒子的关联程度，利用模糊拍卖算法与粒子群优化理论解决观测集与机动目标状态采样粒子集之间的关联问题，并给出机动目标出现与消失的判定准则，实现粒子权值更新；利用序贯重要性采样理论对混合采样粒子集进行重采样，得到包含模型信息和状态信息并能逼近每个机动目标状态后验概率分布的粒子集；考虑粒子存在变量的影响，按照目标模型概率进行粒子状态融合得到机动目标局部状态后验估计值和均方误差；最后，对各传感器局部航迹信息进行加权融合，得到各机动目标的全局状态估计值，实现对机动目标数目及状态变化的准确估计。

主权项

一种可变数目机动目标跟踪方法，其特征在于：在S个多传感器的公共探测区域内，确定时刻k存在最大数目为Γmax个的机动目标数目以及每个机动目标状态，具体步骤如下：步骤1：对于传感器Ss观测下的机动目标状态进行随机采样，记机动目标t的状态为其初始状态分布为采样粒子γ对应于采样模型状态的模型概率为采样控制变量为u(γ)，其中u(γ)～U(0,1)，当满足时，该时刻第γ个粒子所对应的采样模型状态为以概率在模型对应的状态分布中抽取粒子相应粒子权值取得到机动目标t的初始状态粒子集其中：传感器编号为s＝1,2,…S，S为传感器最大数目，分别表示初始时刻机动目标t的采样粒子γ所对应的运动状态、采样模型状态及相应权值，t＝0,1,…,Γk，Γk＝0,1,…,Γmax，Γmax为时刻k可能存在的机动目标最大数目，k＝0,1,2…，γ＝1,2,…,Π，Π为采样粒子总数，M表示模型状态总数；步骤2、在k‑1时刻，k＝1,2,…，记表征机动目标t混合状态后验分布的粒子集为依据粒子存在变量进行粒子状态预测，其中，表示目标不存在，表示目标存在，且Πe为转换概率；分三种情况进行处理：状态(a)：对于持续存在的机动目标采样粒子，此时利用k‑1时刻粒子模型状态通过模型状态转移矩阵Πm，由求得当前k时刻粒子模型状态依据模型转移概率α,β＝1,2,…,M，k‑1时刻对应模型状态α的模型概率可得时刻k机动目标t关于模型β的预测模型概率以预测模型概率为基础，根据不同模型状态对应的目标状态转移密度函数进行粒子状态预测，抽取c个持续存在的机动目标采样粒子 γc，形成粒子集状态(b)：对于新生的机动目标采样粒子，此时新生机动目标的建议分布选取为初始状态分布，根据不同模型状态对应的状态分布抽取Πb个新生的机动目标采样粒子γb，形成粒子集状态(c)：对于消失的机动目标采样粒子，此时时刻k的粒子状态不存在；步骤3：机动目标粒子集和记为其中：为时刻k第η个机动目标状态采样粒子，i＝b,c，1≤η≤Γk，Γk为时刻k的机动目标数目；对当前的观测值集合与机动目标状态采样粒子集合依据模糊拍卖算法和粒子群优化理论进行关联判定，并完成机动目标是否新生与消失的判断，为时刻k传感器Ss输出的第ζ个机动目标观测值，1≤ζ≤Ωk，Ωk为观测值数目；具体如下：在k时刻，记第ζ个观测值与第η个机动目标状态采样粒子相关联的模糊代价为cζ,η，定义模糊隶属度为其中，为机动目标状态采样粒子对应的预测观测值，模糊代价cζ,η可表示为对应的模糊隶属度观测值集合与机动目标状态采样粒子集合二维分配问题数学模型中的目标函数与约束条件为：目标函数约束条件其中：aζ,η为二进制决策变量，aζ,η＝1表示第ζ个观测值与第η个机动目标状态采样粒子相关联，aζ,η＝0表示其他，该二维分配问题的最优解可表示为每行、每列最多只有一个1的Ωk×Γk阶关联决策矩阵定义粒子γpso的适应度值为其中，jζ,η为依据拍卖算法理论定义的竞拍价格，jζ,η＝λ1gζ,η‑λ2vζ+ε，gζ,η为第ζ个观测值与第η个机动目标状态粒子集的关联价值，gζ,η＝max{cζ,η}‑cζ,η，vζ为观测值的价值，λ1为利益系数，λ2为代价系数，ε为足够小的正数，设定粒子为个体当前最优位置，pg为群体中最佳粒子位置，粒子的位置和速度向量维数为Ωk×Πpso，Ωk为观测集维数，Πpso为粒子群的粒子数，第γpso个粒子的位置表示一组观测值与机动目标状态采样粒子的关联性判断结果；首先依据关联决策矩阵进行机动目标是否新生与消失的粗判断：若关联决策矩阵中某一行的元素值均近似为零，则认为该观测值可能来自于新生目标，或者来自于杂波；若关联决策矩阵中某一列的元素值均近似为零，则认为该目标可能消失；然后依据目标在观测场景中的存在概率进行精判断：若Pe≥2/3，则时刻k新出现的观测值来自于新生目标t，此时在整个粒子集中增加该新生目标粒子集；若Pe≤1/3，则认为时刻k目标t消失，此时在整个粒子集中删除该消失目标粒子集；所述步骤4：依据观测分辨单元内机动目标存在与不存在的似然比表达式进行粒子权值计算，其中：为机动目标状态采样粒子存在的似然函数，为机动目标状态采样粒子不存在的似然函数；分三种情况进行：状态(a)：对于持续存在的机动目标采样粒子，依据预测粒子状态时判定出的目标模型状态及相应的目标状态转移密度函数，得持续存在的机动目标采样粒子γc的未归一化权值为归一化权值为状态(b)：对于新生的机动目标采样粒子，依据预测粒子状态时判定出的目标模型状态及相应的目标状态分布，得新生的机动目标采样粒子γb的非归一化权重为归一化权值为其中，为新生机动目标采样粒子先验分布，为新生机动目标采样粒子建议分布；状态(c)：对于消失的机动目标采样粒子，粒子权值不存在；将持续存在的机动目标采样粒子与新生的机动目标采样粒子的粒子集进行混合，记机动目标新生概率为Pb，消失概率为Pd，k‑1时刻机动目标存在概率为可得非归一化混合概率以及k时刻机动目标的存在概率更新持续存在的机动目标采样粒子与新生的机动目标采样粒子权重可得合并Πb+Πc个粒子，得k时刻机动目标混合粒子集其中i＝b,c，t＝0,1,…,Γk；步骤5：对步骤4获得的混合粒子集中的Πb+Πc个粒子进行重采样，得到逼近机动目标t状态后验概率分布的粒子集其中，k＝1,2,…，t＝0,1,…Γmax，步骤6：在时刻k，按照每个模型的模型概率进行粒子状态融合，得到机动目标t的局部状态后验估计值均方误差其中：对应于模型为预测模型概率，为对应模型的采样粒子数，为模型似然，依据目标存在的后验概率表达式Pe，得到时刻k机动目标数目Γk的估计值其中：Round(x)表示求得距离x最近的整数；在观测时间序列k＝1,2,…K内，对于传感器Ss，机动目标t的子航迹可表示为状态集合时刻k估计出的机动目标数目为步骤7：重复步骤2至步骤6，求得各传感器观测下机动目标t的S个局部状态估计值及其相应的估计均方误差阵参照分布式融合结构，得全局状态估计值全局状态估计均方误差观测场景中的目标数目估计值为各传感器局部估计值中的最大值，