[发明专利]基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统

摘要

本发明适用于多传感器信息融合技术，提供了基于序贯贝叶斯滤波的多目标跟踪方法，包括：预测当前时刻各个目标在不同模型下的边缘分布及其存在概率；根据预测的边缘分布及其存在概率，利用贝叶斯规则处理得到更新边缘分布及其存在概率；将更新边缘分布及其存在概率进行融合，形成当前时刻的更新边缘分布及存在概率；将新目标的边缘分布及其存在概率分别与更新边缘分布及其存在概率进行合并，生成当前时刻的边缘分布及其存在概率；将存在概率小于第一阈值的边缘分布裁减掉，提取存在概率大于第二阈值的边缘分布进行输出。所述的多目标跟踪方法既保证了数据处理的实时性，同时又有效地解决了运动模式在不同模型之间转换的多机动目标的跟踪问题。

主权项

1.基于序贯贝叶斯滤波的多目标跟踪方法，其特征在于，包括以下步骤：步骤A、当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收到前一个测量数据的时刻的时间差，以接收到所述新的测量数据的时刻为当前时刻，接收到前一个测量数据的时刻为前一时刻；根据所述时间差、各个模型间的转移概率以及前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分布及其存在概率；步骤B、根据所述预测的当前时刻各个目标在不同模型下的边缘分布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更新边缘分布及其存在概率；步骤C、将所述当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率；步骤D、利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其存在概率；步骤E、从合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的输入，同时，从裁减后的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差估计；所述步骤A中，以k‑1表示前一时刻，k表示当前时刻，tk‑1表示前一时刻的时间，tk表示当前时刻的时间，ri,k‑1表示前一时刻第i个边缘分布的模型标签，ri,k表示当前时刻第i个边缘分布的模型标签，1≤ri,k≤Mr，Mr表示模型的总数目；已知前一时刻第i个边缘分布为N(xi,k‑1；mi,k‑1(ri,k‑1),Pi,k‑1(ri,k‑1))，i＝1,2,...,Nk‑1，前一时刻第i个边缘分布的存在概率为ρi,k‑1(ri,k‑1)，i＝1,…,Nk‑1；其中，N表示高斯分布，xi,k‑1表示为前一时刻第i个边缘分布的状态向量，mi,k‑1(ri,k‑1)和Pi,k‑1(ri,k‑1)分别表示前一时刻第i个边缘分布的均值和方差，Nk‑1为前一时刻目标的总数，i为索引号，1≤i≤Nk‑1；根据前一时刻的边缘分布及其存在概率、当前时刻与前一时刻的时间差以及模型间的转移概率得出当前时刻各目标在不同模型下预测的边缘分布为N(x_i,k；m_i,k|k‑1(r_i,k),P_i,k|k‑1(r_i,k))，i＝1,2,...,N_k‑1，1≤r_i,k≤M_r；当前时刻各预测边缘分布的存在概率为ρ_i,k|k‑1(r_i,k)＝p_S,k(t_k‑t_k‑1)t_k|k‑1(r_i,k|r_i,k‑1)ρ_i,k‑1(r_i,k‑1)，i＝1,2,...,N_k‑1，1≤r_i,k≤M_r；其中，m_i,k|k‑1(r_i,k)＝F_k‑1(r_i,k)m_i,k‑1(r_i,k‑1)为当前时刻目标i在模型r_i,k下的预测边缘分布的均值，为目标i在模型r_i,k下的预测边缘分布的方差，t_k|k‑1(r_i,k|r_i,k‑1)为模型间的转移概率，为目标的幸存概率，Δt＝t_k‑t_k‑1为当前时刻与前一时刻的时间差，T为采样周期，δ为给定的常数，F_k‑1(r_i,k)为前一时刻第i个边缘分布的状态转移矩阵，Q_k‑1(r_i,k)为前一时刻第i个边缘分布的过程噪声方差矩阵，r_i,k‑1为前一时刻第i个边缘分布的模型标签，上标T表示为矩阵或向量的转置。