基于分段RTS的概率假设密度滤波平滑方法技术

本发明专利技术公开了一种基于分段RTS的概率假设密度滤波平滑方法，将概率假设密度(PHD)滤波器和RTS平滑器相结合，提出了基于RTS的概率假设密度滤波平滑算法。考虑到在平滑过程中存在较大的输出延迟问题，采用分段思想，提出了分段RTS的概率假设密度滤波平滑方法。首先，对需要平滑的估计值进行分段；其次，采用匈牙利算法进行航迹‑估计关联；最后，对关联后的估计值逐段进行RTS平滑。本发明专利技术基于分段RTS的概率假设密度滤波平滑方法与PHD滤波结果相比，能够更加精确地估计目标状态，并且可以有效避免直接应用RTS平滑造成的实时性欠佳问题。

Probabilistic hypothesis density filtering smoothing method based on piecewise RTS

The invention discloses a probability hypothesis density filter smoothing method based on sectional RTS, combines probability hypothesis density (PHD) filter with RTS smoother, and proposes a probability hypothesis density filter smoothing algorithm based on RTS. Considering the large output delay in the smoothing process, a probability hypothesis density filtering smoothing method for piecewise RTS is proposed by using piecewise idea. Firstly, the smoothed estimates are segmented; secondly, the Hungarian algorithm is used to estimate the track correlation; finally, the estimated values are smoothed by RTS. Compared with the result of PHD filter, the probability hypothesis density filter smoothing method based on piecewise RTS can estimate the target state more accurately, and can effectively avoid the problem of poor real-time caused by the direct application of RTS smoothing.

【技术实现步骤摘要】
基于分段RTS的概率假设密度滤波平滑方法
本专利技术属于多目标跟踪领域，具体涉及一种基于分段RTS的概率假设密度滤波平滑方法。该方法能够更加精确的估计目标状态，同时可以改善直接使用RTS平滑造成的实时性欠佳的问题，可用于交通管制，机器人、视频监控等方面。
技术介绍
多目标跟踪是指将传感器接收到的量测信息与先验知识相结合，对目标的运动进行实时预测、估计，识别目标属性，分析目标意图和势态估计，以此达到目标估计与跟踪的目的。目前，目标跟踪技术应用较为广泛如：1.视频监控领域：可利用摄像头对监控区域内的人或物进行跟踪，尤其是对犯罪嫌疑人的检测与跟踪，并进行轨迹分析与行为分析，以帮助解析案情。2.智能交通管理领域：无论是空中航道、公路还是海洋线路，都可以通过对交通工具的轨迹估计与预测，来确保交通安全。3.机器人视觉-人机交互领域：将目标跟踪技术与模式识别、图像处理等知识相结合，使得机器人可以对人体做出的一些指令进行识别并做出相应的反应。4.军事领域：在现代化战争中，通过处理雷达接收到的数据，估计出目标位置，进行火力攻击或者是对敌方的攻击做出预警、防御或反击。Mahler提出的基于随机有限集(R本文档来自技高网...

【技术保护点】
1.基于分段RTS的概率假设密度滤波平滑方法，其特征在于，具体按照以下步骤实施：步骤1、由传感器观测k时刻的真实目标的运动状态产生的数据信息集合以及由杂波产生的信息集合之和组成传感器的量测集Zk，在k时刻传感器的量测集Zk模型为：

【技术特征摘要】
1.基于分段RTS的概率假设密度滤波平滑方法，其特征在于，具体按照以下步骤实施：步骤1、由传感器观测k时刻的真实目标的运动状态产生的数据信息集合以及由杂波产生的信息集合之和组成传感器的量测集Zk，在k时刻传感器的量测集Zk模型为：上式中Zc,k为k时刻的杂波集，Nk为目标个数，表示第i个目标在k时刻的状态值，表示k时刻传感器接收到的第j个量测量：其中，Hk表示目标量测矩阵，表示量测噪声且协方差为Rk；步骤2、根据目标可能的初始的起始位置，计算多目标的初始概率假设密度；初始概率假设密度建模如下：上式中Jk表示初始时刻高斯项个数，表示初始时刻第j个高斯项的权值，为初始时刻第j个高斯项的均值，为初始时刻第j个高斯项的协方差；步骤3、设置分段长度L，由步骤2得到的目标初始概率假设密度以及步骤1得到的量测集合，利用动态方程对目标位置进行估计；步骤4、经步骤3完成对目标位置估计后，保存当前时刻目标总的权值、均值、以及协方差；步骤5、对步骤4得到的目标估计进行航迹-估计关联，同时判断是否满足设置的分段长度，若不满足，返回步骤3，将步骤4得到的当前时刻目标总的权值、均值以及协方差作为下一时刻步骤3中所需要的目标初始权值、均值以及协方差，若满足，执行步骤6；步骤6、当满足设置的分段长度L时，对步骤5得到的各个航迹分别进行RTS平滑，返回步骤3，将步骤4得到的当前时刻目标总的权值、均值以及协方差作为下一时刻步骤3中所需要的目标初始权值、均值以及协方差，经多次循环后最终实现对目标状态的估计。2.根据权利要求1所述的基于分段RTS的概率假设密度滤波平滑方法，其特征在于，所述步骤5具体按照以下步骤实施：步骤5.1、进行航迹初始化；建立初始航迹库并设置航迹的间断步数阈值，其中初始航迹的条数等于初始时刻的目标个数，各个航迹的初始位置为各个目标的初始位置；步骤5.2、采用匈牙利算法进行配对；根据k-1时刻已形成的航迹库可得到Lk-1条航迹未端点的状态值为由于目标运动具有连续性，可根据目标运动方程获得k时刻各条航迹尾端点对应的预测值，记为集合由步骤3得到k时刻目标状态估计值记为集合对两个集合元素采用匈牙利算法配对；步骤5.3、进行航迹-估计关联；设置距离阈值dth，计算已配对元素的马氏距离，若该值小于dth，则进行关联；设置航迹的连续性阈值cnum，由于目标对应的航迹应具有一定的连续性，若航迹持续时间过短，则可将该航迹剔除。3.根据权利要求2所述的基于分段RTS的概率假设密度滤波平滑方法，其特征在于，所述步骤5.2和步骤5.3具体按照以下步骤实施：步骤5.2.1、计算步骤5.2中集合B和集合C中所有元素相互之间的距离，并将其作为效益矩阵，判断l与Nk之间的关系，利用匈牙利算法进行指派；步骤5.2.2、如果l＝Nk，由步骤5.2.1计算结果可直接进行配对；步骤5.2.3、如果l＞Nk，根据集合C中元素个数配对，对集合B中没有配对的预测值认为其对应的第i条航迹在k时刻是间断的，并将其作为有效航迹保留，以便进行下一时刻配对；步骤5.2.4、如果l＜Nk，令n＝Nk-l，根据集合B中元素个数配对，对集合C中n个没有配对的状态估计值xk，将其作为起点，建立n条新航迹参与下一时刻配对；步骤5.3.1、对步骤5.2计算得到两个集合中已配对元素与计算其马氏距离，将该距离的平方记为d；步骤5.3.2、对步骤5.3.1计算得到的距离d，判断该值是否位于χ2分布相应的置信区间内，若d小于预设距离阈值dth，则进行关联，即将k时刻的状态估计值联结到航迹末端，即形成航迹否则将其作为起点，建立新航迹且r≤Nk，并将其作为有效航迹参与下一时刻配对；步骤5.3.3、根据设置的连续性阈值cnum，对步骤5.2结束后形成的航迹Ω进行裁剪，由于目标对应的航迹在一段时间内具有连续性，如果一条已形成的航迹持续时间...

【专利技术属性】
技术研发人员：陈金广，王星辉，马丽丽，张馨东，巩林明，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61