[发明专利]一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法

说明书

本发明公开了一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法，属于多目标跟踪技术领域。首先，利用两点差分算法初始化新生目标强度，然后利用目标最大速度约束算法剔除错误的新生目标强度。另外，为了消除杂波测量值的干扰，利用改进的测量值分类算法在测量值集合中分别提取存活目标测量值和新生目标测量值，然后分别利用存活目标测量值和新生目标测量值更新存活目标和新生目标，从而提高算法的精度。本发明解决了EK‑PHD滤波器在新生目标强度未知的情况下无法跟踪目标的问题。

技术领域

本发明涉及一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法，属于多目标跟踪技术领域。

背景技术

随着现代信息科学技术的发展，多目标跟踪技术在视觉、雷达和声纳跟踪以及车辆跟踪等领域中有着广泛应用并发挥着重要的作用。在多目标跟踪场景中，不但目标的状态会随着时间的变化而改变，而且目标的个数也会随着目标的出现和消失而发生变化，因此多目标跟踪问题一直是国内外专家和学者研究的热点和难点问题。解决多目标跟踪问题的传统方法是数据关联技术，其中包括多假设跟踪(Multiple Hypothesis Tracking,MHT)算法和联合概率数据关联(Joint Probability Data Association,JPDA)算法。然而，这些算法不仅面临着数据关联的不确定性问题，而且计算量也随着目标和测量值数目的增加而增大。

为了解决传统多目标跟踪算法的计算复杂度问题，Mahler提出了基于随机有限集(Random Finite Set,RFS)理论的概率假设密度(Probability Hypothesis Density,PHD)滤波器。PHD滤波器传递的是目标状态的一阶统计矩，而不是多目标的后验概率密度，因此在降低单目标状态空间计算复杂度的同时避免了数据关联带来的组合问题。PHD滤波器的迭代过程可以通过高斯混合的方式来实现，即高斯混合概率假设密度滤波器(GaussianMixture PHD,GM-PHD)。由于GM-PHD假设目标的状态模型和测量模型均为线性高斯模型，因此当状态模型或者测量模型为非线性时，可以通过扩展卡尔曼滤波器(Extended KalmanFilter,EKF)对非线性的状态模型或者测量模型进行近似处理从而得到扩展卡尔曼概率假设密度滤波器(Extended Kalman PHD，EK-PHD)，所以EK-PHD滤波器可以看作是GM-PHD滤波器的扩展。尽管EK-PHD滤波器可以避免数据关联带来的计算复杂度问题，但是新生目标强度通常作为先验已知信息参与EK-PHD滤波器的迭代过程，然而在实际的跟踪环境中，新生目标强度通常未知，这就给EK-PHD滤波器在实际工程中的应用带来了一定的限制。针对EK-PHD滤波器在新生目标强度未知的情况下无法跟踪目标的问题，本文提出了一种改进的自适应估计新生目标强度的扩展卡尔曼概率假设密度滤波器。

发明内容

本发明的目的是提出一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法，以解决EK-PHD滤波器在新生目标强度未知的情况下无法跟踪目标的问题。

一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法，所述跟踪方法包括以下步骤：

步骤一、初始化新生强度函数v₀(x)；

步骤二、根据所述新生强度函数v₀(x)预测存活目标强度函数v_s,k|k-1(x)和新生目标强度函数v_γ,k|k-1(x)；

步骤三、对测量值集合进行划分，从测量值集合中提取存活目标测量值和新生目标测量值；

步骤四、分别利用存活目标测量值和新生目标测量值对步骤二中预测的强度函数进行更新，得到更新的存活目标强度函数v_s,k(x)和新生目标强度函数v_γ,k(x)，最终更新的目标强度函数为v_k|k(x)；