基于箱粒子CPHD的多扩展目标跟踪方法技术

本发明专利技术提出了一种基于箱粒子CPHD的多扩展目标跟踪方法，用于解决现有箱粒子PHD多扩展目标跟踪方法中存在的目标数目估计不精确的技术问题，实现步骤包括：对多扩展目标量测集合进行量测划分；初始化箱粒子集和势分布；对初始箱粒子集进行预测，对初始势分布进行预测；对预测箱粒子集进行量测更新，对预测势分布进行量测更新；搜索对预测箱粒子强度贡献最大的量测箱；若搜索到对预测箱粒子强度贡献最大的量测箱，对更新箱粒子集进行收缩；估计目标数目；采用随机子划分方法对收缩箱粒子集进行重采样；提取目标状态。本发明专利技术具有目标数目估计精确的特点，可用于车辆编队和人群等系统中的跟踪。

【技术实现步骤摘要】

本专利技术属于信息处理
，涉及一种多扩展目标跟踪方法，具体涉及一种基于箱粒子CPHD的多扩展目标跟踪方法，可用于车辆编队和人群等系统中的跟踪。
技术介绍
随着现代先进传感器如相控阵雷达和逆合成孔径雷达等探测设备分辨率的不断提高，每个运动目标的回波信号可能会同时占据多个距离分辨单元，即每个目标可能产生多个量测，称这样的目标为扩展目标。扩展目标跟踪不仅可以提供目标的运动状态，包括位置、速度、加速度，还可以提供目标的扩展形态，包括目标大小、形状等多方面信息，因此引起了国内外学者的广泛关注。在现实跟踪场景中，存在杂波和虚警，往往无法预知扩展目标的个数，对数目未知且变化的多扩展目标跟踪已成为目标跟踪领域具有挑战的热门课题。多扩展目标跟踪方法可分为基于数据关联的多扩展目标跟踪方法和基于随机集的多扩展目标跟踪方法两大类。在基于数据关联的多扩展目标跟踪方法中，由于多扩展目标会产生大量量测，每个量测与每个扩展目标进行关联假设，会带来巨大的数据计算量，导致跟踪实时性较差。基于随机集的多扩展目标跟踪方法，将目标状态集合和量测集合均建模成随机集，跟踪过程中避免了复杂的数据关联，具有良好的实时性。Mahler结合扩展目标空间分布模型和随机有限集理论提出的扩展目标PHD滤波算法有效地避免了复杂的数据关联，对多扩展目标进行有效跟踪；随后，Orguner等又提出了多扩展目标的CPHD滤波算法。箱粒子(Box-Particle)滤波是由Abdallah等提出的一种基于区间分析的蒙特卡罗滤波算法，能够有效处理量测的三种不确定性。在实际应用中，箱粒子滤波只需要用几十个的箱粒子代替即可达到粒子滤波中几百几千个粒子的滤波效果，大大降低了运算复杂度。Schikora等给出PHD滤波器的箱粒子实现形式；Petrov等提出箱粒子多扩展目标滤波算法及其应用。2015年宋骊平等在《控制与决策》第10期的文章《基于箱粒子的多扩展目标PHD滤波》中，提出了箱粒子PHD多扩展目标跟踪技术，文中采用区间分析来处理扩展目标问题，不需要区分真实量测和混入目标扩展范围的杂波量测，只需通过确定目标扩展范围来进行计算，具有良好的抗杂波性，同时能够大大降低计算复杂度。然而，由于此跟踪技术采用对k-1时刻的初始箱粒子强度进行预测和对k时刻的预测箱粒子强度进行量测更新，得到k时刻的更新箱粒子强度，再通过k时刻的更新箱粒子强度对目标数目进行估计，在此过程中，只传播多扩展目标强度，忽略了目标数目的高阶信息，因其目标数目估计的精确度不高，导致多扩展目标跟踪精确度降低。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷，提出了一种基于箱粒子CPHD的多扩展目标跟踪方法，通过在预测和量测更新过程中，同时传播扩展目标强度和目标数目势分布信息，用于解决现有箱粒子PHD多扩展目标跟踪方法中存在的目标数目估计不精确的技术问题。为实现上述目的，本专利技术采用的技术方案，包括如下步骤：(1)将k时刻的多扩展目标量测集合Zk划分成多个划分单元并利用包含函数[f]分别对多个划分单元进行包含，得到k时刻的量测箱粒子集其中k表示滤波时刻，mk表示k时刻的划分单元个数，Wj表示第j个划分单元内量测分布的空间范围，表示k时刻的量测箱粒子状态。(2)假设k-1时刻的存活箱粒子集为初始势分布为pk-1(n)，将k-1时刻的新生箱粒子集并入存活箱粒子集得到k-1时刻的初始箱粒子集其中和分别表示k-1时刻的存活箱粒子状态、新生箱粒子状态和初始箱粒子状态，和分别表示k-1时刻的存活箱粒子强度、新生箱粒子强度和初始箱粒子强度，Nk-1,s、Nk-1,b和Nk-1分别表示k-1时刻的存活箱粒子数目、新生箱粒子数目和初始箱粒子数目，n表示目标个数。(3)对得到的k-1时刻的初始箱粒子集进行预测，得到k时刻的预测箱粒子集同时对假设的k-1时刻的初始势分布pk-1(n)进行势分布预测，得到k时刻的预测势分布pk|k-1(n)，其中，和分别表示k时刻的预测箱粒子状态和预测箱粒子强度。(4)对k时刻的预测箱粒子集和预测势分布pk|k-1(n)进行量测更新，实现步骤如下：(4a)根据得到的k时刻的量测箱粒子集和k时刻的预测箱粒子集求得似然函数(4b)利用求得的似然函数对得到的k时刻的预测箱粒子集进行量测更新，得到k时刻的更新箱粒子集(4c)利用求得的似然函数对得到的k时刻的预测势分布pk|k-1(n)进行量测更新，得到k时刻的势分布pk(n)。(5)对得到的k时刻的量测箱粒子集进行搜索，并判断是否搜索到对预测箱粒子强度贡献最大的量测箱[zk]，若是，执行步骤(6)，否则，将得到的k时刻的更新箱粒子集输出。(6)利用搜索到的量测箱[zk]，对得到的k时刻的更新箱粒子集进行收缩，得到k时刻的收缩箱粒子集其中表示收缩箱粒子状态。(7)对得到的k时刻的势分布pk(n)进行估计，得到目标数目估计(8)利用随机子划分方法，对得到的k时刻的收缩箱粒子集进行重采样，得到k时刻的重采样箱粒子集为其中和分别表示k时刻的重采样箱粒子状态和重采样箱粒子强度，N表示重采样次数。(9)对得到的k时刻的重采样箱粒子状态集进行点化，得到k时刻的箱中心粒子状态集对该箱中心粒子状态集进行k-means聚类，得到目标的状态估计其中表示k时刻的箱中心粒子状态。(10)判断k时刻是否为跟踪最后时刻，若是，则跟踪结束；否则保存k时刻的重采样箱粒子集并作为下个时刻的存活箱粒子集，令k＝k+1，执行步骤(2)。本专利技术与现有技术相比，具有以下优点：本专利技术由于在对目标数目进行估计时，通过对假设的k-1时刻的初始势分布进行势分布预测和对得到的k时刻的预测势分布进行量测更新，得到k时刻的势分布，再通过k时刻的势分布对目标数目进行估计，保留了目标高阶势信息，与现有箱粒子PHD多扩展目标跟踪方法中采用的对k-1时刻的初始箱粒子强度进行预测和对k时刻的预测箱粒子强度进行量测更新，得到k时刻的更新箱粒子强度，再通过k时刻的更新箱粒子强度对目标数目进行估计的方法对比，有效地提高了目标数目估计精度和稳定性。附图说明图1是本专利技术的流程图；图2是本专利技术与现有的箱粒子PHD多扩展目标跟踪方法单次蒙特卡罗仿真跟踪效果对比图；图3是本专利技术与现有的箱粒子PHD多扩展目标跟踪方法100次蒙特卡罗仿真的目标数目估计对比图和OSPA距离仿真对比图；图4是本专利技术与现有的箱粒子PHD多扩展目标跟踪方法，分别在检测概率为0.95和0.92条件下进行100次蒙特卡罗仿真的目标数目估计对比图。具体实施方式以下结合附图和实施例，对本专利技术作进一步详细说明。参照图1，本专利技术包括如下步骤：(1)对多扩展目标量测集合进行量测划分：本专利技术中量测划分采用最大距离划分，将量测集合划分成多个划分单元，由于箱粒子滤波不区分目标扩展范围内目标量测和杂波量测，因此可将得到的划分单元分别用包含函数[f]包含成具有一定大小的矩形箱，矩形箱的大小由划分单元内量测分布的空间范围决定： { [ zp k ( j ) 本文档来自技高网...

【技术保护点】
一种基于箱粒子CPHD的多扩展目标跟踪方法，包括如下步骤：(1)将k时刻的多扩展目标量测集合Zk划分成多个划分单元并利用包含函数[f]分别对多个划分单元进行包含，得到k时刻的量测箱粒子集其中k表示滤波时刻，mk表示k时刻的划分单元个数，Wj表示第j个划分单元内量测分布的空间范围，表示k时刻的量测箱粒子状态；(2)假设k‑1时刻的存活箱粒子集为初始势分布为pk‑1(n)，将k‑1时刻的新生箱粒子集并入存活箱粒子集得到k‑1时刻的初始箱粒子集其中和分别表示k‑1时刻的存活箱粒子状态、新生箱粒子状态和初始箱粒子状态，和分别表示k‑1时刻的存活箱粒子强度、新生箱粒子强度和初始箱粒子强度，Nk‑1,s、Nk‑1,b和Nk‑1分别表示k‑1时刻的存活箱粒子数目、新生箱粒子数目和初始箱粒子数目，n表示目标个数；(3)对得到的k‑1时刻的初始箱粒子集进行预测，得到k时刻的预测箱粒子集同时对假设的k‑1时刻的初始势分布pk‑1(n)进行势分布预测，得到k时刻的预测势分布pk|k‑1(n)，其中，和分别表示k时刻的预测箱粒子状态和预测箱粒子强度；(4)对k时刻的预测箱粒子集和预测势分布pk|k‑1(n)进行量测更新，实现步骤如下：(4a)根据得到的k时刻的量测箱粒子集和k时刻的预测箱粒子集求得似然函数(4b)利用求得的似然函数对得到的k时刻的预测箱粒子集进行量测更新，得到k时刻的更新箱粒子集(4c)利用求得的似然函数对得到的k时刻的预测势分布pk|k‑1(n)进行量测更新，得到k时刻的势分布pk(n)；(5)对得到的k时刻的量测箱粒子集进行搜索，并判断是否搜索到对预测箱粒子强度贡献最大的量测箱[zk]，若是，执行步骤(6)，否则，将得到的k时刻的更新箱粒子集输出；(6)利用搜索到的量测箱[zk]，对得到的k时刻的更新箱粒子集进行收缩，得到k时刻的收缩箱粒子集其中表示收缩箱粒子状态；(7)对得到的k时刻的势分布pk(n)进行估计，得到目标数目估计(8)利用随机子划分方法，对得到的k时刻的收缩箱粒子集进行重采样，得到k时刻的重采样箱粒子集为其中和分别表示k时刻的重采样箱粒子状态和重采样箱粒子强度，N表示重采样次数；(9)对得到的k时刻的重采样箱粒子状态集进行点化，得到k时刻的箱中心粒子状态集对该箱中心粒子状态集进行k‑means聚类，得到目标的状态估计其中表示k时刻的箱中心粒子状态；(10)判断k时刻是否为跟踪最后时刻，若是，则跟踪结束；否则保存k时刻的重采样箱粒子集并作为下个时刻的存活箱粒子集，令k＝k+1，执行步骤(2)。...

【技术特征摘要】
1.一种基于箱粒子CPHD的多扩展目标跟踪方法，包括如下步骤：(1)将k时刻的多扩展目标量测集合Zk划分成多个划分单元并利用包含函数[f]分别对多个划分单元进行包含，得到k时刻的量测箱粒子集其中k表示滤波时刻，mk表示k时刻的划分单元个数，Wj表示第j个划分单元内量测分布的空间范围，表示k时刻的量测箱粒子状态；(2)假设k-1时刻的存活箱粒子集为初始势分布为pk-1(n)，将k-1时刻的新生箱粒子集并入存活箱粒子集得到k-1时刻的初始箱粒子集其中和分别表示k-1时刻的存活箱粒子状态、新生箱粒子状态和初始箱粒子状态，和分别表示k-1时刻的存活箱粒子强度、新生箱粒子强度和初始箱粒子强度，Nk-1,s、Nk-1,b和Nk-1分别表示k-1时刻的存活箱粒子数目、新生箱粒子数目和初始箱粒子数目，n表示目标个数；(3)对得到的k-1时刻的初始箱粒子集进行预测，得到k时刻的预测箱粒子集同时对假设的k-1时刻的初始势分布pk-1(n)进行势分布预测，得到k时刻的预测势分布pk|k-1(n)，其中，和分别表示k时刻的预测箱粒子状态和预测箱粒子强度；(4)对k时刻的预测箱粒子集和预测势分布pk|k-1(n)进行量测更新，实现步骤如下：(4a)根据得到的k时刻的量测箱粒子集和k时刻的预测箱粒子集求得似然函数(4b)利用求得的似然函数对得到的k时刻的预测箱粒子集进行量测更新，得到k时刻的更新箱粒子集(4c)利用求得的似然函数对得到的k时刻的预测势分布pk|k-1(n)进行量测更新，得到k时刻的势分布pk(n)；(5)对得到的k时刻的量测箱粒子集进行搜索，并判断是否搜索到对预测箱粒子强度贡献最大的量测箱[zk]，若是，执行步骤(6)，否则，将得到的k时刻的更新箱粒子集输出；(6)利用搜索到的量测箱[zk]，对得到的k时刻的更新箱粒子集进行收缩，得到k时刻的收缩箱粒子集其中表示收缩箱粒子状态；(7)对得到的k时刻的势分布pk(n)进行估计，得到目标数目估计(8)利用随机子划分方法，对得到的k时刻的收缩箱粒子集进行重采样，得到k时刻的重采样箱粒子集为其中和分别表示k时刻的重采样箱粒子状态和重采样箱粒子强度，N表示重采样次数；(9)对得到的k时刻的重采样箱粒子状态集进行点化，得到k时刻的箱中心粒子状态集对该箱中心粒子状态集进行k-means聚类，得到目标的状态估计其中表示k时刻的箱中心粒子状态；(10)判断k时刻是否为跟踪最后时刻，若是，则跟踪结束；否则保存k时刻的重采样箱粒子集并作为下个时刻的存活箱粒子集，令k＝k+1，执行步骤(2)。2.根据权利要求1中所述的基于箱粒子CPHD的多扩展目标跟踪方法，其特征在于：步骤(2)中所述的k-1时刻新生箱粒子集是通过对上一时刻的量测箱粒子周围采样产生的，其状态服从高斯分布权值设置为其中，Pb表示箱粒子新生概率，Σ表示新生箱粒子状态分布协方差。3.根据权利要求1中所述的基于箱粒子CPHD的多扩展目标跟踪方法，其特征在于：步骤(3)中所述的对得到的k-1时刻的初始箱粒子集进行预测，是通过系统预测模型和强度预测方程实现的，其中，fk|k-1表示状态转移函数，PS表示箱粒子存活概率。4.根据权利要求1中所述的基于箱粒子CPHD的多扩展目标跟踪方法，其特征在于：步骤(3)中所述的对假设的k-1时刻的初始势分布pk-1(n)进行势分布预测，是通过马尔科夫转移矩阵和势分布预测方程实现的，其中，pbirth(n)表示从k-1时刻到k时刻有n个目标新生的概率，d表示目标消失概率。5.根据权利要求1中所述的基于箱粒子CPHD的多扩展目标跟踪方法，其特征在于：步骤(4a)中所述的似然函数采用以下公式求得： L k ( [ zp k ( j ) ] | [ x k | k - 1 ( i ) ] ) = | [ h c p ] ( [ x k | k - 1 ...

【专利技术属性】
技术研发人员：宋骊平，宋志龙，姬红兵，苗雨，程轩，
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