目标跟踪中基于多模型优化多假设的多目标数据关联方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109633589A(43)申请公布日2019.04.16(21)申请号201910014542.7(22)申请日2019.01.08(71)申请人沈阳理工大学地址110159辽宁省沈阳市浑南新区南屏中路6号(72)发明人张德育吕艳辉马琳琳(74)专利代理机构沈阳东大知识产权代理有限公司21109代理人李在川(51)Int.Cl.G01S7/41(2006.01)权利要求书4页说明书11页附图8页(54)发明名称目标跟踪中基于多模型优化多假设的多目标数据关联方法(57)摘要本发明提供目标跟踪中基于多模型优化多假设的多目标数据关联方法。针对实际目标跟踪中，目标运动模型是变化的，引入交互式多模型滤波器，对每个模型的模型概率和状态估计进行计算，得到目标当前的运动模型，实现对多目标的交互式跟踪。为解决多假设跟踪算法假设计算量大的问题，需要合理的删减低概率的假设，将目标径向速度信息加入到航迹置信度判断中，进行航迹删除，只保留置信度高的航迹进行概率计算，保证初始航迹确认的准确性和置信度参数的可靠性。并且通过选用串行结构的多雷达，将上一个雷达处理后的状态估计作为中间值，直至将多雷达的量测处理完，得到最终的状态估计，实现目标状态估计修正，提高了算法的实时性和数据关联的精度。CN109633589ACN109633589A权利要求书1/4页1.目标跟踪中基于多模型优化多假设的多目标数据关联方法，其特征在于，包括：步骤1：判断目标的运动模型；假设目标运动模型间的转换服从Markov过程，将多个运动模型考虑在其中，根据不同运动模型所对应的滤波器对目标的上一时刻的状态估计进行处理，实现目标状态估计的更新；步骤1.1：对目标状态估计，通过IMM算法中的交互式作用，计算目标的运动模型转换概率，从模型a转移到模型j的转移概率为的计算如下式所示：步骤1.2：经过交互式作用计算后k时刻模型j的输入为：其中，为模型j的状态向量，为k-1时刻运动模型为模型j(j＝1,2,…,N)的目标状态估计，uk-1(j)为k-1时刻模型j的概率，uk-1|k-1(a|j)为k-1时刻模型j转换为模型a的概率，可以表示为：其中，为：k-1时刻模型j的协方差为：步骤2：对目标的运动模型进行修正，将模型j的状态向量及其协方差Poj(k-1|k-1)与量测向量Z(k)一起作为k时刻模型j的输入值，通过标准卡尔曼滤波器进行计算可获得各模型输出的状态向量和协方差Pj(k|k)；步骤3：目标运动模型可行性计算，假设模型变换服从高斯分布，则模型j的可行性为：2CN109633589A权利要求书2/4页其中为k时刻模型j的可行性，为k时刻模型j的滤波残差，为k时刻模型j的协方差；步骤4：对目标的运动模型概率更新，模型j的概率更新为：其中uk(j)为k时刻模型j的概率，C为归一化因子，如下式所示：步骤5：对目标的运动模型输出，k时刻经过交互式作用处理后的目标状态估计为：为目标i的状态估计，uk|k(i)为时刻目标的概率；k时刻经过交互式处理后模型j的协方差为：uk(j)为k时刻目标对应模型的概率；步骤6：假设的产生，设Ωk,w是至k时刻第w个雷达的关联假设集合，由Ωk-1,w和最新量测值集合得到Ωk,w，其中跟踪门内的量测值集合为：w其中，Z(k)为第w个雷达的量测值集合；mk为目标的个数；为k时刻雷达接收到的目标量测；步骤7：假设的删减，在完成假设产生后，需要对新产生的航迹进行评估，将航迹置信度低的航迹进行删除；航迹置信度Δlk的计算公式为：其中，Pd为探测到目标的概率，βf为虚警量测的密度空间，M为量测的维数，Pf为虚警量测的概率，d表示量测在跟踪门内，s为跟踪门的面积；步骤8：关联概率的计算，雷达w与当前雷达收到的量测值有关的事件θw(k)包括：ιw个源于已确认的航迹的量测，vw个源于新产生目标的量测值，Φw个虚警；对于雷达w的量测值q(i＝1,2,…,.mk)，定义与事件θw(k)有关的变量：3CN109633589A权利要求书3/4页在事件θw(k)中已经确认的航迹数为：在事件θw(k)中已经新确认的航迹数为：在事件θw(k)中虚警的数量为：Φw＝mk-τw-νw(18)对于雷达w的任一假设的概率计算为：其中，C为归一化常数因子，为雷达w的虚假量测值数量，为雷达w的新目标数的先验质量函数，V为跟踪门的体积，为雷达w探测的目标t航迹的探测概率，为雷达w与目标关联量测的高斯分布；步骤9：串行化处理，通过选用零扫描法，选择可能性最大的数据关联假设，来对多目标进行状态估计，将原算法中选用的卡尔曼滤波算法改为IMM算法来进行状态估计，这样更符合目标的实际运动状态；选择最大可能的数据关联假设，并增大相应的协方差矩阵，从而