CN103310115B - 一种多目标跟踪的杂波估计方法 - Google Patents

Abstract

本发明涉及目标跟踪技术领域，特别是一种多目标跟踪的杂波估计方法。主要解决现有技术中杂波模型与实际不相符导致跟踪精度降低的问题，特别是复杂背景下未知杂波分布的多目标跟踪问题。本发明通过估计每个目标邻近区域的杂波强度来近似估计整个跟踪区域的杂波强度，整个过程不依赖杂波分布先验知识，可以在复杂背景未知杂波分布下更加准确跟踪多个目标，比一般的粒子概率假设密度滤波技术更具有实用性。

Description

一种多目标跟踪的杂波估计方法

技术领域

本发明涉及目标跟踪技术领域，特别是复杂背景下多目标跟踪的杂波估计方法。

背景技术

在杂波中的多目标跟踪是现在目标跟踪领域研究的一个重要问题，传统的多目标跟踪方法往往假定杂波密度参数已知，用它提供的先验信息跟踪目标。这种做法对于真实应用是不现实的，因为它不可能提前准确知道杂波的参数。此外，杂波的参数值通常依赖于环境条件，可能随时间发生变化。因此，多目标跟踪中在不知道杂波分布的情况下，需要准确估计杂波密度的参数。由于实际环境的复杂性和传感器探测性能的局限性，尤其是来自环境噪声和杂波的干扰，很难准确估计其参数，跟踪目标很容易出现虚警、漏跟和状态估计不准确。

早期关于目标跟踪的方法主要是基于数据关联，没有对噪声和杂波做出系统的估计，他们假设环境噪声为高斯白噪声，杂波服从事先假设的均匀分布，跟踪存在一定的误差。基于随机集框架下的概率假设密度(ProbabilityHypothesisDensity，PHD)滤波，在降低计算量的同时避免了数据关联难题，在多目标跟踪领域得到广泛的研究和应用。PHD滤波Bayes递推公式包含多个积分，很难得到闭合解，高斯混合PHD滤波和粒子PHD滤波方法解决了这个难题。如文献：MahlerR.Multi-targetBayesfilteringviafirst-ordermulti-targetmoments[J].IEEETransactionsonAerospaceandElectronicSystems,2003,39(4):1152-1178;VoBN,SinghS,DoucetA.SequentialMonteCarlomethodsformulti-targetfilteringwithrandomfinitesets[J].IEEETransactionsonAerospaceandElectronicSystems,2005,41(4):1224-1245。这两篇文献公开的技术是随机集框架下多目标跟踪贝叶斯递推及其实现形式，其中粒子概率假设密度滤波解决非线性非高斯情况下的多目标跟踪，应用更加广泛。粒子概率假设密度滤波技术利用带权粒子集近似多目标的概率假设密度，通过贝叶斯递推传递和更新每个粒子，达到近似各个时刻概率假设密度的目的。这些算法一定程度上解决了未知数目的多目标跟踪的问题，但是对于复杂背景下的多目标跟踪还存在很多缺点。

粒子概率假设密度滤波通常假设杂波背景是已知的或者是均匀分布，对于复杂情况传统做法也是假设背景为高斯混合形式或者和伽马噪声的混合形式，杂波分布是服从杂波数目较大的均匀分布。但是在实际跟踪问题中，杂波的分布经常是未知或者分布是非均匀的。如果假设的分布与实际杂波分布不相符，不准确的杂波强度更新粒子权值，将使算法的跟踪性能降低，甚至无法跟踪上目标。这种滤波方法需要知道噪声的概率分布来计算似然函数和状态转移密度来进行预测和更新，这使得其依赖于杂波分布的先验知识。此方法对于复杂杂波场景的目标跟踪问题就很难有效解决，跟踪性能严重降低。

发明内容

本发明的目的是克服现有技术的不足，提供一种复杂背景下的多目标跟踪的杂波估计方法。

本发明是通过以下技术方案实现，一种多目标跟踪的杂波估计方法，包括以下步骤：

步骤101，通过传感器获得目标初始时刻的状态，包含目标的位置和速度信息；

步骤102，然后初始化目标的状态和粒子的权值N表示采样粒子的个数，对获得了k-1时刻PHD的状态粒子集描述为

步骤103，按照公式(1)从存在目标的建议分布和新生目标的建议分布p_k(·|Z_k)中随机采样粒子，所述建议分布和p_k(·|Z_k)的分别取单目标转移概率密度f_k|k-1(·|·)和新生目标概率假设密度γ_k(·)：

${\tilde{x}}_k^{\left(i\right)}=\left\{\begin{array}{c}{q}_k(\·|x_{k-1}^{\left(i\right)},Z_k),i=1,...,L_{k-1}\\ p_k(\·|Z_k),i=L_{k-1}+1,...,L_{k-1}+J_k\end{array}---\left(1\right)\right.$

其中表示k-1时刻第i个粒子的状态，表示第i个粒子的权值，q_k和p_k分别表示k-1时刻的存活的粒子和k时刻新生粒子的建议分布函数，L_k-1为k-1时刻粒子数，J_k为新生目标的粒子数，为随机采样的粒子，Z_k为k时刻的量测集；

步骤104，然后依式(2)(3)计算对应粒子的权值，由此得到k时刻的预测粒子集： ${\{{\tilde{x}}_k^{\left(i\right)},{\tilde{w}}_{k|k-1}^{\left(i\right)}\}}_{i=1}^{L_{k-1}+J_k},$

${\tilde{w}}_{k|k-1}^{\left(i\right)}=\left\{\begin{array}{c}\frac{{\mathrm{\φ}}_{k|k-1}({\tilde{x}}_k^{\left(i\right)},x_{k-1}^{\left(i\right)})\·w_{k-1}^{\left(i\right)}}{q_k\left(x_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)},Z_k)},i=1,...,L_{k-1}\\ \frac{{\mathrm{\γ}}_k\left({\tilde{x}}_k^i\right)}{J_k{p}_k\left({\tilde{x}}_k^{\left(i\right)}\right|Z_k)},i=L_{k-1}+1,...,L_{k-1}+J_k\end{array}\right.---\left(2\right)$

${\mathrm{\φ}}_{k|k-1}({\tilde{x}}_k^{\left(i\right)},x_{k-1}^{\left(i\right)})=e_{k|k-1}\left(x_{k-1}^{\left(i\right)}\right)f_{k|k-1}\left({\tilde{x}}_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})+{\mathrm{\β}}_{k|k-1}\left({\tilde{x}}_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})---\left(3\right)$

其中e_k|k-1(·)表示k-1时刻的目标在k时刻存活下来的概率，f_k|k-1(·|·)表示单目标的状态转移密度，β_k|k-1(·|·)表示k时刻衍生目标的概率密度，γ_k(·)表示k时刻新生目标的概率密度；

步骤105，通过传感器得到k时刻的观测值Z_k，其中Z_k是包含杂波的观测集合；

步骤106，根据前k-1时刻实际杂波的分布情况利用式估计k时刻的杂波个数，其中τ_k-1表示k-1时刻来自当前场景的杂波个数，r_k表示k时刻杂波的估计值；

步骤107，接收到当前k时刻的最新观测值后，先根据观测值估计每个目标邻近区域的杂波个数，设ε表示选定的阈值，表示k时刻第l个目标的预测位置，表示杂波的位置，若满足式子

$\left\{\begin{array}{c}|x_k^l-z_{x,k}^j|\≤\mathrm{\ϵ}\\ |y_k^l-z_{y,k}^j|\≤\mathrm{\ϵ}\end{array}\right.---\left(4\right)$

则该杂波在第l个目标邻近区域，由此可估计出落在该目标附近杂波的个数目标的ε区域近似为个数为均匀分布，强度为本发明中，ε取值为30m，如果估计的目标ε区域杂波个数为零，我们取其杂波强度为其中V为观测区域；

步骤108，利用步骤105，106，107得到的数据更新状态和粒子权值，并且更新目标观测区域的杂波数，根据公式(5)更新粒子权值：

${\tilde{w}}_k^{\left(i\right)}=[1-{\mathrm{PD}}_k\left({\tilde{x}}_k^{\left(i\right)}\right)+\underset{z\∈Z_k}{\mathrm{\Σ}}\frac{{\mathrm{PD}}_k\left({\tilde{x}}_k^i\right)g_k\left(z\right|{\tilde{x}}_k^{\left(i\right)})}{{\mathrm{\κ}}_k\left(z\right)+\underset{j=1}{\overset{L_{k-1}+J_k}{\mathrm{\Σ}}}{\mathrm{PD}}_k\left({\tilde{x}}_k^j\right)g_k\left(z\right|{\tilde{x}}_k^{\left(j\right)}){\tilde{w}}_{k|k-1}^{\left(i\right)}}]{\tilde{w}}_{k|k-1}^{\left(i\right)}---\left(5\right)$

其中κ_k(z)为步骤106中估计的杂波强度，为目标的检测概率，为k时刻接收到的量测集合，M(k)为量测总数，为观测的似然函数；

步骤109，从公式(5)中得到更新后的粒子集为然后对目标个数和目标状态的估计，累加更新后的粒子权值然后得到目标个数的估计值，即利用k-means算法对粒子进行聚类，从聚类粒子中选取峰值最大的前个粒子，对应的状态点作为目标的状态估计值；

步骤110，对粒子集重采样，得到新的粒子集重采样后的粒子权值乘以目标个数，重新调整后得到粒子集L_k为重采样后的粒子个数；

步骤111，得到了新的粒子集合，判断仿真时段是否结束，如果没有，k-1=k，然后返回到步骤101，进行下一时刻的多目标跟踪；否则跟踪结束。

本发明与现有的技术相比具有的优点：实际跟踪问题中，杂波的分布经常是未知或者分布是非均匀的，而许多目标跟踪方法假设杂波背景是已知的或者是均匀分布，从而导致跟踪适应性差，精度降低。本发明采用复杂背景下未知杂波分布的多目标跟踪方法，估计杂波强度不依赖先验知识，通过估计每个目标邻近区域内的杂波强度来估计整个区域杂波强度，比一般的粒子概率假设密度跟踪更准确，适应性更好。对于跟踪复杂背景下的多目标，此方法鲁棒性和稳定性更高。

附图说明

图1为本发明实施方法流程图；

图2为仿真实验一X坐标方向的粒子概率假设密度滤波跟踪技术（图中表示为SMC-PHDF：SequentialMonteCarloProbabilityHypothesisDensityFilter）和杂波估计的概率假设密度滤波跟踪技术（图中表示为CE-PHDF：ClutterEstimationProbabilityHypothesisDensityFilter）的跟踪四个目标的运动轨迹，图中直线表示目标运动真实轨迹，‘×’表示SMC-PHDF跟踪轨迹，‘□’表示CE-PHDF跟踪轨迹，四个目标标记为(1),(2),(3),(4)。

图3为仿真实验一Y坐标方向的粒子概率假设密度滤波跟踪技术（图中表示为SMC-PHDF）和杂波估计的概率假设密度滤波跟踪技术（图中表示为CE-PHDF）的跟踪四个目标的运动轨迹，符号表示同图2。

图4为仿真实验一粒子概率假设密度滤波跟踪技术（图中表示为SMC-PHDF）和杂波估计的概率假设密度滤波跟踪技术(图中表示为CE-PHD)的目标数目估计对比图。图中直线表示真实目标数目，‘×’表示SMC-PHDF估计目标数目，‘□’表示CE-PHDF估计目标数目。

图5为仿真实验一粒子概率假设密度滤波跟踪技术（图中表示为SMC-PHDF）和杂波估计的概率假设密度滤波跟踪技术（图中表示为CE-PHDF）的OSPA误差曲线对比图，‘×’表示SMC-PHDF跟踪误差，‘o’表示CE-PHDF跟踪误差。

图6为第二个仿真实验中，在复杂杂波背景下跟踪四个运动目标得到的X方向运动轨迹，标注符号意义与图2相同。

图7为第二个仿真实验中，在复杂杂波背景下跟踪四个运动目标得到的Y方向运动轨迹，标注符号意义与图3相同。

图8为第二个仿真实验中，在复杂杂波背景下跟踪四个运动目标得到的目标个数估计，标注符号意义与图4相同。

图9为第二个仿真实验中，在复杂杂波背景下跟踪四个运动目标得到的OSPA误差曲线对比图，标注符号意义与图5相同。

具体实施方式

如图1所示，结合流程图说明具体实现步骤为：

步骤101，通过传感器获得目标初始时刻的状态，包含目标的位置和速度信息。

步骤102，然后初始化目标的状态和粒子的权值N表示采样粒子的个数，假定已经获得了k-1时刻PHD的状态粒子集描述为

步骤103，按照公式(1)从存在目标的建议分布和新生目标的建议分布p_k(·|Z_k)中随机采样粒子，所述建议分布和p_k(·|Z_k)的分别取单目标转移概率密度f_k|k-1(·|·)和新生目标概率假设密度γ_k(·)：

${\tilde{x}}_k^{\left(i\right)}=\left\{\begin{array}{c}{q}_k(\·|x_{k-1}^{\left(i\right)},Z_k),i=1,...,L_{k-1}\\ p_k(\·|Z_k),i=L_{k-1}+1,...,L_{k-1}+J_k\end{array}---\left(1\right)\right.$

其中表示k-1时刻第i个粒子的状态，表示第i个粒子的权值，q_k和p_k分别表示k-1时刻的存活的粒子和k时刻新生粒子的建议分布函数，L_k-1为k-1时刻粒子数，J_k为新生目标的粒子数，为随机采样的粒子，Z_k为k时刻的量测集；

步骤104，然后依式(2)(3)计算对应粒子的权值，由此得到k时刻的预测粒子集： ${\{{\tilde{x}}_k^{\left(i\right)},{\tilde{w}}_{k|k-1}^{\left(i\right)}\}}_{i=1}^{L_{k-1}+J_k},$

${\tilde{w}}_{k|k-1}^{\left(i\right)}=\left\{\begin{array}{c}\frac{{\mathrm{\φ}}_{k|k-1}({\tilde{x}}_k^{\left(i\right)},x_{k-1}^{\left(i\right)})\·w_{k-1}^{\left(i\right)}}{q_k\left(x_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)},Z_k)},i=1,...,L_{k-1}\\ \frac{{\mathrm{\γ}}_k\left({\tilde{x}}_k^i\right)}{J_k{p}_k\left({\tilde{x}}_k^{\left(i\right)}\right|Z_k)},i=L_{k-1}+1,...,L_{k-1}+J_k\end{array}\right.---\left(2\right)$

${\mathrm{\φ}}_{k|k-1}({\tilde{x}}_k^{\left(i\right)},x_{k-1}^{\left(i\right)})=e_{k|k-1}\left(x_{k-1}^{\left(i\right)}\right)f_{k|k-1}\left({\tilde{x}}_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})+{\mathrm{\β}}_{k|k-1}\left({\tilde{x}}_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})---\left(3\right)$

其中e_k|k-1(·)表示k-1时刻的目标在k时刻存活下来的概率，f_k|k-1(·|·)表示单目标的状态转移密度，β_k|k-1(·|·)表示k时刻衍生目标的概率密度，γ_k(·)表示k时刻新生目标的概率密度；

步骤105，通过传感器得到k时刻的观测值Z_k，其中Z_k是包含杂波的观测集合；

步骤106，根据前k-1时刻实际杂波的分布情况利用式估计k时刻的杂波个数，其中τ_k-1表示k-1时刻来自当前场景的杂波个数，r_k表示k时刻杂波的估计值；

步骤107，接收到当前k时刻的最新观测值后，先根据观测值估计每个目标邻近区域的杂波个数，设ε表示选定的阈值，表示k时刻第l个目标的预测位置，表示杂波的位置，若满足式子

$\left\{\begin{array}{c}|x_k^l-z_{x,k}^j|\≤\mathrm{\ϵ}\\ |y_k^l-z_{y,k}^j|\≤\mathrm{\ϵ}\end{array}\right.---\left(4\right)$

则该杂波在第l个目标邻近区域，由此可估计出落在该目标附近杂波的个数目标的ε区域近似为个数为均匀分布，强度为本发明中，ε取值为30m，如果估计的目标ε区域杂波个数为零，我们取其杂波强度为其中V为观测区域；

步骤108，利用步骤105，106，107得到的数据更新状态和粒子权值，并且更新目标观测区域的杂波数，根据公式(5)更新粒子权值：

${\tilde{w}}_k^{\left(i\right)}=[1-{\mathrm{PD}}_k\left({\tilde{x}}_k^{\left(i\right)}\right)+\underset{z\∈Z_k}{\mathrm{\Σ}}\frac{{\mathrm{PD}}_k\left({\tilde{x}}_k^i\right)g_k\left(z\right|{\tilde{x}}_k^{\left(i\right)})}{{\mathrm{\κ}}_k\left(z\right)+\underset{j=1}{\overset{L_{k-1}+J_k}{\mathrm{\Σ}}}{\mathrm{PD}}_k\left({\tilde{x}}_k^j\right)g_k\left(z\right|{\tilde{x}}_k^{\left(j\right)}){\tilde{w}}_{k|k-1}^{\left(i\right)}}]{\tilde{w}}_{k|k-1}^{\left(i\right)}---\left(5\right)$

其中κ_k(z)为步骤106中估计的杂波强度，为目标的检测概率，为k时刻接收到的量测集合，M(k)为量测总数，为观测的似然函数；

步骤109，从公式(5)中得到更新后的粒子集为然后对目标个数和目标状态的估计，累加更新后的粒子权值然后得到目标个数的估计值，即利用k-means算法对粒子进行聚类，从聚类粒子中选取峰值最大的前个粒子，对应的状态点作为目标的状态估计值；

步骤110，对粒子集重采样，得到新的粒子集重采样后的粒子权值乘以目标个数，重新调整后得到粒子集L_k为重采样后的粒子个数；

步骤111，得到了新的粒子集合，判断仿真时段是否结束，如果没有，k-1=k，然后返回到步骤101，进行下一时刻的多目标跟踪，否则跟踪结束。

下面结合附图2到附图9对发明算法的跟踪效果做进一步说明。

仿真条件

仿真实验在二维平面区域，目标做匀加速运动。设目标的运动模型和观测模型为：

$\left\{\begin{array}{c}{X}_k={\mathrm{FX}}_{k-1}+w_k\\ Z_k={\mathrm{HX}}_k+v_k\end{array}\right.$

其中过程噪声w_k是零均值的高斯白噪声，w_k～N(0,Q)。v_k是未知的观测噪声。目标的状态向量 $X_k={[x_k,{\stackrel{\·}{x}}_k,{\stackrel{\·\·}{x}}_k,y_k,{\stackrel{\·}{y}}_k,{\stackrel{\·\·}{y}}_k]}^T,$ x_k，y_k，分别表示X和Y方向的位置、速度，加速度。Z_k=[x_k,y_k]^T，表示观测的目标的位置。

$F=\left(\begin{array}{cccccc}1& T& \frac{T^2}{2}& 0& 0& 0\\ 0& 1& T& 0& 0& 0\\ 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 1& T& \frac{T^2}{2}\\ 0& 0& 0& 0& 1& T\\ 0& 0& 0& 0& 0& 1\end{array}\right),$ $H=\left(\begin{array}{cccccc}1& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0\end{array}\right)$

仿真中采用的是粒子概率假设密度滤波和基于杂波估计的粒子概率假设密度滤波进行对比，目标感兴趣区域取30×30(m)的区域，故阈值取β=30。区域内四个目标做匀加速直线运动，由于受到过程噪声的影响，目标运动轨迹呈现曲线状态。仿真时间间隔T=1s，真实目标的运动情况是目标1存活整个仿真时段，目标2运动到30s消失，目标3在15s出现，目标4在18s出现。仿真中目标的存活概率PS=0.99，检测概率PD=0.98，采样粒子数300，Q=diag(0.05,0.1,0.01,0.05,0.1,0.01)，diag(·)表示对角矩阵。目标的初始状态为：目标1：[100,3,0.3,100,-3,0.3]^T；目标2：[0,-2,0.6,200,2,-0.4]^T；目标3：[100,3,-0.2,-100,5,-0.2]^T；目标4：[-100,-4,0.1,100,-20]^T。

模型的评价指标采用OSPA（OptimalSubpatternAssignment）进行评价，

$d_{\mathrm{OSPA}}(X,\hat{X})={\left(\frac{1}{n}(\underset{\mathrm{\π}\∈{\mathrm{\Π}}_k}{\min }\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{d}^{\left(c\right)}{(x_i,{\hat{x}}_{{\mathrm{\π}}_i})}^p+c^p(n-m))\right)}^{\frac{1}{p}}$

其中为x，之间的距离，c为截断误差距离，c=70，，p为OSPA距离的阶数，p=2，Π_k为集合{1,2,...,k}上的所有排列。

仿真实验一

考查普通杂波背景下的多目标跟踪。噪声背景为普通高斯背景，这是一般跟踪算法采用的噪声背景,系统随机生成一个随机数作为每帧的杂波个数，其中粒子概率假设密度滤波(SequentialMonteCarloProbabilityHypothesisDensityFilter，SMC-PHDF)中 $v_k~N(0,R),R=\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right).$ 杂波估计的概率假设密度滤波(ClutterEstimationProbabilityHypothesisDensityFilter，CE-PHDF)并不知道场景中杂波是如何分布的,需要通过本文的方法估计其分布强度。在该场景下对四个目标进行跟踪得到的跟踪轨迹如图2、3所示，可以看出两种跟踪技术都比较准确跟踪场景中的四个目标，粒子概率假设密度滤波还是存在估计目标状态失准。从估计目标个数效果图4可以看出两种方法均能准确估计每帧场景中的目标数目。为了更加直观对比两种算法的跟踪性能，采用OSPA来评价，效果如图5所示，可以看出杂波估计的概率假设密度算法以较小的误差跟踪上目标，具有很好的跟踪效果。表1给出了经过30次蒙塔卡罗仿真得到算法平均运行时间和平均误差的比较。

表1两种算法的平均跟踪误差和平均运行时间

	OSPA(m)	时间(s)
			SMC-PHDF	4.9	40.4
CE-PHDF	1.3	40.5

从表1可以看出，CE-PHDF算法在不影响跟踪实时性的情况下改善了跟踪的精度，提高跟踪性能，具有一定的实际意义。

仿真实验二

考查复杂杂波背景下的多目标跟踪。实际跟踪问题中，杂波的分布经常是未知或者分布是非均匀的，分布比较复杂，一般的跟踪方法采用高斯和伽马噪声的混合形式作为复杂背景。这里为了验证多目标杂波估计算法的性能，同样采用了高斯和伽马噪声的混合形式作为复杂背景，混合形式为

v_k～0.5Γ(0.5,1)+0.5N(0,diag(3,5))

其中Γ(0.5,1)表示服从参数为0.5和1的伽马分布(Gammadistribution)。实际杂波环境为计算机模拟随机生成一定数目的杂波，它的分布是未知的。实验中，CE-PHDF算法事先并不知道杂波背景的分布情况，需要估计杂波的个数和分布，实验结果如图6、7、8、9所示。其中图6、7是两种跟踪技术对该场景中跟踪四个目标的轨迹，图8是两种跟踪技术对该场景中目标个数估计与真实目标个数的对比图，图9是两种跟踪技术对该场景中跟踪四个目标的误差距离对比图，这里仍然采用OSPA评价跟踪的性能。从图6、7可以看出杂波估计的粒子概率假设密度算法能够比较准确估计目标的状态，由于受到杂波的严重影响，粒子概率假设密度滤波出现估计不准确，从图8就可以看出跟踪过程中丢失了目标，本文的方法能比较准确估计每帧中目标的个数。图9中看出，CE-PHDF跟踪性能优于SMC-PHDF跟踪方法。复杂场景中，杂波估计粒子概率假设密度算法能够很好处理杂波和目标之间的关系，估计的杂波分布更加接近实际的分布，具有很强的适应性。同样表2给出了30次蒙塔卡罗仿真得到算法平均运行时间和平均误差的比较。

表2两种算法的平均跟踪误差和平均运行时间

	OSPA(m)	时间(s)
			SMC-PHDF	11.41	47.5
CE-PHDF	1.46	43.6

从表2看出，复杂杂波场景下SMC-PHDF跟踪误差比较大，性能难以保证，而本发明的技术具有更高的准确性和实时性。

Claims (1)

1.一种多目标跟踪的杂波估计方法，包括以下步骤：

步骤101，通过传感器获得目标初始时刻的状态，包含目标的位置和速度信息；

步骤102，然后初始化目标的状态和粒子的权值N表示采样粒子的个数，对获得了k-1时刻PHD的状态粒子集描述为

步骤103，按照公式(1)从存在目标的建议分布和新生目标的建议分布p_k(·|Z_k)中随机采样粒子，所述建议分布和p_k(·|Z_k)分别取单目标转移概率密度f_k|k-1(·|·)和新生目标概率假设密度γ_k(·)：

${\tilde{x}}_k^{\left(i\right)}=\{\begin{array}{c}{q}_k(\·|x_{k-1}^{\left(i\right)},Z_k),i=1,\mathrm{...},L_{k-1}\\ p_k(\·|Z_k),i=L_{k-1}+1,\mathrm{...},L_{k-1}+J_k\end{array}---\left(1\right)$

其中表示k-1时刻第i个粒子的状态，表示第i个粒子的权值，q_k和p_k分别表示k-1时刻的存活的粒子和k时刻新生粒子的建议分布函数，L_k-1为k-1时刻粒子数，J_k为新生目标的粒子数，为随机采样的粒子，Z_k为k时刻的量测集；

步骤104，然后依式(2)(3)计算对应粒子的权值，由此得到k时刻的预测粒子集： ${\{{\tilde{x}}_k^{\left(i\right)},{\tilde{w}}_{k|k-1}^{\left(i\right)}\}}_{i=1}^{L_{k-1}+J_k},$

${\tilde{w}}_{k|k-1}^{\left(i\right)}=\{\begin{array}{c}\frac{{\mathrm{\φ}}_{k|k-1}({\tilde{x}}_k^{\left(i\right)},x_{k-1}^{\left(i\right)})\·w_{k-1}^{\left(i\right)}}{q_k\left(x_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)},Z_k)},i=1,\mathrm{...},L_{k-1}\\ \frac{{\mathrm{\γ}}_k\left({\tilde{x}}_k^i\right)}{J_k{p}_k\left({\tilde{x}}_k^{\left(i\right)}\right|Z_k)},i=L_{k-1}+1,\mathrm{...},L_{k-1}+J_k\end{array}---\left(2\right)$

${\mathrm{\φ}}_{k|k-1}({\tilde{x}}_k^{\left(i\right)},x_{k-1}^{\left(i\right)})=e_{k|k-1}\left(x_{k-1}^{\left(i\right)}\right)f_{k|k-1}\left({\tilde{x}}_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})+{\mathrm{\β}}_{k|k-1}\left({\tilde{x}}_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})---\left(3\right)$

其中e_k|k-1(·)表示k-1时刻的目标在k时刻存活下来的概率，f_k|k-1(·|·)表示单目标的状态转移密度，β_k|k-1(·|·)表示k时刻衍生目标的概率密度，γ_k(·)表示k时刻新生目标的概率密度；

步骤105，通过传感器得到k时刻的观测值Z_k，其中Z_k是包含杂波的观测集合；

步骤106，根据前k-1时刻实际杂波的分布情况利用式估计k时刻的杂波个数，其中τ_k-1表示k-1时刻来自当前场景的杂波个数，r_k表示k时刻杂波的估计值；

步骤107，接收到当前k时刻的最新观测值后，先根据观测值估计每个目标邻近区域的杂波个数，设ε表示选定的阈值，表示k时刻第l个目标的预测位置，表示杂波的位置，若满足式子

$\{\begin{array}{c}\left|x_k^l-z_{x,k}^j\right|\≤\mathrm{\ϵ}\\ \left|y_k^l-y_{x,k}^j\right|\≤\mathrm{\ϵ}\end{array}---\left(4\right)$

则该杂波在第l个目标邻近区域，由此可估计出落在该目标附近杂波的个数目标的ε区域近似为个数为均匀分布，强度为ε取值为30m，如果估计的目标ε区域杂波个数为零，取其杂波强度为其中V为观测区域；

步骤108，利用步骤105，106，107得到的数据更新状态和粒子权值，并且更新目标观测区域的杂波数，根据公式(5)更新粒子权值：

${\tilde{w}}_k^{\left(i\right)}=\[1-{\mathrm{PD}}_k\left({\tilde{x}}_k^{\left(i\right)}\right)+\underset{z\∈Z_k}{\Σ}\frac{{\mathrm{PD}}_k\left({\tilde{x}}_k^i\right)g_k\left(z\right|{\tilde{x}}_k^i)}{{\mathrm{\κ}}_k\left(z\right)+\underset{j=1}{\overset{L_{k-1}+J_k}{\Σ}}{\mathrm{PD}}_k\left({\tilde{x}}_k^j\right)g_k\left(z\right|{\tilde{x}}_k^{\left(j\right)}){\tilde{w}}_{k|k-1}^{\left(i\right)}}\]{\tilde{w}}_{k|k-1}^{\left(i\right)}---\left(5\right)$

其中κ_k(z)为步骤106中估计的杂波强度，为目标的检测概率，为k时刻接收到的量测集合，M(k)为量测总数，为观测的似然函数；

步骤109，从公式(5)中得到更新后的粒子集为然后对目标个数和目标状态的估计，累加更新后的粒子权值然后得到目标个数的估计值，即利用k-means算法对粒子进行聚类，从聚类粒子中选取峰值最大的前个粒子，对应的状态点作为目标的状态估计值；

步骤110，对粒子集重采样，得到新的粒子集重采样后的粒子权值乘以目标个数，重新调整后得到粒子集L_k为重采样后的粒子个数；

步骤111，得到了新的粒子集合，判断仿真时段是否结束，如果没有，k-1＝k，然后返回到步骤101，进行下一时刻的多目标跟踪；否则跟踪结束。