Некоторое содержание этого приложения в настоящий момент недоступно.
Если эта ситуация сохраняется, свяжитесь с нами по адресуОтзывы и контакты
1. (WO2019047455) MULTI-MANEUVER TARGET TRACKING METHOD AND SYSTEM APPLICABLE TO FLICKER NOISE
Document

说明书

发明名称 0001   0002   0003   0004   0005   0006   0007   0008   0009   0010   0011   0012   0013   0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072   0073   0074   0075   0076   0077   0078   0079   0080   0081   0082   0083   0084   0085   0086   0087   0088   0089   0090   0091   0092   0093   0094   0095   0096   0097   0098   0099   0100   0101   0102   0103   0104   0105   0106  

权利要求书

1   2   3   4   5   6   7   8   9   10  

附图

1   2   3   4   5   6  

说明书

发明名称 : 一种适用于闪烁噪声的多机动目标跟踪方法及系统

技术领域

[0001]
本发明属于多传感器信息融合技术领域,尤其涉及一种适用于闪烁噪声的多机动目标跟踪方法及系统。

背景技术

[0002]
闪烁噪声下的概率假设密度滤波器是适用于闪烁噪声多目标跟踪的有效方法,该滤波器能够对闪烁噪声下的非机动目标进行有效的跟踪,但该滤波器不能对在不同模型之间转换的机动目标进行跟踪。
[0003]
发明内容
[0004]
本发明提供了一种适用于闪烁噪声的多机动目标跟踪方法及系统,旨在解决闪烁噪声下多机动目标的有效跟踪问题。
[0005]
为解决上述技术问题,本发明是这样实现的,本发明提供了一种适用于闪烁噪声的多机动目标跟踪方法,所述方法包括:
[0006]
步骤1、利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率;
[0007]
步骤2、根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率;
[0008]
步骤3、对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率;
[0009]
步骤4、利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率;
[0010]
步骤5、从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;
[0011]
从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
[0012]
进一步地,所述步骤1包括:
[0013]
以k-1表示前一时刻,k表示当前时刻,t k-1表示前一时刻的时间,t k表示当前时刻的时间,r i,k-1表示前一时刻目标i的运动模型标识,且1≤r i,k-1≤M r,r i,k表示当前时刻目标i的模型标识,且r i,k=1,2,...,M r,其中,M r表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(y j,k;H kx i,k,R i,ki,k)表示当前时刻测量的概率密度函数,其中,y j,k表示当前时刻的一个测量,H k表示测量矩阵,x i,k表示目标的状态,R i,k表示精度矩阵,ν i,k表示t分布的自由度,且 为精度矩阵R i,k主对角线上的各个元素;
[0014]
已知k-1时刻目标i的运动模型为r i,k-1,则在该模型r i,k-1下的高斯伽玛混合分布为 存在概率为ρ i,k-1(r i,k-1);其中,N表示高斯分布,g表示伽玛分布,x i,k-1表示k-1时刻目标i的状态向量,m i,k-1(r i,k-1)和P i,k-1(r i,k-1)分别表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差, 表示k-1时刻精度矩阵 的对角线元素,ν i,k-1表示k-1时刻t分布的自由度, 和γ i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的形状参数, 和η i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,N k-1,N k-1表示前一时刻目标的总数;
[0015]
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型r i,k下的预测高斯伽玛混合分布为 预测存在概率为ρ i,k|k-1(r i,k);其中,m i,k|k-1(r i,k)=F k-1(r i,k)m i,k-1(r i,k-1), γ i,k|k-1(r i,k)=ρ γγ i,k-1(r i,k-1),η i,k|k-1(r i,k)=ρ ηη i,k-1(r i,k-1),ρ i,k|k-1(r i,k)=p s,k(t k-t k-1)t k|k-1(r i,k|r i,k-1i,k-1(r i,k-1),F k-1(r i,k)表示k-1时刻目标i在模型r i,k下的状态转移矩阵,Q k-1(r i,k)表示k-1时刻目标i在模型r i,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρ α,ρ β,ρ γ,ρ η表示传递因子,取值范围为(0,1],p s,k(t k-t k-1)表示目标的幸存概率,且 t k|k-1(r i,k|r i,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
[0016]
进一步地,设当前时刻的测量集为y k=(y 1,k,...,y M,k),其中,M为当前时刻的测量数据的总数,则所述步骤2包括:
[0017]
以当前时刻各个目标在M r个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型r i,k下的初始高斯伽玛混合分布取为 初始存在概率取为 其中i=1,2,...,N k-1,r i,k=1,2,...,M r
[0018]
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
[0019]
设第j个测量数据处理前,目标i在模型r i,k下的高斯伽玛混合分布及存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,...,M r,j=1,2,...,M;
[0020]
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型r i,k下的高斯伽玛混合分布为 存在概率分别为 其中, 表示伽玛函数,tr表示矩阵的迹, 表示均值向量, 表示协方差矩阵, 表示滤波器增益,伽玛分布的形状参数为 伽玛分布的尺度参数为 精度矩阵为 其中, H k为模型r i,k的观测矩阵,P D,k为目标的检测概率,λ c,k为杂波密度,y j,k为当前时刻接收到的第j个测量数据,上标T表 示矩阵或向量的转置,ξ为状态向量的总维数;
[0021]
则第j个测量数据处理后,目标i在模型r i,k下的的高斯伽玛混合分布为 目标i的存在概率为 其中
[0022]
则第j个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布为 目标i的存在概率为 其中,
[0023]
在第M个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布和存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,...,M r
[0024]
将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为 更新存在 概率为 其中i=1,...,N k-1,r i,k=1,2,...,M r
[0025]
进一步地,所述步骤3包括:
[0026]
对当前时刻目标i在M r个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为r q,k、高斯伽玛混合分布为 和存在概率为ρ q,k(r q,k),其中,q为当前时刻已存在目标的索引号,且q=1,...,N k-1 伽玛分布的形状参数为 伽玛分布的尺度参数为
[0027]
进一步地,所述步骤4包括:
[0028]
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为r j,k=1,其中,j=1,...,M;
[0029]
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为 其中, j=1,...,M, 为第j个新生目标的协方差, 由第j个测量数据y j,k=[x j,k y j,k] T产生,且 为第j个新生目标分布函数中伽玛分布的形状参数, 为第j个新生目标分布函数中伽玛分布的尺度参数;
[0030]
指定当前时刻各新生目标的存在概率为 其中,j=1,...,M,ρ υ为所指定的存在概率;
[0031]
将所述当前时刻已存在目标的运动模型与所述当前时刻新生目标的运动模型合并,得到当前时刻各个目标的运动模型为 其中,N k=N k-1+M;
[0032]
将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为
[0033]
[数0001]


[0034]
将所述当前时刻各个目标的存在概率与所述当前时刻新生目标的存在概率进行合并,得到所述当前时刻各个目标的存在概率为
[0035]
为解决上述技术问题,本发明还提供了一种适用于闪烁噪声的多机动目标跟踪系统,所述系统包括:
[0036]
预测模块,用于利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时 刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率;
[0037]
更新模块,用于根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率;
[0038]
融合模块,用于对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率;
[0039]
生成模块,用于利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率;
[0040]
提取模块,用于从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
[0041]
本发明与现有技术相比,有益效果在于:
[0042]
本发明所提供的方法通过用t分布建模闪烁噪声,应用变分贝叶斯方法近似地求出不同模型下观测噪声的协方差、目标状态以及自由度的联合概率密度,有效解决了闪烁噪声下多机动目标的跟踪问题,提高了多机动目标的跟踪精度。

附图说明

[0043]
图1是本发明第一个实施例提供的一种适用于闪烁噪声的多机动目标跟踪方法示意图;
[0044]
图2是本发明实施例提供的传感器经过70个扫描周期得到的测量数据示意图;
[0045]
图3是在闪烁噪声下采用JMS-PHD滤波器的多目标跟踪方法处理得到的结果示意图;
[0046]
图4是在闪烁噪声下采用本发明所提供的多机动目标跟踪方法处理得到的结果示意图;
[0047]
图5是本发明实施例提供的按照本发明所提供的多目标跟踪方法与JMS-PHD滤波方法在经过100次实验得到的平均OSPA距离对比示意图;
[0048]
图6是本发明第二个实施例提供一种适用于闪烁噪声的多目标跟踪系统的结构示意图。

具体实施方式

[0049]
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0050]
作为本发明的第一个实施例,如图1所示,本发明提供的一种适用于闪烁噪声的多机动目标跟踪方法,该方法包括以下步骤:
[0051]
步骤S101:在马尔科夫链控制的不同系统模型中,利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率。步骤S101具体包括以下步骤:
[0052]
以k-1表示前一时刻,k表示当前时刻,t k-1表示前一时刻的时间,t k表示当前时刻的时间,r i,k-1表示前一时刻目标i的运动模型标识,且1≤r i,k-1≤M r,r i,k表示当前时刻目标i的模型标识,且r i,k=1,2,...,M r,其中,M r表示运动模型的总 数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(y j,k;H kx i,k,R i,ki,k)表示当前时刻测量的概率密度函数,其中,y j,k表示当前时刻的一个测量,H k表示测量矩阵,x i,k表示目标的状态,R i,k表示精度矩阵,ν i,k表示t分布的自由度,且 为精度矩阵R i,k主对角线上的各个元素;
[0053]
已知k-1时刻目标i的运动模型为r i,k-1,则在该模型r i,k-1下的高斯伽玛混合分布为 存在概率为ρ i,k-1(r i,k-1);其中,N表示高斯分布,g表示伽玛分布,x i,k-1表示k-1时刻目标i的状态向量,m i,k-1(r i,k-1)和P i,k-1(r i,k-1)分别表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差, 表示k-1时刻精度矩阵 的对角线元素,ν i,k-1表示k-1时刻t分布的自由度, 和γ i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的形状参数, 和η i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,N k-1,N k-1表示前一时刻目标的总数;
[0054]
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型r i,k下的预测高斯伽玛混合分布为 预测存在概率为ρ i,k|k-1(r i,k);其中,m i,k|k-1(r i,k)=F k-1(r i,k)m i,k-1(r i,k-1), γ i,k|k-1(r i,k)=ρ γγ i,k-1(r i,k-1),η i,k|k-1(r i,k)=ρ ηη i,k-1(r i,k-1), ρ i,k|k-1(r i,k)=p s,k(t k-t k-1)t k|k-1(r i,k|r i,k-1i,k-1(r i,k-1),F k-1(r i,k)表示k-1时刻目标i在模型r i,k下的状态转移矩阵,Q k-1(r i,k)表示k-1时刻目标i在模型r i,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρ α,ρ β,ρ γ,ρ η表示传递因子,取值范围为(0,1],p s,k(t k-t k-1)表示目标的幸存概率,且 t k|k-1(r i,k|r i,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
[0055]
步骤S102:根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率。设当前时刻的测量集为y k=(y 1,k,...,y M,k),其中,M为当前时刻的测量数据的总数,则此时步骤S102具体包括以下步骤:
[0056]
以当前时刻各个目标在M r个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型r i,k下的初始高斯伽玛混合分布取为 初始存在概率取为 其中i=1,2,...,N k-1,r i,k=1,2,...,M r
[0057]
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
[0058]
设第j个测量数据处理前,目标i在模型r i,k下的高斯伽玛混合分布及存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,...,M r,j=1,2,...,M;
[0059]
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型r i,k下的高斯伽玛混合分布为 存在概率分别为 其中, 表示伽玛函数,tr表示矩阵的迹, 表示均值向量, 表示协方差矩阵, 表示滤波器增益,伽玛分布的形状参数为 伽玛分布的尺度参数为 精度矩阵为 其中, H k为模型r i,k的观测矩阵,P D,k为目标的检测概率,λ c,k为杂波密度,y j,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转置,ξ为状态向量的总维数;
[0060]
则第j个测量数据处理后,目标i在模型r i,k下的的高斯伽玛混合分布为 目标i的存在概率为 其中
[0061]
则第j个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布为 目标i的存在概率为 其中,
[0062]
在第M个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布和存在 概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,...,M r
[0063]
将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为 更新存在概率为 其中i=1,...,N k-1,r i,k=1,2,...,M r
[0064]
步骤S103:对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率。步骤S103具体包括以下步骤:
[0065]
对当前时刻目标i在M r个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为r q,k、高斯伽玛混合分布为 和存在概率为ρ q,k(r q,k),其中,q为当前时刻已存在目标的索引号,且q=1,...,N k-1 伽玛分布 的形状参数为 伽玛分布的尺度参数为
[0066]
步骤S104:利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率。步骤S104具体包括以下步骤:
[0067]
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为r j,k=1,其中,j=1,...,M。该匀速运动模型为多种模型中的其中一种类型(可以定义为模型1)。
[0068]
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为 其中,j=1,...,M, 为第j个新生目标的协方差, 由第j个测量数据y j,k=[x j,k y j,k] T产生,且 为第j个新生目标分布函数中伽玛分布的形状参数, 为第j个新生目标分布函数中伽玛分布的尺度参数;
[0069]
指定当前时刻各新生目标的存在概率为 其中,j=1,...,M,ρ υ为所指定的存在概率;
[0070]
将所述当前时刻已存在目标的运动模型与所述当前时刻新生目标的运动模 型合并,得到当前时刻各个目标的运动模型为 其中,N k=N k-1+M;
[0071]
将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为
[0072]
[数0002]


[0073]
将所述当前时刻各个目标的存在概率与所述当前时刻新生目标的存在概率进行合并,得到所述当前时刻各个目标的存在概率为
[0074]
步骤S105:从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。在本实施例中,经过多次的仿真实验得出,将第一阈值设定为10 -3,将第二阈值设定为0.5,可以达到较好的效果。
[0075]
下面结合图2至图5对本实施例进行进一步地解释:
[0076]
在本实施例中,考虑二维空间[-400(m),400(m)]×[-400(m),400(m)]中运动的机动目标。目标的状态由位置和速度构成,表示为 其中x和y分别表示位置分量, 分别表示速度分量,上标T表示向量的转置,状态 转移矩阵为 过程噪声方差矩阵为 Δt k=t k-t k-1为当前时刻与前一时刻的时间差,σ v为过程噪声标准差;目标的运动模型包括r i,k=1,r i,k=2,r i,k=3,模型1是一个匀速运动模型,该模型1的状态转移矩阵和协方差矩阵分别为F k-1(r i,k=1)=F(ω=0s -1)和Q k-1(r i,k=1)=Q(σ v=1ms -2);模型2是一个匀转弯模型,该模型2的状态转移矩阵和协方差矩阵分别为F k-1(r i,k=2)=F(ω=5°s -1)和Q k-1(r i,k=2)=Q(σ v=3ms -2);模型3是一个匀转弯模型,该模型3的状态转移矩阵和协方差矩阵分别为F k-1(r i,k=3)=F(ω=-5°s -1)和Q k-1(r i,k=3)=Q(σ v=3ms -2);不同运动模型之间的马尔科夫转移矩阵为 观测矩阵 观测噪声假设服从r k=10的t分布。
[0077]
为了产生仿真数据,取幸存概率p S,k=1.0、检测概率p D,k=0.9、杂波密度λ c,k=4.6875×10 -6m -2。一次实验中传感器经过70个扫描周期得到的仿真观测数据如图2所示。本实施例在闪烁噪声下,分别采用JMS-PHD(跳变马尔科夫系统模型概率假设密度)滤波器的多目标跟踪方法和本发明所提供的适用于闪烁噪声 的多机动目标跟踪方法对图2中的仿真数据分别进行了处理,在采用JMS-PHD滤波器进行处理时,相关参数设置为p S,k=1.0、p D,k=0.9、λ c,k=4.6875×10 -6m -2、第一阈值为10 -3、第二阈值为0.5,传递因子ρ α=ρ β=ρ γ=ρ η=0.98,伽玛分布形状参数初始值 伽玛分布尺度参数初始值 在闪烁噪声下,采用JMS-PHD滤波器时的新生目标的权重为w υ=0.1,采用本发明实施例所提供的方法时的新生目标的存在概率为ρ υ=0.1、新生目标的协方差 图3和图4分别为JMS-PHD滤波器方法所产生的结果和本发明实施例提供的多机动目标跟踪方法所产生的结果,通过两图的对比结果可以直观的得出,采用本发明所提供的目标跟踪方法所得到的运动轨迹更加连续、完整、精确。通过本发明实施例所提供的方法与现有的闪烁噪声下的JMS-PHD滤波器对图2的仿真数据分别进行处理,经过100次Monte Carlo实验,得到平均OSPA(Optimal Subpattern Assignment,最优亚模式分配)距离,如图5所示。通过图中对比可以看出,本发明的多目标跟踪方法在闪烁噪声下对于关联不确定、检测不确定的多机动目标跟踪可获得更为精确和可靠的目标状态估计、其滤波后的OSPA距离比闪烁噪声下的JMS-PHD滤波器滤波后的OSPA距离要小。
[0078]
综上所述,本发明第一个实施例所提供的方法,根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率,以及模型间的马尔可夫转移概率,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布及预测存在概率,根据各个目标在不同模型中预测的高斯伽玛混合分布和存在概率,利用变分贝叶斯方法序贯处理当前时刻接收到的各测量得到各目标在不同模型下的更新高斯伽玛混合分布和存在概率,对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和存在概率进行融合,得到当前时刻各个已存在目标的运动模型、高斯伽玛混合分布和存在概率,利用当前时刻的测量数据生成新目标的高斯伽玛混合分布,为所述新目标指定存在概率,并选取匀速运动模型作为新目标的运动模型,再将新生目标的运动模型、高斯伽玛混合分布及存在概 率分别与当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,生成当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率,从而很好地解决了闪烁噪声下多机动目标的跟踪问题,可以达到有效跟踪的目的。
[0079]
作为本发明的第二个实施例,如图6所示,本发明提供了一种适用于闪烁噪声的多机动目标跟踪系统,所述系统包括:
[0080]
预测模块101,用于利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率。预测模块101具体用于:
[0081]
以k-1表示前一时刻,k表示当前时刻,t k-1表示前一时刻的时间,t k表示当前时刻的时间,r i,k-1表示前一时刻目标i的运动模型标识,且1≤r i,k-1≤M r,r i,k表示当前时刻目标i的模型标识,且r i,k=1,2,...,M r,其中,M r表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(y j,k;H kx i,k,R i,ki,k)表示当前时刻测量的概率密度函数,其中,y j,k表示当前时刻的一个测量,H k表示测量矩阵,x i,k表示目标的状态,R i,k表示精度矩阵,ν i,k表示t分布的自由度,且 为精度矩阵R i,k主对角线上的各个元素;
[0082]
已知k-1时刻目标i的运动模型为r i,k-1,则在该模型r i,k-1下的高斯伽玛混合分布为 存在概率为ρ i,k-1(r i,k-1);其中,N表示高斯分布,g表示伽玛分布,x i,k-1表示k-1时刻目标i的状态向量,m i,k-1(r i,k-1)和P i,k-1(r i,k-1)分别表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差, 表示k-1时刻精度矩阵 的对角线元素,ν i,k-1表示k-1时刻t分布的自由度, 和γ i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的形状参数, 和η i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,N k-1,N k-1表示前一时刻目标的总数;
[0083]
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型r i,k下的预测高斯伽玛混合分布为 预测存在概率为ρ i,k|k-1(r i,k);其中,m i,k|k-1(r i,k)=F k-1(r i,k)m i,k-1(r i,k-1), γ i,k|k-1(r i,k)=ρ γγ i,k-1(r i,k-1),η i,k|k-1(r i,k)=ρ ηη i,k-1(r i,k-1),ρ i,k|k-1(r i,k)=p s,k(t k-t k-1)t k|k-1(r i,k|r i,k-1i,k-1(r i,k-1),F k-1(r i,k)表示k-1时刻目标i在模型r i,k下的状态转移矩阵,Q k-1(r i,k)表示k-1时刻目标i在模型r i,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρ α,ρ β,ρ γ,ρ η表示传递因子,取值范围为(0,1],p s,k(t k-t k-1)表示目标的幸存概率,且 t k|k-1(r i,k|r i,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
[0084]
更新模块102,用于根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率。设当前时刻的测量集为y k=(y 1,k,...,y M,k),其中,M为当 前时刻测量的总数,则更新模块102具体用于:
[0085]
以当前时刻各个目标在M r个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型r i,k下的初始高斯伽玛混合分布取为 初始存在概率取为 其中i=1,2,...,N k-1,r i,k=1,2,...,M r
[0086]
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
[0087]
设第j个测量数据处理前,目标i在模型r i,k下的高斯伽玛混合分布及存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,...,M r,j=1,2,...,M;
[0088]
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型r i,k下的高斯伽玛混合分布为 存在概率分别为 其中,
[0089]
表示伽玛函数,tr表示矩阵的迹, 表示均值向量, 表示协方差矩阵, 表示滤波器增益,伽玛分布的形状参数为 伽玛分布的尺度参数为 精度矩阵为 其中, H k为模型r i,k的观测矩阵,P D,k为目标的检测概率,λ c,k为杂波密度,y j,k为当前时刻接收到的第j个测量数据,上标T表 示矩阵或向量的转置,ξ为状态向量的总维数;
[0090]
则第j个测量数据处理后,目标i在模型r i,k下的的高斯伽玛混合分布为 目标i的存在概率为 其中
[0091]
则第j个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布为 目标i的存在概率为 其中,
[0092]
在第M个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布和存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,...,M r
[0093]
将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为 更新存在 概率为 其中i=1,...,N k-1,r i,k=1,2,...,M r
[0094]
融合模块103,用于对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率。融合模块103具体用于:
[0095]
对当前时刻目标i在M r个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为r q,k、高斯伽玛混合分布为 和存在概率为ρ q,k(r q,k),其中,q为当前时刻已存在目标的索引号,且q=1,...,N k-1 伽玛分布的形状参数为 伽玛分布的尺度参数为
[0096]
生成模块104,用于利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与 所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率。生成模块104具体用于:
[0097]
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为r j,k=1,其中,j=1,...,M;
[0098]
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为 其中,j=1,...,M, 为第j个新生目标的协方差, 由第j个测量数据y j,k=[x j,k y j,k] T产生,且 为第j个新生目标分布函数中伽玛分布的形状参数, 为第j个新生目标分布函数中伽玛分布的尺度参数;
[0099]
指定当前时刻各新生目标的存在概率为 其中,j=1,...,M,ρ υ为所指定的存在概率;
[0100]
将所述当前时刻已存在目标的运动模型与所述当前时刻新生目标的运动模型合并,得到当前时刻各个目标的运动模型为 其中,N k=N k-1+M;
[0101]
将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为
[0102]
[数0003]


[0103]
将所述当前时刻各个目标的存在概率与所述当前时刻新生目标的存在概率进行合并,得到所述当前时刻各个目标的存在概率为
[0104]
提取模块105,用于从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
[0105]
综上所述,本发明第二个实施例所提供的系统,通过预测模块、更新模块、融合模块、生成模块以及提取模块,用t分布建模闪烁噪声,应用变分贝叶斯方法近似地求出不同模型下观测噪声的协方差、目标状态以及自由度的联合概率密度,有效解决了闪烁噪声下多机动目标的跟踪问题,提高了多机动目标的跟踪精度。
[0106]
以上所述仅为本发明的较佳实施例而已,并不用以限制发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

权利要求书

[权利要求 1]
一种适用于闪烁噪声的多机动目标跟踪方法,其特征在于,所述方法包括: 步骤1、利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率; 步骤2、根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率; 步骤3、对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率; 步骤4、利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率; 步骤5、从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入; 从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
[权利要求 2]
如权利要求1所述的方法,其特征在于,所述步骤1包括: 以k-1表示前一时刻,k表示当前时刻,t k-1表示前一时刻的时间,t k表示当前时刻的时间,r i,k-1表示前一时刻目标i的运动模型标识,且1≤r i,k-1≤M r,r i,k表示当前时刻目标i的模型标识,且r i,k=1,2,…,M r,其中,M r表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(y j,k;H kx i,k,R i,ki,k)表示当前时刻测量的概率密度函数,其中,y j,k表示当前时刻的一个测量,H k表示测量矩阵,x i,k表示目标的状态,R i,k表示精度矩阵,ν i,k表示t分布的自由度,且 为精度矩阵R i,k主对角线上的各个元素; 已知k-1时刻目标i的运动模型为r i,k-1,则在该模型r i,k-1下的高斯伽玛混合分布为 存在概率为ρ i,k-1(r i,k-1);其中,N表示高斯分布,g表示伽玛分布,x i,k-1表示k-1时刻目标i的状态向量,m i,k-1(r i,k-1)和P i,k-1(r i,k-1)分别表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差, 表示k-1时刻精度矩阵 的对角线元素,ν i,k-1表示k-1时刻t分布的自由度, 和γ i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的形状参数, 和η i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,N k-1,N k-1表示前一时刻目标的总数; 根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型r i,k下的预测高斯伽玛混合分布为 预 测存在概率为ρ i,k|k-1(r i,k);其中,m i,k|k-1(r i,k)=F k-1(r i,k)m i,k-1(r i,k-1), γ i,k|k-1(r i,k)=ρ γγ i,k-1(r i,k-1),η i,k|k-1(r i,k)=ρ ηη i,k-1(r i,k-1),ρ i,k|k-1(r i,k)=p s,k(t k-t k-1)t k|k-1(r i,k|r i,k-1i,k-1(r i,k-1),F k-1(r i,k)表示k-1时刻目标i在模型r i,k下的状态转移矩阵,Q k-1(r i,k)表示k-1时刻目标i在模型r i,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρ α,ρ β,ρ γ,ρ η表示传递因子,取值范围为(0,1],p s,k(t k-t k-1)表示目标的幸存概率,且 t k|k-1(r i,k|r i,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
[权利要求 3]
如权利要求2所述的方法,其特征在于,设当前时刻的测量集为y k=(y 1,k,...,y M,k),其中,M为当前时刻的测量数据的总数,则所述步骤2包括: 以当前时刻各个目标在M r个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型r i,k下的初始高斯伽玛混合分布取为 初始存在概率取为 其中i=1,2,...,N k-1,r i,k=1,2,…,M r 利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下: 设第j个测量数据处理前,目标i在模型r i,k下的高斯伽玛混合分布及存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,…,M r,j=1,2,…,M; 根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型r i,k下的高斯伽玛混合分布为 存在概率分别为 其中, 表示伽玛函数,tr表示矩阵的迹, 表示均值向量, 表示协方差矩阵, 表示滤波器增益,伽玛分布的形状参数为 伽玛分布的尺度参数为 精度矩阵为 其中, H k为模型r i,k的观测矩阵,P D,k为目标的检测概率,λ c,k为杂波密度,y j,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转置,ξ为状态向量的总维数; 若 则第j个测量数据处理后,目标i在模型r i,k下的的高斯伽玛混合分布为 目标i的存在概率为 其中 则第j个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布为 目标i的存在概率为 其中, 在第M个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布和存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,…,M r; 将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为 更新存在概率为 其中i=1,…,N k-1,r i,k=1,2,…,M r
[权利要求 4]
根据权利要求3所述的方法,其特征在于,所述步骤3包括: 对当前时刻目标i在M r个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为r q,k、高斯伽玛混合分布为 和存在概率为ρ q,k(r q,k),其中,q为当前时刻已存在目标的索引号,且q=1,…,N k-1 伽玛分布的形状参数为 伽玛分布的尺度参数为
[权利要求 5]
如权利要求4所述的方法,其特征在于,所述步骤4包括: 选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为r j,k=1,其中,j=1,…,M; 利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为 其中,j=1,…,M, 为第j个新生目标的协方差, 由第j个测量数据y j,k=[x j,k y j,k] T产生,且 为第j个新生目标分布函数中伽玛分布的形状参数, 为第j个新生目标分布函数中伽玛分布的尺度参数; 指定当前时刻各新生目标的存在概率为 其中,j=1,…,M,ρ υ为所指定的存在概率; 将所述当前时刻已存在目标的运动模型与所述当前时刻新生目标的运动模型合并,得到当前时刻各个目标的运动模型为 其中,N k=N k-1+M; 将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为 将所述当前时刻各个目标的存在概率与所述当前时刻新生目标的存在概率进行合并,得到所述当前时刻各个目标的存在概率为
[权利要求 6]
一种适用于闪烁噪声的多机动目标跟踪系统,其特征在于,所述系统包括: 预测模块,用于利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率; 更新模块,用于根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率; 融合模块,用于对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率; 生成模块,用于利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得 到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率; 提取模块,用于从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
[权利要求 7]
如权利要求6所述的系统,其特征在于,所述预测模块具体用于: 以k-1表示前一时刻,k表示当前时刻,t k-1表示前一时刻的时间,t k表示当前时刻的时间,r i,k-1表示前一时刻目标i的运动模型标识,且1≤r i,k-1≤M r,r i,k表示当前时刻目标i的模型标识,且r i,k=1,2,…,M r,其中,M r表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(y j,k;H kx i,k,R i,ki,k)表示当前时刻测量的概率密度函数,其中,y j,k表示当前时刻的一个测量,Hk表示测量矩阵,x i,k表示目标的状态,R i,k表示精度矩阵,ν i,k表示t分布的自由度,且 为精度矩阵R i,k主对角线上的各个元素; 已知k-1时刻目标i的运动模型为r i,k-1,则在该模型r i,k-1下的高斯伽玛混合分布为 存在概率为ρ i,k-1(r i,k-1);其中,N表示高斯分布,g表示伽玛分布,x i,k-1表示k-1时刻目标i的状态向量,m i,k-1(r i,k-1)和P i,k-1(r i,k-1)分别表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差, 表示k-1时刻精度矩阵 的对角线元素,ν i,k-1表示k-1时刻t分布的自由度, 和γ i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛混合分布中伽玛分布的形状参数, 和η i,k-1(r i,k-1)表示k-1时刻目标i在模型r i,k-1下的高斯伽玛 混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,N k-1,N k-1表示前一时刻目标的总数; 根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型r i,k下的预测高斯伽玛混合分布为 预测存在概率为ρ i,k|k-1(r i,k);其中,m i,k|k-1(r i,k)=F k-1(r i,k)m i,k-1(r i,k-1), γ i,k|k-1(r i,k)=ρ γγ i,k-1(r i,k-1),η i,k|k-1(r i,k)=ρ ηη i,k-1(r i,k-1),ρ i,k|k-1(r i,k)=p s,k(t k-t k-1)t k|k-1(r i,k|r i,k-1i,k-1(r i,k-1),F k-1(r i,k)表示k-1时刻目标i在模型r i,k下的状态转移矩阵,Q k-1(r i,k)表示k-1时刻目标i在模型r i,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρ α,ρ β,ρ γ,ρ η表示传递因子,取值范围为(0,1],p s,k(t k-t k-1)表示目标的幸存概率,且 t k|k-1(r i,k|r i,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
[权利要求 8]
如权利要求7所述的系统,其特征在于,设当前时刻的测量集为y k=(y 1,k,...,y M,k),其中,M为当前时刻测量的总数,则所述更新模块具体用于: 以当前时刻各个目标在M r个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型r i,k下的初始高斯伽玛混合分布取为 初始存在概率取为 其中i=1,2,...,N k-1,r i,k=1,2,…,M r 利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下: 设第j个测量数据处理前,目标i在模型r i,k下的高斯伽玛混合分布及存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,…,M r,j=1,2,…,M; 根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型r i,k下的高斯伽玛混合分布为 存在概率分别为 其中, 表示伽玛函数,tr表示矩阵的迹, 表示均值向量, 表示协方差矩阵, 表示滤波器增益,伽玛分布的形状参数为 伽玛分布的尺度参数为 精度矩阵为 其中, H k为模型r i,k的观测矩阵,P D,k为目标的检测概率,λ c,k为杂波密度,y j,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转置,ξ为状态向量的总维数; 若 则第j个测量数据处理后,目标i在模型r i,k下的的高斯伽玛混合分布为 目标i的存在概率为 其中 则第j个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布为 目标i的存在概率为 其中, 在第M个测量数据处理后,目标i在模型r i,k下的高斯伽玛混合分布和存在概率分别为 其中,i=1,2,...,N k-1,r i,k=1,2,…,M r; 将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为 更新存在概率为 其中i=1,…,N k-1,r i,k=1,2,…,M r
[权利要求 9]
如权利要求8所述的系统,其特征在于,所述融合模块具体用于: 对当前时刻目标i在M r个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为r q,k、高斯伽玛混合 分布为 和存在概率为ρ q,k(r q,k),其中,q为当前时刻已存在目标的索引号,且q=1,…,N k-1 伽玛分布的形状参数为 伽玛分布的尺度参数为
[权利要求 10]
如权利要求9所述的系统,其特征在于,所述生成模块具体用于: 选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为r j,k=1,其中,j=1,…,M; 利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为 其中,j=1,…,M, 为第j个新生目标的协方差, 由第j个测量数据y j,k=[x j,k y j,k] T产生,且 为第j个新生目标分布函数中伽玛分布的形状参数, 为第j个新生目标分布函数中伽玛分布的尺度参数; 指定当前时刻各新生目标的存在概率为 其中,j=1,…,M,ρ υ 为所指定的存在概率; 将所述当前时刻已存在目标的运动模型与所述当前时刻新生目标的运动模型合并,得到当前时刻各个目标的运动模型为 其中,N k=N k-1+M; 将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为 将所述当前时刻各个目标的存在概率与所述当前时刻新生目标的存在概率进行合并,得到所述当前时刻各个目标的存在概率为

附图

[ 图 1]  
[ 图 2]  
[ 图 3]  
[ 图 4]  
[ 图 5]  
[ 图 6]