[发明专利]一种基于高斯混合势概率假设密度滤波器的海上目标跟踪算法

说明书

本发明提供一种基于高斯混合势概率假设密度滤波器的海上目标跟踪算法，算法针对高斯混合势概率假设密度滤波器面对海上杂波干扰强、机动情况复杂的“低慢小”目标，容易出现虚警、漏检等跟踪性能下降的问题，给出了解决方法。首先，在高斯混合势概率假设密度滤波器的基础上引入多模型算法以匹配目标的多种运动状态，其次，利用目标的多普勒量测与位置量测之间的关联，建立位置‑多普勒联合波门，对量测信息进行联合筛选，最后，在位置更新的基础上对目标进行序贯更新。对比仿真结果表明，本发明所提出算法可以提高目标数目估计稳定度，并改善跟踪精度。

技术领域

本发明涉及一种多目标跟踪技术，尤其涉及一种基于高斯混合势概率假设密度滤波器的海上“低慢小”目标跟踪算法。

背景技术

随着科技的发展，对于海上飞行高度低、速度慢、机动情况复杂的“低慢小”目标，传统的多目标跟踪(MTT)算法容易出现虚警、漏检等性能衰退问题。

传统的多目标跟踪中代表性的算法有多假设跟踪(MHT)算法、联合概率数据关联(JPDA)算法等，这类传统算法由于需要进行复杂度较高的数据关联运算，因此当目标数目或量测点迹较多时，将出现组合爆炸、计算量激增的问题，难以满足任务需求。近年来，基于随机有限集(RFS)的多目标跟踪算法快速兴起，这类算法可以避免复杂的数据关联过程，受到多目标跟踪领域研究人员的极大关注。概率假设密度(PHD)滤波器通过传递多目标的一阶统计矩信息，即目标的强度信息，实现对目标的迭代更新，然而PHD滤波器服从泊松分布，当目标个数较多时方差会随之增大，导致数目估计的强起伏；势概率假设密度(CPHD)滤波器在PHD滤波器的基础上同时传递多目标的二阶统计矩信息，即多目标的势分布，具有更高的准确性。两种算法都分别有适用于线性条件下的高斯混合(GM)实现方式与非线性条件下的序贯蒙特卡罗(SMC)实现方式，分别记为GM-PHD，SMC-PHD，GM-CPHD，SMC-CPHD。两种算法侧重点不同，在不同场景情况下性能各有优劣，在线性高斯的情况下，GM-CPHD具有相对最优的性能。

考虑到“低慢小”目标为避开雷达系统的监测，往往会进行多种方式的高强度机动(突然转弯或加、减速等)，并且由于海上背景噪声强、杂波干扰多的特点，现有线性条件下的GM-CPHD算法对海上“低慢小”目标的跟踪容易受到干扰，无法实现有效跟踪。

发明内容

本发明针对海上目标跟踪环境中杂波干扰强与“低慢小”目标机动方式复杂的问题，提供一种基于高斯混合势概率假设密度滤波器的海上“低慢小”目标跟踪算法。

本发明的目的是这样实现的：步骤如下：

步骤1：获取K-1时刻多目标的初始化信息，包括多目标势分布p_k-1(n)、目标运动模型r、模型多目标后验强度函数v_k-1(x,r＝q)、模型转移概率矩阵H_pq等参数，其中p和q代指运动模型集合中的两个不同模型；

步骤2：预测多目标下一时刻的状态信息，预测信息包括存活目标与新生目标的势分布预测p_k/k-1(n)、强度函数预测v_k/k-1(x,r＝q)；

步骤3：使用位置-多普勒信息联合波门筛选K时刻的量测集合Z_k中的量测z_k；

步骤4：更新多目标下一时刻的状态信息，更新信息包括多目标的势分布p_k(n)与强度函数v_k(x,r＝q)，其中强度函数中多目标高斯分量的均值和协方差由目标的位置量测更新获得；

步骤5：基于目标的多普勒量测进行序贯更新，获得最终状态更新结果以及对应的权值

步骤6：对目标的高斯分量进行剪枝、合并；

步骤7：提取K时刻多目标状态。