[发明专利]自适应GM-PHD的机动目标跟踪方法

说明书

本发明公开了一种自适应GM‑PHD的机动目标跟踪算法，主要解决现有算法对多个机动目标突发性机动跟踪精度不高、计算量和存储量大的问题。本发明实现的方法是：先读取存活目标和新生目标的状态参数和量测值。再对多个机动目标的状态值、存活概率和状态误差协方差矩阵进行预测，并通过反应机动大小的修正因子对协方差矩阵进行修正。然后利用机动误差变化率来自适应调整量测门限，并对量测值进行裁剪。然后利用状态预测值和裁剪后的量测值对多个机动目标的状态进行更新。然后通过阈值对更新后的高斯分量进行裁剪与合并。最后提取合并后机动目标的状态参数。

技术领域

本发明属于雷达技术领域，更进一步涉及目标跟踪技术领域中的一种自适应高斯混合概率假设密度滤波GM-PHD(Gaussian mixture probability hypothesis density)的机动目标跟踪方法。本发明可用于雷达对未知数目的具有突发性机动的多个地面目标进行精确跟踪。

背景技术

多目标跟踪技术广泛应用于军事和民用领域，如战场监视(地面车辆与军事设施)，海洋监视、交通导航以及智能驾驶等。传统的机动多目标跟踪方法主要包括数据关联和状态估计两个核心步骤。在稀疏杂波环境中，对非机动的目标跟踪时，此类算法结构简单，易于工程实现，跟踪效果较好。但在密集回波环境下，数据关联过程存在“组合爆炸”的问题，计算复杂度非常高而且存储量异常大。如果目标距离比较近或者轨迹一段时间内发生小角度交叉时，就会引起航迹“聚集”的问题，致使对目标跟踪出现漏跟、误跟以及航迹合并的现象。所以在对实时性要求高的系统中难以应用。另外，对于状态的估计，传统的机动模型都是依靠先验信息建立的，如果目标的运动状态能准确匹配相应的模型，则能进行准确跟踪。但是目标的机动时刻和机动水平往往是未知的，会导致模型失配滤波误差变大。近年来出现的一种基于随机集理论RST(Random Set Theory)。的多目标跟踪算法避免了数据关联的问题，直接在贝叶斯框递推框架下进行预测和更新，在降低计算量的同时达到了估计精度高、容易实现的目的。

中国石油天然气股份有限公司在其申请的专利文献“复杂环境下多机动目标跟踪方法”(专利申请号：2015109647280，申请公布号：CN106910211A)中公开了一种利用雷达跟踪多机动目标的方法。该方法的步骤是：首先，获取多个运动目标先验信息，根据所述多个运动目标信息构造估计模型。其次，根据联合概率数据关联算法对多个运动目标进行点迹和航迹关联，并获得关联后的跟踪模型。最后，根据所述模型对多个运动目标进行状态估计滤波跟踪。该方法存在的不足之处有两点：其一，该方法是利用目标的位置、速度、运动模型等先验信息对多机动目标跟踪时，存在模型不匹配导致运动目标跟踪误差大的问题；其二，由于该方法使用的联合概率数据关联算法在量测回波密集的情况下，存在计算量和存储量大的问题，难以满足运动目标跟踪中实时性的要求。

Peng Dong，Zhongliang Jing，Minzhe Li，Han Pan在其发表的论文“Thevariable structure multiple model GM-PHD filter based on likely-model setalgorithm”(201619th International Conference on Information Fusion，FUSION，04August 2016)中公开了一种基于变结构交互式多模型GM-PHD的多目标跟踪方法。该方法的具体步骤如下，首先，将目标的状态和量测分别用随机集进行近似，并建立多个机动目标的运动模型集。其次，在贝叶斯递推框架下进行状态预测和状态更新。再次，进行高斯分量的修剪与合并。最后，进行目标状态提取、个数估计、目标运动模型集更新。该方法存在的不足之处是，如果目标运动状态从匀加速、转弯等机动状态变为匀速直线运动的非机动状态，该方法所使用的模型集只能从下一时刻开始调整不能在当前时刻及时进行切换，则会导致运动目标跟踪效果变差。而且该方法在建立模型后直接进行状态预测和状态更新，如果量测集中元素过多，会产生大量的杂波高斯分量，使得该方法在复杂环境下对运动目标的跟踪依然存在计算量大的问题，难以满足目标跟踪过程中实时性的要求。

发明内容