[发明专利]多传感器存在监测区域部分重叠的扩展目标跟踪方法

说明书

技术领域

本发明属于目标跟踪与目标定位方法技术领域，涉及一种多传感器环境下的目标跟踪方法，具体涉及一种多传感器存在监测区域部分重叠的扩展目标跟踪方法。

背景技术

随着现代传感器精度的不断提高，传感器在监测单个目标时不仅仅只接收到一个量测，更多的时候是一个目标产生的多个量测都能够被监测到，这种能够产生多于一个量测信息的目标被称为一个扩展目标。

在多传感器条件下的扩展目标跟踪算法旨在选择合适的算法把各个传感器接收到的量测信息进行融合，融合后的信息经过滤波处理后，能更精确的反映群目标的真实状态。在融合过程中，可充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则进行组合，以获得被测对象的一致性解释或描述。信息融合的基本目的是通过利用多个传感器共同或联合操作的优势，提高传感器系统的有效性和可靠性。

多传感器跟踪系统与传统的单传感器跟踪系统相比，因其扩大了时空的覆盖范围、改进了测量性能并增加了系统的稳定性，使其在军事及一些非军事目标的跟踪中有着非常广泛的应用。

多传感器多目标跟踪就是由多个同类型或者不同类型的传感器在杂波、数据关联不确定、检测概率小于1以及噪声环境下得到无序、数据格式不统一的量测集，通过整合量测集信息，对每一时刻的目标数目和状态进行估计。多传感器扩展目标跟踪算法的基本思想就是通过采取不同的数据融合算法融合多传感器量测，从而达到对目标进行有效跟踪的目的。

常见的数据融合方法主要有：序贯融合算法和并行融合算法，它们被多次使用到目标跟踪领域中。如：Pham等人在文章“Pham N T，Huang W，Ong S H.Multiple sensor multiple object tracking with GMPHD filter[C].In Proceedings of the 10th International Conference on Information Fusion.Montreal Quebec Canada:9-12，July，2007:1-7.”中将序贯数据融合算法与高斯扩展概率假设密度滤波(Extend Target-GM-PHD，ET-GM-PHD)算法相结合，实现了在多传感器环境下使用GM-PHD滤波算法对目标进行跟踪。Weifeng等人在文献“Weifeng Liu,Chenglin Wen.The fast linear multisensor RFS-multitarget tracking filters[C].In Proceedings of the 17th International Conference on Information Fusion.Salamanca,2014:1-8.”中通过使用量测尺寸扩展的方法，提出了一种运用于线性多传感器环境下的基于随机有限集的多目标跟踪滤波器，并且还为该滤波器提供了一种更快速的量测更新计算方法。上述公开的多传感器融合算法可以直接应用到扩展目标跟踪过程中，然而，现有的多传感器融合算法均假设传感器监测区域不重叠，也就是说，每个传感器均有属于自己独立的一个监测区域，互不干扰。在实际的多传感器环境下，传感器的监测区域往往出现情况不一的部分重叠的情况。

针对多传感器监测区域部分重叠的扩展目标跟踪问题，将传统的序贯滤波算法进行改进后应用到扩展目标跟踪中，得到一种新的扩展目标融合算法，取得了较好的效果。

发明内容

本发明的目的在于提供一种多传感器存在监测区域部分重叠的扩展目标跟踪方法，合理利用多个传感器接收到的量测信息，基于多传感器环境下的融合算法估计出每一时刻的扩展目标的状态，提高了跟踪精度。

本发明所采用的技术方案是，多传感器存在监测区域部分重叠的扩展目标跟踪方法，具体按照以下步骤实施：

步骤1、采用一个随机集表示k时刻扩展目标的状态；

k时刻扩展目标的状态包括有如下信息：目标质心的位置、速度以及加速度；

在随机集中：

表示在k时刻第i个扩展目标的状态，N_x,k表示k时刻的目标数目；

预先设定第i个扩展目标状态向量为其动态方程具体如下：

在动态方程中：

F_k为目标的动态转移矩阵，将F_k作为线性高斯模型，采用卡尔曼滤波算法对目标进行跟踪；

为协方差为的过程噪声；