[发明专利]基于GLMB滤波和Gibbs采样的扩展目标跟踪方法

说明书

本发明公开了一种基于GLMB滤波和Gibbs采样的扩展目标跟踪方法，目标个数估计，扩展目标形状估计问题，提出了一种基于标签随机有限集框架下多扩展目标跟踪方法，该方法主要包括两方面：多扩展目标动态建模和多扩展目标的跟踪估计。首先，结合广义标签多伯努利滤波器建立了扩展目标的量测有限混合模型，利用Gibbs采样和贝叶斯信息准则推导出有限混合模型的参数来对多扩展目标状态进行学习跟踪，然后采用等效量测方法来替代扩展目标产生的量测，对扩展目标形状采用椭圆逼近建模，实现扩展目标形状的估计。仿真实验表明本发明所给的方法能够有效跟踪多扩展目标，准确估计扩展目标状态和形状，并且能够获得目标的航迹轨迹。

技术领域

本发明属于多扩展目标跟踪领域，针对杂波条件下多扩展目标的状态估计，目标个数估计，扩展目标形状估计问题，提出了一种基于标签随机有限集(Labelled randomfinite sets,L-RFS)框架下多扩展目标跟踪方法。

背景技术

传统的目标跟踪算法一般假定被跟踪的目标为一个点目标，即一个目标最多产生一个量测，但随着现代传感器技术的不断发展，雷达分辨率的日益提高使得我们能够从单个目标中获得多个量测，即一个目标在一个采样周期内产生不止一个量测点，这类目标称为扩展目标。扩展目标的跟踪能为我们提供被跟踪目标精确的运动信息和形态信息，这在人工智能时代具有重要的应用价值。传统的跟踪算法因为其不再满足点目标假设，传统的点目标模型不再适用。这是本发明研究的现实依据。在多扩展目标的跟踪中为了更有效的获得整体最优的跟踪性能，本发明结合广义标签多伯努利滤波器(Generalized labelledmulti-bernoulli,GLMB)建立了扩展目标的量测有限混合模型，利用Gibbs采样和贝叶斯信息准则(BIC)准则推导出有限混合模型的参数来对多扩展目标状态进行学习跟踪，然后采用等效量测方法来替代扩展目标产生的量测，对扩展目标形状采用椭圆逼近建模，实现扩展目标形状的估计。

发明内容

本发明针对现有技术的不足，提供了一种基于GLMB滤波和Gibbs采样的多扩展目标跟踪方法。其具体内容如下：

1系统建模

1.1目标动态模型

在随机有限集(RFS)框架下，多扩展目标在k时刻的状态用下面的RFS集合表示：

随着时间的变化，状态集X_k包含了k时刻多目标的所有动态信息，在下一时刻，一些目标会消亡或继续存活并且状态改变，也会有一些再生目标和新生目标，目标RFS的状态模型可以写成如下形式：

其中，S_k|k-1(x)，B_k|k-1(x)和Γ_k分别表示目标的存活，再生和新生。

考虑二维平面内跟踪N(k)个扩展目标的情形，目标动态方程如下：

x_k+1,i＝Ax_k,i+υ_k,i，i＝1,…,N(k) (3)

这里，是第i个扩展目标的状态向量，和分别表示k时刻扩展目标i在x轴和y轴方向上的位置，和分别表示在x和y方向上的速度。A为状态转移矩阵，υ_k,i是服从标准高斯分布的过程噪声。

1.2目标量测模型

假设目标在k时刻的观测量测为：表示扩展目标在k时刻的量测集，其中表示扩展目标在k时刻的第n_k个量测。RFS Z_k包含了杂波、目标观测和漏检信息。目标的量测加上杂波和虚警的量测就构成了总的量测。

量测的动态方程如下所示：