CN115544425A - 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 - Google Patents

一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 Download PDF

Info

Publication number
CN115544425A
CN115544425A CN202211025535.5A CN202211025535A CN115544425A CN 115544425 A CN115544425 A CN 115544425A CN 202211025535 A CN202211025535 A CN 202211025535A CN 115544425 A CN115544425 A CN 115544425A
Authority
CN
China
Prior art keywords
target
component
noise ratio
state
signal
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.)
Pending
Application number
CN202211025535.5A
Other languages
English (en)
Inventor
饶鹏
王艺
陈忻
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.)
Shanghai Institute of Technical Physics of CAS
Original Assignee
Shanghai Institute of Technical Physics of CAS
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 Shanghai Institute of Technical Physics of CAS filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN202211025535.5A priority Critical patent/CN115544425A/zh
Publication of CN115544425A publication Critical patent/CN115544425A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

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

Abstract

本发明属于智能信息处理技术领域，公开了一种基于目标信噪比特征估计的鲁棒多目标跟踪方法，包括如下步骤：步骤1，建立目标跟踪的状态模型与观测模型，参数初始化；步骤2，根据模型及k‑1时刻的状态对k时刻的目标状态进行预测；步骤3，使用k时刻收到的量测数据对预测的目标状态进行更新；步骤4，构建MBM分量全局假设；步骤5，对得到的更新后的Poisson分量和MBM分量分别进行合并、修剪等，降低算法复杂度；步骤6，估计目标的状态及检测概率。本发明解决了多目标跟踪过程中检测概率未知的问题，提高了多目标跟踪的鲁棒性和精确性，具有实际的工程应用价值。

Description

一种基于目标信噪比特征估计的鲁棒多目标跟踪方法
技术领域
本发明属于智能信息处理技术领域，具体是一种基于目标信噪比特征估计的鲁棒多目标跟踪方法。
背景技术
近年来，基于随机有限集的多目标跟踪方法得到了较大的发展，其中泊松多伯努利混合(PMBM)滤波器是共轭先验的，因此受到了广泛关注，并且广泛应用到军事民事领域中。在PMBM跟踪算法中，检测概率通常设定为先验的，而在大多数的实际场景中，检测概率未知且时变。先验信息的错误假设会造成目标状态估计产生偏差，因此PMBM跟踪算法的应用受到了限制。
通常传感器、环境、检测特征等因素会影响目标的检测概率，在红外图像中，目标的灰度特性及信噪比是最为常用的检测特征，灰度值、信噪比越高，目标的检测概率也会越高，将目标的信噪比特征引入到滤波器中，可以提高滤波器的性能，然而信噪比特征为非高斯参数，因此不能直接引入到PMBM滤波器中。
发明内容
本发明的目的是提供一种基于目标信噪比特征估计的鲁棒多目标跟踪方法，以解决先验条件未知情况下的多目标跟踪，可用于雷达监测、天基红外监测、生物医学、广域监控等系统中的多目标跟踪。
为了实现上述目的，本发明的技术方案如下：一种基于目标信噪比特征估计的鲁棒多目标跟踪方法，包括如下步骤，
步骤1，建立目标跟踪的状态模型与观测模型，参数初始化；
步骤2，根据模型及k-1时刻的状态对k时刻的目标状态进行预测；
步骤3，使用k时刻收到的量测数据对预测的目标状态进行更新；
步骤4，构建MBM分量全局假设；
步骤5，对得到的更新后的Poisson分量和MBM分量分别进行合并、修剪等，降低算法复杂度；
步骤6，估计目标的状态及检测概率。
进一步，步骤1中，将目标状态建模为包含信噪比特征变量的增广状态
Figure BDA0003815522160000021
其中x为目标的运动状态，a代表目标信噪比特征的变量，量测数据增广为
Figure BDA0003815522160000022
其中z为测量到的目标的位置坐标，h为测得的信噪比特征，设初始k-1时刻，初始泊松分量集建为：
Figure BDA0003815522160000023
新出生的目标也建模为泊松分量
Figure BDA0003815522160000024
Figure BDA0003815522160000025
表示k时刻出生的目标的泊松密度，初始的多伯努利混合分量集建为
Figure BDA0003815522160000026
其中，
Figure BDA0003815522160000027
分别为第j个全局假设中的第i个伯努利分量的存在概率，权重和概率密度。
进一步，步骤2，按照如下步骤进行：
步骤21，对目标状态中的Poisson分量进行预测，得到Poisson分量的预测强度；
步骤22，对目标状态中的MBM分量进行预测，得到MBM分量的预测参数集。
进一步，步骤2中，k时刻的Poisson强度：
Figure BDA0003815522160000028
其中，
Figure BDA0003815522160000029
为在k时刻未检测到的目标的数量，
Figure BDA00038155221600000210
为第i个未检测到的目标的在k时刻的权重，
Figure BDA00038155221600000211
为高斯分布，即未检测到的目标运动状态服从高斯分布，
Figure BDA00038155221600000212
代表均值，
Figure BDA00038155221600000213
代表方差；
Figure BDA00038155221600000214
表示逆gamma分布，即未检测到的目标的信噪比特征服从逆gamma分布，
Figure BDA00038155221600000215
和
Figure BDA00038155221600000216
分别为形状参数和尺度参数；
第j个全局假设中的第i个伯努利密度：
Figure BDA00038155221600000217
其中，
Figure BDA0003815522160000031
为高斯分布，即检测到的目标运动状态服从高斯分布，
Figure BDA0003815522160000032
代表均值，
Figure BDA0003815522160000033
代表方差，
Figure BDA0003815522160000034
表示逆gamma分布，即目标的信噪比特征服从逆gamma分布，
Figure BDA0003815522160000035
和
Figure BDA0003815522160000036
分别为形状参数和尺度参数。
进一步，步骤21中，增广状态Poisson分量进行预测：
Figure BDA0003815522160000037
其中，γk(xk，ak)为新生目标的泊松强度，为高斯逆伽马的混合分布形式。
Figure BDA0003815522160000038
sk|k-1＝kssk-1，0＜ks＜1
Figure BDA0003815522160000039
Figure BDA00038155221600000310
Figure BDA00038155221600000311
Figure BDA00038155221600000312
其中，ks为逆gamma分布预测过程中的参数，pS，k为目标存活到k时刻的概率，Fk-1为k-1时刻目标状态转移矩阵，Qk-1为k-1时刻的过程噪声矩阵；
步骤22中，MBM分量进行预测，预测的MBM参数为：
Figure BDA0003815522160000041
Figure BDA0003815522160000042
Figure BDA0003815522160000043
Figure BDA0003815522160000044
Figure BDA0003815522160000045
sk|k-1＝kssk-1，0＜ks＜1
Figure BDA0003815522160000046
进一步，步骤3中，观测似然分别描述为：
Figure BDA0003815522160000047
Figure BDA0003815522160000048
Hk为观测矩阵，Rk为观测噪声矩阵；ξ为观测过程参数；
步骤3，按照如下步骤进行：
步骤31，更新Poisson分量，根据Poisson分量的预测强度得到Poisson分量的后验强度；
步骤32，更新MBM分量，根据MBM分量的预测参数集和收到的量测数据得到MBM的更新后参数集。
进一步，步骤31中，
增广状态Poisson分量的更新：
Figure BDA0003815522160000049
其中，
Figure BDA0003815522160000051
为预测的目标数量，
Figure BDA0003815522160000052
代表预测的信噪比特征；
Figure BDA0003815522160000053
表示由信噪比特征计算出的检测概率；
Figure BDA0003815522160000054
Jγ，k为新生目标的个数；
步骤32中，增广状态MBM分量的更新：
MBM分量的更新需要分为以下两种情况进行讨论：
a.新生成的MBM分量：
Figure BDA0003815522160000055
Figure BDA0003815522160000056
其中：
Figure BDA0003815522160000057
Figure BDA0003815522160000058
Figure BDA0003815522160000059
Figure BDA0003815522160000061
Figure BDA0003815522160000062
Figure BDA0003815522160000063
Figure BDA0003815522160000064
Figure BDA0003815522160000065
Figure BDA0003815522160000066
其中，λk为杂波密度，c(z)为测量空间杂波未知概率密度，
Figure BDA0003815522160000067
表示杂波的检测特征也为逆gamma分布，Γ(·)表示gamma函数；
b.检测到的目标的更新：
Figure BDA0003815522160000068
Figure BDA0003815522160000069
Figure BDA0003815522160000071
其中：
Figure BDA0003815522160000072
Figure BDA0003815522160000073
Figure BDA0003815522160000074
Figure BDA0003815522160000075
Figure BDA0003815522160000076
Figure BDA0003815522160000077
Figure BDA0003815522160000078
Figure BDA0003815522160000079
进一步，步骤4中，为避免前一时刻的全局假设与新数据关联，采用基于Murty算法构建全局假设。
进一步，步骤5中，为防止分量的无限增长，需要对混合分量进行合并剪枝过程，其中剪枝过程与标准PMBM滤波器相似，即去除权重较小的混合分量；合并过程将采用分量分离的方法，即将逆伽马高斯混合分量分为逆伽马分量和高斯分量分别进行合并。其中逆伽马分量采用KL散度计算两个分量的距离，小于某一阈值即可进行合并。
进一步，步骤6中，
根据估计所得的目标特征计算目标每时每刻的检测概率
Figure BDA0003815522160000081
Figure BDA0003815522160000082
其中SNRth为信噪比阈值。
采用上述方案后实现了以下有益效果：本发明提供的引入信噪比特征估计的鲁棒PMBM多目标跟踪方法在PMBM滤波器算法的基础上，引入一个扩展变量，以实现对目标检测概率的实时估计，并提供了算法的具体实现步骤，所提算法具有鲁棒性。
附图说明
图1是本发明提供的一种引入信噪比特征估计的鲁棒多目标跟踪方法流程示意图；
图2是本发明提供的场景下目标运动轨迹图；
图3是本发明提供的场景下引入信噪比特征估计的鲁棒PMBM多目标跟踪方法跟踪的目标数量估计；
图4是本发明提供的场景下引入信噪比特征估计的鲁棒PMBM多目标跟踪方法跟踪的GOSPA距离；
图5是本发明提供的场景下引入信噪比特征估计的鲁棒PMBM多目标跟踪方法跟踪的定位误差；
图6是本发明提供的场景下引入信噪比特征估计的鲁棒PMBM多目标跟踪方法跟踪的漏检误差；
图7是本发明提供的场景下引入信噪比特征估计的鲁棒PMBM多目标跟踪方法跟踪的误检误差；
图8是本发明提供的场景下引入信噪比特征估计的鲁棒PMBM多目标跟踪方法估计的检测概率。
具体实施方式
下面将结合本发明实例中的附图，对发明实例中的技术方案进行详细的描述，所描述的实施实例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
本申请提供一种基于目标信噪比特征估计的鲁棒多目标跟踪方法，基本如附图1所示，包括如下步骤：
步骤1，步骤1，建立目标跟踪的状态模型与观测模型，参数初始化；将目标状态建模为包含信噪比特征变量的增广状态
Figure BDA0003815522160000091
其中x为目标的运动状态，a代表目标信噪比特征的变量，量测数据增广为
Figure BDA0003815522160000092
其中z为测量到的目标的位置坐标，h为测得的信噪比特征，设初始k-1时刻，初始泊松分量集建为：
Figure BDA0003815522160000093
新出生的目标也建模为泊松分量
Figure BDA0003815522160000094
Figure BDA0003815522160000095
表示k时刻出生的目标的泊松密度，初始的多伯努利混合分量集建为
Figure BDA0003815522160000096
其中，
Figure BDA0003815522160000097
分别为第j个全局假设中的第i个伯努利分量的存在概率，权重和概率密度
步骤2，根据模型及k-1时刻的状态对k时刻的目标状态进行预测；按照如下步骤进行：
步骤21，对目标状态中的Poisson分量进行预测，得到Poisson分量的预测强度；
步骤22，对目标状态中的MBM分量进行预测，得到MBM分量的预测参数集。
其中，目标的概率密度表示为：泊松密度：
Figure BDA0003815522160000098
其中，
Figure BDA0003815522160000099
为在k时刻未检测到的目标的数量，
Figure BDA00038155221600000910
为第i个未检测到的目标的在k时刻的权重，
Figure BDA00038155221600000911
为高斯分布，即未检测到的目标运动状态服从高斯分布，
Figure BDA00038155221600000912
代表均值，
Figure BDA0003815522160000101
代表方差；
Figure BDA0003815522160000102
表示逆gamma分布，即未检测到的目标的信噪比特征服从逆gamma分布，
Figure BDA0003815522160000103
和
Figure BDA0003815522160000104
分别为形状参数和尺度参数；
第j个全局假设中的第i个伯努利密度：
Figure BDA0003815522160000105
其中，
Figure BDA0003815522160000106
为高斯分布，即检测到的目标运动状态服从高斯分布，
Figure BDA0003815522160000107
代表均值，
Figure BDA0003815522160000108
代表方差，
Figure BDA0003815522160000109
表示逆gamma分布，即目标的信噪比特征服从逆gamma分布，
Figure BDA00038155221600001010
和
Figure BDA00038155221600001011
分别为形状参数和尺度参数。
步骤21中，增广状态Poisson分量进行预测：
Figure BDA00038155221600001012
其中，γk(xk，ak)为新生目标的泊松强度，为高斯逆伽马的混合分布形式。
Figure BDA00038155221600001013
sk|k-1＝kssk-1，0＜ks＜1
Figure BDA0003815522160000111
Figure BDA0003815522160000112
Figure BDA0003815522160000113
Figure BDA0003815522160000114
其中，ks为逆gamma分布预测过程中的参数，pS，k为目标存活到k时刻的概率，Fk-1为k-1时刻目标状态转移矩阵，Qk-1为k-1时刻的过程噪声矩阵；
步骤22中，MBM分量进行预测，预测的MBM参数为：
Figure BDA0003815522160000115
Figure BDA0003815522160000116
Figure BDA0003815522160000117
Figure BDA0003815522160000118
Figure BDA0003815522160000119
sk|k-1＝kssk-1，0＜ks＜1
Figure BDA0003815522160000121
步骤3，使用k时刻收到的量测数据对预测的目标状态进行更新；观测似然分别描述为：
Figure BDA0003815522160000122
Hk为观测矩阵，Rk为观测噪声矩阵；ξ为观测过程参数；
步骤3，按照如下步骤进行：
步骤31，更新Poisson分量，根据Poisson分量的预测强度得到Poisson分量的后验强度；
步骤32，更新MBM分量，根据MBM分量的预测参数集和收到的量测数据得到MBM的更新后参数集。
其中，步骤31中，
增广状态Poisson分量的更新：
Figure BDA0003815522160000123
其中，
Figure BDA0003815522160000124
为预测的目标数量，
Figure BDA0003815522160000125
代表预测的信噪比特征；
Figure BDA0003815522160000126
表示由信噪比特征计算出的检测概率；
Figure BDA0003815522160000127
Jγ，k为新生目标的个数；
步骤32中，增广状态MBM分量的更新：
MBM分量的更新需要分为以下四种情况进行讨论：
a.新生成的MBM分量：
Figure BDA0003815522160000131
Figure BDA0003815522160000132
其中：
Figure BDA0003815522160000133
Figure BDA0003815522160000134
Figure BDA0003815522160000135
Figure BDA0003815522160000136
Figure BDA0003815522160000137
Figure BDA0003815522160000138
Figure BDA0003815522160000139
Figure BDA0003815522160000141
Figure BDA0003815522160000142
其中，λk为杂波密度，c(z)为测量空间杂波未知概率密度，
Figure BDA0003815522160000143
表示杂波的检测特征也为逆gamma分布，Γ(·)表示gamma函数；
b.检测到的目标的更新：
Figure BDA0003815522160000144
Figure BDA0003815522160000145
Figure BDA0003815522160000146
其中：
Figure BDA0003815522160000147
Figure BDA0003815522160000148
Figure BDA0003815522160000149
Figure BDA0003815522160000151
Figure BDA0003815522160000152
Figure BDA0003815522160000153
Figure BDA0003815522160000154
Figure BDA0003815522160000155
步骤4，构建MBM分量全局假设；，为避免前一时刻的全局假设与新数据关联，采用基于Murty算法构建全局假设。
步骤5，对得到的更新后的Poisson分量和MBM分量分别进行合并、修剪等，降低算法复杂度；为防止分量的无限增长，需要对混合分量进行合并剪枝过程，其中剪枝过程与标准PMBM滤波器相似，即去除权重较小的混合分量；合并过程将采用分量分离的方法，即将逆伽马高斯混合分量分为逆伽马分量和高斯分量分别进行合并。其中逆伽马分量采用KL散度计算两个分量的距离，小于某一阈值即可进行合并。
步骤6，估计目标的状态及检测概率。
根据估计所得的目标特征计算目标每时每刻的检测概率
Figure BDA0003815522160000156
Figure BDA0003815522160000157
其中SNRth为信噪比阈值。
本申请中，以泊松多伯努利混合(PMBM)滤波器为框架，将目标运动状态建模为高斯分布，将目标的信噪比特征建模为逆伽马(Inverse gamma)分布，并将其集成到目标的运动状态中，因此，目标的后验概率密度可表示为逆伽马高斯混合形式，同时完成特征变量与目标运动状态迭代估计，根据信噪比特征与检测概率的相应关系，最终实时估计出目标状态与检测概率。本发明解决了多目标跟踪过程中检测概率未知的问题，提高了多目标跟踪的鲁棒性和精确性，具有实际的工程应用价值。
本申请按照如下实验：
本实验在[0,300]×[0，300]的具有随机噪声的二维模拟监控区域内有4个目标先后在81个观测时刻内做线性运动，目标状态为
Figure BDA0003815522160000161
其中(x，y)表示目标位置，
Figure BDA0003815522160000162
表示目标在x方向和y方向上的速度，a为目标的信噪比特征。
新生目标出生遵循泊松率为0.005的泊松过程，高斯密度均值为[100，0，100，0]T，方差为PB＝diag([1502，1，1502，1]),信噪比特征使用逆伽马分布的参数表示
Figure BDA0003815522160000163
60＜k≤81。杂波率为10，杂波产生的特征参数设为α＝31，β＝280。
目标的状态方程和量测方程参数设为：
Figure BDA0003815522160000164
其中为Ts采样时间，设为1，
Figure BDA0003815522160000165
其中q＝0.01；
Figure BDA0003815522160000166
R＝I2。
目标存活概率为Ps＝0.99,GOSPA的参数为α＝2。目标的真实运动轨迹和跟踪结果如图2～7所示。由图4～图7可以看出，目标的跟踪性能较好，跟踪的精度较高。图3表明目标跟踪数量比较准确，图8表示可以准确估计目标的检测概率。
以上所述的仅是本发明的实施例，方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：包括如下步骤：
步骤1，建立目标跟踪的状态模型与观测模型，参数初始化；
步骤2，根据模型及k-1时刻的状态对k时刻的目标状态进行预测；
步骤3，使用k时刻收到的量测数据对预测的目标状态进行更新；
步骤4，构建MBM分量全局假设；
步骤5，对得到的更新后的Poisson分量和MBM分量分别进行合并、修剪等，降低算法复杂度；
步骤6，估计目标的状态及检测概率。
2.根据权利要求1所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤1中，将目标状态建模为包含信噪比特征变量的增广状态
Figure FDA0003815522150000011
其中x为目标的运动状态，a代表目标信噪比特征的变量，量测数据增广为
Figure FDA0003815522150000012
其中z为测量到的目标的位置坐标，h为测得的信噪比特征，设初始k-1时刻，初始泊松分量集建为：
Figure FDA0003815522150000013
新出生的目标也建模为泊松分量
Figure FDA0003815522150000014
Figure FDA0003815522150000015
表示k时刻出生的目标的泊松密度，初始的多伯努利混合分量集建为
Figure FDA0003815522150000016
其中，
Figure FDA0003815522150000017
分别为第j个全局假设中的第i个伯努利分量的存在概率，权重和概率密度。
3.根据权利要求2所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤2，按照如下步骤进行：
步骤21，对目标状态中的Poisson分量进行预测，得到Poisson分量的预测强度；
步骤22，对目标状态中的MBM分量进行预测，得到MBM分量的预测参数集。
4.根据权利要求3所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤2中，k时刻Poisson分量的强度：
Figure FDA0003815522150000018
其中，
Figure FDA0003815522150000019
为在k时刻未检测到的目标的数量，
Figure FDA00038155221500000110
为第i个未检测到的目标的在k时刻的权重，
Figure FDA00038155221500000111
为高斯分布，即未检测到的目标运动状态服从高斯分布，
Figure FDA00038155221500000112
代表均值，
Figure FDA0003815522150000021
代表方差；
Figure FDA0003815522150000022
表示逆gamma分布，即未检测到的目标的信噪比特征服从逆gamma分布，
Figure FDA0003815522150000023
和
Figure FDA0003815522150000024
分别为形状参数和尺度参数；
第j个全局假设中的第i个伯努利密度：
Figure FDA0003815522150000025
其中，
Figure FDA0003815522150000026
为高斯分布，即检测到的目标运动状态服从高斯分布，
Figure FDA0003815522150000027
代表均值，
Figure FDA0003815522150000028
代表方差，
Figure FDA0003815522150000029
表示逆gamma分布，即目标的信噪比特征服从逆gamma分布，
Figure FDA00038155221500000210
和
Figure FDA00038155221500000211
分别为形状参数和尺度参数。
5.根据权利要求4所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤21中，增广状态Poisson分量进行预测：
Figure FDA00038155221500000212
其中，γk(xk，ak)为新生目标的泊松强度，为高斯逆伽马的混合分布形式。
Figure FDA00038155221500000213
sk|k-1＝kssk-1,0＜ks＜1
Figure FDA0003815522150000031
Figure FDA0003815522150000032
Figure FDA0003815522150000033
Figure FDA0003815522150000034
其中，ks为逆gamma分布预测过程中的参数，pS，k为目标存活到k时刻的概率，Fk-1为k-1时刻目标状态转移矩阵，Qk-1为k-1时刻的过程噪声矩阵；
步骤22中，MBM分量进行预测，预测的MBM参数为：
Figure FDA0003815522150000035
Figure FDA0003815522150000036
Figure FDA0003815522150000037
Figure FDA0003815522150000038
Figure FDA0003815522150000039
sk|k-1＝kssk-1,0＜ks＜1
Figure FDA0003815522150000041
6.根据权利要求5所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤3中，观测似然分别描述为：
Figure FDA0003815522150000042
Hk为观测矩阵，Rk为观测噪声矩阵；ξ为观测过程参数；
步骤3，按照如下步骤进行：
步骤31，更新Poisson分量，根据Poisson分量的预测强度得到Poisson分量的后验强度；
步骤32，更新MBM分量，根据MBM分量的预测参数集和收到的量测数据得到MBM的更新后参数集。
7.根据权利要求3所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤31中，
增广状态Poisson分量的更新：
Figure FDA0003815522150000043
其中，
Figure FDA0003815522150000044
为预测的目标数量，
Figure FDA0003815522150000045
代表预测的信噪比特征；
Figure FDA0003815522150000046
表示由信噪比特征计算出的检测概率；
Figure FDA0003815522150000047
Jγ，k为新生目标的个数；
步骤32中，增广状态MBM分量的更新：
MBM分量的更新需要分为以下两种情况进行讨论：
a.新生成的MBM分量：
Figure FDA0003815522150000051
Figure FDA0003815522150000052
其中：
Figure FDA0003815522150000053
Figure FDA0003815522150000054
Figure FDA0003815522150000055
Figure FDA0003815522150000056
Figure FDA0003815522150000057
Figure FDA0003815522150000058
Figure FDA0003815522150000059
Figure FDA00038155221500000510
Figure FDA0003815522150000061
其中，λk为杂波密度，c(z)为测量空间杂波未知概率密度，
Figure FDA0003815522150000062
表示杂波的检测特征也为逆gamma分布，Γ(·)表示gamma函数；
b.检测到的目标的更新：
Figure FDA0003815522150000063
Figure FDA0003815522150000064
Figure FDA0003815522150000065
其中：
Figure FDA0003815522150000066
Figure FDA0003815522150000067
Figure FDA0003815522150000068
Figure FDA0003815522150000069
Figure FDA0003815522150000071
Figure FDA0003815522150000072
Figure FDA0003815522150000073
Figure FDA0003815522150000074
8.根据权利要求7所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤4中，为避免前一时刻的全局假设与新数据关联，采用基于Murty算法构建全局假设。
9.根据权利要求8所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤5中，为防止分量的无限增长，需要对混合分量进行合并剪枝过程，其中剪枝过程与标准PMBM滤波器相似，即去除权重较小的混合分量；合并过程将采用分量分离的方法，即将逆伽马高斯混合分量分为逆伽马分量和高斯分量分别进行合并。其中逆伽马分量采用KL散度计算两个分量的距离，小于某一阈值即可进行合并。
10.根据权利要求9所述的基于目标信噪比特征估计的鲁棒多目标跟踪方法，其特征在于：步骤6中，
根据估计所得的目标特征计算目标每时每刻的检测概率
Figure FDA0003815522150000075
Figure FDA0003815522150000076
其中SNRth为信噪比阈值。
CN202211025535.5A 2022-08-25 2022-08-25 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 Pending CN115544425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211025535.5A CN115544425A (zh) 2022-08-25 2022-08-25 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211025535.5A CN115544425A (zh) 2022-08-25 2022-08-25 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法

Publications (1)

Publication Number Publication Date
CN115544425A true CN115544425A (zh) 2022-12-30

Family

ID=84726474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211025535.5A Pending CN115544425A (zh) 2022-08-25 2022-08-25 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN115544425A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435131A (zh) * 2023-10-09 2024-01-23 国家电网有限公司 基于城市电力设备监测的大数据存储方法、装置和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435131A (zh) * 2023-10-09 2024-01-23 国家电网有限公司 基于城市电力设备监测的大数据存储方法、装置和介质
CN117435131B (zh) * 2023-10-09 2024-03-29 国家电网有限公司 基于城市电力设备监测的大数据存储方法、装置和介质

Similar Documents

Publication Publication Date Title
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN111722214B (zh) 雷达多目标跟踪phd实现方法
KR100816269B1 (ko) 언센티드 필터를 적용한 강인한 동시 위치 추정 및 지도작성 방법
CN110376582B (zh) 自适应gm-phd的机动目标跟踪方法
CN110209180B (zh) 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法
CN110865343A (zh) 基于lmb的粒子滤波检测前跟踪方法及系统
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN116500575B (zh) 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置
CN111259332B (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
CN111487612B (zh) 基于cpd的异地配置雷达/esm航迹抗差关联方法
CN111693984B (zh) 一种改进的ekf-ukf动目标跟踪方法
CN109919233B (zh) 一种基于数据融合的跟踪滤波方法
CN115544425A (zh) 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法
CN111325776A (zh) 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法
CN115204212A (zh) 一种基于stm-pmbm滤波算法的多目标跟踪方法
CA2675310A1 (en) Method for evaluation of sensor measured values
CN113030940A (zh) 一种转弯机动下的多星凸型扩展目标跟踪方法
CN113300690A (zh) 一种有色量测噪声下鲁棒泊松多伯努利滤波方法
CN116734860A (zh) 一种基于因子图的多auv自适应协同定位方法及系统
CN108981707B (zh) 基于时差量测箱粒子phd的被动跟踪多目标方法
CN113190960A (zh) 一种基于非等维状态混合估计的并行imm机动目标跟踪方法
CN111504326B (zh) 一种基于t分布的鲁棒glmb多目标跟踪方法
CN115906413B (zh) 一种Dirichlet过程混合模型节点自定位方法
Yu et al. Neural network aided unscented kalman filter for maneuvering target tracking in distributed acoustic sensor networks

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