[发明专利]一种基于多假设跟踪算法的面向轨迹减少计算时间方法

说明书

本发明公开了一种基于多假设跟踪算法的面向轨迹减少计算时间方法，多假设跟踪算法在跟踪过程中保持关于轨迹和测量值之间相关性的多种假设。众所周知，在跟踪多个目标或在强杂波环境中跟踪时，由于假设的指数增长，需要计算时间和内存资源。将面向轨迹的多假设跟踪算法应用于轨迹起始时，每次扫描的每个测量点都必须考虑来自新目标的测量假设，所以优化存储资源。针对多假设跟踪算法计算量大的问题，应用N最佳算法优化存储资源，减少计算时间。使用N最佳算法从每个似然矩阵生成最佳假设。第二个最好的假设是通过以下程序生成的。从似然矩阵生成第二个假设，该似然矩阵生成总体上最好的假设；从第二个假设和其他似然矩阵中寻找最佳假设。

技术领域

本发明涉及多假设跟踪技术领域。其中主要涉及到一种面向轨迹的多假设跟踪减少计算时间方法。

背景技术

数据关联是多目标跟踪的重要组成部分。在一些海军应用中，关联是重中之重，因此跟踪器被称为相关器。利用多帧或数据扫描来跟踪多个目标的需要在很久以前就被认识到了，但是早期的工作主要集中在单目标跟踪上。而使用多个数据关联假设来解释所有测量的起源，最早出现在20世纪70年代末，通过0-1整数规划批量求解最佳假设，并递归评估多个关联假设。由于目标密度高、杂波密集、检测概率低等原因，当数据关联困难时，多假设跟踪几乎立即成为跟踪目标的标准方法。

之前人们进行了大量的研究来概括多假设跟踪算法，并解决了假设数量的内在组合增长。特别是，面向轨迹的多假设跟踪算法被认为是原始的面向测量的多假设跟踪算法的一个更有效的替代方案，通过在个体目标水平上保持关联假设，并且仅在需要时生成最佳假设。如今大多数的多假设跟踪算法应用程序都使用面向轨迹的多假设跟踪算法。

由于多假设跟踪算法是计算密集型的，因此需要分布式处理来处理大量数据。当多假设跟踪算法被用作融合器，将来自本地跟踪器的本地轨迹组合成全局轨迹时，必须处理传入轨迹的交叉传感器和时间相关性。对于单传感器跟踪，多假设跟踪算法通常用于多级结构，第一级去除杂波以生成无关联模糊的局部轨迹，第二级关联轨迹。

用于多目标滤波的随机有限集合形式是近年来非常活跃的研究领域。由于算法中没有明确的关联，基于随机有限集合的滤波器似乎不同于多假设跟踪算法。然而，多假设跟踪算法可以用随机集的形式来解释，多目标随机有限集合的跟踪滤波器和多假设跟踪算法之间有很强的关系。

现代融合系统利用许多传感器来跟踪大量目标。对于大规模的跟踪问题，即使是最有效的面向轨迹的多假设跟踪算法，跟踪器也会受到组合爆炸的影响。关联图被用来隐式表示所有的关联歧义，轨迹由图中的路径表示，关联假设作为可行路径集。当轨迹似然度满足马尔科夫性质时，轨迹似然度是成对关联分数的乘积，可以通过有效的图算法找到最佳假设。然而，当马尔科夫特性不满足时，例如，当存在目标特征数据时，多假设跟踪算法是最有用的。

综上，多假设跟踪算法在跟踪过程中保持了关于轨迹和测量值之间相关性的多种假设。众所周知，它的跟踪性能优于其他任何跟踪算法。然而，在跟踪多个目标或在强杂波环境中跟踪时，由于假设的指数增长，需要大量的计算时间和内存资源。特别是将面向轨迹的多假设跟踪算法应用于轨迹起始时，每次扫描的每个测量点都必须考虑来自新目标的测量假设，所以优化存储资源，减少计算时间是问题的关键。

发明内容

本发明提供一种面向轨迹的多假设跟踪方法，能够针对多假设跟踪算法计算量大的问题，应用N最佳算法优化存储资源，减少计算时间。

为了实现上述目的，对以下几方面做出优化：

一、首先是对传统多假设跟踪算法中的假设进行优化。在之前多假设跟踪算法的假设中，关于测量和轨迹之间的相关性(包括虚警和新目标)有一个表示假设和测量之间关系的矩阵结构。另外，在面向轨迹的多假设跟踪算法中，每个假设是由一组轨迹构成的，每个轨迹是由一个时间序列的测量值构成的。面向轨迹的多假设跟踪算法的优化步骤如图二所示。图2展示了进行1次采样(扫描)的跟踪过程中，从“使用阈的相关判定”到“次优化”的操作。