[发明专利]一种适用于闪烁噪声的多机动目标跟踪方法及系统

说明书

本发明适用于多传感器信息融合领域，提供了一种适用于闪烁噪声的多机动目标跟踪方法与系统，通过预测步骤、更新步骤、融合步骤、生成步骤以及提取步骤，用t分布建模闪烁噪声，应用变分贝叶斯方法近似地求出不同模型下观测噪声的协方差、目标状态以及自由度的联合概率密度，有效解决了闪烁噪声下多机动目标的跟踪问题，提高了多机动目标的跟踪精度。

技术领域

本发明属于多传感器信息融合技术领域，尤其涉及一种适用于闪烁噪声的多机动目标跟踪方法及系统。

背景技术

闪烁噪声下的概率假设密度滤波器是适用于闪烁噪声多目标跟踪的有效方法，该滤波器能够对闪烁噪声下的非机动目标进行有效的跟踪，但该滤波器不能对在不同模型之间转换的机动目标进行跟踪。

发明内容

本发明提供了一种适用于闪烁噪声的多机动目标跟踪方法及系统，旨在解决闪烁噪声下多机动目标的有效跟踪问题。

为解决上述技术问题，本发明是这样实现的，本发明提供了一种适用于闪烁噪声的多机动目标跟踪方法，所述方法包括：

步骤1、利用前一时刻各个目标的运动模型、以及高斯伽玛混合分布和存在概率产生伽玛分布的形状参数和尺度参数；根据前一时刻各个目标的运动模型、高斯伽玛混合分布和存在概率、当前时刻与前一时刻的时间差、模型间的马尔可夫转移概率、以及伽玛分布的形状参数和尺度参数，得到当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率；

步骤2、根据当前时刻各个目标在不同运动模型下的预测高斯伽玛混合分布和预测存在概率，利用变分贝叶斯方法对当前时刻的测量数据进行序贯处理，得到当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率；

步骤3、对当前时刻各个目标在不同运动模型下的更新高斯伽玛混合分布和更新存在概率分别进行融合，得到当前时刻已存在目标的运动模型、高斯伽玛混合分布和存在概率；

步骤4、利用当前时刻的测量数据生成新生目标的高斯伽玛混合分布，为所述新生目标指定存在概率，并选取匀速运动模型作为新生目标的运动模型，将所述新生目标的运动模型、高斯伽玛混合分布及存在概率分别与所述当前时刻已存在目标的运动模型、高斯伽玛混合分布及存在概率进行合并，得到当前时刻各个目标的运动模型、高斯伽玛混合分布和存在概率；

步骤5、从所述当前时刻各个目标中裁减掉存在概率小于第一阈值的目标，并将裁减后余下的目标的运动模型、高斯伽玛混合分布和存在概率作为滤波器下一次递归的输入；

从所述裁减后余下的目标中提取存在概率大于第二阈值的目标，并将提取出的目标的高斯伽玛混合分布作为当前时刻的输出，将输出的高斯伽玛混合分布中，高斯分布的均值作为当前时刻目标的状态估计。

进一步地，所述步骤1包括：

以k-1表示前一时刻，k表示当前时刻，t_k-1表示前一时刻的时间，t_k表示当前时刻的时间，r_i,k-1表示前一时刻目标i的运动模型标识，且1≤r_i,k-1≤M_r，r_i,k表示当前时刻目标i的模型标识，且r_i,k＝1,2,…,M_r，其中，M_r表示运动模型的总数目；当前时刻的测量噪声服从ξ维的学生t分布，以S(y_j,k；H_kx_i,k,R_i,k,ν_i,k)表示当前时刻测量的概率密度函数，其中，y_j,k表示当前时刻的一个测量，H_k表示测量矩阵，x_i,k表示目标的状态，R_i,k表示精度矩阵，ν_i,k表示t分布的自由度，且为精度矩阵R_i,k主对角线上的各个元素；