[发明专利]基于粒子滤波的被动传感器多目标跟踪方法

摘要

本发明公开了一种基于粒子滤波的被动传感器多目标跟踪方法，它属于制导技术领域，主要解决现有多目标跟踪方法跟踪易发散，目标状态估计不准确的问题。该方法通过粒子群优化及样本混合采样算法对多目标的样本分布进行优化，并结合联合概率数据关联算法对多目标进行跟踪。首先，利用粒子群优化算法优化多目标联合样本的分布，使其聚集到真实目标出现概率较大的高似然区域；其次，利用这些样本计算目标与观测之间的关联概率及目标后验概率分布；最后，在重采样过程中，将联合样本权值按各目标样本似然分解到对应的目标样本中去，各目标按分解后的权值独立重采样，进一步优化目标样本的分布，提高目标跟踪的精度。

主权项

1.一种基于粒子滤波的被动传感器多目标跟踪方法，包括：(1)根据各目标的初始分布抽取目标样本，构造联合样本：{x0n}n=1N={x0n,1,L,x0n,i,L,x0n,c}n=1N;]]>其中，n表示联合样本序号，i表示目标序号，N表示联合样本个数，c表示目标个数，表示0时刻第n个联合样本中目标i的样本，每个联合样本的初始权值取为(2)计算t时刻的预测联合样本：i∈[1，c]，n∈[1，N]，t≥1，其中，是t时刻第n个联合样本中目标i的样本；(3)按如下步骤优化粒子群：(3a)将t时刻的预测联合样本中的各目标样本作为粒子群优化的初始样本为目标样本赋予初始速度：(3b)计算t时刻目标样本对传感器量测的似然，表示为其中，k＝1，L，m是粒子群优化迭代序号，m≥5为设定的总的粒子群优化迭代次数；(3c)根据第1到第k次迭代中各个目标样本的似然，找出目标i中各个样本的个体最优解(3d)根据第i个目标中所有样本的似然，找出该目标所有样本中的全局最优解(3e)利用粒子群优化算法中的更新方程求得目标样本在第k+1次迭代中的位置和速度(3f)重复步骤(3b)～(3e)m次，得到粒子群优化后的联合样本：{xtn,1,L,xtn,i,L,xtn,c}n=1N={xn,tm,1,Lxn,tm,iL,xn,tm,c}n=1N,]]>其中，为优化后的目标样本；(4)按如下步骤对联合样本权值更新及归一化：(4a)根据优化后的目标样本所对应的量测值，计算目标i在t时刻量测的均值和方差选出满足的所有有效量测j∈[1，M_t]，其中，y_t为被动传感器获得的量测，ε＝9.21为设定的门限值，M_t为t时刻所有有效量测的个数；(4b)列举出有效量测与目标i的关联事件φ_i，j；(4c)计算有效量测与目标i基于样本形式的关联似然由目标运动的马尔科夫性和贝叶斯准则，计算第n个联合样本中边缘关联事件φ_i，j的概率：p(φ_i，j|Y^t)ⁿ，其中，Y^t表示从第1到第t时刻所有有效量测的集合；(4d)求第n个联合样本的所有关联事件的概率的和，得到第n个联合样本的权值并对其归一化，得到归一化权值(5)由联合样本及其对应的权值通过对联合样本加权求和估计出各目标状态，作为结果输出，并同时执行步骤(6)；(6)按如下步骤对联合样本权值分解及重采样：(6a)将第n个联合样本的归一化权值写成c个目标样本权值求和的形式：w‾tn=w‾tn,1+Lw‾tn,iL+w‾tn,c,]]>其中第i个目标样本的权值通过第i个目标样本的似然计算获得；(6b)从N个联合样本权值中，各取出第i个目标样本的权值构成根据这些权值，采样N个新的样本其中，样本其对应的权值为分别是t时刻目标i重采样前的第l个样本及其对应的权值；(7)重复步骤(2)，继续跟踪目标。