CN107462882B - 一种适用于闪烁噪声的多机动目标跟踪方法及*** - Google Patents
一种适用于闪烁噪声的多机动目标跟踪方法及*** Download PDFInfo
- Publication number
- CN107462882B CN107462882B CN201710804689.7A CN201710804689A CN107462882B CN 107462882 B CN107462882 B CN 107462882B CN 201710804689 A CN201710804689 A CN 201710804689A CN 107462882 B CN107462882 B CN 107462882B
- Authority
- CN
- China
- Prior art keywords
- target
- distribution
- gamma
- current moment
- gaussian
- 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 46
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 299
- 238000005259 measurement Methods 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 72
- 239000000203 mixture Substances 0.000 claims description 72
- 230000007704 transition Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 238000013398 bayesian method Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 108010074506 Transfer Factor Proteins 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 235000000421 Lepidium meyenii Nutrition 0.000 claims 1
- 240000000759 Lepidium meyenii Species 0.000 claims 1
- 235000012902 lepidium meyenii Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明适用于多传感器信息融合领域,提供了一种适用于闪烁噪声的多机动目标跟踪方法与***,通过预测步骤、更新步骤、融合步骤、生成步骤以及提取步骤,用t分布建模闪烁噪声,应用变分贝叶斯方法近似地求出不同模型下观测噪声的协方差、目标状态以及自由度的联合概率密度,有效解决了闪烁噪声下多机动目标的跟踪问题,提高了多机动目标的跟踪精度。
Description
技术领域
本发明属于多传感器信息融合技术领域,尤其涉及一种适用于闪烁噪声的多机动目标跟踪方法及***。
背景技术
闪烁噪声下的概率假设密度滤波器是适用于闪烁噪声多目标跟踪的有效方法,该滤波器能够对闪烁噪声下的非机动目标进行有效的跟踪,但该滤波器不能对在不同模型之间转换的机动目标进行跟踪。
发明内容
本发明提供了一种适用于闪烁噪声的多机动目标跟踪方法及***,旨在解决闪烁噪声下多机动目标的有效跟踪问题。
为解决上述技术问题,本发明是这样实现的,本发明提供了一种适用于闪烁噪声的多机动目标跟踪方法,所述方法包括:
步骤1、利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率;
步骤2、根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率;
步骤3、对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率;
步骤4、利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率;
步骤5、从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;
从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
进一步地,所述步骤1包括:
以k-1表示前一时刻,k表示当前时刻,tk-1表示前一时刻的时间,tk表示当前时刻的时间,ri,k-1表示前一时刻目标i的运动模型标识,且1≤ri,k-1≤Mr,ri,k表示当前时刻目标i的模型标识,且ri,k=1,2,…,Mr,其中,Mr表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(yj,k;Hkxi,k,Ri,k,νi,k)表示当前时刻测量的概率密度函数,其中,yj,k表示当前时刻的一个测量,Hk表示测量矩阵,xi,k表示目标的状态,Ri,k表示精度矩阵,νi,k表示t分布的自由度,且为精度矩阵Ri,k主对角线上的各个元素;
已知k-1时刻目标i的运动模型为ri,k-1,则在该模型ri,k-1下的高斯伽玛混合分布为存在概率为ρi,k-1(ri,k-1);其中,N表示高斯分布,g表示伽玛分布,xi,k-1表示k-1时刻目标i的状态向量,mi,k-1(ri,k-1)和Pi,k-1(ri,k-1)分别表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差,表示k-1时刻精度矩阵的对角线元素,νi,k-1表示k-1时刻t分布的自由度,和γi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的形状参数,和表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,Nk-1,Nk-1表示前一时刻目标的总数;
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型ri,k下的预测高斯伽玛混合分布为预测存在概率为ρi,k|k-1(ri,k);其中,mi,k|k-1(ri,k)=Fk-1(ri,k)mi,k-1(ri,k-1), γi,k|k-1(ri,k)=ργγi,k-1(ri,k-1),ηi,k|k-1(ri,k)=ρηηi,k-1(ri,k-1),ρi,k|k-1(ri,k)=ps,k(tk-tk-1)tk|k-1(ri,k|ri,k-1)ρi,k-1(ri,k-1),Fk-1(ri,k)表示k-1时刻目标i在模型ri,k下的状态转移矩阵,Qk-1(ri,k)表示k-1时刻目标i在模型ri,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρα,ρβ,ργ,ρη表示传递因子,取值范围为(0,1],ps,k(tk-tk-1)表示目标的幸存概率,且tk|k-1(ri,k|ri,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
进一步地,设当前时刻的测量集为yk=(y1,k,...,yM,k),其中,M为当前时刻的测量数据的总数,则所述步骤2包括:
以当前时刻各个目标在Mr个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型ri,k下的初始高斯伽玛混合分布取为初始存在概率取为其中i=1,2,...,Nk-1,ri,k=1,2,…,Mr,
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型ri,k下的高斯伽玛
混合分布为
存在概率分别为其中,;表示伽玛函数,tr表示矩阵的迹,
表示均值向量,表示协方差矩阵,表示滤波器增益,伽玛分布
的形状参数为和伽玛分布的尺度参数为和精度矩阵为其中,Hk为模型ri,k的观测矩阵,PD,k为目标的检测概
率,λc,k为杂波密度,yj,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转
置,ξ为状态向量的总维数;
将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为更新存在概率为其中i=1,…,Nk-1,ri,k=1,2,…,Mr,
进一步地,所述步骤3包括:
对当前时刻目标i在Mr个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为rq,k、高斯伽玛混合分布为和存在概率为ρq,k(rq,k),其中,q为当前时刻已存在目标的索引号,且q=1,…,Nk-1, 伽玛分布的形状参数为和伽玛分布的尺度参数为和
进一步地,所述步骤4包括:
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为rj,k=1,其中,j=1,…,M;
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为其中,j=1,…,M,为第j个新生目标的协方差,由第j个测量数据yj,k=[xj,k yj,k]T产生,且和为第j个新生目标分布函数中伽玛分布的形状参数,和为第j个新生目标分布函数中伽玛分布的尺度参数;
将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为
为解决上述技术问题,本发明还提供了一种适用于闪烁噪声的多机动目标跟踪***,所述***包括:
预测模块,用于利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率;
更新模块,用于根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率;
融合模块,用于对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率;
生成模块,用于利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率;
提取模块,用于从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
本发明与现有技术相比,有益效果在于:
本发明所提供的方法通过用t分布建模闪烁噪声,应用变分贝叶斯方法近似地求出不同模型下观测噪声的协方差、目标状态以及自由度的联合概率密度,有效解决了闪烁噪声下多机动目标的跟踪问题,提高了多机动目标的跟踪精度。
附图说明
图1是本发明第一个实施例提供的一种适用于闪烁噪声的多机动目标跟踪方法示意图;
图2是本发明实施例提供的传感器经过70个扫描周期得到的测量数据示意图;
图3是在闪烁噪声下采用JMS-PHD滤波器的多目标跟踪方法处理得到的结果示意图;
图4是在闪烁噪声下采用本发明所提供的多机动目标跟踪方法处理得到的结果示意图;
图5是本发明实施例提供的按照本发明所提供的多目标跟踪方法与JMS-PHD滤波方法在经过100次实验得到的平均OSPA距离对比示意图;
图6是本发明第二个实施例提供一种适用于闪烁噪声的多目标跟踪***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
作为本发明的第一个实施例,如图1所示,本发明提供的一种适用于闪烁噪声的多机动目标跟踪方法,该方法包括以下步骤:
步骤S101:在马尔科夫链控制的不同***模型中,利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率。步骤S101具体包括以下步骤:
以k-1表示前一时刻,k表示当前时刻,tk-1表示前一时刻的时间,tk表示当前时刻的时间,ri,k-1表示前一时刻目标i的运动模型标识,且1≤ri,k-1≤Mr,ri,k表示当前时刻目标i的模型标识,且ri,k=1,2,…,Mr,其中,Mr表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(yj,k;Hkxi,k,Ri,k,νi,k)表示当前时刻测量的概率密度函数,其中,yj,k表示当前时刻的一个测量,Hk表示测量矩阵,xi,k表示目标的状态,Ri,k表示精度矩阵,νi,k表示t分布的自由度,且为精度矩阵Ri,k主对角线上的各个元素;
已知k-1时刻目标i的运动模型为ri,k-1,则在该模型ri,k-1下的高斯伽玛混合分布为存在概率为ρi,k-1(ri,k-1);其中,N表示高斯分布,g表示伽玛分布,xi,k-1表示k-1时刻目标i的状态向量,mi,k-1(ri,k-1)和Pi,k-1(ri,k-1)分别表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差,表示k-1时刻精度矩阵的对角线元素,νi,k-1表示k-1时刻t分布的自由度,和γi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的形状参数,和ηi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,Nk-1,Nk-1表示前一时刻目标的总数;
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型ri,k下的预测高斯伽玛混合分布为预测存在概率为ρi,k|k-1(ri,k);其中,mi,k|k-1(ri,k)=Fk-1(ri,k)mi,k-1(ri,k-1), γi,k|k-1(ri,k)=ργγi,k-1(ri,k-1),ηi,k|k-1(ri,k)=ρηηi,k-1(ri,k-1),ρi,k|k-1(ri,k)=ps,k(tk-tk-1)tk|k-1(ri,k|ri,k-1)ρi,k-1(ri,k-1),Fk-1(ri,k)表示k-1时刻目标i在模型ri,k下的状态转移矩阵,Qk-1(ri,k)表示k-1时刻目标i在模型ri,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρα,ρβ,ργ,ρη表示传递因子,取值范围为(0,1],ps,k(tk-tk-1)表示目标的幸存概率,且tk|k-1(ri,k|ri,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
步骤S102:根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率。设当前时刻的测量集为yk=(y1,k,...,yM,k),其中,M为当前时刻的测量数据的总数,则此时步骤S102具体包括以下步骤:
以当前时刻各个目标在Mr个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型ri,k下的初始高斯伽玛混合分布取为初始存在概率取为其中i=1,2,...,Nk-1,ri,k=1,2,…,Mr,
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型ri,k下的高斯伽玛
混合分布为
存在概率分别为其中,;表示伽玛函数,tr表示矩阵的迹,
表示均值向量,表示协方差矩阵,表示滤波器增益,伽玛分布
的形状参数为和伽玛分布的尺度参数为和精度矩阵为其中,Hk为模型ri,k的观测矩阵,PD,k为目标的检测概
率,λc,k为杂波密度,yj,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转
置,ξ为状态向量的总维数;
将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为更新存在概率为其中i=1,…,Nk-1,ri,k=1,2,…,Mr,
步骤S103:对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率。步骤S103具体包括以下步骤:
对当前时刻目标i在Mr个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为rq,k、高斯伽玛混合分布为和存在概率为ρq,k(rq,k),其中,q为当前时刻已存在目标的索引号,且q=1,…,Nk-1, 伽玛分布的形状参数为和伽玛分布的尺度参数为和
步骤S104:利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率。步骤S104具体包括以下步骤:
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为rj,k=1,其中,j=1,…,M。该匀速运动模型为多种模型中的其中一种类型(可以定义为模型1)。
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为其中,j=1,…,M,为第j个新生目标的协方差,由第j个测量数据yj,k=[xj,k yj,k]T产生,且和为第j个新生目标分布函数中伽玛分布的形状参数,和为第j个新生目标分布函数中伽玛分布的尺度参数;
将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为
步骤S105:从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。在本实施例中,经过多次的仿真实验得出,将第一阈值设定为10-3,将第二阈值设定为0.5,可以达到较好的效果。
下面结合图2至图5对本实施例进行进一步地解释:
在本实施例中,考虑二维空间[-400(m),400(m)]×[-400(m),400(m)]中运动的机动目标。目标的状态由位置和速度构成,表示为其中x和y分别表示位置分量,和分别表示速度分量,上标T表示向量的转置,状态转移矩阵为过程噪声方差矩阵为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;目标的运动模型包括ri,k=1,ri,k=2,ri,k=3,模型1是一个匀速运动模型,该模型1的状态转移矩阵和协方差矩阵分别为Fk-1(ri,k=1)=F(ω=0s-1)和Qk-1(ri,k=1)=Q(σv=1ms-2);模型2是一个匀转弯模型,该模型2的状态转移矩阵和协方差矩阵分别为Fk-1(ri,k=2)=F(ω=5°s-1)和Qk-1(ri,k=2)=Q(σv=3ms-2);模型3是一个匀转弯模型,该模型3的状态转移矩阵和协方差矩阵分别为Fk-1(ri,k=3)=F(ω=-5°s-1)和Qk-1(ri,k=3)=Q(σv=3ms-2);不同运动模型之间的马尔科夫转移矩阵为观测矩阵观测噪声假设服从rk=10的t分布。
为了产生仿真数据,取幸存概率pS,k=1.0、检测概率pD,k=0.9、杂波密度λc,k=4.6875×10-6m-2。一次实验中传感器经过70个扫描周期得到的仿真观测数据如图2所示。本实施例在闪烁噪声下,分别采用JMS-PHD(跳变马尔科夫***模型概率假设密度)滤波器的多目标跟踪方法和本发明所提供的适用于闪烁噪声的多机动目标跟踪方法对图2中的仿真数据分别进行了处理,在采用JMS-PHD滤波器进行处理时,相关参数设置为pS,k=1.0、pD,k=0.9、λc,k=4.6875×10-6m-2、第一阈值为10-3、第二阈值为0.5,传递因子ρα=ρβ=ργ=ρη=0.98,伽玛分布形状参数初始值伽玛分布尺度参数初始值在闪烁噪声下,采用JMS-PHD滤波器时的新生目标的权重为wυ=0.1,采用本发明实施例所提供的方法时的新生目标的存在概率为ρυ=0.1、新生目标的协方差图3和图4分别为JMS-PHD滤波器方法所产生的结果和本发明实施例提供的多机动目标跟踪方法所产生的结果,通过两图的对比结果可以直观的得出,采用本发明所提供的目标跟踪方法所得到的运动轨迹更加连续、完整、精确。通过本发明实施例所提供的方法与现有的闪烁噪声下的JMS-PHD滤波器对图2的仿真数据分别进行处理,经过100次Monte Carlo实验,得到平均OSPA(Optimal Subpattern Assignment,最优亚模式分配)距离,如图5所示。通过图中对比可以看出,本发明的多目标跟踪方法在闪烁噪声下对于关联不确定、检测不确定的多机动目标跟踪可获得更为精确和可靠的目标状态估计、其滤波后的OSPA距离比闪烁噪声下的JMS-PHD滤波器滤波后的OSPA距离要小。
综上所述,本发明第一个实施例所提供的方法,根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率,以及模型间的马尔可夫转移概率,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布及预测存在概率,根据各个目标在不同模型中预测的高斯伽玛混合分布和存在概率,利用变分贝叶斯方法序贯处理当前时刻接收到的各测量得到各目标在不同模型下的更新高斯伽玛混合分布和存在概率,对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和存在概率进行融合,得到当前时刻各个已存在目标的运动模型、高斯伽玛混合分布和存在概率,利用当前时刻的测量数据生成新目标的高斯伽玛混合分布,为所述新目标指定存在概率,并选取匀速运动模型作为新目标的运动模型,再将新生目标的运动模型、高斯伽玛混合分布及存在概率分别与当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,生成当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率,从而很好地解决了闪烁噪声下多机动目标的跟踪问题,可以达到有效跟踪的目的。
作为本发明的第二个实施例,如图6所示,本发明提供了一种适用于闪烁噪声的多机动目标跟踪***,所述***包括:
预测模块101,用于利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率。预测模块101具体用于:
以k-1表示前一时刻,k表示当前时刻,tk-1表示前一时刻的时间,tk表示当前时刻的时间,ri,k-1表示前一时刻目标i的运动模型标识,且1≤ri,k-1≤Mr,ri,k表示当前时刻目标i的模型标识,且ri,k=1,2,…,Mr,其中,Mr表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(yj,k;Hkxi,k,Ri,k,νi,k)表示当前时刻测量的概率密度函数,其中,yj,k表示当前时刻的一个测量,Hk表示测量矩阵,xi,k表示目标的状态,Ri,k表示精度矩阵,νi,k表示t分布的自由度,且为精度矩阵Ri,k主对角线上的各个元素;
已知k-1时刻目标i的运动模型为ri,k-1,则在该模型ri,k-1下的高斯伽玛混合分布为存在概率为ρi,k-1(ri,k-1);其中,N表示高斯分布,g表示伽玛分布,xi,k-1表示k-1时刻目标i的状态向量,mi,k-1(ri,k-1)和Pi,k-1(ri,k-1)分别表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差,表示k-1时刻精度矩阵的对角线元素,νi,k-1表示k-1时刻t分布的自由度,和γi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的形状参数,和表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,Nk-1,Nk-1表示前一时刻目标的总数;
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型ri,k下的预测高斯伽玛混合分布为预测存在概率为ρi,k|k-1(ri,k);其中,mi,k|k-1(ri,k)=Fk-1(ri,k)mi,k-1(ri,k-1), γi,k|k-1(ri,k)=ργγi,k-1(ri,k-1),ηi,k|k-1(ri,k)=ρηηi,k-1(ri,k-1),ρi,k|k-1(ri,k)=ps,k(tk-tk-1)tk|k-1(ri,k|ri,k-1)ρi,k-1(ri,k-1),Fk-1(ri,k)表示k-1时刻目标i在模型ri,k下的状态转移矩阵,Qk-1(ri,k)表示k-1时刻目标i在模型ri,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρα,ρβ,ργ,ρη表示传递因子,取值范围为(0,1],ps,k(tk-tk-1)表示目标的幸存概率,且tk|k-1(ri,k|ri,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数。
更新模块102,用于根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率。设当前时刻的测量集为yk=(y1,k,...,yM,k),其中,M为当前时刻测量的总数,则更新模块102具体用于:
以当前时刻各个目标在Mr个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型ri,k下的初始高斯伽玛混合分布取为初始存在概率取为其中i=1,2,...,Nk-1,ri,k=1,2,…,Mr,
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型ri,k下的高斯伽玛
混合分布为
存在概率分别为其中,;表示伽玛函数,tr表示矩阵的迹,
表示均值向量,表示协方差矩阵,表示滤波器增益,伽玛分布
的形状参数为和伽玛分布的尺度参数为和精度矩阵为其中,Hk为模型ri,k的观测矩阵,PD,k为目标的检测概
率,λc,k为杂波密度,yj,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转
置,ξ为状态向量的总维数;
将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为
融合模块103,用于对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率。融合模块103具体用于:
对当前时刻目标i在Mr个运动模型下的更新的高斯伽玛混合分布和存在概率分别进行融合,得到当前时刻已存在目标q的运动模型为rq,k、高斯伽玛混合分布为和存在概率为ρq,k(rq,k),其中,q为当前时刻已存在目标的索引号,且q=1,…,Nk-1, 伽玛分布的形状参数为和伽玛分布的尺度参数为和
生成模块104,用于利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率。生成模块104具体用于:
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为rj,k=1,其中,j=1,…,M;
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为其中,j=1,…,M,为第j个新生目标的协方差,由第j个测量数据yj,k=[xj,k yj,k]T产生,且和为第j个新生目标分布函数中伽玛分布的形状参数,和为第j个新生目标分布函数中伽玛分布的尺度参数;
将所述当前时刻已存在目标的高斯伽玛混合分布与所述当前时刻新生目标的高斯伽玛混合分布进行合并,得到当前时刻各个目标的高斯伽玛混合分布为
提取模块105,用于从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
综上所述,本发明第二个实施例所提供的***,通过预测模块、更新模块、融合模块、生成模块以及提取模块,用t分布建模闪烁噪声,应用变分贝叶斯方法近似地求出不同模型下观测噪声的协方差、目标状态以及自由度的联合概率密度,有效解决了闪烁噪声下多机动目标的跟踪问题,提高了多机动目标的跟踪精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种适用于闪烁噪声的多机动目标跟踪方法,其特征在于,所述方法包括:
步骤1、利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率;所述步骤1包括:
以k-1表示前一时刻,k表示当前时刻,tk-1表示前一时刻的时间,tk表示当前时刻的时间,ri,k-1表示前一时刻目标i的运动模型标识,且1≤ri,k-1≤Mr,ri,k表示当前时刻目标i的模型标识,且ri,k=1,2,…,Mr,其中,Mr表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(yj,k;Hkxi,k,Ri,k,νi,k)表示当前时刻测量的概率密度函数,其中,yj,k表示当前时刻的一个测量,Hk表示测量矩阵,xi,k表示目标的状态,Ri,k表示精度矩阵,νi,k表示t分布的自由度,且 为精度矩阵Ri,k主对角线上的各个元素;
已知k-1时刻目标i的运动模型为ri,k-1,则在该模型ri,k-1下的高斯伽玛混合分布为存在概率为ρi,k-1(ri,k-1);其中,N表示高斯分布,g表示伽玛分布,xi,k-1表示k-1时刻目标i的状态向量,mi,k-1(ri,k-1)和Pi,k-1(ri,k-1)分别表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差,表示k-1时刻精度矩阵的对角线元素,νi,k-1表示k-1时刻t分布的自由度,和γi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的形状参数,和ηi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,Nk-1,Nk-1表示前一时刻目标的总数;
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型ri,k下的预测高斯伽玛混合分布为预测存在概率为ρi,k|k-1(ri,k);其中,mi,k|k-1(ri,k)=Fk-1(ri,k)mi,k-1(ri,k-1), γi,k|k-1(ri,k)=ργγi,k-1(ri,k-1),ηi,k|k-1(ri,k)=ρηηi,k-1(ri,k-1),ρi,k|k-1(ri,k)=ps,k(tk-tk-1)tk|k-1(ri,k|ri,k-1)ρi,k-1(ri,k-1),Fk-1(ri,k)表示k-1时刻目标i在模型ri,k下的状态转移矩阵,Qk-1(ri,k)表示k-1时刻目标i在模型ri,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρα,ρβ,ργ,ρη表示传递因子,取值范围为(0,1],ps,k(tk-tk-1)表示目标的幸存概率,且tk|k-1(ri,k|ri,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数;
步骤2、根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率;
步骤3、对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率;
步骤4、利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率;
步骤5、从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;
从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
2.如权利要求1所述的方法,其特征在于,设当前时刻的测量集为yk=(y1,k,...,yM,k),其中,M为当前时刻的测量数据的总数,则所述步骤2包括:
以当前时刻各个目标在Mr个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型ri,k下的初始高斯伽玛混合分布取为 初始存在概率取为其中i=1,2,...,Nk-1,ri,k=1,2,…,Mr,
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型ri,k下的高斯伽玛混合分布为存在概率分别为其中, 表示伽玛函数,tr表示矩阵的迹,表示均值向量,表示协方差矩阵,表示滤波器增益,伽玛分布的形状参数为和伽玛分布的尺度参数为和精度矩阵为其中, Hk为模型ri,k的观测矩阵,PD,k为目标的检测概率,λc,k为杂波密度,yj,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转置,ξ为状态向量的维数;
4.如权利要求3所述的方法,其特征在于,所述步骤4包括:
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为rj,k=1,其中,j=1,…,M;
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为其中,j=1,…,M,为第j个新生目标的协方差,由第j个测量数据yj,k=[xj,k yj,k]T产生,且 和为第j个新生目标分布函数中伽玛分布的形状参数,和为第j个新生目标分布函数中伽玛分布的尺度参数;
5.一种适用于闪烁噪声的多机动目标跟踪***,其特征在于,所述***包括:
预测模块,用于利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数;根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数,得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率;所述预测模块具体用于:
以k-1表示前一时刻,k表示当前时刻,tk-1表示前一时刻的时间,tk表示当前时刻的时间,ri,k-1表示前一时刻目标i的运动模型标识,且1≤ri,k-1≤Mr,ri,k表示当前时刻目标i的模型标识,且ri,k=1,2,…,Mr,其中,Mr表示运动模型的总数目;当前时刻的测量噪声服从ξ维的学生t分布,以S(yj,k;Hkxi,k,Ri,k,νi,k)表示当前时刻测量的概率密度函数,其中,yj,k表示当前时刻的一个测量,Hk表示测量矩阵,xi,k表示目标的状态,Ri,k表示精度矩阵,νi,k表示t分布的自由度,且 为精度矩阵Ri,k主对角线上的各个元素;
已知k-1时刻目标i的运动模型为ri,k-1,则在该模型ri,k-1下的高斯伽玛混合分布为存在概率为ρi,k-1(ri,k-1);其中,N表示高斯分布,g表示伽玛分布,xi,k-1表示k-1时刻目标i的状态向量,mi,k-1(ri,k-1)和Pi,k-1(ri,k-1)分别表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中高斯分布的均值和协方差,表示k-1时刻精度矩阵的对角线元素,νi,k-1表示k-1时刻t分布的自由度,和γi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的形状参数,和ηi,k-1(ri,k-1)表示k-1时刻目标i在模型ri,k-1下的高斯伽玛混合分布中伽玛分布的尺度参数,ξ表示状态向量的维数,i=1,2,...,Nk-1,Nk-1表示前一时刻目标的总数;
根据k-1时刻目标i的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、以及模型间的马尔可夫转移概率,得到当前时刻目标i在模型ri,k下的预测高斯伽玛混合分布为预测存在概率为ρi,k|k-1(ri,k);其中,mi,k|k-1(ri,k)=Fk-1(ri,k)mi,k-1(ri,k-1), γi,k|k-1(ri,k)=ργγi,k-1(ri,k-1),ηi,k|k-1(ri,k)=ρηηi,k-1(ri,k-1),ρi,k|k-1(ri,k)=ps,k(tk-tk-1)tk|k-1(ri,k|ri,k-1)ρi,k-1(ri,k-1),Fk-1(ri,k)表示k-1时刻目标i在模型ri,k下的状态转移矩阵,Qk-1(ri,k)表示k-1时刻目标i在模型ri,k下的过程噪声协方差矩阵,上标T表示矩阵或向量的转置,ρα,ρβ,ργ,ρη表示传递因子,取值范围为(0,1],ps,k(tk-tk-1)表示目标的幸存概率,且tk|k-1(ri,k|ri,k-1)表示模型间的马尔可夫转移概率,T表示采样周期,δ为预定的常数,l=1,...,ξ,ξ表示状态向量的维数;
更新模块,用于根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率,利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理,得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率;
融合模块,用于对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合,得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率;
生成模块,用于利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布,为所述新生目标指定存在概率,并选取匀速运动模型作为新生目标的运动模型,将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并,得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率;
提取模块,用于从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标,并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入;从所述裁减后余下的目标中提取存在概率大于第二阈值的目标,并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出,将输出的高斯伽玛混合分布中,高斯分布的均值作为当前时刻目标的状态估计。
6.如权利要求5所述的***,其特征在于,设当前时刻的测量集为yk=(y1,k,...,yM,k),其中,M为当前时刻测量的总数,则所述更新模块具体用于:
以当前时刻各个目标在Mr个运动模型下的预测高斯伽玛混合分布和预测存在概率,作为当前时刻各个目标在相应运动模型下的初始高斯伽玛混合分布和初始存在概率,则目标i在模型ri,k下的初始高斯伽玛混合分布取为 初始存在概率取为其中i=1,2,...,Nk-1,ri,k=1,2,…,Mr,
利用变分贝叶斯方法对第1个至第M个当前时刻的测量数据进行序贯处理,具体包括以下:
根据变分贝叶斯方法,计算得到第j个测量更新时,目标i在模型ri,k下的高斯伽玛混合分布为存在概率分别为其中, 表示伽玛函数,tr表示矩阵的迹,表示均值向量,表示协方差矩阵,表示滤波器增益,伽玛分布的形状参数为和伽玛分布的尺度参数为和精度矩阵为其中, Hk为模型ri,k的观测矩阵,PD,k为目标的检测概率,λc,k为杂波密度,yj,k为当前时刻接收到的第j个测量数据,上标T表示矩阵或向量的转置,ξ为状态向量的维数;
将第M个测量数据处理后,各个目标在不同模型下的高斯伽玛混合分布及存在概率分别作为当前时刻各个目标的更新高斯伽玛混合分布和存在概率,则所述当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布为
8.如权利要求7所述的***,其特征在于,所述生成模块具体用于:
选取匀速运动模型作为新生目标的运动模型,设此时新生目标的运动模型为rj,k=1,其中,j=1,…,M;
利用M个测量数据生成当前时刻新生目标的高斯伽玛混合分布为其中,j=1,…,M,为第j个新生目标的协方差,由第j个测量数据yj,k=[xj,k yj,k]T产生,且 和为第j个新生目标分布函数中伽玛分布的形状参数,和为第j个新生目标分布函数中伽玛分布的尺度参数;
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710804689.7A CN107462882B (zh) | 2017-09-08 | 2017-09-08 | 一种适用于闪烁噪声的多机动目标跟踪方法及*** |
PCT/CN2018/071580 WO2019047455A1 (zh) | 2017-09-08 | 2018-01-05 | 一种适用于闪烁噪声的多机动目标跟踪方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710804689.7A CN107462882B (zh) | 2017-09-08 | 2017-09-08 | 一种适用于闪烁噪声的多机动目标跟踪方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107462882A CN107462882A (zh) | 2017-12-12 |
CN107462882B true CN107462882B (zh) | 2020-06-02 |
Family
ID=60552223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710804689.7A Expired - Fee Related CN107462882B (zh) | 2017-09-08 | 2017-09-08 | 一种适用于闪烁噪声的多机动目标跟踪方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107462882B (zh) |
WO (1) | WO2019047455A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462882B (zh) * | 2017-09-08 | 2020-06-02 | 深圳大学 | 一种适用于闪烁噪声的多机动目标跟踪方法及*** |
CN109474892B (zh) * | 2018-11-05 | 2020-07-10 | 浙江工商大学 | 基于信息形式的强鲁棒传感器网络目标跟踪方法 |
CN109657928B (zh) * | 2018-11-28 | 2022-10-04 | 大连理工大学 | 一种车载传感器***的闭环协同调度框架的协同调度方法 |
CN110390684A (zh) * | 2019-07-16 | 2019-10-29 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及*** |
CN112733907A (zh) * | 2020-12-31 | 2021-04-30 | 上海商汤临港智能科技有限公司 | 数据融合方法、装置、电子设备以及存储介质 |
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 |
CN114445459B (zh) * | 2022-01-16 | 2024-04-09 | 中国人民解放军空军工程大学 | 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法 |
CN114519728A (zh) * | 2022-01-25 | 2022-05-20 | 河南大学 | 未知噪声下的变分贝叶斯强跟踪phd多目标跟踪方法 |
CN114739383B (zh) * | 2022-03-04 | 2024-05-14 | 中国人民解放军空军工程大学 | 一种基于多目标不确定性改进的gm-phd滤波方法 |
CN116500575B (zh) * | 2023-05-11 | 2023-12-22 | 兰州理工大学 | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9062978B2 (en) * | 2011-05-31 | 2015-06-23 | Massachusetts Institute Of Technology | Tracking a body by nonlinear and non-Gaussian parametric filtering |
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 |
CN103345577B (zh) * | 2013-06-27 | 2016-05-18 | 江南大学 | 变分贝叶斯概率假设密度多目标跟踪方法 |
CN103729637B (zh) * | 2013-12-31 | 2017-01-11 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
CN104318059B (zh) * | 2014-09-24 | 2018-02-02 | 深圳大学 | 用于非线性高斯***的目标跟踪方法和跟踪*** |
CN105719312B (zh) * | 2016-01-19 | 2018-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪*** |
CN106772353B (zh) * | 2016-11-29 | 2019-04-05 | 深圳大学 | 一种适用于闪烁噪声的多目标跟踪方法及*** |
CN107462882B (zh) * | 2017-09-08 | 2020-06-02 | 深圳大学 | 一种适用于闪烁噪声的多机动目标跟踪方法及*** |
-
2017
- 2017-09-08 CN CN201710804689.7A patent/CN107462882B/zh not_active Expired - Fee Related
-
2018
- 2018-01-05 WO PCT/CN2018/071580 patent/WO2019047455A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2019047455A1 (zh) | 2019-03-14 |
CN107462882A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462882B (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及*** | |
CN109990786B (zh) | 机动目标跟踪方法及装置 | |
CN105719312B (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪*** | |
WO2017124299A1 (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪*** | |
Gao et al. | Long short-term memory-based deep recurrent neural networks for target tracking | |
CN106772353B (zh) | 一种适用于闪烁噪声的多目标跟踪方法及*** | |
CN104318059B (zh) | 用于非线性高斯***的目标跟踪方法和跟踪*** | |
CN107677997B (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
CN111736145B (zh) | 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 | |
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
CN103308896B (zh) | 一种适于非引擎机动目标的高精度跟踪方法 | |
CN107402381A (zh) | 一种迭代自适应的多机动目标跟踪方法 | |
CN110780290B (zh) | 基于lstm网络的多机动目标跟踪方法 | |
WO2018010099A1 (zh) | 一种用于跟踪转弯机动目标的方法及其*** | |
CN106952290B (zh) | 一种用于三维空间跟踪转弯机动目标的方法及*** | |
CN103743401A (zh) | 基于多模型航迹质量的异步融合方法 | |
CN106403953B (zh) | 一种用于水下自主导航与定位的方法 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及*** | |
CN106168943A (zh) | 一种用于跟踪转弯机动目标的方法及其*** | |
CN104318072B (zh) | 基于qkf‑mmf的多传感器量化融合方法 | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN113344970A (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 | |
CN113030940A (zh) | 一种转弯机动下的多星凸型扩展目标跟踪方法 | |
Lan et al. | Variational nonlinear Kalman filtering with unknown process noise covariance | |
Poddar et al. | Tuning of GPS aided attitude estimation using evolutionary algorithms |
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: 20200602 Termination date: 20200908 |