CN116609776A - 复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法 - Google Patents

Abstract

本发明涉及复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，包括：采集目标量测信息，通过所述目标量测信息，建立量测模型；初始化星凸型扩展目标状态，通过模仿人工势场法建立所述星凸形扩展目标的量测势场，基于所述量测模型、初始化后的星凸型扩展目标状态以及所述量测势场，推导出伪量测方程；根据所述伪量测方程对所述目标状态进行预测的同时，对预测结果进行更新与优化，获取目标形状参数。本发明避免了传统方法粗糙地刻画目标轮廓细节，通过逐步引入量测势场进而得到伪量测方程，用于提高扩展目标的跟踪精度。

Description

复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法

技术领域

本发明涉及复杂环境下的扩展目标跟踪技术领域，特别是涉及复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法。

背景技术

目标跟踪技术是基于雷达检测到的量测信息，连续确定动态目标状态的过程。该技术在军事和民用领域一直都有广泛应用，且伴随着跟踪环境的日益复杂和传感器技术的高速发展对跟踪系统提出了更高的要求。传统目标跟踪算法是基于点目标模型的，即假定目标是一个没有任何空间范围扩展的点，且量测只源于目标的质心。随着高分辨率传感器在目标跟踪领域的广泛应用，一个目标在每个采样周期内可以产生多个量测，称这样的目标为扩展目标(Extended Target,ET)，其对应的跟踪问题为扩展目标跟踪(ExtendedTarget Tracking,ETT)。不同于传统的点目标跟踪，ETT可以从量测集中提取目标的形状信息，进而对目标的状态信息进行更深层次的估计。要解决每个采样时刻单个目标产生多个量测的问题，对跟踪技术提出了更高的要求。对于ETT的需求不仅局限于对目标所处位置、相关运动参数等状态信息的估计，而且在获取以上信息的同时还希望能够获取目标扩展形状、范围等具体信息，从而能够更全面的认知目标、识别目标。因此不仅要对目标进行跟踪，同时还要估计其形状。即在对目标精确定位的基础上，对目标的形状和大小进行准确的跟踪估计。目前比较常见的星凸形扩展目标形状建模有两种：一种是Baum等人提出的随机超曲面模型(Random Hypersurface Model,RHM)。RHM假设每个量测源都是一个随机生成的超曲面上的一个元素，使用径向函数来表示量测源距离中心的距离。当量测源在目标的边界上时，通常可以制定一个量测方程，通过一个随机尺度因子,将边界的量测方程缩放覆盖至整个目标表面。因为RHM是通过利用傅里叶级数描述的径向函数对量测源建模，进而将目标的形状参数化，使目标的所有参数(包括运动参数以及形状参数)均包含在一个随机向量中进而递归估计目标的运动学状态以及形状参数。可见跟踪扩展目标是一个高度复杂的非线性问题。RHM模型应用傅里叶级数处理径向函数，傅里叶级数的低频谐波描述形状的粗略轮廓，高频谐波描述形状的细节轮廓，所以傅里叶级数展开级数较少时目标形状较为粗糙。为了表示出更为精确的目标形状，傅里叶级数需要展开足够多。目标量测通过高阶傅里叶级数进行处理也导致运算复杂度的增加。另一种是高斯过程(Gaussian Process，GP)模型。GP是一个将输入映射到输出空间的随机过程。即在一个随机过程中，任意两个或多个随机变量服从多元高斯分布，这个随机过程被称为高斯过程。GP模型在RHM基础上通过高斯过程回归(Gaussian Process Regression,GPR)学习目标形状的径向函数，从而完成对星凸形扩展目标的建模。即用高斯过程解决星凸形扩展目标跟踪仍然用径向函数描述星凸形目标轮廓，并同样使用尺度因子对目标轮廓缩放，从而对扩展目标的量测源进行建模。GPR是一个非参数模型，它通过GP为模型赋予了更多不确定性。虽然GP较为复杂，但是用于回归时计算简单。非参数模型让GPR能够建模任意函数，核函数使得GPR能利用数据的内在结构。GP模型是在空间域而不是在频域内定义的，这使得局部学习目标轮廓。换句话说，在学习目标范围内可观察到的部分时，可以保持未观察到的部分的不确定性，从而为以后的观察提供更准确的门限。但存在无法精确地刻画目标细节部分的问题。因此，如何通过科学地形状建模，提高扩展目标形状的自适应跟踪效果就变得非常重要。

发明内容

本发明的目的是提供了复杂环境下的基于人工势场法的星凸型扩展目标跟踪方法，避免了传统方法粗糙地刻画目标轮廓细节，通过逐步引入量测势场进而得到伪量测模型，用于提高扩展目标的跟踪精度。

为实现上述目的，本发明提供了如下方案：

复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，包括：

采集目标量测信息，通过所述目标量测信息，建立量测模型；

初始化星凸型扩展目标状态，通过模仿人工势场法建立所述星凸形扩展目标的量测势场，基于所述量测模型、初始化后的星凸型扩展目标状态以及所述量测势场，推导出伪量测模型；

根据所述伪量测模型对所述目标状态进行预测的同时，对预测结果进行更新与优化，获取状态向量，完成扩展目标跟踪。

可选地，建立所述量测模型包括：

设定采集时刻，通过所述采集时刻，采集若干个所述目标量测信息，所述目标量测信息包括：目标方位；

基于若干个所述目标量测信息，构建量测集，根据所述量测集，建立所述量测模型；

所述量测模型包括：

y_k,l＝z_k,l+v_k,l

其中，z_k,l为量测源，v_k,l为量测噪声。

可选地，所述初始化星凸型扩展目标状态包括：

预设初始时刻目标的运动状态，通过所述运动状态，初始化所述星凸型扩展目标状态；

初始化所述星凸型扩展目标状态的方法为：

其中，x_k为扩展目标状态，为目标的运动状态，/>为扩展状态，T为转置符号。

可选地，获取所述扩展状态的方法为：

通过中心轮廓距离方法提取所述目标量测信息，获取初始轮廓点，将所述初始轮廓点作为控制顶点，获取均匀B样条曲线，基于所述均匀B样条曲线描述扩展状态；

所述均匀B样条曲线包括：

其中，u为节点向量，当i＝n_s时，E_i+1＝E₁，n_s为控制顶点个数。

可选地，通过模仿人工势场法建立所述星凸形扩展目标的量测势场包括：

基于传统的人工势场法，设计虚拟复合场，所述传统的人工势场法包括引力场和斥力场，通过模拟移动物体在所述虚拟复合场中运动，并模拟目标对所述移动物体产生引力作用，以及障碍物对所述移动物体产生斥力作用，建立所述星凸形扩展目标的量测势场。

可选地，基于所述量测模型、初始化后的星凸型扩展目标状态以及所述量测势场，推导出伪量测模型包括：

通过所述量测势场判断所述量测模型的受力情况，当所述量测模型位于估计形状外，则所述量测模型只受引力作用，当所述量测模型位于估计形状内，则所述量测模型受引力和斥力共同作用；

将初始化后的星凸型扩展目标状态、量测噪声、尺度因子和判断后的所述量测模型映射到同一函数上，建立伪量测函数，并以均匀B样条曲线所获取的轮廓点为初始点，通过RHM的缩放形状轮廓的思想，推导出伪量测模型；

所述伪量测模型包括：

其中，y_k,l为量测，v_k,l为量测噪声，s_k,l为尺度因子，n_e表示迭代次数，为第n_e次迭代的移动位置，h为伪量测方程。

可选地，通过所述量测势场判断所述量测模型的受力情况的方法为：

其中，F_k,l(y_k,l)为引力和斥力合力，为引力势场函数的负梯度，/>为斥力势场函数的负梯度，/>为估计形状，y_k,l为量测模型。

可选地，根据所述伪量测模型对所述目标状态进行预测的同时，对预测结果进行更新与优化，获取目标形状参数包括：

根据所述伪量测模型对所述目标状态进行预测，获取预测联合概率密度，基于所述预测联合概率密度更新所述目标状态，并通过容积卡尔曼滤波优化预测联合概率密度，获取所述状态向量；

其中，所述容积卡尔曼滤波包括：预测步和更新步。

可选地，通过容积卡尔曼滤波优化预测联合概率密度包括：

获取历史扩展目标的状态向量和先验协方差矩阵，通过所述历史扩展目标的状态向量和先验协方差矩阵，预测扩展目标的状态向量和协方差矩阵；

所述扩展目标的状态向量包括：

x_k|k-1＝Ax_k-1|k-1

其中，x_k|k-1为k时刻预测扩展目标的状态向量，A为状态转移矩阵，x_k-1|k-1为k-1时刻扩展目标的状态向量；

所述协方差矩阵包括：

P_k|k-1＝AP_k-1|k-1A^T+Q

其中，P_k|k-1为协方差矩阵，A为状态转移矩阵，P_k-1|k-1为先验协方差矩阵，T为转置符号，Q为过程噪声协方差。

可选地，通过容积卡尔曼滤波优化预测联合概率密度还包括：

获取容积点，通过所述容积点，获取卡尔曼增益矩阵，计算所述卡尔曼增益矩阵，更新所述扩展目标的状态向量和协方差矩阵；

所述容积点包括：

其中，为基本容积点，h为伪量测方程；

计算所述卡尔曼增益矩阵，更新所述扩展目标的状态向量和协方差矩阵的方法为：

其中，z_nz为均值，n_c为为扩展目标状态维数的2倍，为传播后的容积点，P_xz为互协方差，/>为基本容积点，T为矩阵转置符号，x_k|k-1为先验状态，P_zz为自协方差，K_k为卡尔曼增益矩阵，/>为自协方差的逆矩阵，x_k|k为后验状态，K_k为卡尔曼，P_k|k为后验协方差，P_k|k-1为先验协方差，K_k为卡尔曼增益矩阵，/>为卡尔曼增益矩阵的转置。

本发明的有益效果为：

与现有技术相比，本发明的有益效果：提出基于人工势场法的星凸形扩展目标跟踪算法。在该算法中，利用人工势场法对量测信息进行势场的建立，颇为有效地解决了目标形状轮廓细节描述的问题。所提方法的意义在于，提出的建模方式能更精确的刻画现代目标跟踪系统所面临的复杂环境。

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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的扩展目标跟踪的轨迹图；

图2为本发明实施例的扩展目标跟踪的局部放大图；

图3为本发明实施例的以弗-面加权距离为评价指标的目标形状的估计误差图；

图4为本发明实施例的复杂环境下的基于人工势场法的星凸型扩展目标跟踪方法流程图。

具体实施方式

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图4所示，本发明公开了复杂环境下的基于人工势场法的星凸型扩展目标跟踪方法包括：

步骤S00：雷达量测采集

雷达的工作原理是辐射电磁能量，探测从反射物体(目标)返回的回波，并以此来测定目标的距离和角度等信息，对距离和角度进行处理，获取目标方位信息。目标的距离是根据辐射能量到达目标并返回所需要的时间来确定的，目标的角度位置是用一个窄波束宽度来感知回波信号的到达角度。回波信号的性质提供了有关目标的信息，通过雷达返回的量测信息可以得到它的轨迹并预测未来的位置。

步骤S10：星凸型扩展目标的量测建模

星凸型形状的定义：

星凸型可被定义为：用S表示一个二维形状，若形状中的任意点到质心的线段仍完全属于该形状,那么则表示星凸形。

量测模型的建立

假设k时刻产生n_k个量测，即方位信息，构成的量测集表示为其中量测模型为y_k,l＝z_k,l+v_k,l，量测个数服从泊松分布，v_k,l为量测噪声，z_k,l为量测源，该量测噪声表示由传感器自身所产生的不确定性，也可以用于表示由外界因素所导致的不确定性。

步骤S20：星凸型扩展目标状态的初始化

目标运动状态初始化

设定初始时刻目标运动状态为向量中的元素依次表示为目标位置的横坐标、目标位置的纵坐标、目标速度的横坐标以及目标速度的纵坐标，采样周期T＝1s，采样次数N＝40，初始概率密度服从Gaussian分布。

扩展目标状态初始化

为了充分表示目标的形状信息，扩展目标的整个状态向量由运动状态和扩展状态/>组成，记为/>其中，x_k为扩展目标状态，/>为目标的运动状态，为扩展状态，T为转置符号。采用中心轮廓距离方法利用量测信息提取初始轮廓点E，然后使用B样条曲线描述扩展状态。B样条曲线的数学表达式为：

式中，N_m,i(u)是由节点向量所定义的B样条基函数，n_b为控制点个数，P_i为控制点，可由Cox-deBoor递归式表示为

其中，N_0,i(u)为一阶B样条基函数，u_i为第i个节点向量，u为节点向量，N_m,i(u)为m+1阶B样条基函数，N_m-1,i+1(u)为m阶B样条基函数；

通过递推得到三次B样条基函数，记为

其中，N_3,i(u)为4阶B样条基函数；

设初始轮廓点集E作为控制顶点，对式(1)用泰勒展开式表示三次均匀B样条曲线，记为

其中，u为节点向量，当i＝n_s时，E_i+1＝E₁。

步骤S30：建立星凸形扩展目标的量测势场

传统人工势场法是由引力场和斥力场组成的复合场。APF的核心是设计一个虚拟复合场使移动物体在该环境下运动，目标对移动物体产生引力作用，障碍物对移动物体产生斥力作用。通过模仿人工势场，对量测建立一个量测势场。

量测y_k,l引起的引力势场函数定义为

ρ＝ρ(M,y_k,l)＝||M-y_k,l|| (6)

其中，为引力势场函数，α为引力势场增益系数，ρ为网格点矩阵与量测的距离，M为网格点矩阵，y_k,l为量测；

式中，α为引力势场增益系数。量测引力定义为引力势场函数的负梯度，记为

量测y_k,l引起的斥力势场函数定义为

式中，β为斥力势场增益系数，ρ₀为斥力作用半径。量测斥力定义为斥力势场函数的负梯度，记为

量测y_k,l的合力F_k,l(y_k,l)表示为

其中，F_k,l(y_k,l)为引力和斥力合力，为引力势场函数的负梯度，/>为斥力势场函数的负梯度，/>为估计形状，y_k,l为量测模型。

如果量测y_k,l位于估计形状外，则量测y_k,l只受引力作用；如果量测y_k,l位于估计形状/>内，则量测y_k,l受引力和斥力共同作用。

步骤S40：推导得到伪量测方程(伪量测模型)

考虑状态估计的精确性，将目标状态x_k、量测噪声v_k,l、尺度因子s_k,l和量测y_k,l映射到同一函数上，建立伪量测函数。以均匀B样条曲线得到的轮廓点G_k为初始点，可表示为

式中，是第i次迭代的移动位置，n_e表示迭代次数，η为步长，由轮廓点与量测之间的距离决定,F为合力。

通过RHM的缩放形状轮廓的思想，引入尺度因子s_k,l，量测方程可表示为

其中，y_k,l为量测模型，v_k,l为量测噪声，s_k,l为尺度因子，n_e表示迭代次数，为第n_e次迭代的移动位置，h为伪量测方程。

步骤S50：目标状态更新

对目标状态中的运动状态和扩展状态进行预测，得到预测联合概率密度；再对目标的运动状态和扩展状态进行更新(目标运动状态在不同时刻都不同，所以需要状态更新)，获取扩展目标的状态向量，完成目标追踪。容积卡尔曼滤波是基于球面-径向规则选取一组容积点来近似非线性函数的概率分布，可以有效地解决非线性问题。容积卡尔曼滤波包括预测步和更新步。

预测步

假设k-1时刻扩展目标的状态向量为和先验协方差矩阵为P_k-1|k-1，则k时刻预测扩展目标的状态向量x_k|k-1和协方差矩阵P_k|k-1分别为

x_k|k-1＝Ax_k-1|k-1 (13)

P_k|k-1＝AP_k-1|k-1A^T+Q (14)

式中，A为状态转移矩阵，Q为过程噪声协方差，x_k|k-1为k时刻预测扩展目标的状态向量，x_k-1|k-1为k-1时刻扩展目标的状态向量，P_k|k-1为协方差矩阵，P_k-1|k-1为先验协方差矩阵，T为转置符号。

更新步

更新步的核心是结合k时刻的所有量测信息以及伪量测方程完成对扩展目标运动状态和形状的估计。首先,计算基本容积点ξ_i以及相应的权值ω_i，即。

根据三阶容积规则计算容积点即

上式中S_k|k-1满足n_c为扩展目标状态维数的2倍。

然后，计算容积点通过非线性伪量测方程/>传播后的容积点即

其中，为基本容积点，h为伪量测方程；

最后，计算卡尔曼增益矩阵，并更新扩展目标的状态向量和协方差矩阵

x_k|k＝x_k|k-1+K_k·(0-z_nz) (22)

其中，z_nz为均值，n_c为扩展目标状态维数的2倍，为传播后的容积点，P_xz为互协方差，/>为基本容积点，T为矩阵转置符号，x_k|k-1为先验状态，P_zz为自协方差，K_k为卡尔曼增益矩阵，/>为自协方差的逆矩阵，x_k|k为后验状态，K_k为卡尔曼，P_k|k为后验协方差，P_k|k-1为先验协方差，K_k为卡尔曼增益矩阵，/>为卡尔曼增益矩阵的转置。

本发明中，该方法是在复杂环境下提出基于人工势场法的星凸形扩展目标跟踪算法，该算法考虑对目标细节特征进行精确描述的问题，采用人工势场法建立量测势场，从而推导一个伪量测方程。然后基于容积卡尔曼滤波，对扩展目标状态进行更新。该算法能够更精确的刻画现代目标跟踪系统所面临的复杂环境，对目标细节特征的估计问题得到更为科学的求解。

下面结合仿真实验对本发明的效果进一步说明。

对扩展目标构造跟踪场景，并且进行100次独立的蒙特卡洛(Monte Carlo,MC)仿真实验进行性能评价指标的统计，通过对比实验对仿真结果进行分析。在仿真实验中，设置目标在时间长度为40s，采样周期为T＝1s的仿真场景中做匀速直线运动，量测数服从λ＝20的泊松分布。目标的运动学状态表示为设置扩展目标的初始运动学状态为x_kin＝[10,10,10,5]^T，即目标的初始坐标为(10,10)，以x轴方向10(m/s)和y轴方向5(m/s)的速度做匀速直线运动。对比算法RHM的初始形状半径为2m，傅里叶级数为n_f＝5，尺度因子服从均值为0.65、方差为0.08的高斯分布；GP模型的形状基本点个数为50，遗忘因子α＝10^-5。

由图1的扩展目标航迹估计图可得：RHM、GP模型以及本发明所提的量测势场模型(Measurement Potential Field,MPF)均可以正确的跟踪真实运动轨迹，一定程度上表明了各模型对于运动状态估计的适应性。但通过局部放大估计的效果图(如图2所示)，本发明提出算法对形状估计的效果还是要优于其他各种方法。为反映各方法在估计性能上的差异，图3呈现了MC仿真中对扩展目标形状估计的统计结果，直观看出：MPF总体估计效果要好于RHM和GP。其中，MPF能够更有效地刻画目标的轮廓细节特征，而且具有更好的鲁棒性(更接近于真实形状)，所以该方法跟踪效果最好，算法的优越性得以充分证明。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，说明书仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，包括：

采集目标量测信息，通过所述目标量测信息，建立量测模型；

初始化星凸型扩展目标状态，通过模仿人工势场法建立所述星凸形扩展目标的量测势场，基于所述量测模型、初始化后的星凸型扩展目标状态以及所述量测势场，推导出伪量测模型；

根据所述伪量测模型对所述目标状态进行预测的同时，对预测结果进行更新与优化，获取状态向量，完成扩展目标跟踪。

2.根据权利要求1所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，建立所述量测模型包括：

设定采集时刻，通过所述采集时刻，采集若干个所述目标量测信息，所述目标量测信息包括：目标方位；

基于若干个所述目标量测信息，构建量测集，根据所述量测集，建立所述量测模型；

所述量测模型包括：

y_k,l＝z_k,l+v_k,l

其中，z_k,l为量测源，v_k,l为量测噪声。

3.根据权利要求1所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，所述初始化星凸型扩展目标状态包括：

预设初始时刻目标的运动状态，通过所述运动状态，初始化所述星凸型扩展目标状态；

初始化所述星凸型扩展目标状态的方法为：

其中，x_k为扩展目标状态，为目标的运动状态，/>为扩展状态，T为转置符号。

4.根据权利要求3所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，获取所述扩展状态的方法为：

通过中心轮廓距离方法提取所述目标量测信息，获取初始轮廓点，将所述初始轮廓点作为控制顶点，获取均匀B样条曲线，基于所述均匀B样条曲线描述扩展状态；

所述均匀B样条曲线包括：

其中，u为节点向量，当i＝n_s时，E_i+1＝E₁，n_s为控制顶点个数。

5.根据权利要求1所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，通过模仿人工势场法建立所述星凸形扩展目标的量测势场包括：

基于传统的人工势场法，设计虚拟复合场，所述传统的人工势场法包括引力场和斥力场，通过模拟移动物体在所述虚拟复合场中运动，并模拟目标对所述移动物体产生引力作用，以及障碍物对所述移动物体产生斥力作用，建立所述星凸形扩展目标的量测势场。

6.根据权利要求5所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，基于所述量测模型、初始化后的星凸型扩展目标状态以及所述量测势场，推导出伪量测模型包括：

通过所述量测势场判断所述量测模型的受力情况，当所述量测模型位于估计形状外，则所述量测模型只受引力作用，当所述量测模型位于估计形状内，则所述量测模型受引力和斥力共同作用；

将初始化后的星凸型扩展目标状态、量测噪声、尺度因子和判断后的所述量测模型映射到同一函数上，建立伪量测函数，并以均匀B样条曲线所获取的轮廓点为初始点，通过RHM的缩放形状轮廓的思想，推导出伪量测模型；

所述伪量测模型包括：

其中，y_k,l为量测，v_k,l为量测噪声，s_k,l为尺度因子，n_e表示迭代次数，为第n_e次迭代的移动位置，h为伪量测方程。

7.根据权利要求6所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，通过所述量测势场判断所述量测模型的受力情况的方法为：

其中，F_k,l(y_k,l)为引力和斥力合力，为引力势场函数的负梯度，/>为斥力势场函数的负梯度，/>为估计形状，y_k,l为量测模型。

8.根据权利要求1所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，根据所述伪量测模型对所述目标状态进行预测的同时，对预测结果进行更新与优化，获取目标形状参数包括：

根据所述伪量测模型对所述目标状态进行预测，获取预测联合概率密度，基于所述预测联合概率密度更新所述目标状态，并通过容积卡尔曼滤波优化预测联合概率密度，获取所述状态向量；

其中，所述容积卡尔曼滤波包括：预测步和更新步。

9.根据权利要求8所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，通过容积卡尔曼滤波优化预测联合概率密度包括：

获取历史扩展目标的状态向量和先验协方差矩阵，通过所述历史扩展目标的状态向量和先验协方差矩阵，预测扩展目标的状态向量和协方差矩阵；

所述扩展目标的状态向量包括：

x_k|k-1＝Ax_k-1|k-1

其中，x_k|k-1为k时刻预测扩展目标的状态向量，A为状态转移矩阵，x_k-1|k-1为k-1时刻扩展目标的状态向量；

所述协方差矩阵包括：

P_k|k-1＝AP_k-1|k-1A^T+Q

其中，P_k|k-1为协方差矩阵，A为状态转移矩阵，P_k-1|k-1为先验协方差矩阵，T为转置符号，Q为过程噪声协方差。

10.根据权利要求9所述的复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法，其特征在于，通过容积卡尔曼滤波优化预测联合概率密度还包括：

获取容积点，通过所述容积点，获取卡尔曼增益矩阵，计算所述卡尔曼增益矩阵，更新所述扩展目标的状态向量和协方差矩阵；

所述容积点包括：

其中，为基本容积点，h为伪量测方程；

计算所述卡尔曼增益矩阵，更新所述扩展目标的状态向量和协方差矩阵的方法为：

x_k|k＝x_k|k-1+K_k·(0-z_nz)

其中，z_nz为均值，n_c为为扩展目标状态维数的2倍，为传播后的容积点，P_xz为互协方差，/>为基本容积点，T为矩阵转置符号，x_k|k-1为先验状态，P_zz为自协方差，K_k为卡尔曼增益矩阵，/>为自协方差的逆矩阵，x_k|k为后验状态，K_k为卡尔曼，P_k|k为后验协方差，P_k|k-1为先验协方差，K_k为卡尔曼增益矩阵，/>为卡尔曼增益矩阵的转置。