[发明专利]一种未知新生强度的机动多目标跟踪与航迹维持方法

说明书

本发明公开了一种未知新生强度的机动多目标跟踪与航迹维持方法，属于智能信息处理技术领域。本发明方法在CPHD滤波框架下，引入参数自适应估计和粒子标识航迹关联技术以及新生目标识别策略，提出一种基于参数自适应CPHD滤波方法，以解决对复杂环境下新生目标强度未知，数目未知且时变的机动多目标跟踪的问题。本发明方法中将目标状态和时变的模型参数进行联合在线估计，采用包含不同模型参数的粒子对系统模型进行融合估计，以提高对机动目标的适应能力；滤波过程中对所有粒子进行身份标识，实现了对于新生目标可以通过量测自动识别和对多目标的航迹管理；具有较强的鲁棒性和抗干扰能力，可以满足实际工程系统的设计需求，具有良好的工程应用价值。

技术领域

本发明属于智能信息处理技术领域，具体涉及一种未知新生强度的机动多目标跟踪与航迹维持方法。

背景技术

在多目标跟踪领域中，早期主要采用数据关联技术实现对多目标的跟踪，如联合概率数据关联(JPDA)和多假设跟踪(MHT)等，虽然这些方法在多目标跟踪中具有一定的效果，但由于存在复杂的数据关联运算，尤其是计算复杂度随着目标个数的增加而呈现指数增长，影响算法的实时性。此外，对数目未知且变化的多目标跟踪，存在目标数目及状态估计不准确的问题。

近年来，随机有限集(Random Finite Set，RFS)理论在对数目未知且变化的多目标跟踪中取得了一定优势，分别对目标状态和观测进行随机集建模，可避免复杂的数据关联运算。自Mahler教授提出概率假设密度(Probability hypothesis density，PHD)滤波之后，随机有限集理论在目标跟踪领域得到了广泛应用，随后，他放宽目标数目服从泊松分布的限制，提出势均衡的PHD(CPHD)滤波方法，该方法能够联合估计目标随机集的概率假设密度和目标数目的概率分布，相比PHD滤波方法，进一步提高了对数目未知且变化的多目标跟踪性能。典型的闭合求解方式有：高斯混合PHD/CPHD和粒子PHD/CPHD，但这些方法难以实现对复杂环境下，新生强度未知，量测噪声未知且任意机动的多目标跟踪。

针对机动目标跟踪，主要包含基于单模型和多模型的滤波方法，其中，单模型方法如Singer模型，当前统计模型和输入估计模型等，对机动目标的跟踪性能往往取决于对目标机动参数的选取，如机动频率或最大加速度等，如果参数选取不合适，将严重影响算法的跟踪性能；而多模型方法，则采用多个模型进行匹配滤波，对机动目标的跟踪性能通常取决于模型集的设定，如果模型集中的模型设置不合理，也将直接影响算法的跟踪性能，且模型集的数目也将直接影响算法的运算效率。

发明内容

为了克服现有方法存在的不足，本发明拟在CPHD滤波框架下，引入自适应参数估计(Adaptive parameter estimate,APE)以及新生目标识别策略，对未知的噪声参数和机动参数进行自适应估计，并采用粒子标记技术对每个目标进行身份标识，实现对复杂环境下任意机动多目标自适应跟踪和航迹管理。自适应参数估计是Christopher Nemeth等于2014年在《Sequential Monte Carlo Methods for State and Parameter Estimation inAbruptly Changing Environments》中提出，借助Liu and West(LW)滤波实现对任意时变参数估计，采用逆伽马(Inverse-Gamma，IG)分布近似估计未知的静态参数，本发明中引入该方法来估计机动多目标跟踪场景中的时变机动参数和未知的量测噪声。此外，滤波过程中对所有粒子进行身份标识，并通过相似度来实现了对新生目标的识别，实现了对多目标的航迹管理。

本发明在CPHD滤波框架下，引入参数自适应估计、新生目标识别技术和粒子标识航迹关联技术，提出一种基于参数自适应CPHD滤波方法，以解决对复杂环境下数目未知且时变、新生强度未知的机动多目标跟踪。发明方法中将目标状态和时变的模型参数进行联合在线估计，采用包含不同模型参数的粒子对系统模型进行融合估计，以提高对机动目标的适应能力；此外，滤波过程中对所有粒子进行身份标识，并通过相似度来实现了对新生目标的识别，实现了对多目标的航迹管理。