CN110501671B - 一种基于测量分配的目标跟踪方法及装置 - Google Patents

一种基于测量分配的目标跟踪方法及装置 Download PDF

Info

Publication number
CN110501671B
CN110501671B CN201910814954.9A CN201910814954A CN110501671B CN 110501671 B CN110501671 B CN 110501671B CN 201910814954 A CN201910814954 A CN 201910814954A CN 110501671 B CN110501671 B CN 110501671B
Authority
CN
China
Prior art keywords
target
existence probability
measurement
current moment
state distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910814954.9A
Other languages
English (en)
Other versions
CN110501671A (zh
Inventor
刘宗香
李锦松
吴冕
李良群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201910814954.9A priority Critical patent/CN110501671B/zh
Publication of CN110501671A publication Critical patent/CN110501671A/zh
Priority to PCT/CN2020/091981 priority patent/WO2021036367A1/zh
Application granted granted Critical
Publication of CN110501671B publication Critical patent/CN110501671B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开的一种基于测量分配的目标跟踪方法及装置，先确定当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识，以及各目标与各测量的关联概率；再基于测量的分配结果对更新存在概率与更新探测标识进行调整；然后判断已存在目标是否漏检，基于判断结果确定各目标的状态分布、存在概率、探测标识和轨迹标识；最后提取存在概率大于第一阈值的目标的状态分布和轨迹标识作为当前时刻的输出，并将存在概率大于或等于第二阈值的目标的状态分布、存在概率、探测标识和轨迹标识作为下一时刻的输入。本发明保证了多目标跟踪精度，有效减少了计算量，在存在杂波和漏检的场景下具有很强的适用性。

Description

一种基于测量分配的目标跟踪方法及装置
技术领域
本发明涉及多传感器信息融合技术领域，尤其涉及一种基于测量分配的目标跟踪方法及装置。
背景技术
在存在数据关联不确定、漏检和杂波环境下，广义标签多贝努利(GLMB，Generalized Labeled Multi-Bernoulli)滤波器是一种用于多目标跟踪的有效方法。该滤波器适用于低检测概率和高杂波率，多目标跟踪精度高，但该滤波器的计算复杂度高，计算量大，难以用于实际的多目标跟踪系统。如何建立目标跟踪精度高、计算速度快的多目标跟踪滤波器是当前亟需探索和解决的问题。
发明内容
本发明实施例的主要目的在于提供一种基于测量分配的目标跟踪方法及装置，能够有效解决相关技术中计算复杂度高、计算量较大的问题。
为实现上述目的，本发明实施例第一方面提供了一种基于测量分配的目标跟踪方法，该目标跟踪方法包括：
步骤A、基于前一时刻各个目标的状态分布、存在概率、探测标识和轨迹标识，确定当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；步骤A具体包括：
以k-1表示前一时刻，k表示当前时刻，k-1时刻各个目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure BDA0002186100610000011
其中，N(xi,k-1；mi,k-1,Pi,k-1)、ρi,k-1、lD,(i,k-1)和lT,(i,k-1)分别表示k-1时刻目标i的状态分布、存在概率、探测标识和轨迹标识，xi,k-1表示状态向量，mi,k-1和Pi,k-1分别表示目标i状态分布的均值和误差协方差，Nk-1为k-1时刻目标的总数；
k时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为
Figure BDA0002186100610000012
其中，mi,k|k-1＝Fk-1mi,k-1，Pi,k|k-1＝Fk-1Pi,k-1(Fk-1)T+Qk-1，ρi,k|k-1＝ρi,k-1，lD,(i,k|k-1)＝lD,(i,k-1)，lT,(i,k|k-1)＝lT,(i,k-1)，Fk-1和Qk-1分别表示状态转移矩阵和过程噪声协方差矩阵；
步骤B、生成当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识，并对所述的当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识，与所述当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识进行合并，得到当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；步骤B具体包括：
各个新生目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure BDA0002186100610000021
其中，
Figure BDA0002186100610000022
和
Figure BDA0002186100610000023
分别表示新生目标i的状态均值、误差的协方差、存在概率、探测标识和轨迹标识，
Figure BDA0002186100610000024
为当前时刻新生目标的总数；将各新生目标的探测标识设置为
Figure BDA0002186100610000025
各新生目标的轨迹标识设置为
Figure BDA0002186100610000026
当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为：
Figure BDA0002186100610000027
其中，
Figure BDA0002186100610000028
步骤C、采用贝叶斯规则，对合并得到的当前时刻各目标的预测状态分布、预测存在概率以及当前时刻的所有测量进行处理，得到当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识以及各目标与各测量的关联概率；步骤C具体包括：
以
Figure BDA0002186100610000029
表示当前时刻的所有测量，其中，Mk表示当前时刻测量的总数，目标i对应于测量zj,k的更新状态分布为N(xi,k；mij,Pij)、更新存在概率为
Figure BDA00021861006100000210
目标i与测量zj,k的关联概率为
Figure BDA00021861006100000211
其中，λc为杂波密度，pD,k为检测概率，Hk和Rk分别表示观测矩阵和观测噪声的协方差矩阵，mij＝mi,k|k-1+Ai·(zj,k-Ηkmi,k|k-1)，Pij＝(I-AiHk)Pi,k|k-1，
Figure BDA00021861006100000212
目标i对应于测量zj,k的更新探测标识设置为lD,(ij)＝0；
步骤D、基于所述的各目标与各测量的关联概率建立测量与目标间的关联代价矩阵，以及基于所述的杂波密度建立测量与杂波间的关联代价矩阵，然后根据所述测量与目标的关联代价矩阵，以及所述测量与杂波的关联代价矩阵建立二维分配问题，再利用Murty算法求解所述的二维分配问题，得到测量与目标间的关联矩阵，以及测量与杂波间的关联矩阵，最后基于所述的测量与目标间的关联矩阵，对所述的更新存在概率与更新探测标识进行调整；
步骤E、先判断当前时刻各目标是否为已存在目标且漏检，若是，则将所述的预测状态分布、预测探测标识分别作为目标在当前时刻的状态分布、探测标识，并将所述的预测存在概率与预设衰减因子的乘积作为目标在当前时刻的存在概率，若否，则从所有调整后的目标更新存在概率中，将最大更新存在概率的索引号所对应的更新状态分布、更新存在概率和更新探测标识，分别作为目标在当前时刻的状态分布、存在概率和探测标识；以及将所述的预测轨迹标识作为目标在当前时刻的轨迹标识；
步骤F、从当前时刻的所有目标中提取存在概率大于第一概率阈值的目标，并分别将所提取的目标的状态分布和轨迹标识组成当前时刻的状态分布集和轨迹标识集，作为滤波器当前时刻的输出；
步骤G、从所述当前时刻的所有目标中，筛选出存在概率大于或等于第二概率阈值的目标，并将所有筛选出的目标的状态分布、存在概率、探测标识和轨迹标识作为所述滤波器下一次递归的输入。
进一步地，所述的步骤D具体包括：
所述的测量与目标间的关联代价矩阵C表示为：
Figure BDA0002186100610000031
其中，Nk|k-1为当前时刻目标的总数，Mk为当前时刻测量的总数；
所述的测量与杂波间的关联代价矩阵C′表示为：
Figure BDA0002186100610000032
其中，λc为杂波密度；
所述的二维分配问题的数学模型表示如下：
P：
Figure BDA0002186100610000041
s.t.C1：
Figure BDA0002186100610000042
C2：
Figure BDA0002186100610000043
C3：
Figure BDA0002186100610000044
其中，sij和s′ij为二值变量，取值为0或1，sij＝1表示测量zj,k源于目标i，s′ij＝1表示测量zj,k是杂波；
测量与目标间的关联矩阵表示为S＝[sij]，测量与杂波间的关联矩阵表示为S′＝[s′ij]；
对所述的更新存在概率与更新探测标识进行调整的规则如下：
若sij＝1，则更新存在概率调整为：
Figure BDA0002186100610000045
若sij＝1且i≤Nk-1，则目标i对应于测量zj,k的更新探测标识调整为lD,(ij)＝1。
更进一步地，所述的步骤E具体包括：
判断当前时刻各目标是否为已存在目标且漏检，判断条件为：lD,(i,k|k-1)＝1且
Figure BDA0002186100610000046
其中，lD,(i,k|k-1)为所述的预测探测标识，lD,(ij)为所述的更新探测标识；
若所述的判断条件成立，确定目标i为已存在目标且漏检，在此情况下，目标i当前时刻的状态分布和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mi,k|k-1,Pi,k|k-1)和lD,(i,k)＝lD,(i,k|k-1)，当前时刻的存在概率取为ρi,k＝ηc×ρi,k|k-1，其中ηc为衰减因子；
若所述的判断条件不成立，找到目标i最大更新存在概率的索引号，表示为
Figure BDA0002186100610000047
目标i当前时刻的状态分布、存在概率和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mia,Pia)，ρi,k＝ρia，lD,(i,k)＝lD,(ia)；
目标i在当前时刻的轨迹标识取为lT,(i,k)＝lT,(i,k|k-1)。
为实现上述目的，本发明实施例第二方面提供了一种基于测量分配的目标跟踪装置，该目标跟踪装置包括：
预测模块，用于基于前一时刻各个目标的状态分布、存在概率、探测标识和轨迹标识，确定当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；
以k-1表示前一时刻，k表示当前时刻，k-1时刻各个目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure BDA0002186100610000051
其中，N(xi,k-1；mi,k-1,Pi,k-1)、ρi,k-1、lD,(i,k-1)和lT,(i,k-1)分别表示k-1时刻目标i的状态分布、存在概率、探测标识和轨迹标识，xi,k-1表示状态向量，mi,k-1和Pi,k-1分别表示目标i状态分布的均值和误差协方差，Nk-1为k-1时刻目标的总数；
k时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为
Figure BDA0002186100610000052
其中，mi,k|k-1＝Fk-1mi,k-1，Pi,k|k-1＝Fk-1Pi,k-1(Fk-1)T+Qk-1，ρi,k|k-1＝ρi,k-1，lD,(i,k|k-1)＝lD,(i,k-1)，lT,(i,k|k-1)＝lT,(i,k-1)，Fk-1和Qk-1分别表示状态转移矩阵和过程噪声协方差矩阵；
合并模块，用于生成当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识，并对所述的当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识，与所述当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识进行合并，得到当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；
各个新生目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure BDA0002186100610000053
其中，
Figure BDA0002186100610000054
和
Figure BDA0002186100610000055
分别表示新生目标i的状态均值、误差的协方差、存在概率、探测标识和轨迹标识，
Figure BDA0002186100610000056
为当前时刻新生目标的总数；将各新生目标的探测标识设置为
Figure BDA0002186100610000057
各新生目标的轨迹标识设置为
Figure BDA0002186100610000058
当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为：
Figure BDA0002186100610000059
其中，
Figure BDA00021861006100000510
更新模块，用于采用贝叶斯规则，对合并得到的当前时刻各目标的预测状态分布、预测存在概率以及当前时刻的所有测量进行处理，得到当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识以及各目标与各测量的关联概率；
以
Figure BDA00021861006100000511
表示当前时刻的所有测量，其中，Mk表示当前时刻测量的总数，目标i对应于测量zj,k的更新状态分布为N(xi,k；mij,Pij)、更新存在概率为
Figure BDA0002186100610000061
目标i与测量zj,k的关联概率为
Figure BDA0002186100610000062
其中，λc为杂波密度，pD,k为检测概率，Hk和Rk分别表示观测矩阵和观测噪声的协方差矩阵，mij＝mi,k|k-1+Ai·(zj,k-Ηkmi,k|k-1)，Pij＝(I-AiHk)Pi,k|k-1，
Figure BDA0002186100610000063
目标i对应于测量zj,k的更新探测标识设置为lD,(ij)＝0；
调整模块，用于基于所述的各目标与各测量的关联概率建立测量与目标间的关联代价矩阵，以及基于所述的杂波密度建立测量与杂波间的关联代价矩阵，然后根据所述测量与目标的关联代价矩阵，以及所述测量与杂波的关联代价矩阵建立二维分配问题，再利用Murty算法求解所述的二维分配问题，得到测量与目标间的关联矩阵，以及测量与杂波间的关联矩阵，最后基于所述的测量与目标间的关联矩阵，对所述的更新存在概率与更新探测标识进行调整；
处理模块，用于先判断当前时刻各目标是否为已存在目标且漏检，若是，则将所述的预测状态分布、预测探测标识分别作为目标在当前时刻的状态分布、探测标识，并将所述的预测存在概率与预设衰减因子的乘积作为目标在当前时刻的存在概率，若否，则从所有调整后的目标更新存在概率中，将最大更新存在概率的索引号所对应的更新状态分布、更新存在概率和更新探测标识，分别作为目标在当前时刻的状态分布、存在概率和探测标识；以及将所述的预测轨迹标识作为目标在当前时刻的轨迹标识；
提取模块，用于从当前时刻的所有目标中提取存在概率大于第一概率阈值的目标，并分别将所提取的目标的状态分布和轨迹标识组成当前时刻的状态分布集和轨迹标识集，作为滤波器当前时刻的输出；
筛选模块，用于从所述当前时刻的所有目标中，筛选出存在概率大于或等于第二概率阈值的目标，并将所有筛选出的目标的状态分布、存在概率、探测标识和轨迹标识作为所述滤波器下一次递归的输入。
进一步地，所述的测量与目标间的关联代价矩阵C表示为：
Figure BDA0002186100610000064
其中，Nk|k-1为当前时刻目标的总数，Mk为当前时刻测量的总数；
所述的测量与杂波间的关联代价矩阵C′表示为：
Figure BDA0002186100610000071
其中，λc为杂波密度；
所述的二维分配问题的数学模型表示如下：
P：
Figure BDA0002186100610000072
s.t.C1：
Figure BDA0002186100610000073
C2：
Figure BDA0002186100610000074
C3：
Figure BDA0002186100610000075
其中，sij和s′ij为二值变量，取值为0或1，sij＝1表示测量zj,k源于目标i，s′ij＝1表示测量zj,k是杂波；
测量与目标间的关联矩阵表示为S＝[sij]，测量与杂波间的关联矩阵表示为S′＝[s′ij]；
对所述的更新存在概率与更新探测标识进行调整的规则如下：
若sij＝1，则更新存在概率调整为：
Figure BDA0002186100610000076
若sij＝1且i≤Nk-1，则目标i对应于测量zj,k的更新探测标识调整为lD,(ij)＝1。
更进一步地，判断当前时刻各目标是否为已存在目标且漏检，判断条件为：lD,(i,k|k-1)＝1且
Figure BDA0002186100610000077
其中，lD,(i,k|k-1)为所述的预测探测标识，lD,(ij)为所述的更新探测标识；
若所述的判断条件成立，确定目标i为已存在目标且漏检，在此情况下，目标i当前时刻的状态分布和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mi,k|k-1,Pi,k|k-1)和lD,(i,k)＝lD,(i,k|k-1)，当前时刻的存在概率取为ρi,k＝ηc×ρi,k|k-1，其中ηc为衰减因子；
若所述的判断条件不成立，找到目标i最大更新存在概率的索引号，表示为
Figure BDA0002186100610000078
目标i当前时刻的状态分布、存在概率和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mia,Pia)，ρi,k＝ρia，lD,(i,k)＝lD,(ia)；
目标i在当前时刻的轨迹标识取为lT,(i,k)＝lT,(i,k|k-1)。
根据本发明实施例提供的基于测量分配的目标跟踪方法及装置，先确定当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识，以及各目标与各测量的关联概率；再基于测量的分配结果对更新存在概率与更新探测标识进行调整；然后判断已存在目标是否漏检，基于判断结果确定各目标的状态分布、存在概率、探测标识和轨迹标识；最后提取存在概率大于第一阈值的目标的状态分布和轨迹标识作为当前时刻的输出，并将存在概率大于或等于第二阈值的目标的状态分布、存在概率、探测标识和轨迹标识作为下一时刻的输入。通过本发明的实施，保证了多目标跟踪精度，并有效减少了计算量，在存在杂波和漏检的场景下具有很强的适用性。
本发明其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本发明说明书中的记载变的显而易见。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的目标跟踪方法的基本流程示意图；
图2为本发明第二实施例提供的所有目标的运动轨迹示意图；
图3为本发明第二实施例提供的平均OSPA距离对比示意图；
图4为本发明第三实施例提供的目标跟踪装置的结构示意图；
图5为本发明第三实施例提供的调整模块的结构示意图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一实施例：
为了解决相关技术中采用广义标签多贝努利滤波器进行多目标跟踪时，计算复杂度高、计算量较大的技术问题，本实施例提出了一种基于测量分配的目标跟踪方法，如图1所示为本实施例提供的基于测量分配的目标跟踪方法的基本流程示意图，本实施例提出的基于测量分配的目标跟踪方法包括以下的步骤：
步骤101、基于前一时刻各个目标的状态分布、存在概率、探测标识和轨迹标识，确定当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识。
在本实施例中，以k-1表示前一时刻，k表示当前时刻，k-1时刻各个目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure BDA0002186100610000091
其中，N(xi,k-1；mi,k-1,Pi,k-1)、ρi,k-1、lD,(i,k-1)和lT,(i,k-1)分别表示k-1时刻目标i的状态分布、存在概率、探测标识和轨迹标识，xi,k-1表示状态向量，mi,k-1和Pi,k-1分别表示目标i状态分布的均值和误差协方差，Nk-1为k-1时刻目标的总数。
然后，由k-1时刻各个目标的状态分布、存在概率、探测标识和轨迹标识，预测得到当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识为
Figure BDA0002186100610000092
其中，mi,k|k-1＝Fk-1mi,k-1，Pi,k|k-1＝Fk- 1Pi,k-1(Fk-1)T+Qk-1，ρi,k|k-1＝ρi,k-1，lD,(i,k|k-1)＝lD,(i,k-1)，lT,(i,k|k-1)＝lT,(i,k-1)，Fk-1和Qk-1分别表示状态转移矩阵和过程噪声协方差矩阵。
步骤102、生成当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识，并对当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识，与当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识进行合并，得到当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识。
在本实施例中，所生成的当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure BDA0002186100610000093
其中，
Figure BDA0002186100610000094
Figure BDA0002186100610000095
和
Figure BDA0002186100610000096
分别表示新目标i的状态均值、误差的协方差、存在概率、探测标识和轨迹标识，
Figure BDA0002186100610000097
为当前时刻新生目标的总数；将各新生目标的探测标识设置为
Figure BDA0002186100610000098
各新生目标的轨迹标识设置为
Figure BDA0002186100610000099
然后，将当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识与当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识进行合并，得到当前时刻各目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹表示为：
Figure BDA0002186100610000101
其中，
Figure BDA0002186100610000102
步骤103、采用贝叶斯规则，对合并得到的当前时刻各目标的预测状态分布、预测存在概率以及当前时刻的所有测量进行处理，得到当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识以及各目标与各测量的关联概率。
具体的，本实施例中以
Figure BDA0002186100610000103
表示当前时刻的所有测量，其中，Mk表示当前时刻测量的总数；利用贝叶斯规则得到的目标i对应于测量zj,k的更新状态分布为N(xi,k；mij,Pij)，更新存在概率为
Figure BDA0002186100610000104
目标i与测量zj,k的关联概率为
Figure BDA0002186100610000105
其中，λc为杂波密度，pD,k为检测概率，Hk和Rk分别表示观测矩阵和观测噪声的协方差矩阵，mij＝mi,k|k-1+Ai·(zj,k-Ηkmi,k|k-1)，Pij＝(I-AiHk)Pi,k|k-1，
Figure BDA0002186100610000106
目标i对应于测量zj,k的更新探测标识设置为lD,(ij)＝0。
步骤104、基于各目标与各测量的关联概率以及杂波密度建立二维分配问题，并求解二维分配问题，得到所有测量在目标与杂波之中的分配结果，然后根据分配结果对更新存在概率与更新探测标识进行调整。
在本实施例一种可选的实施方式中，可以基于各目标与各测量的关联概率ηij建立测量与目标间的关联代价矩阵，测量与目标间的关联代价矩阵表示如下：
Figure BDA0002186100610000107
其中，C为测量与目标间的关联代价矩阵，Nk|k-1为当前时刻目标的总数，Mk为当前时刻测量的总数；
并且，基于杂波密度建立测量与杂波间的关联代价矩阵，测量与杂波间的关联代价矩阵表示如下：
Figure BDA0002186100610000111
其中，C′为测量与杂波间的关联代价矩阵，λc为杂波密度，也即各测量与杂波的关联概率；
然后，再根据测量与目标的关联代价矩阵，以及测量与杂波的关联代价矩阵，建立二维分配问题；二维分配问题的数学模型表示如下：
P：
Figure BDA0002186100610000112
s.t.C1：
Figure BDA0002186100610000113
C2：
Figure BDA0002186100610000114
C3：
Figure BDA0002186100610000115
其中，sij和s′ij为二值变量，取值为0或1，sij＝1表示测量zj,k源于目标i，s′ij＝1表示测量zj,k是杂波；应当理解的是，本实施例中的P为分配目标，C1-C3为三个约束条件。
在本实施例中，可以利用Murty算法求解以上二维分配问题，得到测量与目标间的关联矩阵S＝[sij]，以及测量与杂波间的关联矩阵S′＝[s′ij]，将所有测量在目标与杂波之间进行分配，也即将每个测量要么分配给目标，要么分配给杂波，得到分配结果。
最后，基于测量与目标间的关联矩阵S＝[sij]，对更新存在概率与更新探测标识进行调整；
其中，若sij＝1，则更新存在概率调整为：
Figure BDA0002186100610000116
若sij＝1且i≤Nk-1，则目标i对应于测量zj,k的更新探测标识调整为lD,(ij)＝1。
步骤105、判断当前时刻各目标是否为已存在目标且漏检；若是，则执行步骤106，若否，则执行步骤107。之后，再执行步骤108。
具体的，在本实施例一种可选的实施方式中，可以基于预设的判断条件判断当前时刻各目标是否为已存在目标且漏检，判断条件表示如下：lD,(i,k|k-1)＝1，b＝0；其中，lD,(i,k|k-1)为预测探测标识，lD,(i,k|k-1)为更新探测标识，在判断条件成立时，确定目标为已存在目标且漏检。
步骤106、将目标的预测状态分布、预测探测标识分别作为目标在当前时刻的状态分布、探测标识，以及将目标的预测存在概率与预设衰减因子的乘积作为目标在当前时刻的存在概率。
具体的，在确定目标i为已存在的目标并且漏检时，此时取其当前时刻的预测状态分布和预测探测标识分别作为其当前时刻的状态分布和探测标识，即N(xi,k；mi,k,Pi,k)＝N(xi,k；mi,k|k-1,Pi,k|k-1)，lD,(i,k)＝lD,(i,k|k-1)，其当前时刻的存在概率分别取为ρi,k＝ηc×ρi,k|k-1，其中，ηc为给定的衰减因子，取值范围为ηc∈[0,1)，目标i当前时刻的轨迹标识取为lT,(i,k)＝lT,(i,k|k-1)。
步骤107、从所有调整后的目标更新存在概率中，将最大更新存在概率的索引号所对应的更新状态分布、更新存在概率和更新探测标识，分别作为目标在当前时刻的状态分布、存在概率和探测标识。
具体的，如果条件lD,(i,k|k-1)＝1且b＝0不成立，从目标i的Mk个更新存在概率找到最大更新存在概率对应的索引号，即
Figure BDA0002186100610000121
则该索引号对应的更新状态分布、更新存在概率和更新探测标识分别作为其当前时刻的状态分布、存在概率和探测标识，即N(xi,k；mi,k,Pi,k)＝N(xi,k；mia,Pia)，ρi,k＝ρia，lD,(i,k)＝lD,(ia)，目标i在当前时刻的轨迹标识取为lT,(i,k)＝lT,(i,k|k-1)。
步骤108、将目标的预测轨迹标识作为目标在当前时刻的轨迹标识。
步骤109、从当前时刻的所有目标中提取存在概率大于第一概率阈值的目标，并分别将所提取的目标的状态分布和轨迹标识组成当前时刻的状态分布集和轨迹标识集，作为滤波器当前时刻的输出。
具体的，本实施例中的第一概率阈值优选的可以取0.5，从当前时刻的所有目标中确定真实目标，并将真实目标的状态分布和轨迹标识进行输出，实现目标跟踪。
步骤110、从当前时刻的所有目标中，筛选出存在概率大于或等于第二概率阈值的目标，并将所有筛选出的目标的状态分布、存在概率、探测标识和轨迹标识作为滤波器下一次递归的输入。
应当说明的是，本实施例中的第二概率阈值τ远小于第一概率阈值，所裁剪出的目标所对应的数据可以作为下一时刻进行目标跟踪时的输入。
根据本发明实施例提供的基于测量分配的目标跟踪方法，先确定当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识，以及各目标与各测量的关联概率；再基于测量的分配结果对更新存在概率与更新探测标识进行调整；然后判断已存在目标是否漏检，基于判断结果确定各目标的状态分布、存在概率、探测标识和轨迹标识；最后提取存在概率大于第一阈值的目标的状态分布和轨迹标识作为当前时刻的输出，并将存在概率大于或等于第二阈值的目标的状态分布、存在概率、探测标识和轨迹标识作为下一时刻的输入。通过本发明的实施，保证了多目标跟踪精度，并有效减少了计算量，在存在杂波和漏检的场景下具有很强的适用性。
第二实施例：
为了对本发明的内容进行更好的说明，本实施例以一个具体的例子对本发明的效果进行解释。
作为本发明的一个实施例，考虑的是二维空间[-1000m，1000m]×[-1000m，1000m]中运动的目标。本实施例中共有12个目标，所有目标的运动轨迹如图2所示。
目标的状态由位置和速度构成，表示为
Figure BDA0002186100610000131
其中
Figure BDA0002186100610000132
和
Figure BDA0002186100610000133
分别表示位置分量，
Figure BDA0002186100610000134
和
Figure BDA0002186100610000135
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
Figure BDA0002186100610000136
过程噪声方差矩阵为
Figure BDA0002186100610000137
其中，Δtk＝tk-tk-1为当前时刻与前一时刻的时间差，σv为过程噪声标准差且σv＝2ms-2；观测噪声方差矩阵
Figure BDA0002186100610000138
σw为观测噪声的标准差且σw＝2m。
本实施例采用了4个新生目标模型，4个新生目标模型的状态分布为
Figure BDA0002186100610000141
其中，
Figure BDA0002186100610000142
Figure BDA0002186100610000143
本实施例的其他参数设置为
Figure BDA0002186100610000144
τ＝10-5and ηc＝0.75，pD,k＝0.9，λc＝6.25×10-6m-2。
表1
Figure BDA0002186100610000145
表1所示为本发明基于测量分配的目标跟踪方法、GLMB滤波器、GM-PHD滤波器、CBMBer滤波器在经过150次实验得到的平均OSPA距离和平均执行时间；图3所示为本实施例提供的平均OSPA(Optimal Subpattern Assignment，最优亚模式分配)距离对比示意图，分别示出了本发明基于测量分配的目标跟踪方法、广义标签多贝努利(GLMB)滤波器、高斯混合概率假设密度(GM-PHD)滤波器、势均衡多贝努利(CBMBer)滤波器在经过150次实验得到的平均OSPA距离。图3和表1中的实验结果比较表明，与其他三种滤波器相比，本发明可以获得更为精确和可靠的目标状态估计、其OSPA距离比现有的方法的OSPA距离均要小；同时本发明的运行速度最快，其平均执行时间是最小的，并且远小于GLMB滤波器的平均执行时间。
第三实施例：
为了解决相关技术中采用广义标签多贝努利滤波器进行多目标跟踪时，计算复杂度高、计算量较大的技术问题，本实施例示出了一种基于测量分配的目标跟踪装置，具体请参见图4，本实施例的目标跟踪装置包括：
预测模块401，用于基于前一时刻各个目标的状态分布、存在概率、探测标识和轨迹标识，确定当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；
合并模块402，用于生成当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识，并对当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识，与当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识进行合并，得到当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；
更新模块403，用于采用贝叶斯规则，对合并得到的当前时刻各目标的预测状态分布、预测存在概率以及当前时刻的所有测量进行处理，得到当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识以及各目标与各测量的关联概率；
调整模块404，用于基于各目标与各测量的关联概率以及杂波密度建立二维分配问题，并求解二维分配问题，得到所有测量在目标与杂波之中的分配结果，然后根据分配结果对更新存在概率与更新探测标识进行调整；
处理模块405，用于先判断当前时刻各目标是否为已存在目标且漏检，若是，则将预测状态分布、预测探测标识分别作为目标在当前时刻的状态分布、探测标识，并将预测存在概率与预设衰减因子的乘积作为目标在当前时刻的存在概率，若否，则从所有调整后的目标更新存在概率中，将最大更新存在概率的索引号所对应的更新状态分布、更新存在概率和更新探测标识，分别作为目标在当前时刻的状态分布、存在概率和探测标识；以及将预测轨迹标识作为目标在当前时刻的轨迹标识；
提取模块406，用于从当前时刻的所有目标中提取存在概率大于第一概率阈值的目标，并分别将所提取的目标的状态分布和轨迹标识组成当前时刻的状态分布集和轨迹标识集，作为滤波器当前时刻的输出；
筛选模块407，用于从当前时刻的所有目标中，筛选出存在概率大于或等于第二概率阈值的目标，并将所有筛选出的目标的状态分布、存在概率、探测标识和轨迹标识作为滤波器下一次递归的输入。
如图5所示为本实施例的目标跟踪装置中调整模块的结构示意图，在本实施例一种可选的实施方式中，调整模块404包括：建立子模块4041、求解子模块4042以及调整子模块4043；其中，建立子模块4041用于执行前述第一实施例中基于各目标与各测量的关联概率以及杂波密度建立二维分配问题的细化步骤；求解子模块4042用于执行前述第一实施例中求解二维分配问题，得到所有测量在目标与杂波之中的分配结果的细化步骤；调整子模块4043用于执行前述第一实施例中根据分配结果对更新存在概率与更新探测标识进行调整的细化步骤。
另外，在本实施例一种可选的实施方式中，处理模块405还用于执行前述第一实施例中步骤105的细化步骤。
应当说明的是，前述实施例中的目标跟踪方法均可基于本实施例提供的目标跟踪装置实现，所属领域的普通技术人员可以清楚的了解到，为描述的方便和简洁，本实施例中所描述的目标跟踪装置中相关模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于测量分配的目标跟踪方法，其特征在于，所述目标跟踪方法包括：
步骤A、基于前一时刻各个目标的状态分布、存在概率、探测标识和轨迹标识，确定当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；步骤A具体包括：
以k-1表示前一时刻，k表示当前时刻，k-1时刻各个目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure FDA0002913834420000011
其中，N(xi,k-1；mi,k-1,Pi,k-1)、ρi,k-1、lD,(i,k-1)和lT,(i,k-1)分别表示k-1时刻目标i的状态分布、存在概率、探测标识和轨迹标识，xi,k-1表示状态向量，mi,k-1和Pi,k-1分别表示目标i状态分布的均值和误差协方差，Nk-1为k-1时刻目标的总数；
k时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为
Figure FDA0002913834420000012
其中，mi,k|k-1＝Fk-1mi,k-1，Pi,k|k-1＝Fk-1Pi,k-1(Fk-1)T+Qk-1，ρi,k|k-1＝ρi,k-1，lD,(i,k|k-1)＝lD,(i,k-1)，lT,(i,k|k-1)＝lT,(i,k-1)，Fk-1和Qk-1分别表示状态转移矩阵和过程噪声协方差矩阵；
步骤B、生成当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识，并对所述的当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识，与所述当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识进行合并，得到当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；步骤B具体包括：
各个新生目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure FDA0002913834420000013
其中，
Figure FDA0002913834420000014
和
Figure FDA0002913834420000015
分别表示新生目标i的状态均值、误差的协方差、存在概率、探测标识和轨迹标识，
Figure FDA0002913834420000016
为当前时刻新生目标的总数；将各新生目标的探测标识设置为
Figure FDA0002913834420000017
各新生目标的轨迹标识设置为
Figure FDA0002913834420000018
当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为：
Figure FDA0002913834420000021
其中，
Figure FDA0002913834420000023
步骤C、采用贝叶斯规则，对合并得到的当前时刻各目标的预测状态分布、预测存在概率以及当前时刻的所有测量进行处理，得到当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识以及各目标与各测量的关联概率；步骤C具体包括：
以
Figure FDA0002913834420000024
表示当前时刻的所有测量，其中，Mk表示当前时刻测量的总数，目标i对应于测量zj,k的更新状态分布为N(xi,k；mij,Pij)、更新存在概率为
Figure FDA0002913834420000022
目标i与测量zj,k的关联概率为
Figure FDA0002913834420000025
其中，λc为杂波密度，pD,k为检测概率，Hk和Rk分别表示观测矩阵和观测噪声的协方差矩阵，mij＝mi,k|k-1+Ai·(zj,k-Ηkmi,k|k-1)，Pij＝(I-AiHk)Pi,k|k-1，
Figure FDA0002913834420000026
目标i对应于测量zj,k的更新探测标识设置为lD,(ij)＝0；
步骤D、基于所述的各目标与各测量的关联概率建立测量与目标间的关联代价矩阵，以及基于所述的杂波密度建立测量与杂波间的关联代价矩阵，然后根据所述测量与目标间的关联代价矩阵，以及所述测量与杂波间的关联代价矩阵建立二维分配问题，再利用Murty算法求解所述的二维分配问题，得到测量与目标间的关联矩阵，以及测量与杂波间的关联矩阵，最后基于所述的测量与目标间的关联矩阵，对所述的更新存在概率与更新探测标识进行调整；
步骤E、先判断当前时刻各目标是否为已存在目标且漏检，若是，则将所述的预测状态分布、预测探测标识分别作为目标在当前时刻的状态分布、探测标识，并将所述的预测存在概率与预设衰减因子的乘积作为目标在当前时刻的存在概率，若否，则从所有调整后的目标更新存在概率中，将最大更新存在概率的索引号所对应的更新状态分布、更新存在概率和更新探测标识，分别作为目标在当前时刻的状态分布、存在概率和探测标识；以及将所述的预测轨迹标识作为目标在当前时刻的轨迹标识；
步骤F、从当前时刻的所有目标中提取存在概率大于第一概率阈值的目标，并分别将所提取的目标的状态分布和轨迹标识组成当前时刻的状态分布集和轨迹标识集，作为滤波器当前时刻的输出；
步骤G、从所述当前时刻的所有目标中，筛选出存在概率大于或等于第二概率阈值的目标，并将所有筛选出的目标的状态分布、存在概率、探测标识和轨迹标识作为所述滤波器下一次递归的输入。
2.如权利要求1所述的基于测量分配的目标跟踪方法，其特征在于，所述的步骤D具体包括：
所述的测量与目标间的关联代价矩阵C表示为：
Figure FDA0002913834420000031
其中，Nk|k-1为当前时刻目标的总数，Mk为当前时刻测量的总数；
所述的测量与杂波间的关联代价矩阵C′表示为：
Figure FDA0002913834420000032
其中，λc为杂波密度；
所述的二维分配问题的数学模型表示如下：
分配目标：
Figure FDA0002913834420000033
受限于：约束条件1：
Figure FDA0002913834420000034
其中j＝1,…,Mk
约束条件2：
Figure FDA0002913834420000035
其中i＝1,…,Nk|k-1
约束条件3：
Figure FDA0002913834420000041
其中i＝1,…,Mk，
其中，sij和s′ij为二值变量，取值为0或1，sij＝1表示测量zj,k源于目标i，s′ij＝1表示测量zj,k是杂波；
测量与目标间的关联矩阵表示为S＝[sij]，测量与杂波间的关联矩阵表示为S′＝[s′ij]；
对所述的更新存在概率与更新探测标识进行调整的规则如下：
若sij＝1，则更新存在概率调整为：
Figure FDA0002913834420000042
若sij＝1且i≤Nk-1，则目标i对应于测量zj,k的更新探测标识调整为lD,(ij)＝1。
3.如权利要求1或2所述的基于测量分配的目标跟踪方法，其特征在于，所述的步骤E具体包括：
判断当前时刻各目标是否为已存在目标且漏检，判断条件为：lD,(i,k|k-1)＝1且
Figure FDA0002913834420000043
其中，lD,(i,k|k-1)为所述的预测探测标识，lD,(ij)为所述的更新探测标识；
若所述的判断条件成立，确定目标i为已存在目标且漏检，在此情况下，目标i当前时刻的状态分布和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mi,k|k-1,Pi,k|k-1)和lD,(i,k)＝lD,(i,k|k-1)，当前时刻的存在概率取为ρi,k＝ηc×ρi,k|k-1，其中ηc为衰减因子；
若所述的判断条件不成立，找到目标i最大更新存在概率的索引号，表示为
Figure FDA0002913834420000044
目标i当前时刻的状态分布、存在概率和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mia,Pia)，ρi,k＝ρia，lD,(i,k)＝lD,(ia)；
目标i在当前时刻的轨迹标识取为lT,(i,k)＝lT,(i,k|k-1)。
4.一种基于测量分配的目标跟踪装置，其特征在于，所述目标跟踪装置包括：
预测模块，用于基于前一时刻各个目标的状态分布、存在概率、探测标识和轨迹标识，确定当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；
以k-1表示前一时刻，k表示当前时刻，k-1时刻各个目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure FDA0002913834420000052
其中，N(xi,k-1；mi,k-1,Pi,k-1)、ρi,k-1、lD,(i,k-1)和lT,(i,k-1)分别表示k-1时刻目标i的状态分布、存在概率、探测标识和轨迹标识，xi,k-1表示状态向量，mi,k-1和Pi,k-1分别表示目标i状态分布的均值和误差协方差，Nk-1为k-1时刻目标的总数；
k时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为
Figure FDA0002913834420000053
其中，mi,k|k-1＝Fk-1mi,k-1，Pi,k|k-1＝Fk-1Pi,k-1(Fk-1)T+Qk-1，ρi,k|k-1＝ρi,k-1，lD,(i,k|k-1)＝lD,(i,k-1)，lT,(i,k|k-1)＝lT,(i,k-1)，Fk-1和Qk-1分别表示状态转移矩阵和过程噪声协方差矩阵；
合并模块，用于生成当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识，并对所述的当前时刻各个已存在目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识，与所述当前时刻各个新生目标的状态分布、存在概率、探测标识和轨迹标识进行合并，得到当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识；
各个新生目标的状态分布、存在概率、探测标识和轨迹标识表示为
Figure FDA0002913834420000054
其中，
Figure FDA0002913834420000055
和
Figure FDA0002913834420000056
分别表示新生目标i的状态均值、误差的协方差、存在概率、探测标识和轨迹标识，
Figure FDA0002913834420000057
为当前时刻新生目标的总数；将各新生目标的探测标识设置为
Figure FDA0002913834420000058
各新生目标的轨迹标识设置为
Figure FDA0002913834420000059
当前时刻所有目标的预测状态分布、预测存在概率、预测探测标识和预测轨迹标识表示为：
Figure FDA0002913834420000051
其中，
Figure FDA00029138344200000510
更新模块，用于采用贝叶斯规则，对合并得到的当前时刻各目标的预测状态分布、预测存在概率以及当前时刻的所有测量进行处理，得到当前时刻各目标对应于各测量的更新状态分布、更新存在概率、更新探测标识以及各目标与各测量的关联概率；
以
Figure FDA0002913834420000062
表示当前时刻的所有测量，其中，Mk表示当前时刻测量的总数，目标i对应于测量zj,k的更新状态分布为N(xi,k；mij,Pij)、更新存在概率为
Figure FDA0002913834420000061
目标i与测量zj,k的关联概率为
Figure FDA0002913834420000063
其中，λc为杂波密度，pD,k为检测概率，Hk和Rk分别表示观测矩阵和观测噪声的协方差矩阵，mij＝mi,k|k-1+Ai·(zj,k-Ηkmi,k|k-1)，Pij＝(I-AiHk)Pi,k|k-1，
Figure FDA0002913834420000064
目标i对应于测量zj,k的更新探测标识设置为lD,(ij)＝0；
调整模块，用于基于所述的各目标与各测量的关联概率建立测量与目标间的关联代价矩阵，以及基于所述的杂波密度建立测量与杂波间的关联代价矩阵，然后根据所述测量与目标间的关联代价矩阵，以及所述测量与杂波间的关联代价矩阵建立二维分配问题，再利用Murty算法求解所述的二维分配问题，得到测量与目标间的关联矩阵，以及测量与杂波间的关联矩阵，最后基于所述的测量与目标间的关联矩阵，对所述的更新存在概率与更新探测标识进行调整；
处理模块，用于先判断当前时刻各目标是否为已存在目标且漏检，若是，则将所述的预测状态分布、预测探测标识分别作为目标在当前时刻的状态分布、探测标识，并将所述的预测存在概率与预设衰减因子的乘积作为目标在当前时刻的存在概率，若否，则从所有调整后的目标更新存在概率中，将最大更新存在概率的索引号所对应的更新状态分布、更新存在概率和更新探测标识，分别作为目标在当前时刻的状态分布、存在概率和探测标识；以及将所述的预测轨迹标识作为目标在当前时刻的轨迹标识；
提取模块，用于从当前时刻的所有目标中提取存在概率大于第一概率阈值的目标，并分别将所提取的目标的状态分布和轨迹标识组成当前时刻的状态分布集和轨迹标识集，作为滤波器当前时刻的输出；
筛选模块，用于从所述当前时刻的所有目标中，筛选出存在概率大于或等于第二概率阈值的目标，并将所有筛选出的目标的状态分布、存在概率、探测标识和轨迹标识作为所述滤波器下一次递归的输入。
5.如权利要求4所述的目标跟踪装置，其特征在于，所述的测量与目标间的关联代价矩阵C表示为：
Figure FDA0002913834420000071
其中，Nk|k-1为当前时刻目标的总数，Mk为当前时刻测量的总数；
所述的测量与杂波间的关联代价矩阵C′表示为：
Figure FDA0002913834420000072
其中，λc为杂波密度；
所述的二维分配问题的数学模型表示如下：
分配目标：
Figure FDA0002913834420000073
受限于：约束条件1：
Figure FDA0002913834420000074
其中j＝1,…,Mk
约束条件2：
Figure FDA0002913834420000075
其中i＝1,…,Nk|k-1
约束条件3：
Figure FDA0002913834420000076
其中i＝1,…,Mk，
其中，sij和s′ij为二值变量，取值为0或1，sij＝1表示测量zj,k源于目标i，s′ij＝1表示测量zj,k是杂波；
测量与目标间的关联矩阵表示为S＝[sij]，测量与杂波间的关联矩阵表示为S′＝[s′ij]；
对所述的更新存在概率与更新探测标识进行调整的规则如下：
若sij＝1，则更新存在概率调整为：
Figure FDA0002913834420000077
若sij＝1且i≤Nk-1，则目标i对应于测量zj,k的更新探测标识调整为1D,(ij)＝1。
6.如权利要求4或5所述的目标跟踪装置，其特征在于，判断当前时刻各目标是否为已存在目标且漏检，判断条件为：lD,(i,k|k-1)＝1且
Figure FDA0002913834420000081
其中，lD,(i,k|k-1)为所述的预测探测标识，lD,(ij)为所述的更新探测标识；
若所述的判断条件成立，确定目标i为已存在目标且漏检，在此情况下，目标i当前时刻的状态分布和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mi,k|k-1,Pi,k|k-1)和lD,(i,k)＝lD,(i,k|k-1)，当前时刻的存在概率取为ρi,k＝ηc×ρi,k|k-1，其中ηc为衰减因子；
若所述的判断条件不成立，找到目标i最大更新存在概率的索引号，表示为
Figure FDA0002913834420000082
目标i当前时刻的状态分布、存在概率和探测标识分别取为N(xi,k；mi,k,Pi,k)＝N(xi,k；mia,Pia)，ρi,k＝ρia，lD,(i,k)＝lD,(ia)；目标i在当前时刻的轨迹标识取为lT,(i,k)＝lT,(i,k|k-1)。
CN201910814954.9A 2019-08-30 2019-08-30 一种基于测量分配的目标跟踪方法及装置 Expired - Fee Related CN110501671B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910814954.9A CN110501671B (zh) 2019-08-30 2019-08-30 一种基于测量分配的目标跟踪方法及装置
PCT/CN2020/091981 WO2021036367A1 (zh) 2019-08-30 2020-05-25 一种基于测量分配的目标跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910814954.9A CN110501671B (zh) 2019-08-30 2019-08-30 一种基于测量分配的目标跟踪方法及装置

Publications (2)

Publication Number Publication Date
CN110501671A CN110501671A (zh) 2019-11-26
CN110501671B true CN110501671B (zh) 2021-04-13

Family

ID=68590765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910814954.9A Expired - Fee Related CN110501671B (zh) 2019-08-30 2019-08-30 一种基于测量分配的目标跟踪方法及装置

Country Status (2)

Country Link
CN (1) CN110501671B (zh)
WO (1) WO2021036367A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110501671B (zh) * 2019-08-30 2021-04-13 深圳大学 一种基于测量分配的目标跟踪方法及装置
CN111487580B (zh) * 2020-05-09 2022-04-26 中国船舶科学研究中心 一种多功能声信标和深海长基线阵型校准方法
CN111914211B (zh) * 2020-07-30 2023-03-10 深圳大学 一种新生目标标签多贝努利分布的生成方法及装置
CN112967324B (zh) * 2021-03-15 2023-04-11 深圳大学 一种多假设的目标跟踪方法、装置、存储介质及电子设备
CN114063059B (zh) * 2021-11-16 2023-10-03 南京慧尔视智能科技有限公司 一种航迹修正方法、设备及存储介质
CN115037655B (zh) * 2022-05-19 2024-03-12 支付宝(杭州)信息技术有限公司 压测方法和系统
CN115097437B (zh) * 2022-06-06 2023-06-09 哈尔滨工程大学 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法
CN117933404B (zh) * 2024-03-25 2024-06-18 中国人民解放军国防科技大学 基于独立同分布与多伯努利分布的多目标跟踪方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09189761A (ja) * 1996-01-08 1997-07-22 Mitsubishi Electric Corp 目標追尾方法およびその方法を用いたレーダ装置
CN104867163A (zh) * 2015-05-28 2015-08-26 深圳大学 一种传递边缘分布的测量驱动目标跟踪方法与跟踪系统
CN105719312A (zh) * 2016-01-19 2016-06-29 深圳大学 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统
CN106405538A (zh) * 2016-09-13 2017-02-15 深圳大学 一种适用于杂波环境的多目标跟踪方法及跟踪系统
CN107656264A (zh) * 2017-08-02 2018-02-02 南京航空航天大学 杂波环境下的机会阵雷达多目标跟踪的功率资源管理方法
CN109633599A (zh) * 2019-01-29 2019-04-16 中国人民解放军空军预警学院 一种机载预警雷达多目标跟踪方法
CN110031834A (zh) * 2018-01-12 2019-07-19 西安艾索信息技术有限公司 一种改进的多目标雷达航迹处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110501671B (zh) * 2019-08-30 2021-04-13 深圳大学 一种基于测量分配的目标跟踪方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09189761A (ja) * 1996-01-08 1997-07-22 Mitsubishi Electric Corp 目標追尾方法およびその方法を用いたレーダ装置
CN104867163A (zh) * 2015-05-28 2015-08-26 深圳大学 一种传递边缘分布的测量驱动目标跟踪方法与跟踪系统
CN105719312A (zh) * 2016-01-19 2016-06-29 深圳大学 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统
CN106405538A (zh) * 2016-09-13 2017-02-15 深圳大学 一种适用于杂波环境的多目标跟踪方法及跟踪系统
CN107656264A (zh) * 2017-08-02 2018-02-02 南京航空航天大学 杂波环境下的机会阵雷达多目标跟踪的功率资源管理方法
CN110031834A (zh) * 2018-01-12 2019-07-19 西安艾索信息技术有限公司 一种改进的多目标雷达航迹处理方法
CN109633599A (zh) * 2019-01-29 2019-04-16 中国人民解放军空军预警学院 一种机载预警雷达多目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
非线性高斯系统边缘分布多目标贝叶斯滤波器;刘宗香 等;《电子学报》;20150930;第43卷(第9期);1689-1695页 *

Also Published As

Publication number Publication date
CN110501671A (zh) 2019-11-26
WO2021036367A1 (zh) 2021-03-04

Similar Documents

Publication Publication Date Title
CN110501671B (zh) 一种基于测量分配的目标跟踪方法及装置
CN109636829B (zh) 一种基于语义信息和场景信息的多目标跟踪方法
CN105719312B (zh) 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统
CN110349187B (zh) 基于tsk模糊分类器的目标跟踪方法、装置及存储介质
CN107516321B (zh) 一种视频多目标跟踪方法及装置
CN111402293B (zh) 面向智能交通的一种车辆跟踪方法及装置
CN106772353B (zh) 一种适用于闪烁噪声的多目标跟踪方法及系统
CN111562571B (zh) 一种未知新生强度的机动多目标跟踪与航迹维持方法
CN114093171B (zh) 基于多源数据融合的交通运行状态监测方法及装置
CN113537411B (zh) 一种基于毫米波雷达的改进模糊聚类方法
CN104637070A (zh) 基于概率假设密度的目标数变化的视频跟踪算法
CN110889862A (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN114137526A (zh) 基于标签的车载毫米波雷达多目标检测方法和系统
Solonar et al. General construction principles and performance features of trajectory processing by data from one radar data source
CN117250610B (zh) 基于激光雷达的入侵人员预警方法及系统
CN109917372A (zh) 基于目标预测的扩展目标量测集划分和跟踪方法
CN117075132A (zh) 基于激光雷达盲区的障碍物跟踪方法、装置、设备和介质
CN113192110A (zh) 多目标跟踪方法、装置、设备及存储介质
CN111811515B (zh) 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法
CN115330841A (zh) 基于雷达图的抛洒物检测方法、装置、设备和介质
CN113470070A (zh) 驾驶场景目标跟踪方法、装置、设备及存储介质
CN106443624A (zh) 一种目标检测与跟踪一体化方法
CN112967324B (zh) 一种多假设的目标跟踪方法、装置、存储介质及电子设备
CN112017446B (zh) 雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置
CN117934561A (zh) 一种车辆的目标追踪方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210413