[发明专利]一种基于STM-PMBM滤波算法的多目标跟踪方法

权利要求书

1.一种基于STM-PMBM滤波算法的多目标跟踪方法，其特征在于，包括以下步骤：

步骤S10：多目标状态初始化；

设定初始时刻目标数为n₀，变量a∈[0，1]表示检测概率，它与目标状态独立，过程噪声为w₀，其中，p(w_k)＝St(w_k；0，Q_k，v₁)，量测噪声为v₀，p(v_k)＝St(v_k；0，R_k，v₂)；其中新生目标的检测概率p_d＝a，目标存活概率p_s为一常数；

步骤S20：多目标测量产生；

建立包含相邻时刻运用状态的增广运动状态，增广后的状态模型其中x_k是一个多维矩阵，包括k时刻目标的位置和速度信息，a_k表示k时刻传感器的检测概率；将多目标状态矩阵和初始量测噪声w₀带入量测模型得到多目标的量测信息，其中v_k为符合学生t分布的k时刻的量测噪声；

步骤S30：基于BSTM-PMBM对目标状态进行预测；

对目标状态中的Poisson分量进行预测，得到所述Poisson分量的预测强度并用学生t运动学模型表示；对目标状态中的MBM分量进行预测，得到所述MBM分量的预测参数集；

步骤S40：基于BSTM-PMBM对目标状态进行更新；

更新Poisson分量，根据所述Poisson分量的预测强度得到Poisson分量的后验强度；更新MBM分量，根据所述MBM分量的预测参数集和量测信息得到更新后的MBM分量参数集；

步骤S50：传感器检测概率和目标势进行估计，得到全局目标状态估计值。

2.根据权利要求1所述的一种基于BSTM-PMBM滤波算法的多目标跟踪方法，其特征在于，所述在步骤S30中，假设每个目标都遵循标准线性学生t运动学模型，即：g_k(z|x)＝St(z；H_k-1x,R_k,v₅)；式中，F表示目标的状态转移矩阵，H表示量测矩阵；假设每个目标的存活概率都是独立于状态，将新生模型的强度γ_k(x,a)表示为一个贝塔-学生t混合形式；假设k-1时刻泊松过程的强度是一个贝塔-学生t混合形式，且每个伯努利分量也是一个贝塔-学生t混合形式；根据贝塔分布和PMBM的预测，求得相关参数。

3.根据权利要求1所述的一种基于STM-PMBM滤波算法的多目标跟踪方法，其特征在于，所述在步骤S40中，假设在k时刻，泊松密度的预测强度μ_k|k-1(x,a)可以表示为一个贝塔-高斯混合形式，第j个假设中第i个伯努利分量也可以表示为一个贝塔-学生t混合形式，那么，给定量测集合Z_k，泊松过程和多伯努利混合过程的更新可以分为四个部分：未检测到目标的更新、第一次检测到的潜在目标的更新、对先前可能检测到目标的漏检以及使用接收到的量测集更新先前检测到的目标。

4.根据权利要求1所述的一种基于BSTM-PMBM滤波算法的多目标跟踪方法，其特征在于，所述在步骤S50中，多目标的势为最终的传感器检测概率为