[发明专利]一种基于高斯混合概率假设密度滤波器的静态融合方法

说明书

本发明公开了一种基于高斯混合概率假设密度滤波器的静态融合方法，通过将时间维上的多目标跟踪算法迁移到传感器维度上，多源目标静态融合问题可以被看作是时间间隔为0的多目标跟踪问题，在此基础上进行目标的状态模型和观测模型的建模，再将高速有效的跟踪算法——高斯混合概率假设密度(GMPHD)滤波依据模型修改后进行静态融合，可以得到精度更高的融合结果且运算效率大幅提高。该方法适用于各种情况的输入量测，可有效提高融合结果的定位精度和运算效率。

技术领域

本发明属于信息处理领域，具体涉及一种滤波器的静态融合方法。

背景技术

在进行水下目标跟踪时，通常希望利用多个传感器通过扩展和加强观察空间来提高跟踪性能，即多基地目标跟踪系统。为了整合处理来自所有来源的量测数据，经常需要进行多基地数据融合。通过将单次扫描所获得的不同传感器的量测数据进行融合，进行信息的预处理筛选以得到精度更高、虚警更少的等效量测集，从而提高后续目标跟踪的精确度，这一过程称之为静态融合。目前常用的静态融合方法包括Scan box方法、网格筛选和蒙特卡洛采样的静态融合方法等。但现有的方法尽管实现简单，但运算效率较低且对量测的协方差没有充分利用，在传感器数量较少的情况下融合性能较差。

发明内容

为了克服现有技术的不足，本发明提供了一种基于高斯混合概率假设密度滤波器的静态融合方法，通过将时间维上的多目标跟踪算法迁移到传感器维度上，多源目标静态融合问题可以被看作是时间间隔为0的多目标跟踪问题，在此基础上进行目标的状态模型和观测模型的建模，再将高速有效的跟踪算法——高斯混合概率假设密度(GMPHD)滤波依据模型修改后进行静态融合，可以得到精度更高的融合结果且运算效率大幅提高。该方法适用于各种情况的输入量测，可有效提高融合结果的定位精度和运算效率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：假定在多源目标量测信息融合场景中包含N个独立工作的传感器，以任一传感器为原点，建立笛卡尔坐标系；传感器n返回m_n个对目标的量测，组成量测集z_n,a是传感器n返回的第a个对目标的量测，n＝1,2,...,N是传感器的序号，a＝1,2,...,m_n是对目标的量测序号；

假定任一对目标的量测为二维向量z＝(τ,θ)，其中，τ为时延，θ为方位，τ和θ的测量误差互不相关且服从高斯分布，其方差分别为和z的二维笛卡尔坐标为z＝[x,y]，协方差矩阵为

步骤2：建立传感器对静止目标进行观测的状态模型为：

X_n+1＝FX_n+w_n (1)

式中，X_n和X_n+1为第n个和第n+1个传感器观测范围内的目标状态，过程噪声w_n服从高斯分布w_n:N(0,Q)，状态转移矩阵F和过程噪声矩阵Q分别为二维的单位矩阵I和0矩阵；

建立传感器对静止目标进行观测的观测模型为：

Z_n＝HX_n+y_n (2)

式中，观测矩阵H是二维单位矩阵I，测量噪声y_n服从高斯分布y_n:N(0,R_n)，R_n为测量噪声协方差矩阵；

步骤3：获取改进GMPHD滤波器的高斯分量参数；

步骤3-1：定义J_n为第n个传感器观测范围内的目标数量；