專(zhuān)利名稱(chēng)：：未知測(cè)量噪聲分布下的多目標(biāo)跟蹤方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及目標(biāo)跟蹤
技術(shù)領(lǐng)域：
，特別是未知測(cè)量噪聲分布下的多目標(biāo)跟蹤方法。
背景技術(shù)：
：目標(biāo)跟蹤的目的是利用跟蹤濾波算法實(shí)時(shí)地估計(jì)運(yùn)動(dòng)目標(biāo)的位置、速度和加速度等運(yùn)動(dòng)狀態(tài)。和單目標(biāo)跟蹤相比，多目標(biāo)跟蹤由于面臨著目標(biāo)數(shù)時(shí)變、觀測(cè)值與目標(biāo)對(duì)應(yīng)關(guān)系的不確定性和觀測(cè)雜波等情況，變得更加復(fù)雜。現(xiàn)有的多目標(biāo)跟蹤技術(shù)主要有兩大類(lèi)，一類(lèi)是傳統(tǒng)的多目標(biāo)跟蹤技術(shù)，另一類(lèi)是基于隨機(jī)有限集(RandomFiniteSet)的多目標(biāo)跟蹤技術(shù)。傳統(tǒng)多目標(biāo)跟蹤技術(shù)需要通過(guò)數(shù)據(jù)關(guān)聯(lián)(DataAssociation)確定觀測(cè)值與各個(gè)目標(biāo)之間的對(duì)應(yīng)關(guān)系，因此也稱(chēng)為基于關(guān)聯(lián)的多目標(biāo)跟蹤技術(shù)，這類(lèi)技術(shù)存在著一些不足之處首先，跟蹤的精度很大程度上取決于數(shù)據(jù)關(guān)聯(lián)的準(zhǔn)確程度，同時(shí)，數(shù)據(jù)關(guān)聯(lián)需要耗費(fèi)大量的時(shí)間，影響跟蹤的速度。其次，難以處理目標(biāo)的出現(xiàn)和消失，即目標(biāo)數(shù)目的變化。基于隨機(jī)有限集的多目標(biāo)跟蹤技術(shù)是在隨機(jī)有限集基礎(chǔ)上通過(guò)有限集統(tǒng)計(jì)理論實(shí)現(xiàn)的。與傳統(tǒng)方法不同的是，該技術(shù)將多目標(biāo)狀態(tài)和觀測(cè)分別定義成一個(gè)隨機(jī)有限集變量，通過(guò)貝葉斯最優(yōu)遞推的方式估計(jì)多目標(biāo)后驗(yàn)概率分布，并得到多目標(biāo)狀態(tài)。該技術(shù)可以有效克服上述傳統(tǒng)多目標(biāo)跟蹤技術(shù)的不足，避免數(shù)據(jù)關(guān)聯(lián)，且很容易處理目標(biāo)個(gè)數(shù)的變化。在實(shí)現(xiàn)時(shí)，通常采用貝葉斯遞推傳遞多目標(biāo)后驗(yàn)分布的一階矩——概率假設(shè)密度(ProbabilityHypothesisDensity)來(lái)近似最優(yōu)貝葉斯遞推，這稱(chēng)為概率假設(shè)密度濾波。這種濾波方法使得基于隨機(jī)有限集的多目標(biāo)方法能夠在計(jì)算上實(shí)現(xiàn)，例如Ba-NguNo,W.K.Ma.TheGaussianMixtureProbabilityHypothesisDensityFilter.IEEETransactiononsignalprocessing，2006，54(11)4091-4104.和Ba-NguVo，S.Singh,A.Doucet.SequentialMonteCarlomethodsforMulti-targetFilteringwithRandomFiniteSets.IEEETransactiononAerospaceandelectronicsystems,2005，41(4)1224-1245.這兩篇文獻(xiàn)公開(kāi)的技術(shù)分別在線性高斯和更廣泛意義的非線性非高斯情況下實(shí)現(xiàn)了概率假設(shè)密度濾波，其中后者的應(yīng)用領(lǐng)域更為廣泛，稱(chēng)為粒子概率假設(shè)密度濾波(ParticleProbabilityHypothesisDensityFiltering)。粒子概率假設(shè)密度濾波技術(shù)利用帶權(quán)粒子集近似多目標(biāo)的概率假設(shè)密度，通過(guò)貝葉斯遞推傳遞和更新每個(gè)粒子，達(dá)到近似各個(gè)時(shí)刻概率假設(shè)密度的目的。具體來(lái)說(shuō)，可分為四個(gè)步驟實(shí)現(xiàn)(1).把上一時(shí)刻的粒子集通過(guò)重要性函數(shù)傳遞到當(dāng)前時(shí)刻，并計(jì)算每個(gè)粒子對(duì)應(yīng)的權(quán)值。(2).在接收到最新的觀測(cè)值后，更新每個(gè)粒子的權(quán)值。(3).從粒子中提取目標(biāo)的個(gè)數(shù)和目標(biāo)狀態(tài)值。(4).根據(jù)粒子的權(quán)值對(duì)粒子進(jìn)行重采樣操作，得到當(dāng)前時(shí)刻的粒子集。但是，按以上四個(gè)步驟實(shí)現(xiàn)的粒子概率假設(shè)密度濾波技術(shù)進(jìn)行跟蹤濾波時(shí)，需要依賴(lài)觀測(cè)噪聲的概率分布來(lái)計(jì)算似然函數(shù)才能更新粒子權(quán)值，而實(shí)際跟蹤過(guò)程中，測(cè)量噪聲往往比較復(fù)雜，難以準(zhǔn)確得到測(cè)量噪聲的概率分布，如果采用與實(shí)際測(cè)量噪聲不符、不準(zhǔn)確的噪聲分布更新粒子權(quán)值，將使得算法的跟蹤性能降低甚至發(fā)散。另一方面，濾波更新需權(quán)利要求未知測(cè)量噪聲分布下的多目標(biāo)跟蹤方法，其方法特征是假設(shè)步驟101已經(jīng)跟蹤得到了k1時(shí)刻的狀態(tài)粒子集為{xk1(i)，wk1(i)}i＝1Lk1，則進(jìn)行下一步目標(biāo)跟蹤需要102的步驟對(duì)前一時(shí)刻(k1)的粒子集，按公式(1)從建議分布qk(·|xk1(i)，Zk)和pk(·|Zk)中隨機(jī)抽取粒子<mrow><msubsup><mover><mi>x</mi><mo>~</mo></mover><mi>k</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>~</mo><mfencedopen='{'close=''separators=''><mtable><mtr><mtd><msub><mi>q</mi><mi>k</mi></msub><mrow><mo>(</mo><mo>·</mo><mo>|</mo><msubsup><mi>x</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>,</mo><msub><mi>Z</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>L</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>p</mi><mi>k</mi></msub><mrow><mo>(</mo><mo>·</mo><mo>|</mo><msub><mi>Z</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><msub><mi>L</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>L</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><msub><mi>J</mi><mi>k</mi></msub></mtd></mtr></mtable><mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></mfenced></mrow>其中，～表示從概率分布中隨機(jī)采樣，xk1(i)為k1時(shí)刻第i個(gè)狀態(tài)粒子，wk1(i)為對(duì)應(yīng)的權(quán)值，Lk1為k1時(shí)刻的粒子數(shù)，Jk為抽取的新目標(biāo)狀態(tài)粒子數(shù)，Zk為觀測(cè)值，為抽取得到的預(yù)測(cè)粒子，所述建議分布qk(·|xk1(i)，Zk)和pk(·|Zk)分別取單目標(biāo)轉(zhuǎn)移概率密度f(wàn)k|k1(·|·)和新生目標(biāo)概率假設(shè)密度γk(·)，即和pk(·|Zk)＝γk(·)；然后通過(guò)公式(2)計(jì)算所抽取的粒子對(duì)應(yīng)的權(quán)值，最終得到103步中k時(shí)刻的預(yù)測(cè)粒子集其中，γk(·)表示k時(shí)刻新生目標(biāo)概率假設(shè)密度，βk|k1(·|·)為k時(shí)刻衍生目標(biāo)的概率假設(shè)密度，ps，k(·)為目標(biāo)的存活概率，fk|k1(·|·)為單目標(biāo)轉(zhuǎn)移概率密度；隨后進(jìn)行步驟104，利用風(fēng)險(xiǎn)函數(shù)計(jì)算每個(gè)粒子的風(fēng)險(xiǎn)值，然后通過(guò)風(fēng)險(xiǎn)評(píng)估函數(shù)評(píng)估粒子的風(fēng)險(xiǎn)；其中，Rk(i)表示第i個(gè)粒子的風(fēng)險(xiǎn)值，z為觀測(cè)值，h(·)為測(cè)量方程，‖·‖表示向量2范數(shù)，評(píng)估函數(shù)的參數(shù)λ的取值范圍為0.9＜λ＜1.1，本發(fā)明實(shí)施過(guò)程中，取λ＝1；在經(jīng)過(guò)步驟105接收到當(dāng)前k時(shí)刻的最新觀測(cè)值后，步驟106利用評(píng)估結(jié)果按照公式(3)更新粒子的權(quán)值步驟107從公式(3)中得到更新后的粒子集其中，取κk(z)＝rU(z)，為目標(biāo)的檢測(cè)率，Zk為當(dāng)前時(shí)刻接收到的測(cè)量值集合，z∈Zk為測(cè)量集合中的一個(gè)測(cè)量值，κk(z)為雜波的概率假設(shè)密度，r為雜波個(gè)數(shù)，服從泊松分布，U(z)為每個(gè)雜波的分布，取為均勻分布，μ(Rk(i))為粒子風(fēng)險(xiǎn)評(píng)估后的結(jié)果；步驟108中，將所有的粒子權(quán)值累加得到目標(biāo)個(gè)數(shù)的估計(jì)值利用kmeans聚類(lèi)算法對(duì)粒子進(jìn)行聚類(lèi)，從所得到的聚類(lèi)中選擇峰值最大的前個(gè)類(lèi)，提取其峰值對(duì)應(yīng)的狀態(tài)點(diǎn)作為多目標(biāo)狀態(tài)估計(jì)值；步驟109步重采樣粒子集得到新的粒子集調(diào)整重采樣后的粒子權(quán)值得到110步中的當(dāng)前時(shí)刻的最終粒子集合{xk(i)，wk(i)}i＝1Lk，然后返回101步驟，將最終粒子集合{xk(i)，wk(i)}i＝1Lk做為101步驟的(k1)的粒子集，重復(fù)下一時(shí)刻的跟蹤，其中，Lk為重采樣后的粒子個(gè)數(shù)。FSA00000006040400012.tif,FSA00000006040400013.tif,FSA00000006040400014.tif,FSA00000006040400015.tif,FSA00000006040400016.tif,FSA00000006040400017.tif,FSA00000006040400021.tif,FSA00000006040400022.tif,FSA00000006040400023.tif,FSA00000006040400024.tif,FSA00000006040400025.tif,FSA00000006040400026.tif,FSA00000006040400027.tif1.未知測(cè)量噪聲分布下的多目標(biāo)跟蹤方法，其方法特征是假設(shè)步驟101已經(jīng)跟蹤得到了k-1時(shí)刻的狀態(tài)粒子集為，_/%=嚴(yán)\則進(jìn)行下一步目標(biāo)跟蹤需要102的步驟對(duì)前一時(shí)刻(k_l)的粒子集，按公式⑴從建議分布qk(*，Zk)和pk(*|Zk)中隨機(jī)抽取粒子其中，表示從概率分布中隨機(jī)采樣，Xh⑴為k-1時(shí)刻第i個(gè)狀態(tài)粒子，WH⑴為對(duì)應(yīng)的權(quán)值，Lk_i為k-1時(shí)刻的粒子數(shù)，Jk為抽取的新目標(biāo)狀態(tài)粒子數(shù)，Zk為觀測(cè)值，茲〉為抽取得到的預(yù)測(cè)粒子，所述建議分布qk(*kH⑴，Zk)和pk(*|Zk)分別取單目標(biāo)轉(zhuǎn)移概率密度f(wàn)kik-J*I)和新生目標(biāo)概率假設(shè)密度Yk(0，即仍(|x。,Z0=/i(丨O和pk(.|Zk)=Yk()；然后通過(guò)公式(2)計(jì)算所抽取的粒子對(duì)應(yīng)的權(quán)值，最終得到103步中k時(shí)刻的預(yù)測(cè)粒子集忒)，tHtf廣其中，yk(-)表示k時(shí)刻新生目標(biāo)概率假設(shè)密度，^m。|)為k時(shí)刻衍生目標(biāo)的概率假設(shè)密度，Ps,k(0為目標(biāo)的存活概率，fk^。I)為單目標(biāo)轉(zhuǎn)移概率密度；隨后進(jìn)行步驟104，利用風(fēng)險(xiǎn)函數(shù)對(duì))二^-樹(shù)巧；!計(jì)算每個(gè)粒子的風(fēng)險(xiǎn)值，然后通過(guò)風(fēng)險(xiǎn)評(píng)估函數(shù)//(及^)=估粒子的風(fēng)險(xiǎn)；其中，Rk⑴表示第i個(gè)粒子的風(fēng)險(xiǎn)值，Z為觀測(cè)值，h(_)為測(cè)量方程，||||表示向量2-范數(shù)，評(píng)估函數(shù)的參數(shù)X的取值范圍為0.9<入<1.1，本發(fā)明實(shí)施過(guò)程中，取X=1；在經(jīng)過(guò)步驟105接收到當(dāng)前k時(shí)刻的最新觀測(cè)值后，步驟106利用評(píng)估結(jié)果按照公式(3)更新粒子的權(quán)值步驟108中，將所有的粒子權(quán)值累加得到目標(biāo)個(gè)數(shù)的估計(jì)值Z^’利用k-means聚類(lèi)算法對(duì)粒子進(jìn)行聚類(lèi)，從所得到的聚類(lèi)中選擇峰值最大的前此,t個(gè)類(lèi)，提取其峰值對(duì)應(yīng)的狀態(tài)點(diǎn)作為多目標(biāo)狀態(tài)估計(jì)值；n(‘)(,)步驟109步重采樣粒子集試^^}，4得到新的粒子集討，調(diào)整重采樣Wk\km|k后的粒子權(quán)值得到lio步中的當(dāng)前時(shí)刻的最終粒子集合Ix^WUk，然后返回101步驟，將最終粒子集合{xk(i)，巧⑴丨…廣做為101步驟的(k-i)的粒子集，重復(fù)下一時(shí)刻的跟蹤，其中，Lk為重采樣后的粒子個(gè)數(shù)。全文摘要本發(fā)明涉及目標(biāo)跟蹤
技術(shù)領(lǐng)域：
，特別是未知測(cè)量噪聲分布下的多目標(biāo)跟蹤方法，本發(fā)明采用風(fēng)險(xiǎn)值衡量粒子的優(yōu)劣，通過(guò)風(fēng)險(xiǎn)評(píng)估函數(shù)評(píng)估粒子后再進(jìn)行權(quán)值更新，整個(gè)過(guò)程不依賴(lài)于測(cè)量噪聲分布，可以在未知的復(fù)雜測(cè)量噪聲分布下穩(wěn)定跟蹤多個(gè)目標(biāo)，比一般的粒子概率假設(shè)密度濾波技術(shù)魯棒性和穩(wěn)定性更高。文檔編號(hào)G01S7/02GK101980044SQ201010100638公開(kāi)日2011年2月23日申請(qǐng)日期2010年1月22日優(yōu)先權(quán)日2010年1月22日發(fā)明者劉貴喜,周承興申請(qǐng)人:西安電子科技大學(xué)