[发明专利]三维空间下快速UK-GMPHD多目标跟踪方法

说明书

本发明公开三维空间下快速UK‑GMPHD多目标跟踪方法。本发明是构建单传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；对多目标的状态、观测进行建模；对传感器进行F‑UK‑GMPHD滤波，得到后验高斯分量，实现对多目标跟踪。通过对原始UK‑GMPHD的更新步骤进行改进，并省去合并操作来提高运行效率，因此，所提出的滤波器能够在复杂跟踪环境中显著提升计算效率。本发明提出了一套完整的处理方法和流程，配置结构明了，在保证跟踪精度的同时，有效提高多目标跟踪效率，可广泛应用于单传感器多目标跟踪领域。

技术领域

本发明属于单传感器多目标跟踪领域，涉及一种三维空间下快速UK-GMPHD多目标跟踪方法。在三维空间内，通过对高斯混合概率假设密度滤波器(GMPHD)进行改进，实现一种非线性观测条件下快速的无迹卡尔曼高斯混合概率假设密度滤波器(UK-GMPHD)多目标跟踪方法，能够在复杂环境下保持对多目标跟踪精度的同时，大幅度提高跟踪效率。

背景技术

多目标跟踪是指从传感器获取的数据中联合估计出目标的数量、状态等信息。目前，较流行的多目标跟踪方法分为两种：一种是基于数据关联(DA)，另一种是基于随机有限集(RFS)。

随机有限集(RFS)理论的提出为解决多目标跟踪的问题提供了新的理论基础，受到国内外学者的重视。该理论是将目标状态和传感器观测信息分别建模为一个有限集，其具有较好的数学理论。一种基于随机有限集的工程实现是概率假设密度(PHD)滤波器，通过使用一阶矩来近似表达服从高斯分布的多目标RFS的概率密度函数，从而避免使用数据关联方法来解决目标动力学状态估计问题。但是在非线性观测条件下，存在原始的单传感器高斯混合概率假设密度滤波方法(GNPHD)在跟踪大量目标时出现跟踪效率低问题。

发明内容

本发明的第一个目的是在非线性观测条件下，针对原始的单传感器高斯混合概率假设密度滤波方法(GNPHD)在跟踪大量目标时出现跟踪效率低问题，为了加强实际工程应用，提出了一种三维空间下快速UK-GMPHD多目标跟踪方法，简称F-UK-GMPHD，有效提高多目标跟踪效率。

为了达到上述目的，本发明方法采用的技术方案如下：

步骤(1)、构建单传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；

步骤(2)、对多目标的状态、观测进行建模；

步骤(3)、基于步骤(1)、(2)，对传感器进行F-UK-GMPHD滤波，得到后验高斯分量；

步骤(4)、重复步骤(3)得到一次蒙特卡洛下，对所有时刻的多目标估计结果，实现对多目标跟踪，并使用性能评价指标——最优子模式分配(OSPA)对本发明方法的性能进行评估；

步骤(5)、重复步骤(3)-(4)进行下一次蒙特卡洛的滤波。

本发明的第二个目的是提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行所述的方法。

本发明的第三个目的是提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的方法。

本发明的有益效果是：

本发明提出一种在三维空间下的非线性观测条件的快速UK-GMPHD多目标跟踪方法(简称F-UK-GMPHD)。通过对原始UK-GMPHD的更新步骤进行改进，并省去合并操作来提高运行效率。因此，本发明提出的滤波器能够在复杂跟踪环境中显著提升计算效率。本发明提出了一套完整的处理方法和流程，配置结构明了，在保证跟踪精度的同时，有效提高多目标跟踪效率，可广泛应用于多目标跟踪领域。

附图说明

图1是本发明方法核心部分具体实现的流程图；