[发明专利]基于SMC-PHD滤波器的多目标跟踪方法

说明书

本申请涉及一种基于SMC‑PHD滤波器的多目标跟踪方法，所述方法包括：通过根据新生目标的初始状态和新生时刻给每个新生粒子赋予唯一的标签，该标签在整个滤波递归过程中保持不变，这样使得在得到各时刻目标状态估计的同时还可以得到各目标的轨迹。并且在目标状态提取阶段，相同标签对应的粒子的加权平均值即作为该目标的状态估计值，以解决现有技术中目标状态估计误差较大的问题。

技术领域

本申请涉及多目标跟踪技术领域，特别是涉及一种基于SMC-PHD滤波器的多目标跟踪方法。

背景技术

多目标跟踪的目的是根据传感器量测数据，联合估计目标的数目及其各自的状态，并提供目标的轨迹，在空中交通管制、自动驾驶、计算机视觉、生物医学以及国土防空、海洋监控等诸多领域有广泛应用。传统的多目标跟踪算法主要包括多假设跟踪(MultipleHypothesis Tracking，MHT)算法、联合概率数据关联(Joint Probability DataAssociation，JPDA)滤波器，其基本原理是通过数据关联处理将多目标跟踪问题转化为多个独立的单目标跟踪问题。近年提出的基于随机有限集(Random Finite Set，RFS)的多目标滤波器将目标新生、死亡、衍生、漏检和杂波统一归集到贝叶斯框架，并通过贝叶斯多目标滤波公式直接计算多目标后验密度，在复杂场景下相对于其它传统算法性能更加优越，成为了国内外学者研究的热点。

概率假设密度(Probability Hypothesis Density，PHD)滤波器是多目标贝叶斯滤波器的一阶矩近似，该算法避免了数据关联，是多目标跟踪的有效手段之一，通常可采用序贯蒙特卡罗(Sequential Monte Carlo，SMC)和高斯混合(Gaussian Mixture，GM)两种方式实现。标准的序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器存在两个明显的缺陷：一是该算法只能输出目标数估计值和多目标状态估计，不能直接形成目标轨迹；二是经典的状态估计方法，如期望最大化算法、K均值算法等，稳健性不高，在复杂场景下存在目标数估计不稳定、目标状态估计误差大等问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够输出目标航迹以及对目标状态进行准估计的基于SMC-PHD滤波器的目标跟踪方法。

一种基于SMC-PHD滤波器的多目标跟踪方法，所述方法包括：

根据上一时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测；

根据新生目标的概率假设密度得到当前时刻新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签；

根据当前时刻存活目标以及新生目标的粒子数、粒子状态、各粒子的权值以及粒子标签得到当前时刻的预测概率假设密度的粒子数、粒子状态、各粒子的权值以及标签；

获取当前时刻的多个目标的量测集，根据所述当前时刻的多个目标量测集校正当前时刻的预测概率假设密度，得到当前时刻后验概率假设密度以及相应的粒子数、粒子状态、各粒子的权值以及标签；

对所述当前时刻的后验概率假设密度进行重采样，并根据重采样后的后验概率假设密度进行计算得到当前时刻各目标的状态估计值，其中在计算各目标状态估计值时，将具有相同标签的粒子的加权平均值作为该目标的状态估计值；

将当前时刻各目标的粒子权值之和与预设的第一门限值进行对比，将大于所述第一门限值的所有目标的状态估计值输出，以实现对当前时刻的多目标跟踪，并还将当前时刻各目标的粒子权值之和与预设的第二门限值进行对比，将小于所述第二门限值的所有目标进行剔除，并保留所有大于第二门限值的目标；

根据当前时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对下一时刻存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测，以计算下一时刻的预测概率假设密度，并对下一时刻的目标进行跟踪，直至多目标跟踪结束。