[发明专利]自适应新生强度下基于GM-PHD滤波器的显式多目标跟踪方法

说明书

本发明公开了一种自适应新生强度下基于GM‑PHD滤波器的显式多目标跟踪方法，其核心技术在于通过贴标签将高斯分量分为三大类，不同类别的高斯分量采用不同的状态提取方法来屏蔽存活目标先验密度区域杂波或其它目标量测的干扰；同时利用波门法得到新生目标的先验信息，从而得到新生目标先验未知场景下的多目标显式航迹，其无需对多目标状态估计进行额外的关联处理。与新生目标先验已知的基本GM‑PHD滤波器相比，精度略好，实时性略低；与新生目标先验已知的GLMB滤波器相比，精度较低，实时性优秀。在要求兼顾实时性与精度的新生目标先验未知的多目标跟踪场景中，本发明所设计的滤波器是理想选择。

技术领域

本发明涉及新生目标先验未知场景下的、基于高斯混合概率假设密度(GM-PHD)滤波器的显式多目标跟踪方法，属于信号处理技术领域。

背景技术

多目标是从一系列量测数据中在线联合估计出多个目标的数量和它们的状态，其广泛应用于军事和民用领域，如雷达多目标跟踪。随着人们对雷达功能需求的不断提高，其应用场景日趋复杂。如信噪比、低信杂波以及目标密集等现象，增加了虚警概率并导致目标的检测概率降低，从而直接影响目标状态－量测关联的准确性、降低状态估计的精度。关于屏蔽多目标跟踪中各类干扰、实现精确的多目标状态估计及航迹的相关课题，已成为国内外本领域研究的热点。目前，应用最多的是联合概率数据关联、多假设关联和随机有限集(RFS)。

近年来，由于RFS避免了传统的数据关联，在多目标跟踪应用中得到了广泛的关注。基于RFS，已提出了多种贝叶斯多目标滤波器的近似实现，主要包括概率假设密度(PHD)滤波器、势化概率假设密度滤波器和多伯努力滤波器。虽然这些滤波器不能提供多目标的航迹，但仍得到了广泛的应用。

PHD滤波器只迭代多目标后验概率的一阶矩。从实际应用角度来讲，PHD滤波器特别适用于实时性要求高的场景。但其不提供显式的多目标航迹。并且，基本的PHD滤波器是基于新先目标先验已知这个假设。针对PHD滤波器不能提供显式的多目标航迹，近年来提出的方法需要额外的航迹管理。当目标相距很近，或处于密集杂波中，或漏检时，这些方法难以给出正确的多目标航迹。近两年，已有文献基于PHD滤波器的序贯蒙特卡罗(SMC)近似实现和基于PHD滤波器的高斯混合(GM)近似实现，分别提出显式的多目标跟踪算法，但它们都是基于目标先验已知的假设。这使得其只能应用于一些特殊的场景，如飞机场。针对新生目标先验未知的问题，虽然有一些解决方案被提出，但都没有同时解决多目标跟踪的显式航迹管理问题。

近些年，提出了贴标签的、基于RFS的标签化多伯努力(GLMB)滤波器，其可显著改善多目标状态提取的精度，且提供显式的多目标航迹。然而，此类滤波器融合了数据关联技术，使得计算负担增加。它们难以应用于实时性要求高的场景。此外，这类滤波器也是基于新生目标先验已知的假设。

因此，有必须设计一种适用新生目标先验未知场景下、计算量相对较小、且可提供显式多目标航迹的滤波器。

发明内容

基于GM-PHD滤波器的多目标跟踪技术尚未解决新生目标先验未知场景下的多目标航迹管理，针对这个技术问题，本发明的目的在于提出一种新生目标先验未知场景下的、基于GM-PHD滤波器的显式多目标跟踪算法，其核心技术在于通过贴标签将高斯分量分为三大类，不同类别的高斯分量采用不同的状态提取方法来屏蔽存活目标先验密度区域杂波或其它目标量测的干扰；同时利用波门法得到新生目标的先验信息，从而得到新生目标先验未知场景下的多目标显式航迹，其无需对多目标状态估计进行额外的关联处理。与新生目标先验已知的基本GM-PHD滤波器相比，精度略好，实时性略低；与新生目标先验已知的GLMB滤波器相比，精度较低，实时性优秀。在要求兼顾实时性与精度的新生目标先验未知的多目标跟踪场景中，本发明所设计的滤波器是理想选择。

本发明为解决上述技术问题采用以下技术方案：