[发明专利]基于GPB1-GM-PHD的序贯融合目标跟踪方法

说明书

本发明公开基于GPB1‑GM‑PHD的序贯融合目标跟踪方法。首先，基于一阶伪贝叶斯估计方法和GM‑PHD滤波器提出了单传感器一阶伪贝叶斯估计GM‑PHD跟踪算法，实现了对多机动目标的跟踪；然后，利用多传感器分布式融合架构，通过序贯融合将各传感器的后验高斯混合集进行融合。本发明提出了一套完整的处理方法和流程，配置结构明了，计算量小，可广泛应用于多机动目标跟踪领域，该方法可以有效提高多目标跟踪的精度和鲁棒性。

技术领域

本发明属于多传感器多机动目标跟踪领域，涉及一种基于一阶广义伪贝叶斯估计的高斯混合概率假设(GPB1-GM-PHD)滤波的多传感器序贯融合跟踪方法，用于解决在复杂环境下单传感器多目标跟踪效果不佳的情况，提高对监测空间中多目标的跟踪质量。

背景技术

多目标跟踪是多源传感器信息融合的一个重要研究方向，其基本内容是利用传感器实时获取观测数据，并结合相关跟踪算法进行滤波及数据关联处理，最终得到多目标的运动状态；其中的一个难点是在复杂的环境中如何对多个机动目标进行有效的检测与跟踪。

多机动目标跟踪在民用和军用的各种应用中具有重大的实际意义，其主要内容是当目标在某些时刻突然改变其运动状态，如加速、转弯、减速等，需要在传感器获得的观测数据的基础上，结合滤波算法，有效的估计出目标的数量、位置和速度等信息；近年来，强国之间科技较量愈演愈烈，国际形势日趋紧张，这对多机动目标跟踪算法提出了更高的要求；目前，面对多机动目标跟踪问题，在实际应用中仍面临着一些难题，包括：(1)目标出现和消失的不确定性使得多传感器的数据关联难度倍增；(2)单传感器的量测数据容易受到杂波、漏检和观测误差的影响；(3)目标机动运动时，传统目标跟踪算法并不能识别每个目标的机动情况。

随机有限集(RFS)理论的提出为解决多机动目标跟踪的问题提供了新的理论基础，受到国内外学者的重视；该理论是将目标状态和传感器观测信息分别建模为一个有限集，但其包含的复杂积分运算使得该方法在实际工程应用中难以运用；随后，Mahler基于随机有限集提出了概率假设密度(PHD)估计器，间接地使用一阶矩来近似表达服从高斯分布的多目标RFS的概率密度函数，从而避免使用数据关联方法来解决目标动力学状态估计问题；对于多机动目标跟踪问题，目标的机动性是未知的，其运动形式的不确定，会造成滤波器模型与目标运动模型的不匹配，导致跟踪效果锐减；面对跟踪环境的日益复杂以及精度需求的不断提高，采用单传感器对目标进行跟踪已经无法满足系统需求，一种有效的解决方法是通过融合多个传感器的数据来提高目标跟踪的质量；多传感器信息融合技术是将多个传感器收集到的数据进行匹配、融合的过程，通过信息的冗余性来弥补单传感器信息丢失的缺陷。

强机动目标跟踪由于目标运动模型的不确定性和时变性，会出现滤波器模型与目标运动模型失配的情况，从而造成系统跟踪效果退化；因此，需要对目标运动形式进行合理的建模；近年来，在机动目标跟踪领域，学者们进行了大量的研究；多模型(MultipleModel，MM)方法由D.T.Magill在1965年提出，该算法可以应对运动形式较为复杂的强机动跟踪，其模型集由有限个模型构成，通过对目标并行滤波，并对各个模型估计值进行加权，实现目标的状态估计；但是，该算法的性能很大程度上依赖于所用的模型集，且模型集中的各个模型无信息交互，在跟踪多机动目标时效果欠佳；一阶的GPB(GPB1)算法由D.L.Alspach于1972年提出，该方法化繁为简，通过上一时刻目标动力学状态来估计概率密度函数中的关键要素估计均值和估计误差协方差矩阵，然后分别利用不同的目标动力学状态模型对目标状态和当前模型概率进行实时估计，最终将不同模型的状态估计结果进行加权处理，从而实现机动目标的状态估计。

发明内容

本发明的一个目的是针对在复杂环境中(例如密集杂波、传感器检测率低等)单传感器对多机动目标跟踪方法跟踪质量较差的问题，利用多传感器分布式融合架构，提出了一种基于一阶广义伪贝叶斯估计的高斯混合概率假设(GPB1-GM-PHD)的多传感器序贯融合的跟踪方法；

本发明方法采用的技术方案如下：