新生未知自适应噪声协方差TPHD滤波的目标跟踪方法技术

本发明专利技术公开了一种新生未知自适应噪声协方差TPHD滤波的目标跟踪方法，主要解决在传感器跟踪场景中目标新生强度未知和量测噪声协方差未知的条件下，传统目标跟踪技术不能准确跟踪导致滤波精度下降的问题。该方法以高斯混合轨迹概率假设密度(TPHD)滤波为基础，使用当前时刻获取的量测驱动目标新生强度，并且将量测噪声协方差建模为服从逆伽马分布的随机矩阵，采用变分贝叶斯作框架进行递推滤波，实现同时自适应估计量测噪声协方差和多轨迹联合后验概率密度。本发明专利技术以轨迹概率假设密度滤波为基础，区分各个目标轨迹的同时，重点解决目标新生强度未知和量测噪声的协方差矩阵未知的问题。的问题。的问题。

【技术实现步骤摘要】
新生未知自适应噪声协方差TPHD滤波的目标跟踪方法


[0001]本专利技术属于变分贝叶斯滤波
和雷达信号处理
，具体涉及一种新生未知自适应噪声协方差TPHD滤波的目标跟踪方法，可用于空中预警、导弹防御和海洋监测等雷达系统中。

技术介绍

[0002]多目标跟踪技术正在受到越来越多的关注，而现代作战环境中的多目标跟踪受许多不确定因素的影响，因此存在这如下的难点：(1)新生目标出现的位置信息未知，有遗漏新生目标的情况；(2)由于不同时刻跟踪的环境不同，导致量测噪声的协方差矩阵未知或随着时间变化；(3)在对检测到的目标进行跟踪滤波的同时，无法精确完成对目标轨迹的关联，造成轨迹的错误和遗漏。
[0003]传统的多目标跟踪技术采用的是数据关联技术，但在目标个数较多时会产生计算爆炸的情况。随机有限集理论的提出为跟踪多目标和确认轨迹提供了新的思路，在此之后出现的概率假设密度(PHD)滤波器将多目标应用于单目标状态空间进行贝叶斯递推，并且实现了线性高斯环境下高斯混合的闭合解。考虑到传统概率假设密度滤波不能区分出各目标的轨迹，Angel等提出了轨迹概率假设密度滤波(TPHD)，既可以不评估量测到目标的关联假设，又使用轨迹作为研究对象而不是一组目标以实现不同目标轨迹的区分。TPHD滤波在轨迹轨迹精度和滤波时间成本上要明显优于标记PHD滤波。

技术实现思路

[0004]解决的技术问题：为解决在传感器跟踪场景中目标新生强度未知和量测噪声协方差未知的条件下，传统目标跟踪技术不能准确跟踪导致滤波精度下降的问题，本专利技术提供一种新生未知自适应噪声协方差TPHD滤波的目标跟踪方法，其核心技术在于，以高斯混合轨迹概率假设密度滤波为基础，使用当前时刻获取的量测驱动目标新生强度，解决任意时刻目标新生强度未知的问题；将量测噪声协方差建模为服从逆伽马分布的随机矩阵，采用变分贝叶斯作为框架进行递推滤波，实现同时自适应估计量测噪声协方差和多轨迹联合后验概率密度。
[0005]技术方案：
[0006]一种新生未知自适应噪声协方差TPHD滤波的目标跟踪方法，所述目标跟踪方法包括以下步骤：
[0007]S1，初始时刻k＝0时，进行初始化；初始化过程包括以下子步骤：
[0008]S11，初始化轨迹X＝(t，x
1：i
)的基本状态(w
k
，m
k
，P
k
)，其中x泛指单个目标，t是轨迹启时时刻，i是轨迹的持续时间，m
k
和P
k
分别是持续时间内轨迹状态均值和误差协方差矩阵，w
k
是高斯分量权值；设置轨迹窗口长度为L，单位时间的滤波是针对不多于L个步长下的轨迹进行的预测更新；
[0009]S12，初始化场景的基本参数：设定量测噪声协方差矩阵R＝diag(β1/α1，
…
β
d
/α
d
)，
其中α1，
…
，α
d
和β1，
…
，β
d
分别是逆伽马分布的自由度和尺度参数，d是量测噪声协方差矩阵的维数；设定衰减因子ρ；初始化状态转移矩阵F、过程噪声Q、量测转移矩阵H、幸存概率p
s
、检测概率P
D
，以及场景中杂波率λ
C
和区域大小V；
[0010]S2，使用k时刻获得的量测集驱动产生目标新生强度，j是量测数目的序号指引，JZ是量测总数目，γ作为新生的标记，将k时刻的量测位置信息设定为当前的新生目标均值新生目标权值设定为新生目标误差协方差表示为
[0011]S3，在变分贝叶斯框架下进行轨迹概率假设密度预测，具体包括以下子步骤：
[0012]S31，对k
‑
1时刻幸存的轨迹X进行预测，将预测结果和步骤S2的新生目标合并作为所有的预测后的高斯分量；
[0013]S32，将k
‑
1时刻各幸存轨迹的噪声协方差的参数分别乘以衰减因子ρ；
[0014]S4，在变分贝叶斯框架下进行轨迹概率假设密度迭代更新，具体包括以下子步骤：
[0015]S41，根据k时刻量测集Z
k
对预测后的轨迹集进行迭代更新，记录循环次数n，采用变分贝叶斯近似对轨迹状态和噪声协方差矩阵进行解耦合，当轨迹状态趋于定值时停止迭代，确定最终轨迹状态和噪声协方差矩阵；
[0016]S42，依据检测概率对轨迹集进行漏检更新；
[0017]S43，将步骤S42和步骤S43的更新结果合并为最终的更新结果；
[0018]S5，根据轨迹权重在变分贝叶斯框架下进行轨迹概率假设密度剪枝吸收，设定权重阈值，将权值小于权重阈值的分量直接进行删除；设定距离阈值，将权值小于距离阈值的分量直接进行吸收合并；
[0019]S6，在变分贝叶斯框架下进行轨迹概率假设密度状态提取，提取出权重大于0.5对应的高斯分量和噪声协方差矩阵，如果在滤波时间内则转入步骤S2，将预设的初始噪声协方差直接作为k+1时刻初始量测噪声协方差的设定值，超出滤波时间则目标跟踪结束。
[0020]进一步地，步骤S2中，使用k时刻获得的量测集驱动产生的目标新生强度D
γ，k|k
‑1(X，R)为：
[0021][0022][0023][0024][0025]式中N(X)表示轨迹X服从正态分布，IG(R)表示量测协方差R服从逆伽马分布，表示逆伽马参数的维度d的序号，α和β表示逆伽马分布自由度和尺度参数，H表示量测转移矩阵。
[0026]进一步地，步骤S3中，采用下述公式对各轨迹高斯分量与逆伽马的混合乘积D
k|k
‑1(X，R)进行预测：
[0027]D
k|k
‑1(X，R)＝D
s，k|k
‑1(X，R)+D
γ，k|k
‑1(X，R)
[0028][0029][0030][0031][0032][0033][0034]式中，为轨迹j的状态转移矩阵，F为单目标的状态转移矩阵，Q是过程噪声协方差，ρ是衰减因子，和是k
‑
1时刻的均值和协方差，和是预测的均值和协方差，和分别为k
‑
1时刻的逆伽马分布的自由度和尺度参数，和分别为逆伽马分布的自由度和尺度参数。
[0035]进一步地，步骤S41中，采用下述公式，根据量测值计算新息调整均值和误差协方差并不断迭代更新，得到最优的轨迹状态和量测噪声协方差：
[0036][0037][0038][0039][0040]其中，H是量测转移密度，是轨迹量测转移密度，是预测的位置信息，是更新后的自由度；
[0041]为求取最优参数，调整更新部件，记录循环次数n，开始循环：
[0042][0043][0044][0045][0046][0047][0048]其中，表示更新后的量测协方差，表示n次迭代后逆伽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新生未知自适应噪声协方差TPHD滤波的目标跟踪方法，其特征在于，所述目标跟踪方法包括以下步骤：S1，初始时刻k＝0时，进行初始化；初始化过程包括以下子步骤：S11，初始化轨迹X＝(t，x
1：i
)的基本状态(w
k
，m
k
，P
k
)，其中x泛指单个目标，t是轨迹启时时刻，i是轨迹的持续时间，m
k
和P
k
分别是持续时间内轨迹状态均值和误差协方差矩阵，w
k
是高斯分量权值；设置轨迹窗口长度为L，单位时间的滤波是针对不多于L个步长下的轨迹进行的预测更新；S12，初始化场景的基本参数：设定量测噪声协方差矩阵R＝diag(β1/α1，
…
β
d
/α
d
)，其中α1，
…
，α
d
和β1，
…
，β
d
分别是逆伽马分布的自由度和尺度参数，d是量测噪声协方差矩阵的维数；设定衰减因子ρ；初始化状态转移矩阵F、过程噪声Q、量测转移矩阵H、幸存概率p
s
、检测概率p
D
，以及场景中杂波率λ
C
和区域大小V；S2，使用k时刻获得的量测集驱动产生目标新生强度，j是量测数目的序号指引，J
Z
是量测总数目，γ作为新生的标记，将k时刻的量测位置信息设定为当前的新生目标均值新生目标权值设定为新生目标误差协方差表示为S3，在变分贝叶斯框架下进行轨迹概率假设密度预测，具体包括以下子步骤：S31，对k
‑
1时刻幸存的轨迹X进行预测，将预测结果和步骤S2的新生目标合并作为所有的预测后的高斯分量；S32，将k
‑
1时刻各幸存轨迹的噪声协方差的参数分别乘以衰减因子ρ；s4，在变分贝叶斯框架下进行轨迹概率假设密度迭代更新，具体包括以下子步骤：S41，根据k时刻量测集Z
k
对预测后的轨迹集进行迭代更新，记录循环次数n，采用变分贝叶斯近似对轨迹状态和噪声协方差矩阵进行解耦合，当轨迹状态趋于定值时停止迭代，确定最终轨迹状态和噪声协方差矩阵；S42，依据检测概率对轨迹集进行漏检更新；S43，将步骤S42和步骤S43的更新结果合并为最终的更新结果；S5，根据轨迹权重在变分贝叶斯框架下进行轨迹概率假设密度剪枝吸收，设定权重阈值，将权值小于权重阈值的分量直接进行删除；设定距离阈值，将权值小于距离阈值的分量直接进行吸收合并；S6，在变分贝...

【专利技术属性】
技术研发人员：静大海，陆星辰，蒋德富，王松，杨佳林，
申请(专利权)人：河海大学，
类型：发明
国别省市：