CN104730511B - 星凸模型下的势概率假设密度多扩展目标跟踪方法 - Google Patents
星凸模型下的势概率假设密度多扩展目标跟踪方法 Download PDFInfo
- Publication number
- CN104730511B CN104730511B CN201510170073.XA CN201510170073A CN104730511B CN 104730511 B CN104730511 B CN 104730511B CN 201510170073 A CN201510170073 A CN 201510170073A CN 104730511 B CN104730511 B CN 104730511B
- Authority
- CN
- China
- Prior art keywords
- target
- representing
- probability
- measurement
- jth
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 103
- 230000003190 augmentative effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000005315 distribution function Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 13
- 238000013138 pruning Methods 0.000 claims description 9
- 230000004083 survival effect Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 abstract description 4
- 230000001788 irregular Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 4
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种星凸模型下的势概率假设密度多扩展目标跟踪方法,主要解决现有扩展目标跟踪方法都是将扩展目标形状建模为椭圆,当目标形状不规则时,较难跟踪的问题。其技术方案是:先通过星凸随机超曲面模型产生目标的量测;再通过基于伽玛函数的高斯混合CPHD滤波器对目标质心状态、扩展形状和势分布一起进行滤波更新;然后依次提取更新后的位置参数估计目标的位置、更新后形状参数估计目标的形状、更新后的势分布估计目标的数目。本发明具有能将目标的形状信息增广到目标状态均值中的优点,可用于对未知数目的多个形状不规则的星凸形扩展目标进行持续跟踪。
Description
技术领域
本发明属于信息处理领域,具体地说是一种目标跟踪方法。可用于多扩展目标跟踪。
背景技术
在传统的目标跟踪领域,通常将目标看成点目标,即每个时刻每个目标最多产生一个量测。近年来,随着高分辨率雷达的发展,当目标距离高分辨率雷达较近或目标较大等情况下,每个观测时刻传感器会接收到来自同一个目标的多个量测,此时,该目标不再视为一个点目标,而是扩展目标。由于扩展目标跟踪理论在某些情况下更贴近实际,因此被广泛应用于跟踪领域。
现实场景中,常常无法预知目标的个数,需要对未知数目的多个目标进行跟踪。近年来,基于随机集理论的多目标跟踪算法由于在跟踪多目标时不需要进行复杂的数据关联而引起广泛关注。2003年,Mahler将随机有限集RFS理论应用于多目标跟踪问题,提出了概率假设密度PHD滤波。随后,为了解决PHD估计目标数时的缺陷,Mahler又提出了势分布的CPHD滤波。
2009年,Mahler首次提出扩展目标ET-PHD,该算法不用进行测量与扩展目标之间的复杂关联过程即可同时获得扩展目标的个数和状态估计。随后等学者推导出了ET-PHD的高斯混合实现形式ET-GM-PHD,并且通过仿真实验验证了该GM-ET-PHD滤波器的有效性。2008年Koch提出一种基于随机矩阵的扩展目标跟踪方法,该方法用随机矩阵来存储扩展目标的形状和大小信息,在此基础上,2012年等人提出了该方法的高斯混合实现形式,实现了高斯逆威沙特PHD滤波器,并通过仿真实验证明了该算法的有效性。但是该算法将所有目标都近似为椭圆,使得形状估计精度受限,影响下一步的决策。2011年,Baum提出了星凸随机超曲面,使用该模型来对扩展目标建模,可以跟踪形状不规则的目标,但是他在仿真中并没有考虑杂波和漏检存在的情况,并不适用于实际场景,不能在有杂波和漏检情况下准确跟踪星凸形目标的状态和形状。
发明内容
本发明的目的在于针对上述问题,提出一种星凸模型下的势概率假设密度多扩展目标跟踪方法,以在存在杂波和漏检情况下,准确跟踪星凸形目标的状态和形状。
实现本发明的技术关键是:将扩展目标建模为星凸随机超曲面,使用该模型来产生目标的量测;在势概率假设密度滤波框架下,引入伽玛函数,估计扩展目标的质心运动状态信息和形状信息,实现杂波和漏检情况下的目标跟踪问题。其具体步骤如下:
(1)由目标的量测率、质心运动状态参数和扩展目标的形状参数组成扩展目标状态集,表示为其中k表示时刻,表示第j个目标在k时刻的量测率,Nk,x表示目标在k时刻的最大数目,T表示矩阵的转置,分别表示k时刻第j个目标的质心运动状态参数和形状参数;扩展目标状态集Xk的概率假设密度和目标势分布分别为Dk(ξ)和Pk(n);
(2)初始化扩展目标状态集Xk的概率假设密度和目标势分布分别为D0(ξ)和P0(n);
(3)当k≥1时,通过传感器获得星凸模型扩展目标的量测集Zk,并使用距离划分算法对量测集进行划分;
(4)对扩展目标状态集Xk在k时刻的概率假设密度进行预测,得到预测概率假设密度:其中表示新生目标状态集的概率假设密度,表示上一时刻存活下来的目标状态集的概率假设密度, ps,k表示目标存活概率,Jk-1表示上一时刻存活下来的目标数,和分别表示上一时刻存活下来的第j个目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,G(·)表示伽玛分布函数,N(·)表示高斯分布函数;
(5)用k时刻预测得到的预测概率假设密度Dk|k-1(ξ)和量测集Zk对扩展目标状态集Xk在k时刻的概率假设密度进行更新,得到更新后的概率假设密度:
其中表示漏检部分的概率假设密度,表示检测到的通过非空单元W更新后的概率假设密度,W表示量测划分后得到的非空子集下的某一单元;
(6)对k时刻的目标势分布进行预测,得到预测势分布Pk|k-1(n),并将该预测势分布Pk|k-1(n)进行更新,得到更新后的势分布Pk|k(n);
(7)对概率假设密度Dk|k(ξ)中的高斯混合分量进行修剪与合并;
(8)从概率假设密度Dk|k(ξ)中提取扩展目标的质心运动状态信息和形状信息;从目标势分布Pk|k(n)中提取目标数;
(9)重复步骤(3)-(8),继续跟踪目标。
本发明具有以下优点:
1)本发明由于将目标的形状信息增广到目标的状态均值中,可以对扩展目标的形状信息进行持续跟踪,得到扩展目标较为精确的近似形状;
2)本发明由于对目标状态的概率假设密度进行预测和更新,可以在杂波和漏检情况下,准确跟踪扩展目标的状态;
3)本发明对目标状态的势分布进行预测和更新,使得目标数目的估计更为精确。
附图说明
图1是本发明的总流程图;
图2是目标的量测产生模型;
图3是本发明仿真使用的目标真实运动轨迹图;
图4(a)是本发明进行单次仿真的结果图;
图4(b)是本发明进行单次仿真的局部放大结果图;
图5是本发明在100次蒙特卡罗实验条件下仿真得到的目标数估计图;
图6是本发明在100次蒙特卡罗实验条件下仿真得到的质心位置OSPA距离图。
具体实施方式
参照图1,本发明的具体实现步骤包括如下:
步骤1.组成扩展目标的状态集。
由目标的量测率、质心运动状态参数和扩展目标的形状参数组成扩展目标状态集,表示为其中k表示时刻,表示第j个目标在k时刻的量测率,Nk,x表示目标在k时刻的最大数目,T表示矩阵的转置,分别表示k时刻第j个目标的质心运动状态参数和形状参数;
设该扩展目标状态集Xk的概率假设密度和目标势分布分别为Dk(ξ)和Pk(n)。
步骤2.初始化扩展目标状态集的概率假设密度和目标势分布;
(2.1)在k=0时刻,将扩展目标状态集的概率假设密度初始化为:其中J0表示初始目标数, 和分别表示第j个目标的初始化形状比例参数、初始化逆比例参数、初始化权值、初始化目标状态均值和初始化协方差矩阵;
(2.2)在k=0时刻,将目标势分布初始化为P0(n)。
步骤3.当k≥1时,通过传感器获得星凸模型扩展目标的量测集,并使用距离划分算法对量测集进行划分。
(3.1)在星凸模型中,将第j个目标的量测表示为其中,表示第j个目标的量测,表示第j个目标的量测源,vk表示均值为0协方差为Rk的高斯白噪声,nT表示目标的数目;
(3.1a)参照图2,在星凸模型中,将第j个目标的量测源表示为其中表示第j个目标的质心位置,表示缩放比例,表示的边界, 表示第j个目标的尺度变换因子,表示第j个目标的量测源和目标质心位置连线与x轴的夹角, 为径向函数,其傅里叶级数展开式为:
其中,NF表示傅里叶级数展开的项数,
(3.1b)取代入量测源方程中,得到量测方程:
其中表示第j个目标的尺度变换因子,表示第j个目标的质心位置,vk表示均值为0协方差为Rk的高斯白噪声;
(3.2)将不同目标的量测组成的量测集Zk使用距离划分算法进行划分,得到量测的划分集合,具体步骤如下:
(3.2a)计算量测集Zk中所有量测之间的距离,
(3.2b)根据给定的最小距离和最大距离对量测之间的距离进行修剪与排序,得到一个距离集合,
(3.2c)取出修剪和排序后的距离集合中的一个值,将任意两个量测之间的距离不大于这个值的两个量测划分到同一个单元中,从而将不同目标的量测划分到不同的单元中,由这些单元组成一个划分集合;
(3.2d)根据修剪和排序后的距离集合中的所有值,得到所有的划分集合。
步骤4.对k时刻扩展目标状态集的概率假设密度进行预测。
(4.1)计算上一时刻存活下来的目标状态集的概率假设密度:
其中,ps,k表示目标存活概率,Jk-1表示上一时刻存活下来的目标数, 和分别表示上一时刻存活下来的第j个目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,G(·)表示伽玛分布函数,N(·)表示高斯分布函数;
其中ηk-1表示遗忘因子,和分别表示k-1时刻跟踪到的第j个目标的形状比例参数、逆比例参数、目标状态均值和协方差矩阵,Fk-1表示状态转移矩阵,Qk-1表示状态噪声矩阵,T表示矩阵的转置;
(4.2)计算k时刻新生目标状态集的概率假设密度:
其中Jb,k表示新生目标数,G(·)表示伽玛分布函数,N(·)表示高斯分布函数, 和分别表示第j个新生目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,这些参数均根据具体的跟踪环境设定;
(4.3)用k-1时刻存活下来的目标状态集的概率假设密度和新生目标状态集的概率假设密度计算k时刻预测概率假设密度:
步骤5.对k时刻扩展目标状态集的概率假设密度进行更新;
(5.1)计算漏检目标状态集的概率假设密度:
其中Jk|k-1表示预测得到的目标数,κ表示势权值系数,G(·)表示伽玛分布函数,N(·)表示高斯分布函数,Gz(·)表示量测概率生成函数,表示第j个目标的检测概率, 和分别表示预测得到的第j个目标的归一化权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵;
其中表示定义符号,Π表示连乘符号,ψp,W表示目标产生量测概率的乘积,χp,W表示量测划分单元为|p|+1时的虚警常系数,lp.W表示量测划分单元为|p|-1时的虚警常系数,Gz(·)表示量测概率生成函数,表示预测得到的第j个目标的形状比例参数,表示预测得到的第j个目标的逆比例参数,表示预测得到的第j个目标的权值,Jk|k-1表示预测得到的目标数,ηW′表示扩展目标虚警量测产生概率,W′∈p-W表示p划分下所有单元中除去单元W后剩下的单元,pk|k-1表示单扩展目标状态转移概率密度,PD(·)表示检测概率,pFA(z′)表示虚警量测似然,GFA(0)表示没有量测时的虚警概率生成函数,|p|表示量测集Zk的所有划分个数,表示虚警概率生成函数的|W|阶偏导,表示状态预测概率生成函数的|p|阶偏导,表示状态预测概率生成函数的|p|-1阶偏导,表示状态预测概率生成函数的|p|+1阶偏导,ρ表示扩展目标分量没有被检测到的概率;
(5.2)计算经量测更新后的目标状态集的概率假设密度。
(5.2a)将尺度变换因子sk和量测噪声vk增广到目标状态xk中,得到增广目标状态表示为维数为L;其中增广目标状态的均值和协方差矩阵分别为和其中blkdiag(·)表示对其中的元素进行对角线连接;
(5.2b)用量测集Zk更新增广目标的状态均值和增广目标的协方差即:
其中Snz和K分别表示增广目标状态进行无迹变换后的伪量测均值、伪量测协方差矩阵和增益因子;
K=Pxz(Snz)-1,
其中χi表示对增广目标状态进行无迹变换后第i个Sigma点,zi表示第i个Sigma点的伪量测值,表示第i个Sigma点的权值,第i个Sigma点的协方差,和分别表示量测集中第j个目标的尺度变换因子、质心位置和量测值,和分别表示傅里叶级数展开的余弦项系数和正弦项系数,NF表示傅里叶级数展开的项数;表示量测集中第j个目标的量测位置和目标质心位置的连线与x轴之间的夹角,ex表示x轴方向上的单位向量,∠(x,y)表示向量x和向量y之间的夹角,≈表示近似于,表示在角方向上的单位向量,vk表示均值为0协方差为Rk的高斯白噪声;
(5.2c)将各个目标的形状比例参数逆比例参数目标状态均值和协方差矩阵更新为:
其中|W|表示各非空单元W中的量测个数,表示预测得到的第j个目标的形状比例参数,表示预测得到的第j个目标的逆比例参数,L表示向量的维数;
(5.2d)更新各个目标的权值,得到更新后各个目标的权值
其中,表示预测得到的第j个目标的归一化权值,表示第j个目标的检测概率,σp,W表示加权虚警系数,表示量测似然,表示虚警似然,p∠Zk表示把量测集Zk划分成p个非空子集,W∈p表示第p个非空子集下的某一个单元,ψp,W表示目标产生量测概率的乘积,lp.W表示量测划分单元为|p|-1时的虚警常系数;
其中ψp,W表示目标产生量测概率的乘积,|p|表示量测集Zk的所有划分个数,GFA(·)表示没有量测时的虚警概率生成函数,表示状态预测概率生成函数的|p|阶偏导,ρ表示扩展目标分量没有被检测到的概率,表示量测率似然,表示高斯混合似然,z∈W表示非空子集W下的量测,pFA(·)表示虚警概率函数,Γ(·)表示伽玛函数,和分别表示经量测更新后的第j个目标的形状比例参数和逆比例参数,和分别表示预测得到的第j个目标的形状比例参数和逆比例参数,N(·)表示高斯分布函数,表示集合W中第j个目标的伪量测均值,表示集合W中第j个目标的伪量测协方差矩阵;
(5.2e)更新k时刻检测到的通过非空单元W更新后的目标状态集的概率假设密度:
其中和分别表示经量测更新后的第j个目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,p∠Zk表示把量测集Zk划分成p个非空子集,W∈p表示第p个非空子集下的某一个单元,G(·)表示伽玛分布函数,N(·)表示高斯分布函数;
(5.3)用漏检目标状态集的概率假设密度和经量测更新后的概率假设密度计算k时刻的目标状态集的概率假设密度:
步骤6.对k时刻扩展目标状态集的势分布进行预测和更新。
(6.1)将k时刻目标状态集的势分布预测为:
其中Pk|k-1(n)表示k时刻目标状态集的预测势分布,Pbirth(n)表示新生目标的势分布,ps,k表示目标存活概率,Pk-1|k-1(n)表示k-1时刻的目标状态集的势分布;
(6.2)将k时刻目标状态集的势分布更新为:
其中Pk|k(n)表示更新后目标状态集的势分布,p∠Zk表示把量测集Zk划分成p个非空子集,W∈p表示第p个非空子集下的某一个单元,ψp,W表示目标产生量测概率的乘积,lp.W表示量测划分单元为|p|-1时的虚警常系数,表示状态预测概率生成函数的n阶偏导,GFA(·)表示虚警概率生成函数,ηW表示扩展目标产生量测概率,|p|表示量测集Zk的所有划分个数,ρ表示扩展目标分量没有被检测到的概率,表示虚警概率生成函数的|W|阶偏导,Gk|k-1(·)表示状态预测概率生成函数,δn≥|p|表示当目标数目n大于划分单元|p|时取值为1,否则为0。
步骤7.对概率假设密度Dk|k(ξ)中的高斯混合分量进行修剪与合并。
(7.1)设定修剪门限T=10-5、合并门限U=10和最大高斯混合项数Jmax=100;
(7.2)删除权值小于修剪门限的高斯项,合并两个均值间距离小于合并门限的高斯项,如果修剪合并后的高斯项的数目大于最大高斯混合项数,则继续删除权值较小的高斯项,直到修剪合并后的高斯项的数目不大于最大高斯混合项数。
步骤8.提取扩展目标的质心运动状态信息、形状信息和目标数。
由于目标的质心运动状态信息和形状信息都存放于高斯分量的均值中,所以从修剪与合并后的概率假设密度中取出权值大于0.5的高斯分量,在高斯分量的均值中提取质心运动状态信息和形状信息,目标数Nk通过更新后的势分布Pk|k(n)来获得,即
步骤9.判断是否继续跟踪目标。
若时间迭代未停止,返回步骤4进行迭代;否则,目标跟踪过程结束。
本发明的效果可通过以下实验仿真进一步说明:
1.仿真条件
参照图3,考虑二维平面中3个目标的运动轨迹不交叉的情况,采样周期为T=1s,整个观测过程持续40个采样时刻,目标1和目标2持续时间为1~40s,目标3持续时间为11~40s;目标的运动方程为:
Χk=FΧk-1+wk
其中 In为n维单位矩阵;参数设置为:σ=1.5为过程噪声的标准差;本实例中设置n=11;量测噪声是均值为0,协方差矩阵为Rk=diag[0.2,0.2]的高斯噪声,其中diag[·]表示对角化其中的元素;尺度变换因子服从N(0.7,0.08)的高斯分布。
量测产生个数服从泊松分布,参数b=20;目标存活概率和检测概率分别为pS,k=0.99和pD,k=0.98;杂波数服从均值为10的泊松分布,且在整个观测区域内均匀分布;新生目标的强度为:
其中,和的维数为15, j=1,2,3。
2.仿真内容和结果分析
仿真1,在有杂波和漏检情况下,使用本发明方法对二维平面内的3个不交叉目标进行单次仿真跟踪,得到跟踪结果,如图4所示;
从图4(a)可以看出本发明能较好的完成目标跟踪;
从图4(b)可以看出本发明能很好的估计出目标的扩展形状。
仿真2,在有杂波和漏检情况下,使用本发明方法在100次蒙特卡罗实验条件下,对二维平面内的3个不交叉目标进行仿真跟踪,得到目标数的估计结果,如图5所示;从图5可以看出本发明能较为准确的估计出目标数。
仿真3,在有杂波和漏检情况下,使用本发明方法在100次蒙特卡罗实验条件下,对二维平面内的3个不交叉目标进行仿真跟踪,得到目标的质心位置OSPA距离,结果如图6;从图6可以看出本发明对目标质心位置估计的OSPA距离很小,跟踪精度高。
Claims (7)
1.一种星凸模型下的势概率假设密度多扩展目标跟踪方法,包括如下步骤:
(1)由目标的量测率、质心运动状态参数和扩展目标的形状参数组成扩展目标状态集,表示为其中k表示时刻,表示第j个目标在k时刻的量测率,Nk,x表示目标在k时刻的最大数目,T表示矩阵的转置,分别表示k时刻第j个目标的质心运动状态参数和形状参数;扩展目标状态集Xk的概率假设密度和目标势分布分别为Dk(ξ)和Pk(n);
(2)初始化扩展目标状态集Xk的概率假设密度和目标势分布分别为D0(ξ)和P0(n);
(3)当k≥1时,通过传感器获得星凸模型扩展目标的量测集Zk,并使用距离划分算法对量测集进行划分:
(3.1)在星凸模型中,将第j个目标的量测表示为其中,表示第j个目标的量测,表示第j个目标的量测源,vk表示均值为0协方差为Rk的高斯白噪声,nT表示目标的数目;
(3.1a)在星凸模型中,将第j个目标的量测源表示为其中表示第j个目标的质心位置,表示缩放比例,表示的边界, 表示第j个目标的尺度变换因子, 表示第j个目标的量测源和目标质心位置连线与x轴的夹角, 为径向函数,其傅里叶级数展开式为:
其中,NF表示傅里叶级数展开的项数,
(3.1b)取代入量测源方程中,得到量测方程:
其中表示第j个目标的尺度变换因子,表示第j个目标的质心位置,vk表示均值为0协方差为Rk的高斯白噪声;
(3.2)将不同目标的量测组成的量测集Zk使用距离划分算法进行划分,得到量测的划分集合;
(4)对扩展目标状态集Xk在k时刻的概率假设密度进行预测,得到预测概率假设密度:其中表示新生目标状态集的概率假设密度,表示上一时刻存活下来的目标状态集的概率假设密度, ps,k表示目标存活概率,Jk-1表示上一时刻存活下来的目标数,和分别表示上一时刻存活下来的第j个目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,G(·)表示伽玛分布函数,N(·)表示高斯分布函数;
(5)用k时刻预测得到的预测概率假设密度Dk|k-1(ξ)和量测集Zk对扩展目标状态集Xk在k时刻的概率假设密度进行更新,得到更新后的概率假设密度:
其中表示漏检部分的概率假设密度,表示检测到的通过非空单元W更新后的概率假设密度,W表示量测划分后得到的非空子集下的某一单元;
(6)对k时刻的目标势分布进行预测,得到预测势分布Pk|k-1(n),并将该预测势分布Pk|k-1(n)进行更新,得到更新后的势分布Pk|k(n);
(7)对概率假设密度Dk|k(ξ)中的高斯混合分量进行修剪与合并;
(8)从概率假设密度Dk|k(ξ)中提取扩展目标的质心运动状态信息和形状信息;从目标势分布Pk|k(n)中提取目标数;
(9)重复步骤(3)-(8),继续跟踪目标。
2.根据权利要求1所述的扩展目标跟踪方法,其中所述步骤(3.2)中使用距离划分算法对不同目标的量测组成的量测集Zk进行划分,按如下步骤进行:
(3.2a)计算量测集Zk中所有量测之间的距离;
(3.2b)根据给定的最小距离和最大距离对量测之间的距离进行修剪与排序,得到一个距离集合;
(3.2c)取出修剪和排序后的距离集合中的任一个值,将任意两个量测之间的距离不大于这个值的两个量测划分到同一个单元中,从而将不同目标的量测划分到不同的单元中,由这些单元组成一个划分集合,
(3.2d)根据修剪和排序后的距离集合中的所有值,得到所有的划分集合。
3.根据权利要求1所述的扩展目标跟踪方法,其中步骤(4)所述的对扩展目标状态集Xk在k时刻的概率假设密度进行预测,按如下步骤进行:
(4.1)计算上一时刻存活下来的目标状态集的概率假设密度:
其中,ps,k表示目标存活概率,Jk-1表示上一时刻存活下来的目标数, 和分别表示上一时刻存活下来的第j个目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,G(·)表示伽玛分布函数,N(·)表示高斯分布函数;
其中ηk-1表示遗忘因子,和分别表示k-1时刻跟踪到的第j个目标的形状比例参数、逆比例参数、目标状态均值和协方差矩阵,Fk-1表示状态转移矩阵,Qk-1表示状态噪声矩阵,T表示矩阵的转置;
(4.2)通过提前设定的新生目标状态集的参数,计算k时刻新生目标状态集的概率假设密度:
其中Jb,k表示新生目标数,G(·)表示伽玛分布函数,N(·)表示高斯分布函数, 和分别表示第j个新生目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,这些参数均根据具体的跟踪环境设定;
(4.3)用k-1时刻存活下来的目标状态集的概率假设密度和新生目标状态集的概率假设密度计算k时刻预测概率假设密度:
4.根据权利要求1所述的扩展目标跟踪方法,其中步骤(5)所述的用k时刻预测得到的预测概率假设密度Dk|k-1(ξ)和量测集Zk对扩展目标状态集Xk在k时刻的概率假设密度进行更新,按如下步骤进行:
(5.1)用k时刻预测得到的预测概率假设密度Dk|k-1(ξ)和k-1时刻目标状态集的概率假设密度Dk-1|k-1(ξ)计算k时刻漏检目标状态集的概率假设密度:
其中Jk|k-1表示预测得到的目标数,κ表示势权值系数,G(·)表示伽玛分布函数,N(·)表示高斯分布函数,Gz(·)表示量测概率生成函数,表示第j个目标的检测概率,和分别表示预测得到的第j个目标的归一化权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵;
其中表示定义符号,Π表示连乘符号,ψp,W表示目标产生量测概率的乘积,χp,W表示量测划分单元为|p|+1时的虚警常系数,lp.W表示量测划分单元为|p|-1时的虚警常系数,Gz(·)表示量测概率生成函数,表示预测得到的第j个目标的形状比例参数,表示预测得到的第j个目标的逆比例参数,表示预测得到的第j个目标的权值,Jk|k-1表示预测得到的目标数,ηW′表示扩展目标虚警量测产生概率,W′∈p-W表示p划分下所有单元中除去单元W后剩下的单元,pk|k-1表示单扩展目标状态转移概率密度,PD(·)表示检测概率,pFA(z′)表示虚警量测似然,GFA(0)表示没有量测时的虚警概率生成函数,|p|表示量测集Zk的所有划分个数,表示虚警概率生成函数的|W|阶偏导,表示状态预测概率生成函数的|p|阶偏导,表示状态预测概率生成函数的|p|-1阶偏导,表示状态预测概率生成函数的|p|+1阶偏导,ρ表示扩展目标分量没有被检测到的概率;
(5.2)用k时刻预测得到的预测概率假设密度Dk|k-1(ξ)和量测集Zk,更新k时刻的目标状态集的概率假设密度Dk|k(ξ,W),得到经量测更新后的目标状态集的概率假设密度:
其中和分别表示经量测更新后的第j个目标的权值、形状比例参数、逆比例参数、目标状态均值和协方差矩阵,p∠Zk表示把量测集Zk划分成p个非空子集,W∈p表示第p个非空子集下的某一个单元,G(·)表示伽玛分布函数,N(·)表示高斯分布函数;
(5.3)用漏检目标状态集的概率假设密度和经量测更新后的概率假设密度计算k时刻的目标状态集的概率假设密度:
5.根据权利要求4所述的扩展目标跟踪方法,其中所述步骤(5.2)中用量测对k时刻的目标状态集的概率假设密度Dk|k(ξ,W)进行更新,按如下步骤进行:
(5.2a)将尺度变换因子sk和量测噪声vk增广到目标状态Χk中,得到增广目标状态表示为维数为L;其中增广目标状态的均值和协方差矩阵分别为和
(5.2b)用量测集Zk更新增广目标的状态均值和增广目标的协方差即:
其中Snz和K分别表示增广目标状态进行无迹变换后的伪量测均值、伪量测协方差矩阵和增益因子;
K=Pxz(Snz)-1,
其中xi表示对增广目标状态进行无迹变换后第i个Sigma点,zi表示第i个Sigma点的伪量测值,表示第i个Sigma点的权值,第i个Sigma点的协方差,和分别表示量测集中第j个目标的尺度变换因子、质心位置和量测值,和分别表示傅里叶级数展开的余弦项系数和正弦项系数,NF表示傅里叶级数展开的项数;表示量测集中第j个目标的量测位置和目标质心位置的连线与x轴之间的夹角,ex表示x轴方向上的单位向量,∠(x,y)表示向量x和向量y之间的夹角,≈表示近似于,表示在角方向上的单位向量,vk表示均值为0协方差为Rk的高斯白噪声;
(5.2c)将各个目标的形状比例参数逆比例参数目标状态均值和协方差矩阵更新为:
其中|W|表示各非空单元W中的量测个数,表示预测得到的第j个目标的形状比例参数,表示预测得到的第j个目标的逆比例参数,L表示向量的维数;
(5.2d)更新各个目标的权值,得到更新后各个目标的权值
其中,表示预测得到的第j个目标的归一化权值,表示第j个目标的检测概率,σp,W表示加权虚警系数,表示量测似然,表示虚警似然,p∠Zk表示把量测集Zk划分成p个非空子集,W∈p表示第p个非空子集下的某一个单元,ψp,W表示目标产生量测概率的乘积,lp.W表示量测划分单元为|p|-1时的虚警常系数;
其中ψp,W表示目标产生量测概率的乘积,|p|表示量测集Zk的所有划分个数,GFA(·)表示没有量测时的虚警概率生成函数,表示状态预测概率生成函数的|p|阶偏导,ρ表示扩展目标分量没有被检测到的概率,表示量测率似然,表示高斯混合似然,z∈W表示非空子集W下的量测,pFA(·)表示虚警概率函数,Γ(·)表示伽玛函数,和分别表示经量测更新后的第j个目标的形状比例参数和逆比例参数,和分别表示预测得到的第j个目标的形状比例参数和逆比例参数,N(·)表示高斯分布函数,表示集合W中第j个目标的伪量测均值,表示集合W中第j个目标的伪量测协方差矩阵;
(5.2e)用更新得到的各个目标的形状比例参数逆比例参数目标状态均值协方差矩阵和权值计算k时刻检测到的的目标状态集的概率假设密度:
6.根据权利要求1所述的扩展目标跟踪方法,其中步骤(6)所述的对k时刻的目标状态集的势分布进行预测,按如下公式进行:
其中Pk|k-1(n)表示k时刻目标状态集的预测势分布,Pbirth(n)表示新生目标的势分布,ps,k表示目标存活概率,Pk-1|k-1(n)表示k-1时刻的目标状态集的势分布。
7.根据权利要求1所述的扩展目标跟踪方法,其中步骤(6)所述的对k时刻的目标状态集的势分布进行更新,按如下公式进行:
其中Pk|k(n)表示更新后目标状态集的势分布,p∠Zk表示把量测集Zk划分成p个非空子集,W∈p表示第p个非空子集下的某一个单元,ψp,W表示目标产生量测概率的乘积,lp.W表示量测划分单元为|p|-1时的虚警常系数,表示状态预测概率生成函数的n阶偏导,GFA(·)表示虚警概率生成函数,ηW表示扩展目标产生量测概率,|p|表示量测集Zk的所有划分个数,ρ表示扩展目标分量没有被检测到的概率,表示虚警概率生成函数的|W|阶偏导,Gk|k-1(·)表示状态预测概率生成函数,δn≥|p|表示当目标数目n大于划分单元|p|时取值为1,否则为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510170073.XA CN104730511B (zh) | 2015-04-10 | 2015-04-10 | 星凸模型下的势概率假设密度多扩展目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510170073.XA CN104730511B (zh) | 2015-04-10 | 2015-04-10 | 星凸模型下的势概率假设密度多扩展目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104730511A CN104730511A (zh) | 2015-06-24 |
CN104730511B true CN104730511B (zh) | 2017-04-19 |
Family
ID=53454590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510170073.XA Expired - Fee Related CN104730511B (zh) | 2015-04-10 | 2015-04-10 | 星凸模型下的势概率假设密度多扩展目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104730511B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354860B (zh) * | 2015-08-26 | 2018-03-06 | 西安电子科技大学 | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 |
CN105913080B (zh) * | 2016-04-08 | 2019-02-22 | 西安电子科技大学昆山创新研究院 | 基于随机矩阵机动非椭圆扩展目标的联合跟踪与分类方法 |
CN106019253A (zh) * | 2016-05-19 | 2016-10-12 | 西安电子科技大学 | 基于箱粒子cphd的多扩展目标跟踪方法 |
CN106054167B (zh) * | 2016-05-27 | 2018-06-26 | 西安电子科技大学 | 基于强度滤波器的多扩展目标跟踪方法 |
CN106569204B (zh) * | 2016-10-21 | 2019-03-01 | 西安电子科技大学 | 子椭圆个数可变的非椭圆扩展目标跟踪方法 |
CN107367718B (zh) * | 2017-07-14 | 2020-05-19 | 河南科技大学 | 一种多散射点量测下机动随机超曲面扩展目标建模方法 |
CN107391446A (zh) * | 2017-07-24 | 2017-11-24 | 江南大学 | 基于随机矩阵的不规则形状多扩展目标形状和状态估计方法 |
CN108320302B (zh) * | 2018-01-26 | 2019-10-11 | 西安电子科技大学 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
CN110136167A (zh) * | 2019-04-11 | 2019-08-16 | 上海交通大学 | 面向监视***的多群目标跟踪方法及跟踪*** |
CN111262556B (zh) * | 2020-01-16 | 2023-09-08 | 自然资源部第二海洋研究所 | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 |
CN111555689B (zh) * | 2020-05-22 | 2022-06-10 | 深圳市微秒控制技术有限公司 | 一种基于卡尔曼滤波的相电流过采样***及方法 |
CN111724417B (zh) * | 2020-06-15 | 2022-08-02 | 中国电子科技集团公司第二十九研究所 | 一种基于傅里叶变换考虑形状差异的多目标跟踪评估方法 |
CN111736145B (zh) * | 2020-06-28 | 2022-04-19 | 电子科技大学 | 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 |
CN113030940B (zh) * | 2021-02-05 | 2023-11-17 | 河南科技大学 | 一种转弯机动下的多星凸型扩展目标跟踪方法 |
CN113959428B (zh) * | 2021-09-27 | 2024-05-28 | 桂林电子科技大学 | 一种用于跟踪非刚性多扩展目标的phd滤波方法 |
CN116609776B (zh) * | 2023-05-23 | 2023-11-14 | 兰州理工大学 | 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 |
CN116736286B (zh) * | 2023-05-24 | 2024-02-06 | 兰州理工大学 | 基于随机超曲面的渐进贝叶斯扩展目标跟踪方法及*** |
CN117214857B (zh) * | 2023-11-09 | 2024-02-02 | 中国人民解放军海军航空大学 | 一种三维场景下高斯多假设多扩展目标的跟踪方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8332185B2 (en) * | 2009-08-17 | 2012-12-11 | Lockheed Martin Corporation | Method and system for calculating elementary symmetric functions of subsets of a set |
CN103310115B (zh) * | 2013-06-27 | 2015-12-23 | 西安电子科技大学 | 一种多目标跟踪的杂波估计方法 |
CN104101876B (zh) * | 2014-07-22 | 2017-02-15 | 西安电子科技大学 | 外辐射源雷达中一种基于随机有限集的多目标跟踪方法 |
-
2015
- 2015-04-10 CN CN201510170073.XA patent/CN104730511B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104730511A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104730511B (zh) | 星凸模型下的势概率假设密度多扩展目标跟踪方法 | |
Senanayake et al. | Predicting spatio-temporal propagation of seasonal influenza using variational Gaussian process regression | |
CN103345577B (zh) | 变分贝叶斯概率假设密度多目标跟踪方法 | |
CN107677997B (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
CN101975575B (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
CN106599368B (zh) | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 | |
Septier et al. | Langevin and Hamiltonian based sequential MCMC for efficient Bayesian filtering in high-dimensional spaces | |
CN104794735B (zh) | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 | |
CN106772353B (zh) | 一种适用于闪烁噪声的多目标跟踪方法及*** | |
CN105354860B (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN104155650A (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
Samui | Application of least square support vector machine (LSSVM) for determination of evaporation losses in reservoirs | |
CN111753952A (zh) | 学习包括高斯过程的概率模型的参数 | |
CN111722214A (zh) | 雷达多目标跟踪phd实现方法 | |
CN113344970B (zh) | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 | |
Phan et al. | A study on missing data imputation methods for improving hourly solar dataset | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
Yang et al. | Multiple extended target tracking algorithm based on Gaussian surface matrix | |
Wan et al. | Variational Bayesian learning for robust AR modeling with the presence of sparse impulse noise | |
KR20110116563A (ko) | 주성분 분석과 마르코프 연쇄 몬테카를로 기법을 결합한 퍼지 군집화 방법 | |
Ngo et al. | A Rolling Optimized Nonlinear Grey Bernoulli Model RONGBM (1, 1) and application in predicting total COVID-19 infected cases | |
CN112906743B (zh) | 一种快速多传感器集势概率假设密度滤波方法 | |
Su et al. | Sequential implicit sampling methods for Bayesian inverse problems | |
CN113850009B (zh) | 一种基于椭圆rhm的标签粒子多扩展目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20170419 |