CN106910211A - 复杂环境下多机动目标跟踪方法 - Google Patents

Abstract

本发明公开了一种复杂环境下多机动目标跟踪方法，包含：步骤1：获取多个运动目标的多个运动目标信息，根据所述多个运动目标信息构建估计模型，根据所述估计模型获取所述多个运动目标的多个当前运动目标信息；步骤2：通过联合概率数据关联算法对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得跟踪模型；步骤3：根据所述跟踪模型对所述多个运动目标进行滤波跟踪。

Description

复杂环境下多机动目标跟踪方法

技术领域

本发明涉及一种复杂环境下多机动目标跟踪方法，具体地说，是涉及一种采用两次扫描的联合数据关联算法的复杂环境下多机动目标跟踪方法。

背景技术

运动目标跟踪是模式识别、图像处理、计算机视觉等领域的重要课题。它把图像处理、自动控制、信息科学有机结合起来，形成了一种能从信号中实时的自动识别目标，自动跟踪目标运动的技术。在军事、工业和科学研究方面都具有重要的意义。其中复杂环境下多机动目标的跟踪是信息处理领域中的研究热点之一，在军事和民用领域都有着广泛的应用。近年来国内外许多专家学者对之进行了深入的研究，并随着软件和硬件技术的发展，使得多目标跟踪技术取得了很大的进展。但是很多理论都有一定的局限性，尤其是在目标机动较大或环境复杂的情况下，很多方法会失效。因此，有必要在学习前人研究成果的基础上，对机动目标跟踪理论进行改善。

机动目标跟踪的基本问题是目标模型的动力学方程与目标的实际运动存在着不匹配。跟踪过程就是估计目标当前时刻(滤波)和未来(预测)任意时刻的状态，包括各种运动参数，如目标的位置、去向、速度和加速度等。通常，状态估计是在两种不确定性情况下进行的，即由于目标的高度机动所产生的目标模型的不确定性，以及由于干扰、噪声所导致的量测的不确定性，这就导致量测与现有航迹互联时产生误差。正因为如此，机动目标跟踪特别是多机动目标跟踪已经成为该领域的一个重要研究方向。

国内外在多机动目标跟踪研究领域进行了很多相关研究。例如，大连理工大学等单位提出基于卡尔曼滤波的多目标跟踪方法，该方法利用中心差分卡尔曼滤波和高斯混合概率假设密度滤波对后验多目标状态一阶统计量进行估计，并通过递推更新得到目标状态，以实现对多个目标的跟踪.(基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法，《控制与决策》2013年第28卷第1期)，这种方法受目标进行未知机动引起的估计误差的影响，可能会出现发散，跟踪性能将会严重下降。

南京理工大学等单位提出基于概率假设密度(PHD)的多目标跟踪方法，(多目标跟踪的混合高斯PHD滤波，《计算机工程与应用》，2011年第47卷第14期)，也有一些其他研究对PHD算法进行了改进。虽然避免了传统多目标跟踪方法的数据关联，但PHD滤波在采用聚类方法提取目标状态时，需要将粒子归类，这在噪声较大的环境下，会造成目标状态估计不准确。

解放军电子工程学院采用固定延迟平滑算法实现机动目标的跟踪(基于固定延迟平滑算法的机动目标跟踪方法，《舰船电子工程》，2010年第3期)，但该方法仅限于单目标的跟踪。

其它一些较有代表性的算法有联合概率数据关联(Joint Probabilistic DataAssociation，JPDA)算法(例如：多传感器多目标跟踪的JPDA算法，《系统仿真学报》，2004年第16卷第7期)和交互式多模型(Interacting Multiple Model，IMM)算法(例如：基于IMM模型的目标跟踪算法，《中国制造业信息化：学术版》2010年第7期)。前者对多个轨迹交叉的目标有较好的跟踪性能，后者适用于目标高机动的情况。然而对于多个高机动目标并有轨迹交叉的问题，单一的IMM或JPDA都不能得到很好解决。

也有研究人员将交互多模型逼近和联合概率数据互联技术与固定延迟平滑滤波方法相结合，进行多机动目标的跟踪研究。(例如：使用IMM/JPDA和固定延迟平滑滤波方法进行杂波环境下多机动目标跟踪，《情报指挥控制系统与仿真技术》2003年第4期),该方法性能优于传统IMM/JPDA滤波器，但当几个被跟踪目标比较接近，且机动性比较大的时候，容易产生误差。

也有将IMM/JPDA两种跟踪算法按照一定的方式结合起来，从而得出交互式多模型联合概率数据关联算法。(例如：一种改进的IMM-JPDA多目标跟踪算法，《微计算机信息》2010年第36期)但是这些算法计算比较复杂，且随着目标个数的增多，计算量会呈指数增长。

发明内容

本发明所要解决的技术问题在于提供一种复杂环境下多机动目标跟踪方法，其中，包含：

步骤1：获取多个运动目标的多个运动目标信息，根据所述多个运动目标信息构建估计模型，根据所述估计模型获取所述多个运动目标的多个当前运动目标信息；

步骤2：通过联合概率数据关联算法对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得跟踪模型；

步骤3：根据所述跟踪模型对所述多个运动目标进行滤波跟踪。

上述的复杂环境下多机动目标跟踪方法，其中，于所述步骤1中，根据所述多个运动目标信息通过交互式多模型算法构建所述估计模型。

上述的复杂环境下多机动目标跟踪方法，其中，所述步骤1进一步包含：

步骤11：通过状态增广法去设计固定延迟平滑器，所述固定延迟平滑器是通过所述多个运动目标的k+d(d＞0)时刻的运动目标信息估计述多个运动目标的k时刻的运动目标信息；

步骤12：通过所述交互式多模型算法及所述固定延迟平滑器构建所述估计模型。

上述的复杂环境下多机动目标跟踪方法，其中，所述步骤2中的所述估计模型包含状态方程及观测方程，所述状态方程为：所述观测方程为其中，是状态增广后目标r在t_k时刻的n_x维系统状态,z_k(r)是t_k时刻的n_z维测量值向量。和是对应的当目标r处于模型j，在采样周期(t_k-1,t_k]内的系统矩阵，是在模型j下到z_k(r)的非线性变换的雅可比矩阵，和分别为过程噪声和测量噪声。

上述的复杂环境下多机动目标跟踪方法，其中，所述步骤2进一步包含：

步骤21：通过状态增广法去设计固定延迟平滑器，所述固定延迟平滑器是通过所述多个运动目标的k+d(d＞0)时刻的运动目标信息估计述多个运动目标的k时刻的运动目标信息；；

步骤22：通过所述联合概率数据关联算法及所述固定延迟平滑器对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得所述跟踪模型。

上述的复杂环境下多机动目标跟踪方法，其中，所述联合概率数据关联算法为经过两次扫描的联合概率数据关联算法。

上述的复杂环境下多机动目标跟踪方法，其中，所述经过两次扫描的联合概率数据关联算法包含条件模型估计及状态协方差，所述条件模型估计为：

所述状态协方差为：

其中，是在联合事件Θ_k+1和Θ_k下的每个目标的每个状态的双扫描联合事件概率。

上述的复杂环境下多机动目标跟踪方法，其中，所述跟踪模型包含平滑后的状态估计及协方差，所述平滑后的状态估计为：

所述协方差

本发明针对于现有技术其功效在于，提出了一种在杂波干扰环境下多机动目标跟踪的次优固定延迟平滑算法，该方法在状态估计时采用交互多模型技术，在数据关联时采用一种经过两次扫描的联合概率数据关联技术，将它们应用到状态增广系统中。引入延迟后，目标的状态变量获得了增广，获得了目标的固定延迟平滑状态估计，同时计算目标的条件概率密度也更加精确了，提高了多机动目标的跟踪性能。

附图说明

图1是本发明复杂环境下多机动目标跟踪方法的流程图；

图2是本发明复杂环境下多机动目标跟踪方法的步骤流程图。

具体实施方式

兹有关本发明的详细内容及技术说明，现以一较佳实施例来作进一步说明，但不应被解释为本发明实施的限制。

参见图1及图2，图1为本发明复杂环境下多机动目标跟踪方法的流程图；图2是本发明复杂环境下多机动目标跟踪方法的步骤流程图。如图1-2所示本发明的复杂环境下多机动目标跟踪方法，包括：

S100步骤1：获取多个运动目标的多个运动目标信息，根据所述多个运 动目标信息构建估计模型，根据所述估计模型获取所述多个运动目标的多个当前运动目标信息，其中根据所述多个运动目标信息通过交互式多模型算法构建所述估计模型；

S200步骤2：通过联合概率数据关联算法对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得跟踪模型；

S300步骤3：根据所述跟踪模型对所述多个运动目标进行滤波跟踪。

进一步地，步骤1还包含：

S101步骤11：通过状态增广法去设计固定延迟平滑器，所述固定延迟平滑器是通过所述多个运动目标的k+d(d＞0)时刻的运动目标信息估计述多个运动目标的k时刻的运动目标信息；

S102步骤12：通过所述交互式多模型算法及所述固定延迟平滑器构建所述估计模型，其中所述估计模型包含状态方程及观测方程，所述状态方程为： 所述观测方程为其中， 是状态增广后目标r在t_k时刻的n_x维系统状态,z_k(r)是t_k时刻的n_z维测量值向量。和是对应的当目标r处于模型j，在采样周期(t_k-1,t_k]内的系统矩阵，是在模型j下到z_k(r)的非线性变换的雅可比矩阵， 和分别为过程噪声和测量噪声。

进一步地，步骤2还包含：

S201步骤21：通过状态增广法去设计固定延迟平滑器，所述固定延迟平滑器是通过所述多个运动目标的k+d(d＞0)时刻的运动目标信息估计述多个运动目标的k时刻的运动目标信息；

S202步骤22：通过所述联合概率数据关联算法及所述固定延迟平滑器对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得所述跟踪模型，其中所述联合概率数据关联算法为经过两次扫描的联合概率数据关联算法，所述经过两次扫描的联合概率数据关联算法包含条件模型估计及状态协方差，所述条件模型估计为：

所述状态协方差为：

其中，是在联合事件Θ_k+1和Θ_k下的每个目标的每个状态的双扫描联合事件概率。

更进一步地，所述跟踪模型包含平滑后的状态估计及协方差，所述平滑后的状态估计为：

所述协方差

下面结合图1-2，具体说明本发明复杂环境下多机动目标跟踪方法的实施过程：

假设目标集T_N{1,2,...,N}中总共有N个目标，每个目标的运动模型可以是运动模型集M_n＝{1,2,...n}中的一个。对于任何目标r，表示目标r在采样周期(t_k-1,t_k]内模型j起作用。对于第j个模型，目标r的状态方程和测量方程分别为：

或线性化表示

其中x_k(r)是目标r在t_k时刻的n_x维系统状态，z_k(r)是t_k时刻的n_z维测量值向量。和是当目标r处于模型j，在采样周期(t_k-1,t_k]内的系统矩阵。h^j是在模型j下x_k(r)到z_k(r)的非线性变换。

是状态x_k(r)估计值的h^j的雅可比矩阵。和分别为过程噪声和测量噪声的零均值高斯白噪声协方差矩阵。在初始t₀时刻，处在模型j下目标的系统状态服从均值为协方差为的高斯随机分布。目标r在时刻t₀处在模型j的概率已知：模型从转换到是由一个有限状态的固定马尔科夫链控制的，转换概率为：

由于多目标和干扰的原因，在k时刻有可能有不止一个测量值，所以在k时刻定义一个测量值的集合，表示为：

m表示在k时刻获取的测量值的数目。在k时刻有效的测量值集合表示为Y_k，包括个测量值。则到k时刻为止，累积的有效测量值集合为：

Z^k＝{Y₁,Y₂,...,Y_k}(5)

算法的目的就是找到目标r的固定延迟平滑状态估计和状态估计误差的协方差矩阵：

下面通过状态增广的方法设计固定延迟平滑器。

对每个目标r，增加状态变量x_k(r)到

其中

假定对于增广系统，获得了经过滤波的状态估计和它相关的协方差矩阵：

可以得到：

由上面的定义和(3)，增广系统可以表示为：

为了使增广系统的每个目标都有相同的初始条件，定义：

也就是

其初始状态协方差为：

假设没有不确定的测量值，也就是说测量值要么来自于单一目标，要么来自于干扰，并且干扰在整个有效区域内是服从一致的独立分布。在k时刻当有效测量值和目标r相关联时(r＝0表示，测量值来自于干扰)，认为边缘事件θ_ir(k)有效。当一组边缘事件{θ_ir(k)}同时有效时，认为一个关联事件Θ_k有效。可表示为：其中r_i为与有效测量值关联目标的索引。

当时刻k+1的测量值可用时，用双扫描平滑算法更新密度 在每次平滑循环过程中，假设对于每个目标r∈T_n和每个模型j∈M_n，条件模型增广状态服从高斯分布：

条件模型估计为：

相应的状态协方差为：

是在联合事件Θ_k+1和Θ_k下的每个目标的每个状态的双扫描联合事件概率。

并获得更新后的模型概率：

将条件模型估计和后验模型概率结合起来获得状态的估计：

其协方差为：

最终获得平滑后的状态估计：

协方差为：

上述仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种复杂环境下多机动目标跟踪方法，其特征在于，包含：

步骤1：获取多个运动目标的多个运动目标信息，根据所述多个运动目标信息构建估计模型，根据所述估计模型获取所述多个运动目标的多个当前运动目标信息；

步骤2：通过联合概率数据关联算法对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得跟踪模型；

步骤3：根据所述跟踪模型对所述多个运动目标进行滤波跟踪。

2.如权利要求1所述的复杂环境下多机动目标跟踪方法，其特征在于，于所述步骤1中，根据所述多个运动目标信息通过交互式多模型算法构建所述估计模型。

3.如权利要求2所述的复杂环境下多机动目标跟踪方法，其特征在于，所述步骤1进一步包含：

步骤11：通过状态增广法去设计固定延迟平滑器，所述固定延迟平滑器是通过所述多个运动目标的k+d(d＞0)时刻的运动目标信息估计述多个运动目标的k时刻的运动目标信息；

步骤12：通过所述交互式多模型算法及所述固定延迟平滑器构建所述估计模型。

4.如权利要求3所述的复杂环境下多机动目标跟踪方法，其特征在于，所述步骤2中的所述估计模型包含状态方程及观测方程，所述状态方程为： ${\tilde{x}}_k\left(r\right)={\tilde{F}}_{k-1}^j{\tilde{x}}_{k-1}^{\left(i\right)}\left(r\right)+{\tilde{G}}_{k-1}^j{v}_{k-1}^j\left(r\right);$ 所述观测方程为 $z_k\left(r\right)={\tilde{H}}_k^j{\tilde{x}}_k^{\left(i\right)}\left(r\right)+w_k^j\left(r\right),$ 其中，是状态增广后目标r在t_k时刻的n_x维系统状态,z_k(r)是t_k时刻的n_z维测量值向量。和是对应的当目标r处于模型j，在采样周期(t_k-1,t_k]内的系统矩阵，是在模型j下到z_k(r)的非线性变换的雅可比矩阵，和分别为过程噪声和测量噪声。

5.如权利要求1或4所述的复杂环境下多机动目标跟踪方法，其特征在于，所述步骤2进一步包含：

步骤21：通过状态增广法去设计固定延迟平滑器，所述固定延迟平滑器是通过所述多个运动目标的k+d(d＞0)时刻的运动目标信息估计述多个运动目标的k时刻的运动目标信息；；

步骤22：通过所述联合概率数据关联算法及所述固定延迟平滑器对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得所述跟踪模型。

6.如权利要求5所述的复杂环境下多机动目标跟踪方法，其特征在于，所述联合概率数据关联算法为经过两次扫描的联合概率数据关联算法。

7.如权利要求6所述的复杂环境下多机动目标跟踪方法，其特征在于，所述经过两次扫描的联合概率数据关联算法包含条件模型估计及状态协方差，所述条件模型估计为：

$\begin{array}{c}{\hat{\tilde{x}}}_{k+1|k+1}^j\left(r\right)=E\left\{{\tilde{x}}_{k+1}\left(r\right)|M_{k+1}^j\left(r\right),Z^k,Y_{k+1}\right\}\\ =\underset{{\mathrm{\Θ}}_{k+1}}{\mathrm{\Σ}}\underset{{\mathrm{\Θ}}_k}{\mathrm{\Σ}}{\hat{\tilde{x}}}_{k+1|k+1}^j\left(r,{\mathrm{\Θ}}_k,{\mathrm{\Θ}}_{k+1}\right){\mathrm{\β}}_{k+1}^j\left(r,{\mathrm{\Θ}}_{k+1},{\mathrm{\Θ}}_k\right)\end{array};$

所述状态协方差为：

${\tilde{P}}_{k+1|k+1}^j\left(r\right)=\underset{{\mathrm{\Θ}}_{k+1}}{\mathrm{\Σ}}\underset{{\mathrm{\Θ}}_k}{\mathrm{\Σ}}{\tilde{P}}_{k+1|k+1}^j(r,{\mathrm{\Θ}}_{k+1},{\mathrm{\Θ}}_k){\mathrm{\β}}_{k+1}^j(r,{\mathrm{\Θ}}_{k+1},{\mathrm{\Θ}}_k);$ 其中，是在联合事件Θ_k+1和Θ_k下的每个目标的每个状态的双扫描联合事件概率。

8.如权利要求7所述的复杂环境下多机动目标跟踪方法，其特征在于，所述跟踪模型包含平滑后的状态估计及协方差，所述平滑后的状态估计为：

${\hat{x}}_{k+1-i|k+1}\left(r\right)={\hat{\tilde{x}}}_{k+1|k+1}^i\left(r\right);$ 所述协方差 $P_{k+1-i|k+1}\left(r\right)={\tilde{P}}_{k+1|k+1}^{\left(i,i\right)}\left(r\right),i=0,...,d.$