[发明专利]复杂环境下多机动目标跟踪方法

说明书

技术领域

本发明涉及一种复杂环境下多机动目标跟踪方法，具体地说，是涉及一种采用两次扫描的联合数据关联算法的复杂环境下多机动目标跟踪方法。

背景技术

运动目标跟踪是模式识别、图像处理、计算机视觉等领域的重要课题。它把图像处理、自动控制、信息科学有机结合起来，形成了一种能从信号中实时的自动识别目标，自动跟踪目标运动的技术。在军事、工业和科学研究方面都具有重要的意义。其中复杂环境下多机动目标的跟踪是信息处理领域中的研究热点之一，在军事和民用领域都有着广泛的应用。近年来国内外许多专家学者对之进行了深入的研究，并随着软件和硬件技术的发展，使得多目标跟踪技术取得了很大的进展。但是很多理论都有一定的局限性，尤其是在目标机动较大或环境复杂的情况下，很多方法会失效。因此，有必要在学习前人研究成果的基础上，对机动目标跟踪理论进行改善。

机动目标跟踪的基本问题是目标模型的动力学方程与目标的实际运动存在着不匹配。跟踪过程就是估计目标当前时刻(滤波)和未来(预测)任意时刻的状态，包括各种运动参数，如目标的位置、去向、速度和加速度等。通常，状态估计是在两种不确定性情况下进行的，即由于目标的高度机动所产生的目标模型的不确定性，以及由于干扰、噪声所导致的量测的不确定性，这就导致量测与现有航迹互联时产生误差。正因为如此，机动目标跟踪特别是多机动目标跟踪已经成为该领域的一个重要研究方向。

国内外在多机动目标跟踪研究领域进行了很多相关研究。例如，大连理工大学等单位提出基于卡尔曼滤波的多目标跟踪方法，该方法利用中心差分卡尔曼滤波和高斯混合概率假设密度滤波对后验多目标状态一阶统计量进行估计，并通过递推更新得到目标状态，以实现对多个目标的跟踪.(基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法，《控制与决策》2013年第28卷第1期)，这种方法受目标进行未知机动引起的估计误差的影响，可能会出现发散，跟踪性能将会严重下降。

南京理工大学等单位提出基于概率假设密度(PHD)的多目标跟踪方法，(多目标跟踪的混合高斯PHD滤波，《计算机工程与应用》，2011年第47卷第14期)，也有一些其他研究对PHD算法进行了改进。虽然避免了传统多目标跟踪方法的数据关联，但PHD滤波在采用聚类方法提取目标状态时，需要将粒子归类，这在噪声较大的环境下，会造成目标状态估计不准确。

解放军电子工程学院采用固定延迟平滑算法实现机动目标的跟踪(基于固定延迟平滑算法的机动目标跟踪方法，《舰船电子工程》，2010年第3期)，但该方法仅限于单目标的跟踪。

其它一些较有代表性的算法有联合概率数据关联(Joint Probabilistic Data Association，JPDA)算法(例如：多传感器多目标跟踪的JPDA算法，《系统仿真学报》，2004年第16卷第7期)和交互式多模型(Interacting Multiple Model，IMM)算法(例如：基于IMM模型的目标跟踪算法，《中国制造业信息化：学术版》2010年第7期)。前者对多个轨迹交叉的目标有较好的跟踪性能，后者适用于目标高机动的情况。然而对于多个高机动目标并有轨迹交叉的问题，单一的IMM或JPDA都不能得到很好解决。

也有研究人员将交互多模型逼近和联合概率数据互联技术与固定延迟平滑滤波方法相结合，进行多机动目标的跟踪研究。(例如：使用IMM/JPDA和固定延迟平滑滤波方法进行杂波环境下多机动目标跟踪，《情报指挥控制系统与仿真技术》2003年第4期),该方法性能优于传统IMM/JPDA滤波器，但当几个被跟踪目标比较接近，且机动性比较大的时候，容易产生误差。

也有将IMM/JPDA两种跟踪算法按照一定的方式结合起来，从而得出交互式多模型联合概率数据关联算法。(例如：一种改进的IMM-JPDA多目标跟踪算法，《微计算机信息》2010年第36期)但是这些算法计算比较复杂，且随着目标个数的增多，计算量会呈指数增长。

发明内容

本发明所要解决的技术问题在于提供一种复杂环境下多机动目标跟踪方法，其中，包含：

步骤1：获取多个运动目标的多个运动目标信息，根据所述多个运动目标信息构建估计模型，根据所述估计模型获取所述多个运动目标的多个当前运动目标信息；

步骤2：通过联合概率数据关联算法对所述多个运动目标信息及所述多个当前运动目标信息进行关联后获得跟踪模型；

步骤3：根据所述跟踪模型对所述多个运动目标进行滤波跟踪。