[发明专利]基于最小化交叉熵的概率密度假设航迹生成方法及系统

说明书

本发明涉及一种基于最小化交叉熵的概率密度假设航迹生成方法及系统，包括：基于传感器观测到的观测值得到状态估计集，并对所述状态估计集进行划分，得到有效划分集；基于所述有效划分集确定后验概率密度函数；基于所述有效划分集得到参数概率密度函数集；基于所述参数概率密度函数集，采用最小交叉熵优化方法，对所述后验概率密度函数进行逐步优化，得到最优后验概率密度函数；基于所述最优后验概率密度函数，得到最优状态划分；基于所述最优状态集生成各个目标的航迹。本发明能较好地解决目标相邻或交叉运动时的航迹生成问题。

技术领域

本发明涉及多目标跟踪技术领域，特别是涉及一种基于最小化交叉熵的概率密度假设航迹生成方法及系统。

背景技术

传统的基于数据关联的多目标跟踪方法将多目标跟踪问题转化为单目标跟踪问题，在完成单目标滤波后自然生成了目标航迹。尽管基于序贯蒙特卡洛-概率假设密度(Sequential Monte Carlo method-Probability hypothesis density，SMC-PHD)滤波的多目标跟踪方法可以在目标数目实时变化和量测信息不确定的情况下完成多目标的状态估计，但其并没有给出各目标状态的归属，也就无法形成完整的目标航迹，这给后续的高层融合(目标识别、态势评估和威胁估计等)带来了诸多困难。

对于基于SMC-PHD滤波的航迹生成问题，主要有以下两种方法：

第一种方法是将SMC-PHD滤波与传统的数据关联方法(如MHT和JPDA等)结合来生成目标航迹。这种方法下又可细分为两类方法，一类是将SMC-PHD滤波当作量测预处理装置，其主要作用就是将杂波和虚警从量测集中剔除，然后将剩余量测作为传统数据关联方法的输入来完成多目标跟踪并形成目标航迹；而另一类是将SMC-PHD的状态估计结果作为传统数据关联方法的输入，从而生成多目标航迹。

第二种方法考虑将航迹管理纳入到滤波过程中，在SMC-PHD滤波进行的同时，通过对粒子打标签的方式来标记状态的目标属性，从而输出带有标签的状态估计，并随之生成目标航迹。

上述两种方法在处理目标相邻或交叉运动时的跟踪问题仍存在困难。

发明内容

有鉴于此，本发明提供了一种基于最小化交叉熵的概率密度假设航迹生成方法及系统，摒弃传统的数据关联方法，将航迹生成问题归结为状态估计集划分问题，可较好地解决目标相邻或交叉运动时的航迹生成问题。

为实现上述目的，本发明提供了如下方案：

一种基于最小化交叉熵的概率密度假设航迹生成方法，包括：

基于传感器观测到的观测值得到状态估计集，并对所述状态估计集进行划分，得到有效划分集；

基于所述有效划分集确定后验概率密度函数；基于所述有效划分集得到参数概率密度函数集；

基于所述参数概率密度函数集，采用最小交叉熵优化方法，对所述后验概率密度函数进行逐步优化，得到最优后验概率密度函数；

基于所述最优后验概率密度函数，得到最优状态划分；基于所述最优状态划分生成各个目标的航迹。

优选地，所述基于传感器观测到的观测值得到状态估计集，并对所述状态估计集进行划分，得到有效划分集，包括：

基于传感器观测到的观测值得到状态估计集；

对所述状态估计集进行划分，得到有效划分集；所述有效划分集中的每个状态向量式中：C_K为前K个时刻监视区域内出现的目标个数，τ₀表示所有虚假估计集合，τ_i为第i个目标的状态估计向量；

所述有效划分集中的每个状态向量满足以下约束条件：

1)元素守恒：划分前后元素保持恒定，