[发明专利]基于概率假设密度PHD的修正粒子滤波器

说明书

技术领域

本发明涉及数据融合处理技术中的多目标跟踪领域，适用于目标数目实时变化、量测信息存在很大的不确定性以及新生目标强度未知时的多目标跟踪场景。

背景技术

在实际的目标跟踪场景中，由于原有目标衍生、消亡以及新目标出现，目标的数目实时变化，同时量测信息也存在很大的不确定性(目标、杂波或虚警等)，为多目标跟踪带来了巨大的困难。传统多目标跟踪方法通常假定目标个数已知或未知恒定，通过数据关联，将多目标跟踪问题转化为单目标滤波跟踪问题，但是当目标密集或者虚警较多时，数据关联会带来组合爆炸、关联误差与状态估计相互耦合等问题，此时基于数据关联的多目标跟踪方法往往跟踪效果较差。

近年来，越来越多的研究者将随机有限集(Random Finite Set,RFS)理论应用于多目标跟踪中，其中最具代表性的是概率假设密度(Probability hypothesis density,PHD)滤波器，该滤波器完全在单目标状态空间内运算，能够估计目标的个数与状态，避免了复杂的数据关联，尤其适合解决未知时变的多目标跟踪问题，具有极强的研究价值和工程应用前景。标准PHD滤波器存在以下两个方面的问题：一是标准滤波算法的实现尤其是实时实现问题，二是标准PHD滤波器假定目标新生目标强度已知，这与实际背景相悖。这两个问题是PHD滤波算法迈向工程应用必须要解决的问题。

针对以上两个问题，有必要研究新生目标强度未知时的PHD粒子滤波器，从而解决实际背景中的多目标跟踪问题。这也是本发明的思路来源。

发明内容

1.要解决的技术问题

本发明的目的在于提供一种可以在新生目标强度未知时对多目标进行跟踪的粒子滤波器。为了达到上述目的，本发明提出了一种未知新生目标强度下基于目标PHD分解的粒子滤波器。该滤波器首先基于量测生成新生目标粒子，将新生目标粒子覆盖所有量测并依次迭代更新，然后利用门限技术剔除量测集中的杂波，将其余量测集用于存活目标粒子的预测和更新。该滤波器克服了标准粒子PHD需要先验新生目标强度的缺陷，同时由于剔除了杂波信息，在改善性能的同时能提高滤波的实时性。

2.技术方案

本发明所述的基于PHD的修正粒子滤波器，包括以下技术措施：首先，利用门限技术对量测值进行分类，将存活目标量测值从量测集中分离出来用于存活目标的PHD更新，而其余集(包括杂波量测和新生目标量测)则被舍弃；然后，通过引入标签变量来区分存活目标和新生目标，并基于量测值确定新生目标生成点，将目标PHD分解为新生目标PHD和存活目标PHD；最后，用两组不同的粒子集分别对存活目标PHD和新生目标PHD进行粒子近似，经预测、更新和重采样后，在目标新生强度未知时对所提PHD滤波器进行粒子实现。

3.有益效果

本发明利用门限技术对量测值进行分类，同时基于量测值驱动完成目标PHD分解，从而实现新生目标强度未知时的多目标跟踪。其主要有以下优点：

(1)该滤波器利用门限技术，将存活目标量测值从量测集中分离出来用于存活目标的PHD更新，从而提高了滤波器估计性能，同时，由于剔除了杂波量测，能有效降低算法的复杂度；

(2)该滤波器基于量测产生新生目标粒子，将目标PHD分解为存活目标PHD和新生目标PHD，能够解决实际背景中新生目标强度未知时的多目标跟踪问题。

具体实施方式

本发明分为以下几个步骤：

1.基于门限技术的量测值分类方法

假定为k时刻第j个存活目标的一步预测，则k时刻第j个存活目标的候选量测值满足

式(1)即为椭圆波门规则，其中检验统计量d_M为马氏距离，为新息协方差，γ为波门控制参数。对于确定的量测维数n_z和z_k落入波门的概率P_G，γ是唯一确定的。n_z维椭球波门大小为