一種可變數(shù)目機動目標跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于機動目標跟蹤領(lǐng)域，設(shè)及一種新的目標聯(lián)合檢測與跟蹤方法，具體設(shè) 及一種可變數(shù)目機動目標跟蹤方法。
【背景技術(shù)】
[0002] 現(xiàn)代防空系統(tǒng)需要借助于多傳感器提供的互補觀測信息進行探測工作，復雜的觀 測環(huán)境對機動目標跟蹤算法也提出了越來越高的要求。傳統(tǒng)的先檢測后跟蹤算法大多先對 傳感器每帖原始數(shù)據(jù)進行口限檢測，然后利用超過口限值的測量數(shù)據(jù)進行跟蹤處理，該種 方法雖然在一定程度上減少了計算量，但是卻損失了許多有用信息。為了提高目標的檢測 與跟蹤性能，利用未經(jīng)口限處理的多帖原始觀測數(shù)據(jù)進行能量積累，W實現(xiàn)融合檢測與跟 蹤的算法受到了很大的關(guān)注。典型的檢測與跟蹤算法包括基于化U曲變換的算法，動態(tài)規(guī) 劃算法，極大似然估計，W及粒子濾波算法等，其中，基于粒子濾波實現(xiàn)的遞歸算法得到了 廣泛的改進與研究應(yīng)用。
[0003] 多模粒子濾波算法利用粒子濾波實現(xiàn)對各粒子加權(quán)求和得到狀態(tài)估計，然后依據(jù) 多模型中每個模型的模型概率對各模型的估計值加權(quán)求和，得到多模型粒子濾波器的全局 估計值，該方法通常是在所采用的濾波器完成對狀態(tài)估計的同時，進行實時系統(tǒng)模型估計， 適用于機動目標跟蹤。關(guān)于經(jīng)典多模粒子濾波算法的改進方法大致設(shè)及粒子重要性采樣、 重采樣、模型粒子數(shù)W及濾波框架四類，它們雖然在一定程度上解決了粒子多樣性及算法 計算量問題，但是大多沒有考慮實際多傳感器觀測環(huán)境下機動目標數(shù)目變化時的跟蹤情 況，并且忽視了對狀態(tài)粒子集與當前觀測值的關(guān)聯(lián)判定，降低了目標跟蹤性能。

【發(fā)明內(nèi)容】

[0004] 要解決的技術(shù)問題
[0005] 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種可變數(shù)目機動目標跟蹤方法，
[0006] 技術(shù)方案
[0007] -種可變數(shù)目機動目標跟蹤方法，其特征在于：在S個多傳感器的公共探測區(qū)域 內(nèi)，確定時刻k存在最大數(shù)目為rm。,個的機動目標數(shù)目W及每個機動目標狀態(tài)，具體步驟 如下：
[000引步驟1 ;對于傳感器S觀測下的機動目標狀態(tài)進行隨機采樣，記機動目標t的 狀態(tài)為?<，其初始狀態(tài)分布為為;)，采樣粒子丫對應(yīng)于模型狀態(tài)的模型概率為 //f'f，采樣控制變量為U(丫），其中U( 丫）~U(0, 1)，當滿盾
【主權(quán)項】
1. 一種可變數(shù)目機動目標跟蹤方法，其特征在于：在S個多傳感器的公共探測區(qū)域內(nèi)， 確定時刻k存在最大數(shù)目為Γ _個的機動目標數(shù)目以及每個機動目標狀態(tài)，具體步驟如 下： 步驟1:對于傳感器sja測下的機動目標狀態(tài)進行隨機采樣，記機動目標t的狀態(tài)為 <，其初始狀態(tài)分布為PwMxU，采樣粒子γ對應(yīng)于模型狀態(tài)的模型概率為， 采樣控制變量為u(Y)，其中U(Y)~U(0，1)，當滿{
時，該 時刻第γ個粒子所對應(yīng)的采樣模型狀態(tài)為以概率在模型對應(yīng)的狀 態(tài)分布中抽取粒子，相應(yīng)粒子權(quán)重取vtf =$，得到機動目標t的初始狀態(tài)粒子集 二； 其中：傳感器編號為S = 1，2,…S，S為傳感器最大數(shù)目，名'γ、分別表示 初始時刻機動目標t的采樣粒子γ所對應(yīng)的運動狀態(tài)、采樣模型狀態(tài)及相應(yīng)權(quán)值，t = 0，1，···，rk，rk=〇，l，···，rmax，rmax為時刻k可能存在的機動目標最大數(shù)目，k = 0，l，2···， γ = 1，2,…，Π，Π為采樣粒子總數(shù)，=1,2,···Μ，M表示模型狀態(tài)總數(shù)； 步驟2、在k-Ι時刻，k = 1，2,…，記表征機動目標t混合狀態(tài)后驗分布的粒子集為 ，依據(jù)粒子存在變量進行粒子狀態(tài)預測，其中，ef =O表示目標不 存在，if =1表示目標存在，且=TJ^1，Πε為轉(zhuǎn)換概率；分三種情況進行處理： 狀態(tài)（a):對于持續(xù)存在的機動目標采樣粒子，此時4:\ = 1、0=1，利用k-Ι時刻粒 子模型狀態(tài)，通過模型狀態(tài)轉(zhuǎn)移矩陣Ππ，由，求得當前k時刻粒子模型狀 態(tài)依據(jù)模型轉(zhuǎn)移概率丨=州α，β = 1，2,…，M，k_l時刻對應(yīng) 模型狀態(tài)α的模型概率的、，可得時刻k機動目標t關(guān)于模型β的預測模型概率， °以預測模型概率為基礎(chǔ)，根據(jù)不同模型狀態(tài)對應(yīng)的目標狀態(tài)轉(zhuǎn)移密 度函數(shù)d I )進行粒子狀態(tài)預測，抽取Π。個持續(xù)存在的機動目標采樣粒子γ。，形 成粒子集{爐4，'/^則二； 狀態(tài)（b):對于新生的機動目標采樣粒子，此時e3=〇、巧7=1，新生機動目標的建議 分布選取為初始狀態(tài)分布，根據(jù)不同模型狀態(tài)對應(yīng)的狀態(tài)分布)，抽取nb個新 生的機動目標采樣粒子γ b，形成粒子集味Y6; 狀態(tài)（c):對于消失的機動目標采樣粒子，此時（?=1、f =()，時刻k的粒子狀態(tài)不 存在； 步驟3 :機動目標粒子集丨^和·記為 r 111, 其中：為時刻k第Tl個機動目標狀態(tài)采樣粒子，i = b，c， 1彡η彡rk，rk為時刻k的機動目標數(shù)目； 對當前的觀測值集合；[二與機動目標狀態(tài)采樣粒子集合Pri 依據(jù)模糊拍賣算 法和粒子群優(yōu)化理論進行關(guān)聯(lián)判定，并完成機動目標是否新生與消失的判斷，為時刻k 傳感器SjJ出的第ζ個機動目標觀測值，1 < ζ < Ω k，0,為觀測值數(shù)目； 具體如下： 在k時刻，記第ζ個觀測值與第Tl個機動目標狀態(tài)采樣粒子相關(guān)聯(lián)的模糊代 價為C ζ，n，定義模糊隸屬度為μβηΛ-，μ~?- = exp{(4 -C f Σ二-(4 -Q)}，其中，
P為機動目標狀態(tài)采樣粒子 ??ρ對應(yīng)的預測觀測值，模糊代價n可表示為對應(yīng)的模糊隸屬度μ^ν;觀測值集合與機 動目標狀態(tài)采樣粒子集合二維分配問題數(shù)學模型中的目標函數(shù)與約束條件為： iik rk 目標函數(shù)廠⑷="""IlEiU.!, C-I η-1
其中：3ζ，η為二進制決策變量，a ζ，η = 1表示第ζ個觀測值與第n個機動目標狀態(tài) 采樣粒子相關(guān)聯(lián)，n = O表示其他，該二維分配問題的最優(yōu)解可表示為每行、每列最多只 有一個1的QkXrk階關(guān)聯(lián)決策矩陣 定義粒子Ypso的適應(yīng)度值為f YPS。，=Σ(卜(丨_人1廣)，其中，J\，n為依據(jù)拍賣算 法理論定義的競拍價格，h，n= λ $ζ，η-λ2νζ+ε，n為第ζ個觀測值與第n個機動 目標狀態(tài)粒子集的關(guān)聯(lián)價值，ge，n = max{c ζ，n}-C(；，n，νζ為觀測值的價值，λ i為利益 系數(shù)，λ 2為代價系數(shù)，ε為足夠小的正數(shù)，設(shè)定粒子Pyps。為個體當前最優(yōu)位置， Pg為群體 中最佳粒子位置，粒子的位置和速度向量維數(shù)為DkX nps。，Dk為觀測集維數(shù)，Π ps。為粒子 群的粒子數(shù)，第個粒子的位置表示一組觀測值與機動目標狀態(tài)采樣粒子的關(guān)聯(lián)性判斷 結(jié)果； 首先依據(jù)關(guān)聯(lián)決策矩陣進行機動目標是否新生與消失的粗判斷：若關(guān)聯(lián)決策矩陣中某 一行的元素值均近似為零，則認為該觀測值可能來自于新生目標，或者來自于雜波；若關(guān)聯(lián) 決策矩陣中某一列的元素值均近似為零，則認為該目標可能消失； 然后依據(jù)目標在觀測場景中的存在概率進行精判斷：若匕多2/3,則時刻k新出現(xiàn)的觀 測值來自于新生目標t，此時在整個粒子集中增加該新生目標粒子集；若1/3,則認為 時刻k目標t消失，此時在整個粒子集中刪除該消失目標粒子集；所述乃; 1 γ,-ι 步驟4 :依據(jù)觀測分辨單元內(nèi)機動目標存在與不存在的似然比表達式
1進行粒子權(quán)值計算， 其中：= 〇為機動目標狀態(tài)采樣粒子存在的似然函數(shù)，|<γ = 〇)為 機動目標狀態(tài)采樣粒子不存在的似然函數(shù)； 分三種情況進行： 狀態(tài)（a):對于持續(xù)存在的機動目標采樣粒子，依據(jù)預測粒子狀態(tài)時判定出的目標模 型狀態(tài)及相應(yīng)的目標狀態(tài)轉(zhuǎn)移密度函數(shù)，得持續(xù)存在的機動目標梁烊賴子Y的去咁一化 權(quán)值為敗I'，= 〇,歸一化權(quán)值為wp，
狀態(tài)（b):對于新生的機動目標采樣粒子，依據(jù)預測粒子狀態(tài)時判定出的目標模型 狀態(tài)及相應(yīng)的目標狀態(tài)分布，得新生的機動目標采樣粒子Yb的非歸一化權(quán)重為必'，
-卜 1^， 歸一化權(quán)值為Wp， 2 Vifi其 Y產(chǎn)1 中，Mxp I# =1，〇 0)為新生機動目標采樣粒子先驗分布，=1,C =(Uijt) 為新生機動目標采樣粒子建議分布； 狀態(tài)（C):對于消失的機動目標采樣粒子，粒子權(quán)值不存在； 將持續(xù)存在的機動目標采樣粒子與新生的機動目標采樣粒子的粒子集進行混合，記 機動目標新生概率為Pb，消失概率為Pd，k-Ι時刻機動目標存在概率為，可得非歸一 化混合概率私、氣，丸=41-1]!?1"，兒H1-C]為-!Ef，以及k時刻 lb Yc:1 Λ M1 -\-Μ 機動目標的存在概率為，A=立+說+[二⑴卜一月]，更新持續(xù)存在的機動 目標采樣粒子與新生的機動目標采樣粒子權(quán)重可得'，碎n = M ， 1 b 1 c ]^L/f π W= M1 +M wZ'，合并nb+nc個粒子，得k時刻機動目標混合粒子集{# 4'<，# }"， 其中 i = b，c，t = 0, 1，…，rk; 步驟5 :對步驟4獲得的混合粒子集中的nb+n。個粒子進行重采樣，得到逼近機動目 標t狀態(tài)后驗概率分布的粒子集，其中，k = 1，2,…，t = 0, 1，…rmax， ?; 步驟6:在時刻k，按照每個模型的模型概率進行粒子狀態(tài)融合，得到 M 機動目標t的局部狀態(tài)后驗估計值，私* = Σ ，均方誤差，
mf:l ，其中：對應(yīng)于模型吋γ，
，γ = ：^，···，！^^，Ml1為預測模型概率，Π//；!卜為對應(yīng)模型< 的采樣粒子f
Lf為模型似然，
依據(jù)目標存在的后驗概率表達式Pe，得到時刻k機動目標數(shù)目Γ k的估計值匕，
:ound(x)表示求得距離X 最近的整數(shù)； 在觀測時間序列k = 1，2, ···!(內(nèi)，對于傳感器Ss，機動目標t的子航跡可表示為狀態(tài)集 合g,爻丨，時刻k估計出的機動目標數(shù)目為f; 步驟7 :重復步驟2至步驟6,求得各傳感器觀測下機動目標t的S個局部狀態(tài) 估計值<，乓，…，乓，及其相應(yīng)的估計均方誤差陣參照分布式融合 結(jié)構(gòu)，得全局狀態(tài)估計值尤，全局狀態(tài)估計均方誤差〇 I:中的目標數(shù)目估計值f為各傳感器局部估計值中的最大值，
Sk
【專利摘要】本發(fā)明涉及一種以多模粒子濾波框架為基礎(chǔ)，在粒子狀態(tài)預測與更新步驟中，依據(jù)粒子存在變量進行預測粒子狀態(tài)集的采樣，考慮當前觀測值與機動目標狀態(tài)粒子的關(guān)聯(lián)程度，利用模糊拍賣算法與粒子群優(yōu)化理論解決觀測集與機動目標狀態(tài)采樣粒子集之間的關(guān)聯(lián)問題，并給出機動目標出現(xiàn)與消失的判定準則，實現(xiàn)粒子權(quán)值更新；利用序貫重要性采樣理論對混合采樣粒子集進行重采樣，得到包含模型信息和狀態(tài)信息并能逼近每個機動目標狀態(tài)后驗概率分布的粒子集；考慮粒子存在變量的影響，按照目標模型概率進行粒子狀態(tài)融合得到機動目標局部狀態(tài)后驗估計值和均方誤差；最后，對各傳感器局部航跡信息進行加權(quán)融合，得到各機動目標的全局狀態(tài)估計值，實現(xiàn)對機動目標數(shù)目及狀態(tài)變化的準確估計。
【IPC分類】G01S13-86
【公開號】CN104880708
【申請?zhí)枴緾N201510051642
【發(fā)明人】郭雷, 胡秀華, 李暉暉, 錢林弘, 鹿馨
【申請人】西北工業(yè)大學
【公開日】2015年9月2日
【申請日】2015年1月30日