[发明专利]区间量测下交互式多模广义标签多伯努利的快速跟踪方法

说明书

本发明公开一种区间量测下交互式多模广义标签多伯努利的快速跟踪方法，将交互式多模方法与快速算法思想相结合，首先在广义标签多伯努利滤波的框架下，针对目标采样粒子预测阶段，结合区间量测广义似然函数，实现所有粒子对于不同模型的转移预测，随后通过计算模型权概率对粒子进行模型交互，然后通过GLMB滤波更新方程对模型交互后的粒子进行更新。在此基础上结合快速实现方法，将预测与更新相结合，对于每个迭代只需要一个截断过程，降低了算法的计算量，最终解决了机动多目标的检测与跟踪问题。

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种区间量测下交互式多模广义标签多伯努利的快速跟踪方法。

背景技术

非机动目标运动可以用一个固定的模型来描述，但要描述机动目标的运动，可能需要结合具有不同机动特性的运动模型。随着机动目标跟踪技术受到越来越广泛的关注，对机动目标跟踪技术的要求也越来越高。多机动目标跟踪已经成为目标跟踪领域中一个极其困难的问题。

姬红兵在其发表的论文“箱粒子广义标签多伯努利滤波的目标跟踪算法”(西安交通大学学报,2017,51(10):107-112.)中提出了一种箱粒子广义标签多伯努利跟踪算法。该算法利用箱粒子滤波算法近似单目标状态的概率密度，即用一组带权值的均匀分布拟合单目标状态概率密度；最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新，从更新后的多目标状态概率密度中估计单目标的位置与速度，并且由于单目标的标签互不相同可以实现航迹跟踪。该算法的不足之处在于，无法对强机动目标进行有效跟踪。

Vo等人在其发表的论文“A Generalized Labeled Multi-Bernoulli Filter for Maneuvering Targets”(19th International Conference on Information Fusi on)中通过结合交互式多模概念和标签多伯努利随机有限集(RFS)理论，提出了一种广义标签多伯努利粒子滤波(GLMB)的机动目标跟踪算法，并给出了高斯混合(GM)的实现形式。该算法可以在估计多机动目标状态的同时跟踪不同目标的航迹。该算法的不足之处在于，由于强杂波和多目标环境下的组合爆炸问题，GLMB滤波器实现面临着巨大的计算复杂性。

Vo等人在其发表的论文“An Efficient Implementation of the GeneralizedLabeled Multi-Bernoulli Filter”(IEEE Transactions on Signal Processing,2017,65(8):1975-1987.)中提出了一种基于吉布斯采样的GLMB滤波密度截断算法，将预测和更新集成到一个步骤中，实现了GLMB滤波的高效实现。该算法的不足之处在于，在许多实际应用中，标准量测模型是不够的。虽然传感器检测报告是一个点测量值，但是实际测量会受到未知边界误差分布的影响，使得这种非标准测量需要以区间量测的形式进行。

发明内容

本发明所要解决的是现有多机动目标跟踪方法在区间量测下目标发生较大机动时的目标失跟的问题，提供一种区间量测下交互式多模广义标签多伯努利的快速跟踪方法，其在广义标签多伯努利滤波的基础上结合交互式多模方法和快速算法思想，采用序贯蒙特卡洛(SMC)算法，实现对机动多目标的精准跟踪。

本发明的基本思路是：将交互式多模方法与快速算法思想相结合，首先在广义标签多伯努利滤波的框架下，针对目标采样粒子预测阶段，结合区间量测广义似然函数，实现所有粒子对于不同模型的转移预测，随后通过计算模型权概率对粒子进行模型交互，然后通过GLMB滤波更新方程对模型交互后的粒子进行更新。在此基础上结合快速实现方法，将预测与更新相结合，对于每个迭代只需要一个截断过程，降低了算法的计算量，最终解决了机动多目标的检测与跟踪问题。

为解决上述问题，本发明是通过以下技术方案实现的：

区间量测下交互式多模广义标签多伯努利的快速跟踪方法，包括步骤如下：