[发明专利]一种基于PHD滤波的异步多传感器融合多目标跟踪方法

说明书

本发明公开了一种基于PHD滤波的异步多传感器融合多目标跟踪方法，本发明先构建异步多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；构建异步多传感器多目标数据融合结构；本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

技术领域

本发明涉及异步采样系统下多传感器多目标跟踪领域，涉及一种基于PHD滤波的异步多传感器融合多目标跟踪方法，用于解决在密集杂波环境的多目标跟踪，提高对监测空间中未知目标的跟踪质量，达到高精度且稳定的跟踪效果。

背景技术

多传感器多目标跟踪是一类在技术实现上相当复杂的问题，多传感器多目标跟踪过程主要包括目标状态估计和数据融合两个方面。传统的多目标跟踪方法主要包括航迹起始与终结、数据关联、跟踪维持等内容，其中数据关联和跟踪算法是两个最重要的问题，代表算法如联合概率数据关联算法(Joint Probability Data Association,JPDA)、多假设跟踪算法(Multiple Hypothesis Tracking,MHT)以及最近邻算法等。在一些简单情况下，例如杂波和漏检较少时，基于数据关联的多目标跟踪方法效果较好且易于工程应用。但是当面对一些复杂环境，例如强杂波和低检测率，或者在目标较多的情况下，会面临数据关联的组合爆炸问题，且易造成错误的数据关联，导致跟踪效果退化。Mahler于2003年提出了随机有限集(Random Finite Set,RFS)理论，随后在贝叶斯随机有限集框架基础上提出了多目标跟踪概率假设密度(Probability Hypothesis Density Filter,PHD)滤波算法，该算法利用一阶统计矩近似多目标后验概率密度函数，对其积分后得到多目标强度；同时PHD以最小损失将多目标信息状态集合的后验PHD投影在单目标状态空间上，避免了多目标贝叶斯滤波器在随机有限集空间上进行递推，通过对探测区域内的PHD积分即可获取区域内目标的期望数，而对应的PHD峰值即为目标状态。PHD滤波算法使计算复杂度大大降低，并有效避免了数据关联问题，为多目标跟踪问题提供了一种新的处理方法。

数据融合是针对使用多个或者多类传感器系统这一特定问题的一种信息处理方法，这种方法是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态信息估计，以及完整、及时的态势评估和威胁估计。数据融合是一个在多个级别上对传感器数据进行综合处理的过程，多传感器可提供关于目标有用的冗余信息，采用基于PHD滤波算法的多传感器多目标跟踪方法可以得到关于目标估计描述的统一形式。然而在密集杂波环境下，并没有特定的一种融合算法能解决多传感器间数据融合结果的最优效果，因此提出一种密集杂波环境下的多传感器融合多目标跟踪方法，达到有效且高精度的跟踪效果。

多传感器融合的是各传感器的同步量测值，而在实际多传感器数据融合系统中，传感器间的同步假设很难被保证，且在实际应用中经常遇到的是异步情况。在各传感器的量测数据进行融合之前，首先应该对量测数据进行时间同步配准，即统一各传感器数据的“时间基准”。在实际的多传感器数据融合系统中，由于融合跟踪的具体内容及应用环境不同而对时间配准有不同的要求，另外，传感器自身的性能也有可能影响配准的准确性和实时性，所以在设计多传感器数据融合系统时，应根据具体情况在满足配准要求的前提下，从实时性和准确性两方面来提高配准的最终性能。

发明内容

针对密集杂波环境下，常规的点迹融合算法具有的局限性限制了跟踪效果的提高。本发明提出了一种面向密集杂波下的基于PHD滤波的异步多传感器融合多目标跟踪方法，该方法可以提高在密集杂波环境下多传感器对监测区域内目标的估计精度，维持跟踪过程。为了达到上述目的，本发明采用技术方案如下：

(1)构建异步多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；