[發明專利]基于GLMB濾波和Gibbs采樣的擴展目標跟蹤方法

有效

• 申請號: 201710895163.4
• 申請日: 2017-09-28
• 公開（公告）號: CN107677997B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 陳一梅;劉偉峰;王煦東
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G01S7/02
• 分類號: G01S7/02;G01S13/70
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種基于GLMB濾波和Gibbs采樣的擴展目標跟蹤方法，目標個數估計，擴展目標形狀估計問題，提出了一種基于標簽隨機有限集框架下多擴展目標跟蹤方法，該方法主要包括兩方面：多擴展目標動態建模和多擴展目標的跟蹤估計。首先，結合廣義標簽多伯努利濾波器建立了擴展目標的量測有限混合模型，利用Gibbs采樣和貝葉斯信息準則推導出有限混合模型的參數來對多擴展目標狀態進行學習跟蹤，然后采用等效量測方法來替代擴展目標產生的量測，對擴展目標形狀采用橢圓逼近建模，實現擴展目標形狀的估計。仿真實驗表明本發明所給的方法能夠有效跟蹤多擴展目標，準確估計擴展目標狀態和形狀，并且能夠獲得目標的航跡軌跡。

技術領域

本發明屬于多擴展目標跟蹤領域，針對雜波條件下多擴展目標的狀態估計，目標個數估計，擴展目標形狀估計問題，提出了一種基于標簽隨機有限集(Labelled randomfinite sets,L-RFS)框架下多擴展目標跟蹤方法。

背景技術

傳統的目標跟蹤算法一般假定被跟蹤的目標為一個點目標，即一個目標最多產生一個量測，但隨著現代傳感器技術的不斷發展，雷達分辨率的日益提高使得我們能夠從單個目標中獲得多個量測，即一個目標在一個采樣周期內產生不止一個量測點，這類目標稱為擴展目標。擴展目標的跟蹤能為我們提供被跟蹤目標精確的運動信息和形態信息，這在人工智能時代具有重要的應用價值。傳統的跟蹤算法因為其不再滿足點目標假設，傳統的點目標模型不再適用。這是本發明研究的現實依據。在多擴展目標的跟蹤中為了更有效的獲得整體最優的跟蹤性能，本發明結合廣義標簽多伯努利濾波器(Generalized labelledmulti-bernoulli,GLMB)建立了擴展目標的量測有限混合模型，利用Gibbs采樣和貝葉斯信息準則(BIC)準則推導出有限混合模型的參數來對多擴展目標狀態進行學習跟蹤，然后采用等效量測方法來替代擴展目標產生的量測，對擴展目標形狀采用橢圓逼近建模，實現擴展目標形狀的估計。

發明內容

本發明針對現有技術的不足，提供了一種基于GLMB濾波和Gibbs采樣的多擴展目標跟蹤方法。其具體內容如下：

1系統建模

1.1目標動態模型

在隨機有限集(RFS)框架下，多擴展目標在k時刻的狀態用下面的RFS集合表示：

隨著時間的變化，狀態集X_k包含了k時刻多目標的所有動態信息，在下一時刻，一些目標會消亡或繼續存活并且狀態改變，也會有一些再生目標和新生目標，目標RFS的狀態模型可以寫成如下形式：

其中，S_k|k-1(x)，B_k|k-1(x)和Γ_k分別表示目標的存活，再生和新生。

考慮二維平面內跟蹤N(k)個擴展目標的情形，目標動態方程如下：

x_k+1,i＝Ax_k,i+υ_k,i，i＝1,…,N(k) (3)

這里，是第i個擴展目標的狀態向量，和分別表示k時刻擴展目標i在x軸和y軸方向上的位置，和分別表示在x和y方向上的速度。A為狀態轉移矩陣，υ_k,i是服從標準高斯分布的過程噪聲。

1.2目標量測模型

假設目標在k時刻的觀測量測為：表示擴展目標在k時刻的量測集，其中表示擴展目標在k時刻的第n_k個量測。RFS Z_k包含了雜波、目標觀測和漏檢信息。目標的量測加上雜波和虛警的量測就構成了總的量測。

量測的動態方程如下所示：