自适应新生强度下基于GM-PHD滤波器的显式多目标跟踪方法技术

本发明专利技术公开了一种自适应新生强度下基于GM‑PHD滤波器的显式多目标跟踪方法，其核心技术在于通过贴标签将高斯分量分为三大类，不同类别的高斯分量采用不同的状态提取方法来屏蔽存活目标先验密度区域杂波或其它目标量测的干扰；同时利用波门法得到新生目标的先验信息，从而得到新生目标先验未知场景下的多目标显式航迹，其无需对多目标状态估计进行额外的关联处理。与新生目标先验已知的基本GM‑PHD滤波器相比，精度略好，实时性略低；与新生目标先验已知的GLMB滤波器相比，精度较低，实时性优秀。在要求兼顾实时性与精度的新生目标先验未知的多目标跟踪场景中，本发明专利技术所设计的滤波器是理想选择。

An explicit multi-target tracking method based on gm-phd filter under adaptive newborn intensity

【技术实现步骤摘要】
自适应新生强度下基于GM-PHD滤波器的显式多目标跟踪方法
本专利技术涉及新生目标先验未知场景下的、基于高斯混合概率假设密度(GM-PHD)滤波器的显式多目标跟踪方法，属于信号处理

技术介绍
多目标是从一系列量测数据中在线联合估计出多个目标的数量和它们的状态，其广泛应用于军事和民用领域，如雷达多目标跟踪。随着人们对雷达功能需求的不断提高，其应用场景日趋复杂。如信噪比、低信杂波以及目标密集等现象，增加了虚警概率并导致目标的检测概率降低，从而直接影响目标状态－量测关联的准确性、降低状态估计的精度。关于屏蔽多目标跟踪中各类干扰、实现精确的多目标状态估计及航迹的相关课题，已成为国内外本领域研究的热点。目前，应用最多的是联合概率数据关联、多假设关联和随机有限集(RFS)。近年来，由于RFS避免了传统的数据关联，在多目标跟踪应用中得到了广泛的关注。基于RFS，已提出了多种贝叶斯多目标滤波器的近似实现，主要包括概率假设密度(PHD)滤波器、势化概率假设密度滤波器和多伯努力滤波器。虽然这些滤波器不能提供多目标的航迹，但仍得到了广泛的应用。PHD滤波器只迭代多目标后验概率的一阶矩。从实际应用角度来讲，PHD滤波器特别适用于实时性要求高的场景。但其不提供显式的多目标航迹。并且，基本的PHD滤波器是基于新先目标先验已知这个假设。针对PHD滤波器不能提供显式的多目标航迹，近年来提出的方法需要额外的航迹管理。当目标相距很近，或处于密集杂波中，或漏检时，这些方法难以给出正确的多目标航迹。近两年，已有文献基于PHD滤波器的序贯蒙特卡罗(SMC)近似实现和基于PHD滤波器的高斯混合(GM)近似实现，分别提出显式的多目标跟踪算法，但它们都是基于目标先验已知的假设。这使得其只能应用于一些特殊的场景，如飞机场。针对新生目标先验未知的问题，虽然有一些解决方案被提出，但都没有同时解决多目标跟踪的显式航迹管理问题。近些年，提出了贴标签的、基于RFS的标签化多伯努力(GLMB)滤波器，其可显著改善多目标状态提取的精度，且提供显式的多目标航迹。然而，此类滤波器融合了数据关联技术，使得计算负担增加。它们难以应用于实时性要求高的场景。此外，这类滤波器也是基于新生目标先验已知的假设。因此，有必须设计一种适用新生目标先验未知场景下、计算量相对较小、且可提供显式多目标航迹的滤波器。
技术实现思路
基于GM-PHD滤波器的多目标跟踪技术尚未解决新生目标先验未知场景下的多目标航迹管理，针对这个技术问题，本专利技术的目的在于提出一种新生目标先验未知场景下的、基于GM-PHD滤波器的显式多目标跟踪算法，其核心技术在于通过贴标签将高斯分量分为三大类，不同类别的高斯分量采用不同的状态提取方法来屏蔽存活目标先验密度区域杂波或其它目标量测的干扰；同时利用波门法得到新生目标的先验信息，从而得到新生目标先验未知场景下的多目标显式航迹，其无需对多目标状态估计进行额外的关联处理。与新生目标先验已知的基本GM-PHD滤波器相比，精度略好，实时性略低；与新生目标先验已知的GLMB滤波器相比，精度较低，实时性优秀。在要求兼顾实时性与精度的新生目标先验未知的多目标跟踪场景中，本专利技术所设计的滤波器是理想选择。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种自适应新生强度下基于GM-PHD滤波器的显式多目标跟踪方法，基于新生目标先验未知的假设，提出适用于GM-PHD滤波器多目标状态提取的两个“一对一”原则：某簇相同标签的非新生高斯分量只对应于一个量测，此量测也只对应此簇高斯分量。该方法包括以下步骤：步骤1、各类航迹数量初始化k＝0时刻，确定高斯分量的标签以rmax＝0为基数，每新建一个确定航迹，rmax加1；二级高斯分量的标签以rmax2＝Vun2为基数，每新建一个二级暂态航迹，rmax2加1；一级暂态高斯分量的标签以rmax1＝Vun为基数，每新建一个一级暂态航迹，rmax1加1；步骤2、高斯分量预测当k＝1时，没有关于目标的先验信息，不执行高斯分量预测步骤；当k＝2时，执行高斯分量预测步骤，仅包括新生多目标信息的预测；当k≥3时，执行高斯分量预测步骤，包括存活多目标信息的预测和新生多目标信息的预测；其中，存活多目标信息的预测：已知k-1时刻得到存活多目标的后验强度Dk-1|k-1(x)，即k时刻已知关于存活多目标的先验信息由Jk-1个高斯分量的参数集近似，其中，表示高斯密度，x为单目标的状态，x＝[xpxvypyv]T，[xpyp]T表示单目标的位置，[xvyv]T表示单目标的速度；和分别是k-1时刻第j0个分量的权值、均值、协方差矩阵和标签；对k时刻的存活多目标先验信息进行预测，得到k时刻的存活多目标预测强度DS,k|k-1(x)，由Jk-1个高斯分量的参数集近似，其中，和分别是k时刻第j0个存活预测分量的权值、均值、协方差矩阵和标签，其中，pS,k是单目标的存活概率，Fk-1和Qk-1分别是单目标状态转移矩阵和过程噪声协方差矩阵；其中，新生多目标信息的预测：在k-1时刻已经得到了k时刻的新生多目标强度γk(x)，由Jγ,k个高斯分量的参数集近似，其中和分别为第i个新生目标分量的权值、均值、协方差矩阵和标签；对k时刻的新生多目标信息进行预测，得到k时刻的新生多目标预测强度Dγ,k|k-1(x)，由Jγ,k个高斯分量的参数集近似，其中，和分别是k时刻第i个新生预测分量的权值、均值、协方差矩阵和标签，合并和得到高斯分量参数集Jk|k-1＝Jk-1+Jγ，k，和分别是第j个预测分量的权值、均值、协方差矩阵和标签，则得到k时刻的多目标预测强度Dk|k-1(x)，步骤3、剔除杂波(3a)根据雷达获得的k时刻的量测集以及步骤2得到的预测高斯分量参数集基于适用于GM-PHD滤波器的波门法剔除杂波，得到k时刻的有效量测集其中，是雷达获得的xy-平面的第ze1个量测，是采用波门法后得到的第ze个有效量测，|·|为集合的势；(3b)执行Zk,resi＝Zk-Zk,ef，得到剩余量测集当k＝1时，没有预测高斯分量参数集，那么Zk,ef为空，Zk,resi＝Zk；步骤4、更新高斯分量当k＝1时，没有预测高斯分量参数集，Zk,ef为空，不执行更新高斯分量步骤；当k≥2时，由于执行高斯分量预测步骤，则存在更新高斯分量步骤，具体为：根据获得的Zk,ef和更新k时刻的多目标后验强度Dk|k(x)，其中pD,k为k时刻单目标的检测概率，(1-pD,k)Dk|k-1(x)由Jk|k-1个更新高斯分量的参数集近似；其中，和分别为根据有效量测zk,ef和第j个预测分量得到的更新高斯分量的权值、均值、协方差矩阵和标签，λ为k时刻雷达获得的平均杂波数，c(zk)为雷达获得的任意量测zk的空间分布的概率密度，Hk为量测矩阵，Rk为量测噪声协方差矩阵；I为单位矩阵，得到近似k时刻的多目标后验强度Dk|k(x)，由Jk|k-1(1+|Zk,ef|)个更新高斯分量的参数集近似本文档来自技高网...

【技术保护点】
1.自适应新生强度下基于GM-PHD滤波器的显式多目标跟踪方法，其特征在于，基于新生目标先验未知的假设，提出适用于高斯混合概率假设密度GM-PHD滤波器多目标状态提取的两个“一对一”原则：某簇相同标签的非新生高斯分量只对应于一个量测，此量测也只对应此簇高斯分量；/n该方法包括以下步骤：/n步骤1、各类航迹数量初始化/nk＝0时刻，确定高斯分量的标签以r

【技术特征摘要】
1.自适应新生强度下基于GM-PHD滤波器的显式多目标跟踪方法，其特征在于，基于新生目标先验未知的假设，提出适用于高斯混合概率假设密度GM-PHD滤波器多目标状态提取的两个“一对一”原则：某簇相同标签的非新生高斯分量只对应于一个量测，此量测也只对应此簇高斯分量；
该方法包括以下步骤：
步骤1、各类航迹数量初始化
k＝0时刻，确定高斯分量的标签以rmax＝0为基数，每新建一个确定航迹，rmax加1；二级高斯分量的标签以rmax2＝Vun2为基数，每新建一个二级暂态航迹，rmax2加1；一级暂态高斯分量的标签以rmax1＝Vun为基数，每新建一个一级暂态航迹，rmax1加1；
步骤2、高斯分量预测
当k＝1时，没有关于目标的先验信息，不执行高斯分量预测步骤；
当k＝2时，执行高斯分量预测步骤，仅包括新生多目标信息的预测；
当k≥3时，执行高斯分量预测步骤，包括存活多目标信息的预测和新生多目标信息的预测；
其中，存活多目标信息的预测：已知k-1时刻得到存活多目标的后验强度Dk-1|k-1(x)，即k时刻已知关于存活多目标的先验信息由Jk-1个高斯分量的参数集近似，其中，表示高斯密度，x为单目标的状态，x＝[xpxvypyv]T，其中[xpyp]T表示单目标的位置，[xvyv]T表示单目标的速度；和分别是k-1时刻第j0个分量的权值、均值、协方差矩阵和标签；对k时刻的存活多目标先验信息进行预测，得到k时刻的存活多目标预测强度DS,k|k-1(x)，由Jk-1个高斯分量的参数集近似，其中，和分别是k时刻第j0个存活预测分量的权值、均值、协方差矩阵和标签，其中，pS,k是单目标的存活概率，Fk-1和Qk-1分别是单目标状态转移矩阵和过程噪声协方差矩阵；
其中，新生多目标信息的预测：在k-1时刻已经得到了k时刻的新生多目标强度γk(x)，由Jγ,k个高斯分量的参数集近似，其中和分别为第i个新生目标分量的权值、均值、协方差矩阵和标签；对k时刻的新生多目标信息进行预测，得到k时刻的新生多目标预测强度Dγ,k|k-1(x)，由Jγ,k个高斯分量的参数集近似，其中，和分别是k时刻第i个新生预测分量的权值、均值、协方差矩阵和标签，
合并和得到高斯分量参数集Jk|k-1＝Jk-1+Jγ,k，和分别是第j个预测分量的权值、均值、协方差矩阵和标签，则得到k时刻的多目标预测强度Dk|k-1(x)，
步骤3、剔除杂波
(3a)根据雷达获得的k时刻的量测集以及步骤2得到的预测高斯分量参数集基于适用于GM-PHD滤波器的波门法剔除杂波，得到k时刻的有效量测集其中，是雷达获得的xy-平面的第ze1个量测，是采用波门法后得到的第ze个有效量测，|·|为集合的势；
(3b)执行Zk,resi＝Zk-Zk,ef，得到剩余量测集当k＝1时，没有预测高斯分量参数集，那么Zk,ef为空，Zk,resi＝Zk；
步骤4、更新高斯分量
当k＝1时，没有预测高斯分量参数集，Zk,ef为空，不执行更新高斯分量步骤；
当k≥2时，由于执行高斯分量预测步骤，则存在更新高斯分量步骤，具体为：
根据获得的Zk,ef和更新k时刻的多目标后验强度Dk|k(x)，其中pD,k为k时刻单目标的检测概率，(1-pD,k)Dk|k-1(x)由Jk|k-1个更新高斯分量的参数集近似；其中，和分别为根据有效量测zk,ef和第j个预测分量得到的更新高斯分量的权值、均值、协方差矩阵和标签，λ为k时刻雷达获得的平均杂波数，c(zk)为雷达获得的任意量测zk的空间分布的概率密度，Hk为量测矩阵，Rk为量测噪声协方差矩阵；I为单位矩阵，得到近似k时刻的多目标后验强度Dk|k(x)，由Jk|k-1(1+|Zk,ef|)个更新高斯分量的参数集近似，和分别是第j1个更新高斯分量的权值、均值、协方差矩阵和标签；
步骤5、多目标状态提取
当k＝1时，没有高斯分量更新，不执行多目标状态提取步骤；
当k≥2时，执行多目标状态提取步骤，从更新的高斯分量中提取多个带身份标识的单目标状态估计，具体包括：
(5a)设四个查询矩阵Uw、Um、UP、Ul分别为Jk|k-1(1+|Zk,ef|)维的矩阵，步骤4中得到的Jk|k-1(1+|Zk,ef|)个更新高斯分量的权值、均值、协方差矩阵和标签分别存储在Uw、Um、UP和Ul中，其中，中的元素依次存储至Uw的第一列，中的元素依次存储至Um的第一列，中的元素依次存储至UP的第一列，中的元素依次存储至Ul的第一列；按ze＝1,...,|Zk,ef|，依次存储由更新的高斯分量的参数至Uw、Um、UP和Ul中，具体为：中的元素依次存储至Uw的第ze+1列，中的元素依次存储至Um的第ze+1列，中的元素依次存储至UP的第ze+1列，中的元素依次存储至Ul的第ze+1列；
(5b)令
(5c)令k时刻的状态估计集航迹标签集发生时刻集
(5d)取Uw中第二列至最后一列的所有元素中的最大值如果此最大值小于状态提取的基本权值阈值w1，则直接跳至步骤(5h)；否则，根据此最大值所在的不同位置，从Ul中取这些不同位置处的标签，接着对这些标签进行处理，去掉其中重复的元素，得到不重复的标签集设用于存放部分有效量测在查询矩阵中的列号集；
(5e)按依次对所有标签为的高斯分量进行处理，具体包括：
(5e.1)记权值为标签为的元素在Ue中的行号与列号分别记为rn(i1)和cn(i1)，记在Um中相应位置处的元素为m(i1)，Ue中所有标签为的行序号集记作
(5e.2)判断标签的属性，根据其属性对其进行相应的操作，存在以下三种情况：
A.当则为新生分量的标签，其中，Vnew＞Vun2，具体操作步骤包括：
①当建立一条二级暂态航迹，其中，w2为二级暂态权值阈值，具体操作为：
rmax2＝rmax2+1












其中，rmax2＝rmax2+1即更新二级暂态航迹的标签；记中第rn(i1)行在所有列中的元素为将中的所有元素改为rmax2；记中rn(i1)行在...

【专利技术属性】
技术研发人员：高乙月，蒋德富，蒋康辉，韩艳，王松，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32