本發(fā)明涉及多傳感器信息融合技術(shù)領(lǐng)域，尤其涉及一種適用于雜波環(huán)境的多目標(biāo)跟蹤方法及跟蹤系統(tǒng)。

背景技術(shù)：

貝葉斯濾波技術(shù)能夠提供一種強(qiáng)大的統(tǒng)計(jì)方法工具，用于協(xié)助解決雜波環(huán)境下以及測(cè)量數(shù)據(jù)具有不確定性情況下的多傳感器信息的融合與處理。在現(xiàn)有技術(shù)中，用于雜波環(huán)境的多目標(biāo)跟蹤有效方法主要有：基于高斯混合概率假設(shè)密度濾波器的目標(biāo)跟蹤方法和傳遞邊緣分布的測(cè)量驅(qū)動(dòng)目標(biāo)跟蹤方法。這兩種目標(biāo)跟蹤方法的主要問(wèn)題是計(jì)算量較大，并且在新目標(biāo)出現(xiàn)后的最初幾個(gè)時(shí)間步中不能提供其狀態(tài)估計(jì)，如何有效提供新目標(biāo)在其出現(xiàn)后的最初幾個(gè)時(shí)間步的狀態(tài)估計(jì)，同時(shí)減少計(jì)算量是多目標(biāo)貝葉斯濾波方法中需要探索和解決的一個(gè)關(guān)鍵技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種適用于雜波環(huán)境的多目標(biāo)跟蹤方法及其系統(tǒng)，旨在解決現(xiàn)有技術(shù)中在新目標(biāo)出現(xiàn)后的最初幾個(gè)時(shí)間步中不能提供其狀態(tài)估計(jì)以及計(jì)算量大的問(wèn)題。

本發(fā)明提出一種適用于雜波環(huán)境的多目標(biāo)跟蹤方法，主要包括：

預(yù)測(cè)步驟、根據(jù)前一時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，以及當(dāng)前時(shí)刻與前一時(shí)刻的時(shí)間差，預(yù)測(cè)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率；

其中，以k-1表示前一時(shí)刻，k表示當(dāng)前時(shí)刻，t_k-1表示前一時(shí)刻的時(shí)間，t_k表示當(dāng)前時(shí)刻的時(shí)間，k-1時(shí)刻目標(biāo)i的邊緣分布和存在概率分別表示為N(x_i,k-1；m_i,k-1,P_i,k-1)和ρ_i,k-1，其中N表示高斯分布，i＝1,2,…N_k-1，x_i,k-1為k-1時(shí)刻目標(biāo)i的狀態(tài)向量，m_i,k-1和P_i,k-1分別表示k-1時(shí)刻目標(biāo)i的狀態(tài)均值和協(xié)方差，N_k-1為前一時(shí)刻目標(biāo)的總數(shù)；

由k-1時(shí)刻目標(biāo)i的邊緣分布N(x_i,k-1；m_i,k-1,P_i,k-1)和存在概率ρ_i,k-1，預(yù)測(cè)k-1時(shí)刻的目標(biāo)i在k時(shí)刻的邊緣分布和存在概率分別為N(x_i,k；m_i,k|k-1,P_i,k|k-1)和ρ_i,k|k-1，其中m_i,k|k-1＝F_i,k|k-1m_i,k-1，P_i,k|k-1＝Q_i,k-1+F_i,k|k-1P_i,k-1(F_i,k|k-1)^T，ρ_i,k|k-1＝p_S,k(Δt_k)ρ_i,k-1，F(xiàn)_i,k|k-1為狀態(tài)轉(zhuǎn)移矩陣，上標(biāo)T表示矩陣或向量的轉(zhuǎn)置，Δt_k＝t_k-t_k-1為k時(shí)刻與k-1時(shí)刻的時(shí)間差，Q_i,k-1為k-1時(shí)刻目標(biāo)i的過(guò)程噪聲協(xié)方差矩陣，p_S,k(Δt_k)為目標(biāo)的幸存概率，且T為采樣周期，δ為給定的常數(shù)，i＝1,2,…N_k-1；

分類(lèi)步驟、根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻的測(cè)量集，確定出測(cè)量集中的每個(gè)測(cè)量是否源于前一時(shí)刻已存在的目標(biāo)，并分別進(jìn)行歸類(lèi)；

更新步驟、根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量，利用貝葉斯規(guī)則確定前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率；

裁減與提取步驟、根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率，將存在概率小于第一閾值的目標(biāo)裁減掉，同時(shí)提取存在概率大于第二閾值的目標(biāo)的邊緣分布作為當(dāng)前時(shí)刻的輸出；

生成步驟、利用當(dāng)前時(shí)刻的其它測(cè)量和其前兩時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布；

補(bǔ)充步驟、提取新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布對(duì)當(dāng)前時(shí)刻的輸出進(jìn)行補(bǔ)充，并提取新目標(biāo)在前兩個(gè)時(shí)刻的狀態(tài)估計(jì)分別對(duì)前兩個(gè)時(shí)刻的輸出進(jìn)行補(bǔ)充；

合并步驟、將在所述裁減與提取步驟中裁減后余下目標(biāo)的邊緣分布和存在概率，分別與在所述生成步驟中生成的新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率進(jìn)行合并，形成當(dāng)前時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，并作為下一次遞歸的輸入。

優(yōu)選的，所述分類(lèi)步驟具體包括：根據(jù)k-1時(shí)刻已存在的目標(biāo)i在k時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及k時(shí)刻的測(cè)量集合中的第j個(gè)測(cè)量y_j,k，確定測(cè)量y_j,k是否源于已存在目標(biāo)，并分別進(jìn)行歸類(lèi)；

其中，所述確定測(cè)量y_j,k是否源于已存在目標(biāo)，并分別進(jìn)行歸類(lèi)的步驟包括：

子步驟A、求取概率其中，H_k為觀測(cè)矩陣，R_k為觀測(cè)噪聲方差矩陣，p_D,k為目標(biāo)的檢測(cè)概率，λ_c,k為雜波密度；

子步驟B、若將測(cè)量y_j,k歸入其它測(cè)量類(lèi)；若將測(cè)量y_j,k歸入源于已存在目標(biāo)的測(cè)量，在測(cè)量集合中的每個(gè)測(cè)量處理后，測(cè)量集合中y_k的測(cè)量被分為兩類(lèi)，一類(lèi)是源于已存在目標(biāo)的測(cè)量，表示為另一類(lèi)是其它測(cè)量，表示為其中M_1,k和M_2,k分別源于已存在目標(biāo)測(cè)量的數(shù)目和其它測(cè)量的數(shù)目，且M_1,k+M_2,k＝M_k。

優(yōu)選的，所述更新步驟具體包括：根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量集合利用貝葉斯規(guī)則確定當(dāng)前時(shí)刻各個(gè)已存在目標(biāo)的更新邊緣分布和存在概率；

其中，所述利用貝葉斯規(guī)則確定當(dāng)前時(shí)刻各個(gè)已存在目標(biāo)的更新邊緣分布和存在概率的步驟包括：

子步驟C、利用貝葉斯規(guī)則對(duì)測(cè)量處理，得到目標(biāo)i對(duì)應(yīng)于測(cè)量的存在概率均值向量和協(xié)方差矩陣其中在所有的M_1,k個(gè)測(cè)量處理后，各個(gè)目標(biāo)對(duì)應(yīng)于各測(cè)量的更新邊緣分布和存在概率分別為和其中i＝1,…,N_k-1，j＝1,…,M_1,k；

子步驟D、設(shè)其中則k時(shí)刻目標(biāo)i的更新邊緣分布取為相應(yīng)的存在概率取為其中i＝1,…,N_k-1，當(dāng)q＝M_1,k+1時(shí)有

優(yōu)選的，所述生成步驟具體包括：利用k時(shí)刻的其它測(cè)量k-1時(shí)刻的其它測(cè)量和k-2時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布；

其中，所述利用k時(shí)刻的其它測(cè)量k-1時(shí)刻的其它測(cè)量和k-2時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)的步驟包括：

子步驟E、從中取測(cè)量從中取測(cè)量從中取測(cè)量計(jì)算得到其中e＝1,…,M_2,k-2，f＝1,…,M_2,k-1，g＝1,…,M_2,k，||·||₂表示向量的2范數(shù)，|·|表示取絕對(duì)值，(·,·)表示兩向量的內(nèi)積；

子步驟F、判斷條件v_min≤v_f,e≤v_max、v_min≤v_g,f≤v_max、a_g,f,e≤a_max和c_g,f,e≥c_min是否滿(mǎn)足，其中v_min、v_max、a_max和c_min為4個(gè)給定的參數(shù)，分別表示最小速度、最大速度、最大加速度和夾角余弦的最小值；若4個(gè)條件同時(shí)滿(mǎn)足，利用測(cè)量和測(cè)量由最小二乘法得到一個(gè)新目標(biāo)的在k時(shí)刻的狀態(tài)均值協(xié)方差和邊緣分布其中σ_w為測(cè)量噪聲的標(biāo)準(zhǔn)差；同時(shí)，指定新目標(biāo)的存在概率取為新目標(biāo)在k-1時(shí)刻的狀態(tài)估計(jì)為其中新目標(biāo)在k-2時(shí)刻的狀態(tài)估計(jì)為其中

另一方面，本發(fā)明還提供一種適用于雜波環(huán)境的多目標(biāo)跟蹤系統(tǒng)，所述系統(tǒng)包括：

預(yù)測(cè)模塊，用于根據(jù)前一時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，以及當(dāng)前時(shí)刻與前一時(shí)刻的時(shí)間差，預(yù)測(cè)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率；

其中，以k-1表示前一時(shí)刻，k表示當(dāng)前時(shí)刻，t_k-1表示前一時(shí)刻的時(shí)間，t_k表示當(dāng)前時(shí)刻的時(shí)間，k-1時(shí)刻目標(biāo)i的邊緣分布和存在概率分別表示為N(x_i,k-1；m_i,k-1,P_i,k-1)和ρ_i,k-1，其中N表示高斯分布，i＝1,2,…N_k-1，x_i,k-1為k-1時(shí)刻目標(biāo)i的狀態(tài)向量，m_i,k-1和P_i,k-1分別表示k-1時(shí)刻目標(biāo)i的狀態(tài)均值和協(xié)方差，N_k-1為前一時(shí)刻目標(biāo)的總數(shù)；

由k-1時(shí)刻目標(biāo)i的邊緣分布N(x_i,k-1；m_i,k-1,P_i,k-1)和存在概率ρ_i,k-1，預(yù)測(cè)k-1時(shí)刻的目標(biāo)i在k時(shí)刻的邊緣分布和存在概率分別為N(x_i,k；m_i,k|k-1,P_i,k|k-1)和ρ_i,k|k-1，其中m_i,k|k-1＝F_i,k|k-1m_i,k-1，P_i,k|k-1＝Q_i,k-1+F_i,k|k-1P_i,k-1(F_i,k|k-1)^T，ρ_i,k|k-1＝p_S,k(Δt_k)ρ_i,k-1，F(xiàn)_i,k|k-1為狀態(tài)轉(zhuǎn)移矩陣，上標(biāo)T表示矩陣或向量的轉(zhuǎn)置，Δt_k＝t_k-t_k-1為k時(shí)刻與k-1時(shí)刻的時(shí)間差，Q_i,k-1為k-1時(shí)刻目標(biāo)i的過(guò)程噪聲協(xié)方差矩陣，p_S,k(Δt_k)為目標(biāo)的幸存概率，且T為采樣周期，δ為給定的常數(shù)，i＝1,2,…N_k-1；

分類(lèi)模塊，用于根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻的測(cè)量集，確定出測(cè)量集中的每個(gè)測(cè)量是否源于前一時(shí)刻已存在的目標(biāo)，并分別進(jìn)行歸類(lèi)；

更新模塊，用于根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量，利用貝葉斯規(guī)則確定前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率；

裁減與提取模塊，用于根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率，將存在概率小于第一閾值的目標(biāo)裁減掉，同時(shí)提取存在概率大于第二閾值的目標(biāo)的邊緣分布作為當(dāng)前時(shí)刻的輸出；

生成模塊，用于利用當(dāng)前時(shí)刻的其它測(cè)量和其前兩時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布；

補(bǔ)充模塊，用于提取新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布對(duì)當(dāng)前時(shí)刻的輸出進(jìn)行補(bǔ)充，并提取新目標(biāo)在前兩個(gè)時(shí)刻的狀態(tài)估計(jì)分別對(duì)前兩個(gè)時(shí)刻的輸出進(jìn)行補(bǔ)充；

合并模塊，用于將在所述裁減與提取步驟中裁減后余下目標(biāo)的邊緣分布和存在概率，分別與在所述生成步驟中生成的新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率進(jìn)行合并，形成當(dāng)前時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，并作為下一次遞歸的輸入。

優(yōu)選的，所述分類(lèi)模塊具體用于：根據(jù)k-1時(shí)刻已存在的目標(biāo)i在k時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及k時(shí)刻的測(cè)量集合中的第j個(gè)測(cè)量y_j,k，確定測(cè)量y_j,k是否源于已存在目標(biāo)，并分別進(jìn)行歸類(lèi)；

其中，所述分類(lèi)模塊包括：

第一子模塊，用于求取概率其中，H_k為觀測(cè)矩陣，R_k為觀測(cè)噪聲方差矩陣，p_D,k為目標(biāo)的檢測(cè)概率，λ_c,k為雜波密度；

第二子模塊，用于若將測(cè)量y_j,k歸入其它測(cè)量類(lèi)；若將測(cè)量y_j,k歸入源于已存在目標(biāo)的測(cè)量，在測(cè)量集合中的每個(gè)測(cè)量處理后，測(cè)量集合中y_k的測(cè)量被分為兩類(lèi)，一類(lèi)是源于已存在目標(biāo)的測(cè)量，表示為另一類(lèi)是其它測(cè)量，表示為其中M_1,k和M_2,k分別源于已存在目標(biāo)測(cè)量的數(shù)目和其它測(cè)量的數(shù)目，且M_1,k+M_2,k＝M_k。

優(yōu)選的，所述更新模塊具體用于：根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量集合利用貝葉斯規(guī)則確定當(dāng)前時(shí)刻各個(gè)已存在目標(biāo)的更新邊緣分布和存在概率；

其中，所述更新模塊包括：

第三子模塊，用于利用貝葉斯規(guī)則對(duì)測(cè)量處理，得到目標(biāo)i對(duì)應(yīng)于測(cè)量的存在概率均值向量和協(xié)方差矩陣其中在所有的M_1,k個(gè)測(cè)量處理后，各個(gè)目標(biāo)對(duì)應(yīng)于各測(cè)量的更新邊緣分布和存在概率分別為和其中i＝1,…,N_k-1，j＝1,…,M_1,k；

第四子模塊，用于設(shè)其中則k時(shí)刻目標(biāo)i的更新邊緣分布取為相應(yīng)的存在概率取為其中i＝1,…,N_k-1，當(dāng)q＝M_1,k+1時(shí)有

優(yōu)選的，所述生成模塊具體用于：利用k時(shí)刻的其它測(cè)量k-1時(shí)刻的其它測(cè)量和k-2時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布；

其中，所述生成模塊包括：

第五子模塊，用于從中取測(cè)量從中取測(cè)量從中取測(cè)量計(jì)算得到其中e＝1,…,M_2,k-2，f＝1,…,M_2,k-1，g＝1,…,M_2,k，||·||₂表示向量的2范數(shù)，|·|表示取絕對(duì)值，(·,·)表示兩向量的內(nèi)積；

第六子模塊，用于判斷條件v_min≤v_f,e≤v_max、v_min≤v_g,f≤v_max、a_g,f,e≤a_max和c_g,f,e≥c_min是否滿(mǎn)足，其中v_min、v_max、a_max和c_min為4個(gè)給定的參數(shù)，分別表示最小速度、最大速度、最大加速度和夾角余弦的最小值；若4個(gè)條件同時(shí)滿(mǎn)足，利用測(cè)量和測(cè)量由最小二乘法得到一個(gè)新目標(biāo)的在k時(shí)刻的狀態(tài)均值協(xié)方差和邊緣分布其中σ_w為測(cè)量噪聲的標(biāo)準(zhǔn)差；同時(shí)，指定新目標(biāo)的存在概率取為新目標(biāo)在k-1時(shí)刻的狀態(tài)估計(jì)為其中新目標(biāo)在k-2時(shí)刻的狀態(tài)估計(jì)為其中

本發(fā)明提供的技術(shù)方案，通過(guò)預(yù)測(cè)、分類(lèi)、更新、裁減與提取、生成、補(bǔ)充、合并這些步驟，利用最小二乘法估計(jì)新目標(biāo)在其出現(xiàn)后的最初3個(gè)時(shí)間步的狀態(tài)估計(jì)，有效地解決了現(xiàn)有方法在新目標(biāo)出現(xiàn)后的前幾個(gè)時(shí)間步不能提供新目標(biāo)狀態(tài)估計(jì)的問(wèn)題，具有處理速度快的特點(diǎn)，且其計(jì)算量明顯小于現(xiàn)有方法，具有很強(qiáng)的實(shí)用性。

附圖說(shuō)明

圖1為本發(fā)明一實(shí)施方式中適用于雜波環(huán)境的多目標(biāo)跟蹤方法流程圖；

圖2為本發(fā)明一實(shí)施方式中適用于雜波環(huán)境的多目標(biāo)跟蹤系統(tǒng)的內(nèi)部結(jié)構(gòu)示意圖；

圖3為本發(fā)明一實(shí)施方式中利用本發(fā)明實(shí)施例提供的傳感器在50個(gè)掃描周期的測(cè)量數(shù)據(jù)圖；

圖4為本發(fā)明一實(shí)施方式中根據(jù)本發(fā)明適用于雜波環(huán)境下的多目標(biāo)跟蹤方法與高斯混合概率假設(shè)密度濾波方法經(jīng)過(guò)一次實(shí)驗(yàn)得到的OSPA距離示意圖；

圖5為本發(fā)明一實(shí)施方式中根據(jù)本發(fā)明用于適用于雜波環(huán)境下的多目標(biāo)跟蹤方法與高斯混合概率假設(shè)密度濾波方法在經(jīng)過(guò)100次實(shí)驗(yàn)得到的平均OSPA距離示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

以下將對(duì)本發(fā)明所提供的一種適用于雜波環(huán)境的多目標(biāo)跟蹤方法進(jìn)行詳細(xì)說(shuō)明。

請(qǐng)參閱圖1，為本發(fā)明一實(shí)施方式中適用于雜波環(huán)境的多目標(biāo)跟蹤方法流程圖。

在步驟S1中，預(yù)測(cè)步驟、根據(jù)前一時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，以及當(dāng)前時(shí)刻與前一時(shí)刻的時(shí)間差，預(yù)測(cè)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率。

在本實(shí)施方式中，所述預(yù)測(cè)步驟S1具體包括：

以k-1表示前一時(shí)刻，k表示當(dāng)前時(shí)刻，t_k-1表示前一時(shí)刻的時(shí)間，t_k表示當(dāng)前時(shí)刻的時(shí)間，k-1時(shí)刻目標(biāo)i的邊緣分布和存在概率分別表示為N(x_i,k-1；m_i,k-1,P_i,k-1)和ρ_i,k-1，其中N表示高斯分布，i＝1,2,…N_k-1，x_i,k-1為k-1時(shí)刻目標(biāo)i的狀態(tài)向量，m_i,k-1和P_i,k-1分別表示k-1時(shí)刻目標(biāo)i的狀態(tài)均值和協(xié)方差，N_k-1為前一時(shí)刻目標(biāo)的總數(shù)；

由k-1時(shí)刻目標(biāo)i的邊緣分布N(x_i,k-1；m_i,k-1,P_i,k-1)和存在概率ρ_i,k-1，預(yù)測(cè)k-1時(shí)刻的目標(biāo)i在k時(shí)刻的邊緣分布和存在概率分別為N(x_i,k；m_i,k|k-1,P_i,k|k-1)和ρ_i,k|k-1，其中m_i,k|k-1＝F_i,k|k-1m_i,k-1，P_i,k|k-1＝Q_i,k-1+F_i,k|k-1P_i,k-1(F_i,k|k-1)^T，ρ_i,k|k-1＝p_S,k(Δt_k)ρ_i,k-1，F(xiàn)_i,k|k-1為狀態(tài)轉(zhuǎn)移矩陣，上標(biāo)T表示矩陣或向量的轉(zhuǎn)置，Δt_k＝t_k-t_k-1為k時(shí)刻與k-1時(shí)刻的時(shí)間差，Q_i,k-1為k-1時(shí)刻目標(biāo)i的過(guò)程噪聲協(xié)方差矩陣，p_S,k(Δt_k)為目標(biāo)的幸存概率，且T為采樣周期，δ為給定的常數(shù)，i＝1,2,…N_k-1。

在步驟S2中，分類(lèi)步驟、根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻的測(cè)量集，確定出測(cè)量集中的每個(gè)測(cè)量是否源于前一時(shí)刻已存在的目標(biāo)，并分別進(jìn)行歸類(lèi)。

在本實(shí)施方式中，所述分類(lèi)步驟S2具體包括：根據(jù)k-1時(shí)刻已存在的目標(biāo)i在k時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及k時(shí)刻的測(cè)量集合中的第j個(gè)測(cè)量y_j,k，確定測(cè)量y_j,k是否源于已存在目標(biāo)，并分別進(jìn)行歸類(lèi)；

其中，所述確定測(cè)量y_j,k是否源于已存在目標(biāo)，并分別進(jìn)行歸類(lèi)的步驟包括：

子步驟A、求取概率其中，H_k為觀測(cè)矩陣，R_k為觀測(cè)噪聲方差矩陣，p_D,k為目標(biāo)的檢測(cè)概率，λ_c,k為雜波密度；

子步驟B、若將測(cè)量y_j,k歸入其它測(cè)量類(lèi)；若將測(cè)量y_j,k歸入源于已存在目標(biāo)的測(cè)量，在測(cè)量集合中的每個(gè)測(cè)量處理后，測(cè)量集合中y_k的測(cè)量被分為兩類(lèi)，一類(lèi)是源于已存在目標(biāo)的測(cè)量，表示為另一類(lèi)是其它測(cè)量，表示為其中M_1,k和M_2,k分別源于已存在目標(biāo)測(cè)量的數(shù)目和其它測(cè)量的數(shù)目，且M_1,k+M_2,k＝M_k。

在步驟S3中，更新步驟、根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量，利用貝葉斯規(guī)則確定前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率。

在本實(shí)施方式中，所述更新步驟S3具體包括：根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量集合利用貝葉斯規(guī)則確定當(dāng)前時(shí)刻各個(gè)已存在目標(biāo)的更新邊緣分布和存在概率；

其中，所述利用貝葉斯規(guī)則確定當(dāng)前時(shí)刻各個(gè)已存在目標(biāo)的更新邊緣分布和存在概率的步驟包括：

子步驟C、利用貝葉斯規(guī)則對(duì)測(cè)量處理，得到目標(biāo)i對(duì)應(yīng)于測(cè)量的存在概率均值向量和協(xié)方差矩陣其中在所有的M_1,k個(gè)測(cè)量處理后，各個(gè)目標(biāo)對(duì)應(yīng)于各測(cè)量的更新邊緣分布和存在概率分別為和其中i＝1,…,N_k-1，j＝1,…,M_1,k；

子步驟D、設(shè)其中則k時(shí)刻目標(biāo)i的更新邊緣分布取為相應(yīng)的存在概率取為其中i＝1,…,N_k-1，當(dāng)q＝M_1,k+1時(shí)有

在步驟S4中，裁減與提取步驟、根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率，將存在概率小于第一閾值的目標(biāo)裁減掉，同時(shí)提取存在概率大于第二閾值的目標(biāo)的邊緣分布作為當(dāng)前時(shí)刻的輸出。

在步驟S5中，生成步驟、利用當(dāng)前時(shí)刻的其它測(cè)量和其前兩時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布。

在本實(shí)施方式中，所述生成步驟S5具體包括：利用k時(shí)刻的其它測(cè)量k-1時(shí)刻的其它測(cè)量和k-2時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布；

其中，所述利用k時(shí)刻的其它測(cè)量k-1時(shí)刻的其它測(cè)量和k-2時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)的步驟包括：

子步驟E、從中取測(cè)量從中取測(cè)量從中取測(cè)量計(jì)算得到其中e＝1,…,M_2,k-2，f＝1,…,M_2,k-1，g＝1,…,M_2,k，||·||₂表示向量的2范數(shù)，|·|表示取絕對(duì)值，(·,·)表示兩向量的內(nèi)積；

子步驟F、判斷條件v_min≤v_f,e≤v_max、v_min≤v_g,f≤v_max、a_g,f,e≤a_max和c_g,f,e≥c_min是否滿(mǎn)足，其中v_min、v_max、a_max和c_min為4個(gè)給定的參數(shù)，分別表示最小速度、最大速度、最大加速度和夾角余弦的最小值；若4個(gè)條件同時(shí)滿(mǎn)足，利用測(cè)量和測(cè)量由最小二乘法得到一個(gè)新目標(biāo)的在k時(shí)刻的狀態(tài)均值協(xié)方差和邊緣分布其中σ_w為測(cè)量噪聲的標(biāo)準(zhǔn)差；同時(shí)，指定新目標(biāo)的存在概率取為新目標(biāo)在k-1時(shí)刻的狀態(tài)估計(jì)為其中新目標(biāo)在k-2時(shí)刻的狀態(tài)估計(jì)為其中

在步驟S6中，補(bǔ)充步驟、提取新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布對(duì)當(dāng)前時(shí)刻的輸出進(jìn)行補(bǔ)充，并提取新目標(biāo)在前兩個(gè)時(shí)刻的狀態(tài)估計(jì)分別對(duì)前兩個(gè)時(shí)刻的輸出進(jìn)行補(bǔ)充。

在步驟S7中，合并步驟、將在所述裁減與提取步驟中裁減后余下目標(biāo)的邊緣分布和存在概率，分別與在所述生成步驟中生成的新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率進(jìn)行合并，形成當(dāng)前時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，并作為下一次遞歸的輸入。

本發(fā)明提供的一種適用于雜波環(huán)境的多目標(biāo)跟蹤方法，通過(guò)預(yù)測(cè)、分類(lèi)、更新、裁減與提取、生成、補(bǔ)充、合并這些步驟，利用最小二乘法估計(jì)新目標(biāo)在其出現(xiàn)后的最初3個(gè)時(shí)間步的狀態(tài)估計(jì)，有效地解決了現(xiàn)有方法在新目標(biāo)出現(xiàn)后的前幾個(gè)時(shí)間步不能提供新目標(biāo)狀態(tài)估計(jì)的問(wèn)題，具有處理速度快的特點(diǎn)，且其計(jì)算量明顯小于現(xiàn)有方法，具有很強(qiáng)的實(shí)用性。

請(qǐng)參閱圖2，所示為本發(fā)明一實(shí)施方式中適用于雜波環(huán)境的多目標(biāo)跟蹤系統(tǒng)10的結(jié)構(gòu)示意圖。

在本實(shí)施方式中，適用于雜波環(huán)境的多目標(biāo)跟蹤系統(tǒng)10，主要包括預(yù)測(cè)模塊11、分類(lèi)模塊12、更新模塊13、裁減與提取模塊14、生成模塊15、補(bǔ)充模塊16以及合并模塊17。

預(yù)測(cè)模塊11，用于根據(jù)前一時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，以及當(dāng)前時(shí)刻與前一時(shí)刻的時(shí)間差，預(yù)測(cè)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率。

在本實(shí)施方式中，所述預(yù)測(cè)模塊11具體用于：

以k-1表示前一時(shí)刻，k表示當(dāng)前時(shí)刻，t_k-1表示前一時(shí)刻的時(shí)間，t_k表示當(dāng)前時(shí)刻的時(shí)間，k-1時(shí)刻目標(biāo)i的邊緣分布和存在概率分別表示為N(x_i,k-1；m_i,k-1,P_i,k-1)和ρ_i,k-1，其中N表示高斯分布，i＝1,2,…N_k-1，x_i,k-1為k-1時(shí)刻目標(biāo)i的狀態(tài)向量，m_i,k-1和P_i,k-1分別表示k-1時(shí)刻目標(biāo)i的狀態(tài)均值和協(xié)方差，N_k-1為前一時(shí)刻目標(biāo)的總數(shù)；

由k-1時(shí)刻目標(biāo)i的邊緣分布N(x_i,k-1；m_i,k-1,P_i,k-1)和存在概率ρ_i,k-1，預(yù)測(cè)k-1時(shí)刻的目標(biāo)i在k時(shí)刻的邊緣分布和存在概率分別為N(x_i,k；m_i,k|k-1,P_i,k|k-1)和ρ_i,k|k-1，其中m_i,k|k-1＝F_i,k|k-1m_i,k-1，P_i,k|k-1＝Q_i,k-1+F_i,k|k-1P_i,k-1(F_i,k|k-1)^T，ρ_i,k|k-1＝p_S,k(Δt_k)ρ_i,k-1，F(xiàn)_i,k|k-1為狀態(tài)轉(zhuǎn)移矩陣，上標(biāo)T表示矩陣或向量的轉(zhuǎn)置，Δt_k＝t_k-t_k-1為k時(shí)刻與k-1時(shí)刻的時(shí)間差，Q_i,k-1為k-1時(shí)刻目標(biāo)i的過(guò)程噪聲協(xié)方差矩陣，p_S,k(Δt_k)為目標(biāo)的幸存概率，且T為采樣周期，δ為給定的常數(shù)，i＝1,2,…N_k-1。

分類(lèi)模塊12，用于根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻的測(cè)量集，確定出測(cè)量集中的每個(gè)測(cè)量是否源于前一時(shí)刻已存在的目標(biāo)，并分別進(jìn)行歸類(lèi)。

在本實(shí)施方式中，所述分類(lèi)模塊12具體用于：根據(jù)k-1時(shí)刻已存在的目標(biāo)i在k時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及k時(shí)刻的測(cè)量集合中的第j個(gè)測(cè)量y_j,k，確定測(cè)量y_j,k是否源于已存在目標(biāo)，并分別進(jìn)行歸類(lèi)；

其中，所述分類(lèi)模塊12包括：第一子模塊和第二子模塊。

第一子模塊，用于求取概率其中，H_k為觀測(cè)矩陣，R_k為觀測(cè)噪聲方差矩陣，p_D,k為目標(biāo)的檢測(cè)概率，λ_c,k為雜波密度。

第二子模塊，用于若將測(cè)量y_j,k歸入其它測(cè)量類(lèi)；若將測(cè)量y_j,k歸入源于已存在目標(biāo)的測(cè)量，在測(cè)量集合中的每個(gè)測(cè)量處理后，測(cè)量集合中y_k的測(cè)量被分為兩類(lèi)，一類(lèi)是源于已存在目標(biāo)的測(cè)量，表示為另一類(lèi)是其它測(cè)量，表示為其中M_1,k和M_2,k分別源于已存在目標(biāo)測(cè)量的數(shù)目和其它測(cè)量的數(shù)目，且M_1,k+M_2,k＝M_k。

更新模塊13，用于根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布和預(yù)測(cè)存在概率，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量，利用貝葉斯規(guī)則確定前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率。

在本實(shí)施方式中，所述更新模塊13具體用于：根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的預(yù)測(cè)邊緣分布N(x_i,k；m_i,k|k-1,P_i,k|k-1)和預(yù)測(cè)存在概率ρ_i,k|k-1，以及當(dāng)前時(shí)刻源于已存在目標(biāo)的測(cè)量集合利用貝葉斯規(guī)則確定當(dāng)前時(shí)刻各個(gè)已存在目標(biāo)的更新邊緣分布和存在概率；

其中，所述更新模塊13包括：第三子模塊和第四子模塊。

第三子模塊，用于利用貝葉斯規(guī)則對(duì)測(cè)量處理，得到目標(biāo)i對(duì)應(yīng)于測(cè)量的存在概率均值向量和協(xié)方差矩陣其中在所有的M_1,k個(gè)測(cè)量處理后，各個(gè)目標(biāo)對(duì)應(yīng)于各測(cè)量的更新邊緣分布和存在概率分別為和其中i＝1,…,N_k-1，j＝1,…,M_1,k。

第四子模塊，用于設(shè)其中則k時(shí)刻目標(biāo)i的更新邊緣分布取為相應(yīng)的存在概率取為其中i＝1,…,N_k-1，當(dāng)q＝M_1,k+1時(shí)有

裁減與提取模塊14，用于根據(jù)前一時(shí)刻已存在的各個(gè)目標(biāo)在當(dāng)前時(shí)刻的更新邊緣分布和更新存在概率，將存在概率小于第一閾值的目標(biāo)裁減掉，同時(shí)提取存在概率大于第二閾值的目標(biāo)的邊緣分布作為當(dāng)前時(shí)刻的輸出。

生成模塊15，用于利用當(dāng)前時(shí)刻的其它測(cè)量和其前兩時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布。

在本實(shí)施方式中，所述生成模塊15具體用于：利用k時(shí)刻的其它測(cè)量k-1時(shí)刻的其它測(cè)量和k-2時(shí)刻的其它測(cè)量產(chǎn)生新目標(biāo)，并利用最小二乘法估計(jì)新目標(biāo)在當(dāng)前時(shí)刻的狀態(tài)均值、協(xié)方差和邊緣分布；

其中，所述生成模塊15包括：第五子模塊和第六子模塊。

第五子模塊，用于從中取測(cè)量從中取測(cè)量從中取測(cè)量計(jì)算得到其中e＝1,…,M_2,k-2，f＝1,…,M_2,k-1，g＝1,…,M_2,k，||·||₂表示向量的2范數(shù)，|·|表示取絕對(duì)值，(·,·)表示兩向量的內(nèi)積。

第六子模塊，用于判斷條件v_min≤v_f,e≤v_max、v_min≤v_g,f≤v_max、a_g,f,e≤a_max和c_g,f,e≥c_min是否滿(mǎn)足，其中v_min、v_max、a_max和c_min為4個(gè)給定的參數(shù)，分別表示最小速度、最大速度、最大加速度和夾角余弦的最小值；若4個(gè)條件同時(shí)滿(mǎn)足，利用測(cè)量和測(cè)量由最小二乘法得到一個(gè)新目標(biāo)的在k時(shí)刻的狀態(tài)均值協(xié)方差和邊緣分布其中σ_w為測(cè)量噪聲的標(biāo)準(zhǔn)差；同時(shí)，指定新目標(biāo)的存在概率取為新目標(biāo)在k-1時(shí)刻的狀態(tài)估計(jì)為其中新目標(biāo)在k-2時(shí)刻的狀態(tài)估計(jì)為其中

補(bǔ)充模塊16，用于提取新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布對(duì)當(dāng)前時(shí)刻的輸出進(jìn)行補(bǔ)充，并提取新目標(biāo)在前兩個(gè)時(shí)刻的狀態(tài)估計(jì)分別對(duì)前兩個(gè)時(shí)刻的輸出進(jìn)行補(bǔ)充。

合并模塊17，用于將在所述裁減與提取步驟中裁減后余下目標(biāo)的邊緣分布和存在概率，分別與在所述生成步驟中生成的新目標(biāo)在當(dāng)前時(shí)刻的邊緣分布和存在概率進(jìn)行合并，形成當(dāng)前時(shí)刻各個(gè)目標(biāo)的邊緣分布和存在概率，并作為下一次遞歸的輸入。

本發(fā)明提供的一種適用于雜波環(huán)境的多目標(biāo)跟蹤系統(tǒng)10，通過(guò)預(yù)測(cè)模塊11、分類(lèi)模塊12、更新模塊13、裁減與提取模塊14、生成模塊15、補(bǔ)充模塊16以及合并模塊17這些模塊，利用最小二乘法估計(jì)新目標(biāo)在其出現(xiàn)后的最初3個(gè)時(shí)間步的狀態(tài)估計(jì)，有效地解決了現(xiàn)有方法在新目標(biāo)出現(xiàn)后的前幾個(gè)時(shí)間步不能提供新目標(biāo)狀態(tài)估計(jì)的問(wèn)題，具有處理速度快的特點(diǎn)，且其計(jì)算量明顯小于現(xiàn)有方法，具有很強(qiáng)的實(shí)用性。

以下通過(guò)將本發(fā)明的適用于雜波環(huán)境的多目標(biāo)跟蹤系統(tǒng)10與現(xiàn)有的高斯混合概率假設(shè)密度濾波器進(jìn)行對(duì)比來(lái)說(shuō)明本發(fā)明的有益效果。

作為本發(fā)明的一個(gè)實(shí)例，考慮二維空間[-1000m，1000m]×[-1000m，1000m]中運(yùn)動(dòng)的目標(biāo)，目標(biāo)的狀態(tài)由位置和速度構(gòu)成，表示為其中x和y分別表示位置分量，和分別表示速度分量，上標(biāo)T表示向量的轉(zhuǎn)置；過(guò)程噪聲方差矩陣為其中，Δt_k＝t_k-t_k-1為當(dāng)前時(shí)刻與前一時(shí)刻的時(shí)間差，σ_v為過(guò)程噪聲標(biāo)準(zhǔn)差；觀測(cè)噪聲方差矩陣σ_w為觀測(cè)噪聲的標(biāo)準(zhǔn)差；參數(shù)δ取為δ＝2.5，最小速度v_min、最大速度v_max、最大加速度a_max和夾角余弦的最小值c_min分別取為v_min＝30ms^-1、v_max＝80ms^-1、a_max＝10ms^-2和c_min＝0.94。

為了產(chǎn)生仿真數(shù)據(jù)，取幸存概率p_S,k＝1.0、檢測(cè)概率p_D,k＝0.95、雜波密度λ_c,k＝2.5×10^-6m^-2、過(guò)程噪聲的標(biāo)準(zhǔn)差σ_v＝1ms^-2、觀測(cè)噪聲的標(biāo)準(zhǔn)差σ_w＝2m和傳感器的掃描周期T＝1s。一次實(shí)驗(yàn)中傳感器在50個(gè)掃描周期的仿真觀測(cè)數(shù)據(jù)如圖3所示。

為了處理仿真數(shù)據(jù)，將本發(fā)明與高斯混合概率假設(shè)密度濾波器的相關(guān)參數(shù)設(shè)置為p_S,k＝1.0、p_D,k＝0.95、λ_c,k＝2.5×10^-6m^-2、σ_w＝2m、σ_v＝1ms^-2、第一閾值為10^-3、第二閾值為0.5、高斯混合概率假設(shè)密度濾波器新目標(biāo)的權(quán)重為w_γ＝0.1，新目標(biāo)的協(xié)方差為圖4為用現(xiàn)有的高斯混合概率假設(shè)密度濾波器與本發(fā)明對(duì)圖3中的數(shù)據(jù)處理得到的最優(yōu)亞模式分配(Optimal Subpattern Assignment，OSPA)距離。圖5為用現(xiàn)有的高斯混合概率假設(shè)密度濾波器與本發(fā)明分別進(jìn)行50次Monte Carlo實(shí)驗(yàn)得到的平均OSPA距離。

現(xiàn)有的高斯混合概率假設(shè)密度濾波器與本發(fā)明的實(shí)驗(yàn)結(jié)果比較表明，本發(fā)明的方法可以獲得更為精確和可靠的目標(biāo)狀態(tài)估計(jì)、其OSPA距離比現(xiàn)有的這種方法得到的OSPA距離要小，特別在多目標(biāo)出現(xiàn)的最初時(shí)刻(t＝1s至t＝16s)，OSPA距離減小更為明顯。

表1

表1顯示了現(xiàn)有的高斯混合概率假設(shè)密度濾波器與本發(fā)明在50次實(shí)驗(yàn)中得到的一次實(shí)驗(yàn)的平均執(zhí)行時(shí)間，結(jié)果表明本發(fā)明的平均執(zhí)行時(shí)間明顯小于現(xiàn)有的高斯混合概率假設(shè)密度濾波器。

本發(fā)明提供的技術(shù)方案，通過(guò)預(yù)測(cè)、分類(lèi)、更新、裁減與提取、生成、補(bǔ)充、合并這些步驟，利用最小二乘法估計(jì)新目標(biāo)在其出現(xiàn)后的最初3個(gè)時(shí)間步的狀態(tài)估計(jì)，有效地解決了現(xiàn)有方法在新目標(biāo)出現(xiàn)后的前幾個(gè)時(shí)間步不能提供新目標(biāo)狀態(tài)估計(jì)的問(wèn)題，具有處理速度快的特點(diǎn)，且其計(jì)算量明顯小于現(xiàn)有方法，具有很強(qiáng)的實(shí)用性。

值得注意的是，上述實(shí)施例中，所包括的各個(gè)單元只是按照功能邏輯進(jìn)行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能單元的具體名稱(chēng)也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護(hù)范圍。

另外，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述各實(shí)施例方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，相應(yīng)的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，所述的存儲(chǔ)介質(zhì)，如ROM/RAM、磁盤(pán)或光盤(pán)等。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。