基于联合概率数据关联算法的雷达多目标跟踪优化方法技术

本发明专利技术公开了一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，思路为：分别确定雷达跟踪的目标总个数T′和k时刻对应包含的量测数目n

Radar multitarget tracking optimization method based on joint probabilistic data association algorithm

The invention discloses a radar multi-target tracking optimization method based on joint probability data association algorithm. The idea is as follows: the total number of target tracking radar T 'and K corresponding to the measured number of N are respectively determined

【技术实现步骤摘要】
基于联合概率数据关联算法的雷达多目标跟踪优化方法
本专利技术属于雷达
，特别涉及一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，适用于杂波环境下雷达对多个目标进行实时跟踪。
技术介绍
近年来，随着应用环境的复杂多变，要求雷达具有多目标跟踪能力，并能同时实现多目标跟踪；多目标跟踪的基本概念是由Wax于1955年在应用物理杂志的一篇文章中提出来的，之后1964年斯特尔在IEEE上发表一篇名为“监视理论中的最优数据关联问题”的论文成为多目标跟踪的先导，但那时卡尔曼滤波尚未普遍应用，斯特尔采用航迹分叉法解决数据关联问题；20世纪70年代初开始在虚警存在的情况下，利用卡尔曼滤波方法(Kalman)系统地对多目标进行跟踪并处理；1971年Singer提出的最近邻法是解决数据关联最简单的方法，但最近邻法在杂波环境下的正确关联率较低；在此期间，Y.Bar-Shalom起到了举足轻重的作用，他于1975年提出了特别适用于杂波环境下对单目标进行跟踪的概率数据关联算法(PDA)，有效解决了杂波环境下的单目标跟踪问题；T.E.Formann和Y.Bar-Shalom等提出了联合概率数据关联算法(JPDA)，JPDA将所有的目标和量测进行排列组合，并选择出合理的联合事件计算联合概率，JPDA考虑了来自其他目标的多个量测处在同一目标互联域内的可能性，能够很好地解决杂波环境下一个互联域内多目标的量测问题；但与此同时，JPDA比较复杂，计算量大，并且随着目标数的增长，确认矩阵的拆分会出现组合爆炸的情况；因此，JPDA在工程上实现起来比较困难。
技术实现思路
针对以上现有技术存在的问题，本专利技术的目的在于提出一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，该种基于联合概率数据关联算法的雷达多目标跟踪优化方法能够有效减少互联过程中拆分出的联合事件的数量，减少计算量，工程上易于实现，同时又保证了可接受的跟踪精度。为达到上述技术目的，本专利技术采用如下技术方案予以实现。一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，包括以下步骤：步骤1，分别确定雷达跟踪的目标总个数为T′，确定k时刻对应包含的量测数目为nk，并分别将k-1时刻第t个目标的状态估计记为将k-1时刻第t个目标的状态误差协方差矩阵记为Pt(k-1|k-1)，将k-1时刻第t个目标的状态转移矩阵记为Ft(k|k-1)，将k时刻第t个目标的量测矩阵记为Ht(k)，将k-1时刻第t个目标的过程噪声协方差矩阵记为Qt(k-1)，将k时刻第t个目标的量测噪声协方差矩阵记为Rt(k)，然后依次计算得到k时刻第t个目标的状态一步预测k时刻第t个目标的量测预测k时刻第j个量测对第t个目标的量测预测新息vjt(k)、k时刻第t个目标的一步预测误差协方差矩阵Pt(k|k-1)、k时刻第t个目标的新息协方差矩阵St(k)和k时刻第t个目标的卡尔曼增益Kt(k)，进而计算得到k时刻nk×T′维量测—目标关联矩阵Ω(k)；其中，j∈{1,2,…,nk}，t∈{1,2,…,T′}，nk表示k时刻对应包含的量测总个数，T′表示雷达跟踪的目标总个数，k≥1；步骤2，根据k时刻nk×T′维量测—目标关联矩阵Ω(k)，计算得到k时刻的量测—目标互联概率矩阵A(k)，进而计算得到k时刻的量测—目标确认矩阵U(k)；步骤3，根据k时刻的量测—目标确认矩阵U(k)，得到k时刻nk个量测与T'个目标关联的ζk个联合事件，进而分别得到ζk个联合事件各自的概率；步骤4，根据k时刻nk个量测与T'个目标关联的ζk个联合事件各自的概率，计算得到k时刻nk个量测与T′个目标互联的精确概率矩阵为B(k)；步骤5，根据k时刻nk个量测与T′个目标互联的精确概率矩阵B(k)，计算得到k时刻第t个目标的状态方程进而计算得到k时刻第t个目标的误差协方差矩阵Pt(k|k)；令t分别取1至T′，进而分别得到k时刻第1个目标的状态方程至k时刻第T′个目标的状态方程以及k时刻第1个目标的误差协方差矩阵P1(k|k)至k时刻第T′个目标的误差协方差矩阵PT′(k|k)，并记为k时刻T′个目标的误差协方差矩阵，此时雷达根据所述k时刻T′个目标的误差协方差矩阵对T′个目标进行跟踪。本专利技术的有益效果：第一，本专利技术方法利用联合概率数据关联算法的优势，充分考虑了量测与目标之间的互联属性，通过拆分联合事件的形式计算量测与目标的互联概率，使得该算法能够在强杂波环境下保持较好的跟踪性能。第二，本专利技术方法通过对目标相关波门做了阈值化处理，大大减低了低概率联合事件的个数，在跟踪精度损失可接受的前提下，有效减少了计算量，提高了实时性。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细说明。图1为本专利技术的一种基于联合概率数据关联算法的雷达多目标跟踪优化方法流程图；图2(a)为四交叉目标情况下量测分布示意图；图2(b)为四交叉目标真实航线示意图；图2(c)为使用本专利技术方法对四交叉目标进行目标跟踪的结果示意图；图3(a)为六交叉目标情况下量测分布示意图；图3(b)为六交叉目标真实航线示意图；图3(c)为使用本专利技术方法对六交叉目标进行目标跟踪的结果示意图。具体实施方式参照图1，为本专利技术的一种基于联合概率数据关联算法的雷达多目标跟踪优化方法流程图；所述基于联合概率数据关联算法的雷达多目标跟踪优化方法，包括以下步骤：步骤1，分别确定雷达跟踪的目标总个数为T′，确定k时刻对应包含的量测数目为nk，并分别将k-1时刻第t个目标的状态估计记为将k-1时刻第t个目标的状态误差协方差矩阵记为Pt(k-1|k-1)，将k-1时刻第t个目标的状态转移矩阵记为Ft(k|k-1)，将k时刻第t个目标的量测矩阵记为Ht(k)，将k-1时刻第t个目标的过程噪声协方差矩阵记为Qt(k-1)，将k时刻第t个目标的量测噪声协方差矩阵记为Rt(k)，然后依次计算得到k时刻第t个目标的状态一步预测k时刻第t个目标的量测预测k时刻第j个量测对第t个目标的量测预测新息vjt(k)、k时刻第t个目标的一步预测误差协方差矩阵Pt(k|k-1)、k时刻第t个目标的新息协方差矩阵St(k)和k时刻第t个目标的卡尔曼增益Kt(k)，进而计算得到k时刻nk×T′维量测—目标关联矩阵Ω(k)。其中，j∈{1,2,…,nk}，t∈{1,2,…,T′}，nk表示k时刻对应包含的量测总个数，T′表示雷达跟踪的目标总个数，k≥1。具体地，分别确定雷达跟踪的目标总个数为T′，确定k时刻对应包含的量测数目为nk，并分别将k-1时刻第t个目标的状态估计记为将k-1时刻第t个目标的状态误差协方差矩阵记为Pt(k-1|k-1)，将k-1时刻第t个目标的状态转移矩阵记为Ft(k|k-1)，将k时刻第t个目标的量测矩阵记为Ht(k)，将k-1时刻第t个目标的过程噪声协方差矩阵记为Qt(k-1)，将k时刻第t个目标的量测噪声协方差矩阵记为Rt(k)；其中，t∈{1,2,…,T′}，T′表示雷达跟踪的目标总个数。确定Z(k)为k时刻的量测集合，且Z(k)＝{zj(k)|j＝1,2,…,nk}，nk表示k时刻对应包含的量测总个数，zj(k)表示k时刻的量测集合Z(k)中第j个量测。则分别计算k时刻第t个目标的状态一步预测其表达式为：计本文档来自技高网...

【技术保护点】
一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，其特征在于，包括以下步骤：步骤1，分别确定雷达跟踪的目标总个数为T′，确定k时刻对应包含的量测数目为n

【技术特征摘要】
1.一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，其特征在于，包括以下步骤：步骤1，分别确定雷达跟踪的目标总个数为T′，确定k时刻对应包含的量测数目为nk，并分别将k-1时刻第t个目标的状态估计记为将k-1时刻第t个目标的状态误差协方差矩阵记为Pt(k-1|k-1)，将k-1时刻第t个目标的状态转移矩阵记为Ft(k|k-1)，将k时刻第t个目标的量测矩阵记为Ht(k)，将k-1时刻第t个目标的过程噪声协方差矩阵记为Qt(k-1)，将k时刻第t个目标的量测噪声协方差矩阵记为Rt(k)，然后依次计算得到k时刻第t个目标的状态一步预测k时刻第t个目标的量测预测k时刻第j个量测对第t个目标的量测预测新息vjt(k)、k时刻第t个目标的一步预测误差协方差矩阵Pt(k|k-1)、k时刻第t个目标的新息协方差矩阵St(k)和k时刻第t个目标的卡尔曼增益Kt(k)，进而计算得到k时刻nk×T′维量测—目标关联矩阵Ω(k)；其中，j∈{1,2,…,nk}，t∈{1,2,…,T′}，nk表示k时刻对应包含的量测总个数，T′表示雷达跟踪的目标总个数，k≥1；步骤2，根据k时刻nk×T′维量测—目标关联矩阵Ω(k)，计算得到k时刻的量测—目标互联概率矩阵A(k)，进而计算得到k时刻的量测—目标确认矩阵U(k)；步骤3，根据k时刻的量测—目标确认矩阵U(k)，得到k时刻nk个量测与T'个目标关联的ζk个联合事件，进而分别得到ζk个联合事件各自的概率；步骤4，根据k时刻nk个量测与T'个目标关联的ζk个联合事件各自的概率，计算得到k时刻nk个量测与T′个目标互联的精确概率矩阵为B(k)；步骤5，根据k时刻nk个量测与T′个目标互联的精确概率矩阵B(k)，计算得到k时刻第t个目标的状态方程进而计算得到k时刻第t个目标的误差协方差矩阵Pt(k|k)；令t分别取1至T′，进而分别得到k时刻第1个目标的状态方程至k时刻第T′个目标的状态方程以及k时刻第1个目标的误差协方差矩阵P1(k|k)至k时刻第T′个目标的误差协方差矩阵PT′(k|k)，并记为k时刻T′个目标的误差协方差矩阵，此时雷达根据所述k时刻T′个目标的误差协方差矩阵对T′个目标进行跟踪。2.如权利要求1所述的一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，其特征在于，在步骤1中，所述k时刻第t个目标的状态一步预测k时刻第t个目标的量测预测k时刻第j个量测对第t个目标的量测预测新息vjt(k)、k时刻第t个目标的一步预测误差协方差矩阵Pt(k|k-1)、k时刻第t个目标的新息协方差矩阵St(k)和k时刻第t个目标的卡尔曼增益Kt(k)，其表达式分别为：Pt(k|k-1)＝Ft(k|k-1)Pt(k-1|k-1)FtT(k|k-1)+Qt(k-1)St(k)＝Ht(k)Pt(k|k-1)HtT(k)+Rt(k)Kt(k)＝Pt(k|k-1)HtT(k)St-1(k)其中，Ft(k|k-1)表示k-1时刻第t个目标的状态转移矩阵，表示k-1时刻第t个目标的状态估计，Ht(k)表示k时刻第t个目标的量测矩阵，表示k时刻第t个目标的状态一步预测，zj(k)表示k时刻的量测集合Z(k)中第j个量测，表示k时刻第t个目标的量测预测，Rt(k)表示k时刻第t个目标的量测噪声协方差矩阵，Pt(k-1|k-1)表示k-1时刻第t个目标的状态误差协方差矩阵，Qt(k-1)表示k-1时刻第t个目标的过程噪声协方差矩阵，Pt(k|k-1)表示k时刻第t个目标的一步预测误差协方差矩阵，j∈{1,2,…,nk}，t∈{1,2,…,T′}，nk表示k时刻对应包含的量测总个数，T′表示雷达跟踪的目标总个数。3.如权利要求1所述的一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，其特征在于，在步骤1中，所述k时刻nk×T′维量测—目标关联矩阵Ω(k)，其表达式为：其中，wjt(k)表示k时刻第j个量测落入第t个目标的相关波门内的二进制变量，j∈{1,2,…,nk}，t∈{1,2,…,T′}，nk表示k时刻对应包含的量测总个数，T′表示雷达跟踪的目标总个数，wjt(k)＝1表示k时刻第j个量测落入第t个目标的相关波门内，wjt(k)＝0表示k时刻第j个量测没有落入第t个目标的相关波门内，上标T表示转置，上标-1表示求逆操作，vjt(k)表示k时刻第j个量测对第t个目标的量测预测的新息，St(k)表示k时刻第t个目标的新息协方差矩阵，k≥1；所述第t个目标的相关波门，其得到过程为：将雷达跟踪的T′个目标所在空间作为目标跟踪空间，以k时刻T′个目标各自的量测预测分别作为中心，将所述目标跟踪空间对应划分为T′个子空间，该T′个子空间分别为Λ1,Λ2,…,Λt,…,ΛT′，Λt表示第t个目标的子空间，并将第t个目标的子空间Λt作为对应第t个目标的相关波门。4.如权利要求3所述的一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，其特征在于，在步骤2中，所述k时刻的量测—目标互联概率矩阵A(k)和所述k时刻的量测—目标确认矩阵U(k)，其表达式分别为：其中，αjt(k)表示k时刻第j个量测与第t个目标互联的粗略概率，j∈{1,2,…,nk}，t∈{1,2,…,T′}，nk表示k时刻对应包含的量测总个数，T′表示雷达跟踪的目标总个数；ujt(k)表示k时刻第j个量测落入第t个目标的确认波门的二进制变量，ujt(k)＝1表示k时刻第j个量测落入第t个目标的确认波门内，ujt(k)＝0表示k时刻第j个量测没有落到第t个目标的确认波门内；k时刻第j个量测落入第t个目标的确认波门的二进制变量ujt(k)的取值依据如下：αjt(k)表示k时刻第j个量测与第t个目标互联的粗略概率，α0表示设定的确认波门门限；其中第t个目标的确认波门是第t个目标的相关波门的一个子集，其构造方法为：考察落入第t个目标的相关波门的所有量测，即考察k时刻的量测—目标互联概率矩阵A(k)的第t列，如果k时刻第j个量测与第t个目标互联的粗略概率αjt(k)满足αjt(k)>α0，则k时刻第j个量测落入第t个目标的确认波门内。5.如权利要求3所述的一种基于联合概率数据关联算法的...

【专利技术属性】
技术研发人员：王彤，张俊飞，李杰，高海龙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61