[发明专利]基于随机矩阵的不规则形状多扩展目标形状和状态估计方法

说明书

技术领域

本发明属于智能信息处理技术领域，涉及多扩展目标的形状和状态的估计方法。具体地说是一种基于随机矩阵跟踪技术，针对不规则形状多扩展目标的形状和状态估计方法，可用于多目标精确制导、机器人道路规划和障碍躲避、无人驾驶车辆跟踪行驶和电子医学等系统中的目标跟踪。

背景技术

在传统的雷达系统中，单个目标通常被看做单个点来处理。然而随着雷达技术的不断进步，在激光雷达等高精度雷达系统中，单个目标的回波可能占据传感器的多个分辨单元，因此目标不能再等效为一个点，即单个目标可以产生多个量测，本发明称这样的目标为扩展目标。与传统单点目标不同，扩展目标可以由多个量测共同描绘出目标的形状、姿态等信息，因此针对扩展目标的跟踪技术需要综合考虑目标的量测信息。

目前，多扩展目跟踪问题是信息融合领域的研究热点，等人基于随机矩阵技术提出了高斯反威沙特概率假设密度滤波器(Gaussian inverse Wishart probability hypothesis density filter，GIW-PHD)。该方法假设扩展目标为椭圆形状，因此目标的扩展状态可以用随机矩阵(Random Matrices，RM)来表示。同时，目标状态估计采用贝叶斯滤波框架，认为目标的RM服从为沙特分布，则由反威沙特分布来产生目标的先验RM，并根据下一时刻的量测信息更新后验形状。该方法的优点是可以在目标数未知、有杂波干扰等复杂情况下精确的跟踪椭圆形状扩展目标。然而，若扩展目标形状为非椭圆的不规则形状，则该方法的精度会下降，甚至在目标紧邻时产生目标数漏估、错估等严重问题。因此，针对不规则形状多扩展目标的形状和状态估计，是目标跟踪领域中的重要课题。

发明内容

针对上述问题，本发明基于随机矩阵跟踪技术，提出一种针对不规则形状多扩展目标的形状及状态估计方法，将基于B样条的形状估计技术、基于形状的量测划分方法运用于GIW-PHD滤波器，实现了对不规则形状扩展目标的量测划分、状态估计和形状估计。

实现本发明的关键技术是：在多扩展目标PHD滤波框架下，引入B样条形状估计技术，估计多扩展目标的形状参数，然后用形状参数来划分不规则形状的量测集，对不规则形状的多扩展目标实现了形状和状态估计。

为实现上述目标，具体实现步骤如下：

(1)初始化参数：初始目标状态ξ₀＝{m₀,X₀,V₀,v₀,P₀}，其中，m₀为运动状态，X₀为形状参数，V₀为反威沙特分布的尺度矩阵，v₀为反威沙特分布的自由度；P₀为运动噪声协方差矩阵。状态噪声协方差为Q，目标初始权重为w₀。

(2)当k≥1帧时，对量测集Z_k进行划分。

(2a)利用距离划分方法，将Z_k划分为若干子集W。

(2b)检测每个子集的量测数量，若量测过多，则利用各目标形状函数Ψ(X,μ)≤0，将该子集拆分为两个子集，其中形状内的量测组成一个集合W_in′，形状外的量测组成一个集合W′_out，其中X和μ分别表示形状和位置参数。

(3b)遍历所有可能的X和μ，利用似然函数递归选择出最优拆分，从而实现不规则形状量测集的划分。

(3)根据量测信息，利用GIW-PHD滤波框架对目标运动状态进行多假设滤波，目标的概率假设密度为：

其中，表示目标量测集协方差矩阵的均值，为克罗内克积，N(·)为高斯分布，IW(·)为反威沙特分布。

(4)对于每个多假设的目标分量，估计对应的量测子集的形状然后用其更新目标的形状状态X_k|k，生成二次B样条函数形状函数。

(5)对低权重目标分量进行删减，相似的目标分量进行合并，高权重目标分量进行状态提取。

(6)若下一时刻观测信息到达，转到步骤(2)进行迭代；否则，目标跟踪过程结束。

本发明具有以下优点：

(1)本发明以GIW-PHD滤波框架为基础，针对原方法只能估计椭圆形状目标状态的问题，利用B样条形状估计方法估计目标的形状，从而可以估计不规则形状扩展目标的状态，可为目标身份识别、量测集划分、航迹关联、态势分析等其他步骤提供更为可靠的形状特征信息。