[发明专利]基于GP-VSMM-JPDA的扩展目标跟踪方法

说明书

本发明提出基于GP‑VSMM‑JPDA的扩展目标跟踪方法。该发明首先采用期望模型扩展方法构建自适应模型集，并基于模型对扩展目标状态初始化。其次基于高斯过程建立扩展目标联合跟踪门以选择有效测量。然后将高斯过程与联合数据关联滤波器相结合，形成新的滤波器，用于更新各个扩展目标于不同模型下的状态和协方差。最后基于变结构交互式多模型方法，将各个扩展目标的状态和协方差进行融合，得到最终的状态估计。相比基于随机矩阵的交互式多模型(IMM‑RM)机动扩展目标跟踪方法，GP‑VSMM‑JPDA方法不仅能够在杂波环境中同时跟踪多个机动的非椭圆模型，并且能够准确估计目标形状，提供更多目标信息。

技术领域

本发明属于目标检测跟踪领域，涉及一种基于GP-VSMM-JPDA(高斯过程变结构多模型联合概率数据关联，即Gaussian Process Variable Structure Multiple ModelJoint Probability Data Association)的扩展目标跟踪方法。

背景技术

扩展目标跟踪(Extended Target Tracking，ETT)技术是指随着雷达传感器分辨率的不断提高，可对运动目标上多个观测点提供多个测量，目标在雷达距离和方位上占据多个分辨单元，其尺寸大小不可忽略。通过高分辨率传感器接收的多个测量，可对扩展目标的形状和运动状态同时进行跟踪估计。因此，扩展目标跟踪技术引起了国内外学者的高度关注。传统的扩展目标跟踪算法通常假设目标做近似直线运动，然而，在实际情况中，目标(如战斗机)常常以强机动的方式飞行，使得传统的扩展目标跟踪方法的跟踪性能下降。

基于随机矩阵的交互式多模型(Interacting Multiple-Model Random Matric，IMM-RM)机动扩展目标跟踪方法可以用多个不同运动模型匹配机动目标的不同运动模式，但是该方法仅能描述椭圆形的目标，难以完全刻画具有丰富形状的实际运动体，如飞机、舰船等，对扩展目标的轮廓估计精度不高。为了解决杂波背景下多个强机动扩展目标跟踪问题，本发明提出了一种基于高斯过程的变结构多模型联合概率数据关联(GaussianProcess Variable Structure Multiple Model Joint Probability Data Association，GP-VSMM-JPDA)方法。该方法利用高斯过程在线学习未知函数的能力，将高斯过程与联合概率数据关联滤波器相结合，解决了多个扩展目标的数据关联问题，能够在杂波环境下同时对多个扩展目标的运动状态和轮廓状态进行联合估计，提高了扩展目标轮廓估计精度。此外，为了有效跟踪机动的扩展目标，引入了变结构多模型方法，通过期望模型扩展方法，实时更新模型集，提高了跟踪精度。

发明内容

本发明的目的是针对现有技术的不足，提出一种基于高斯过程的变结构多模型联合概率数据关联方法，包括以下步骤：

步骤(1)、采用期望模型扩展方法构建自适应模型集，并基于模型对扩展目标状态初始化。

步骤(2)、基于高斯过程建立扩展目标联合跟踪门以选择有效量测。

步骤(3)、将高斯过程与联合概率数据关联滤波器相结合，更新各个扩展目标于不同模型下的状态和协方差。

步骤(4)、基于变结构交互式多模型方法，将各个扩展目标的状态和协方差进行融合，得到最终的状态估计。

通过上述步骤可以递推出每一时刻扩展目标的运动状态和轮廓状态信息，从而得到目标的跟踪航迹和具体轮廓，且GP-VSMM-JPDA方法通过仿真进行了验证。

相比基于随机矩阵的交互式多模型(IMM-RM)机动扩展目标跟踪方法，GP-VSMM-JPDA方法不仅能够在杂波环境中同时跟踪多个机动的非椭圆模型，并且能够准确估计目标形状，提供更多目标信息。

附图说明

图1为本发明的流程图。