[发明专利]基于相关熵度量的鲁棒随机有限集多目标跟踪方法及装置

说明书

本发明提供了基于相关熵度量的鲁棒随机有限集多目标跟踪方法及装置，所述方法包括以下步骤：利用混合高斯方法进行δ‑GLMB滤波的递推，对δ‑GLMB滤波进行测量更新；基于δ‑GLMB滤波的测量更新，建立最大相关熵优化模型；求解最大相关熵优化模型，结合δ‑GLMB滤波的测量更新，实现多目标状态后验概率密度参数的递推计算，获得多目标状态的鲁棒估计；基于相关熵度量的鲁棒δ‑GLMB滤波对非高斯噪声分布的先验信息要求少，对应用环境的适应能力更强，应用范围更为广阔。

技术领域

本发明涉及多目标跟踪技术领域，具体涉及基于相关熵度量的鲁棒随机有限集多目标跟踪方法及装置。

背景技术

对于单目标跟踪的最大相关熵滤波，通过最大化状态预测误差与测量残差的最大相关熵之和获得目标状态的鲁棒估计，由于δ-GLMB滤波中的多目标状态及测量都是随机有限集，单目标跟踪的最大相关熵优化方法无法直接应用于δ-GLMB滤波，为δ-GLMB滤波建立最大相关熵优化模型以及求解优化模型是鲁棒δ-GLMB滤波需要解决的关键问题。另外，基于相关熵度量的鲁棒δ-GLMB滤波的性能依赖于相关熵核带宽参数的取值，如何根据噪声情况自适应选取核带宽参数以优化鲁棒δ-GLMB滤波的性能也是一个需要解决的关键问题。

综上所述，现有技术中存在以下问题：如何为δ-GLMB滤波建立最大相关熵优化模型以及如何求解优化模型。

发明内容

本发明的目的是为了解决如何为δ-GLMB滤波建立最大相关熵优化模型以及如何求解优化模型的问题。

为此，一方面，本发明实施例提供了基于相关熵度量的鲁棒随机有限集多目标跟踪方法，所述方法包括以下步骤：

利用混合高斯方法进行δ-GLMB滤波的递推，对δ-GLMB滤波进行测量更新；

基于δ-GLMB滤波的测量更新，建立最大相关熵优化模型；

确定最大相关熵优化模型的核带宽参数；

根据所述核带宽参数求解最大相关熵优化模型，得到最大相关熵优化模型的最优解；

根据最大相关熵优化模型的最优解结合δ-GLMB滤波的测量更新，实现多目标状态后验概率密度参数的递推计算，获得多目标状态的鲁棒估计；

另一方面，本发明实施例还提供了基于相关熵度量的鲁棒随机有限集多目标跟踪装置，包括：

更新单元，用于利用混合高斯方法进行δ-GLMB滤波的递推，对δ-GLMB滤波进行测量更新；

建模单元，用于基于δ-GLMB滤波的测量更新，建立最大相关熵优化模型；

估计单元，用于确定最大相关熵优化模型的核带宽参数；

求解单元，用于根据所述核带宽参数求解最大相关熵优化模型，得到最大相关熵优化模型的最优解；

递推单元，用于根据最大相关熵优化模型的最优解结合δ-GLMB滤波的测量更新，实现多目标状态后验概率密度参数的递推计算，获得多目标状态的鲁棒估计；

上述技术方案具有如下有益效果：本发明提出了基于相关熵度量的鲁棒δ-GLMB滤波，将最大相关熵准则引入到δ-GLMB滤波中，建立最大相关熵优化模型，通过优化模型的数值求解获得多目标状态的鲁棒估计，给出核带宽参数的自适应选取方法，在滤波计算的同时，通过自适应调整核带宽参数的取值优化滤波性能。与噪声统计特性建模方法相比，基于相关熵度量的鲁棒δ-GLMB滤波对非高斯噪声分布的先验信息要求少，对应用环境的适应能力更强，应用范围更为广阔。

附图说明

图1是本发明实施例提供的基于相关熵度量的鲁棒随机有限集多目标跟踪方法的流程图；

图2是本发明实施例提供的基于相关熵度量的鲁棒随机有限集多目标跟踪装置的结构示意图；