[发明专利]一种多声音阵列移动目标检测定位方法

说明书

本发明涉及一种多声音阵列移动目标检测定位方法。传统方法存在量测数据中混杂漏检和虚警等不确定情况，不可避免的需要处理数据的关联问题。本发明研究以标签随机有限集为基础，用声音阵列传感器作为主要量测手段的目标跟踪定位问题，解决信号源和目标之间的不确定关系问题。首先根据广义互相关函数计算出一组传感器接收信号的时间差量测，再根据信号接收方向计算每组传感器的角度差量测；然后对这些阵列量测信息进行融合处理，采用吉普斯‑广义标签多伯努利算法，结合高斯混合模型检测目标，估计目标状态、轨迹和目标个数。本发明采用真实声音信号，计算阵列量测信息，再通过吉布斯‑广义标签多伯努利算法，运行更快，跟踪结果更有效。

技术领域

本发明属于多传感器多目标跟踪技术领域，具体涉及一种基于吉布斯-广义标签多伯努利(Gibbs-GLMB)算法的多声音阵列移动目标检测定位方法。

背景技术

在目标跟踪领域，尽管声源信号远远不及光学上的方法，但对声源信号的观测其最大优势是受障碍物条件，例如目标环境的复杂情况，如烟雾、粉尘、黑暗、物体透明、反光、核辐射等特殊环境中，利用声音阵列传感器作为量测具有无可比拟的优势，尤其在应用于水下检测目标中，更是利用声音信号检测目标位置，也是该类传感器广泛应用的主要原因。

一种能够准确记录观测目标的变化以及适用于光线黑暗、受到光污染的特殊环境下的目标跟踪装置，对于研究具有重大的研究意义。声音信号和一般的图像或者视频观测数据相比较，这类传感器存在的最大不足是观测信息中的象素点的信息缺失，并且目标观测容易受到周围建筑物的回波干扰。因此，相对于视觉传感器，声音传感器的特点是小数据量，且目标信息缺失，环境的复杂干扰。在此条件下，造成目标的跟踪难度加大。为此，必须增加先验信息来弥补：包括参数信息，模型信息，初始条件等，才能有效解决目标的状态(运动)估计问题。

在多对传感器观测过程中，传统方法不可避免的需要处理数据的关联问题，例如检测目标的新生和死亡，传感器检测过程中对目标的漏检和虚警等不确定情况，观测设备自身观测存在误差，观测的先验信息缺少等，会使得量测数据中会混杂着一些虚假的量测，无法确定测量数据的来源，也同样破坏了观测目标与其量测之间的对应关系。本项发明研究以标签随机有限集(RFS)为基础，用声音阵列传感器作为主要量测手段的目标跟踪定位问题，解决数据源的关联问题，这些关联数据产生于通过数据关联，解决确保所观察的信息目标固定。

发明内容

本发明的目的是针对现有技术不足，提供了一种基于吉布斯-广义标签多伯努利(Gibbs-GLMB)算法的多声音阵列移动目标检测定位方法。

本发明方法具体包括：

(1).建立模型；

(1-1).建模背景：

对于多目标，k时刻目标的状态和传感器测量可用随机有限集表示为：X_k＝{x_k,1,…,x_k,N(k)}∈Ε_s，其中Ε_s表示目标的状态空间，Ε_o表示传感器观测的测量空间，N(k)为k时刻目标存活个数，M(k)为k时刻观测到的目标个数，q为传感器组的编号；X_k和表示k时刻的目标状态矢量和观测量测矢量的有限集合；

其中的单个目标状态表示为：其中x为目标状态，l为目标标签，且目标状态的变换不会影响标签。

(1-2).系统建模，包括建立状态方程和观测方程；

状态方程为：X_k＝AX_k-1+Bω_k；其中，A是目标状态转移矩阵，B是噪声矩阵，ω_k为过程噪声，服从标准的高斯分布；

其中T＝1，表示采样时间；