[发明专利]基于串行GLMB大批次集群目标跟踪方法、系统、设备及介质

说明书

本发明基于串行GLMB的大批次集群目标跟踪方法、系统、设备和计算机，首先把一个集群目标分成多个子群，然后依次跟踪每个子群目标，由于每个子群目标中目标的数量较少，所以避免了GLMB滤波器在跟踪大量目标时，其后验分量数量急剧增加的问题。因为子群内部的成员之间是线性相关的，不同的子群之间是没有协作关系的。因为矩阵的不同特征值对应的特征向量是线性无关的，所以子群的数量可以通过计算位置矩阵的特征值个数来得到。在现实中，两个协作运动的目标，在前方的目标为父节点。所以可以使用两个顶点的速度向量和位置向量的内积来判断它们之间的父子关系。采用串行跟踪的方法节省了计算空间，实现了对大批次多结构集群目标的跟踪。

技术领域

本发明属于大批次多结构集群目标的跟踪方法，具体涉及基于串行GLMB大批次集群目标跟踪方法、系统、设备及介质。

背景技术

当雷达距离被跟踪群目标较远时，由于雷达的分辨率不足，导致被跟踪的群目标在雷达屏幕上显示为点源信号，所以通常将被跟踪群目标设为一个点目标。现有的群目标跟踪算法基于此方面的原因，也假设一个被跟踪群目标只对应一个量测。随着雷达分辨率的提升，如果群目标中每个目标至少产生一个量测，那么在雷达屏幕上显示的被跟踪群目标就会产生多个量测，也就是说，我们可以从一个群目标中获得多个量测。从群目标角度来看，之前的传统算法对于“一个目标对应一个量测”的假设，不再适用于高分辨率雷达下对群目标跟踪的需求。

如果一个目标产生多个量测，我们称这个目标为扩展目标，群目标也属于扩展目标。在经典估计理论方法中，Koch在经典贝叶斯框架下，利用随机矩阵估计二阶矩来获得群目标的近似椭圆形状，Baum等人用椭圆随机超曲面模型(RHM)对扩展目标进行跟踪，但这两种算法都不适用于存在杂波的情况。Baum M等人提出了基于随机超曲面模型(RHM)的星凸型对扩展目标进行外形建模，该方法在计算上易于处理。

随机有限集(RFS)理论是处理群目标跟踪问题的另主要方法。随机有限集考虑的是目标的集合，而不是单个点目标，它解决了在多目标多量测下的数据关联问题。Vo等人将标签随机有限集的概念引入到目标跟踪中，提出了广义标签多伯努利滤波器(GeneralizedLabeled Multi-Bernoulli Filter,GLMB)。GLMB不仅能够估计目标的状态和个数，同时还可以获得目标的轨迹估计，但需要花费更多的计算代价，针对这个问题，Stephan Reuter等人提出了标签多伯努利(LMB)滤波器，它可以通过动态分组，并行运算，大大减少执行时间，但由于每次近似处理会导致误差增大。2015年，Beard等人将多目标状态建模为广义标记多伯努利随机有限集，其中扩展目标使用伽玛高斯逆威沙特(GGIW)分布建模，提出了GGIW-LMB算法，该算法除了能够估计扩展目标的数量、状态外，还可以估计其轨迹。Yu Gong等人提出了基于多扩展目标的广义标签多伯努利样条(ET-GLMB-S)滤波器,可以在杂波中跟踪多个扩展目标。Weifeng Liu等人用图理论来描述群目标之间的关系，并且引入协同噪声，提出了基于可分辨群目标的多伯努利滤波器。

在跟踪大量群目标时，GLMB滤波器后验分量的数量将呈指数增长，并且群目标之间存在依赖关系，这使得用GLMB算法直接跟踪它们变得更加困难。

发明内容

针对现有技术中存在的用GLMB算法直接跟踪大量群目标时计算空间不够的问题，本发明提供基于串行GLMB大批次集群目标跟踪方法、系统、设备及介质。

本发明是通过以下技术方案来实现：

基于串行GLMB的大批次集群目标跟踪方法，其特征在于，包括以下步骤：

S1：获得被跟踪集群目标量测；

S2：计算此量测两两之间的距离得到位置矩阵，并通过设定好的量测距离阈值得到集群目标的邻接矩阵，所述邻接矩阵表示多个子群；

S3：计算位置矩阵特征值的个数，得到子群的数量；