[发明专利]一种基于STM-PMBM滤波算法的多目标跟踪方法

说明书

本发明公开了一种基于BSTM‑PMBM滤波算法的多目标跟踪方法，包括步骤S10：多目标状态初始化；步骤S20：多目标测量产生；步骤S30：基于BSTM‑PMBM对目标状态进行预测；步骤S40：基于BSTM‑PMBM对目标状态进行更新；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。本发明提供的基于BSTM‑PMBM滤波算法的多目标跟踪方法在PMBM滤波算法的基础上，在厚尾噪声和检测概率未知的复杂多目标跟踪场景中实现多目标运动状态和目标数的准确估计，具有跟踪精度高、运算速度快、可区分航迹等优点。

技术领域

本发明涉及雷达信号处理技术领域，特别涉及一种基于BSTM-PMBM滤波 算法的多目标跟踪方法。

背景技术

近几年来，多目标跟踪在军事和民用领域已经成为一个越来越热门的话 题。多目标跟踪的目的是从别监控的场景中同步的联合估计目标的状态和势。 到目前为止，多目标跟踪已经广泛应用于许多领域，如，在自动驾驶，计算 机视觉和国防等学科中都发挥着核心作用。通常，联合概率数据关联(JPDA) 滤波器、多假设跟踪(MHT)和随机有限集(RFS)理论是多目标跟踪最常用的方 法。RFS通过将每个时刻的状态和测量分别建模为状态RFS和测量RFS，提供 了最优的贝叶斯多目标框架。值得注意的是，在真实的跟踪环境中，有一个重要的不确定性来源，即检测模型，因为雷达在对目标的跟踪过程中检测概 率总是与检测距离，天气等有关，这就使检测模型难以准确建模。当前，大 多数目标跟踪算法中，检测模型通常被假设为已知，但在这种情况下，目前 存在的一些滤波器的在线滤波过程是不可行的，因为检测模型中的不确定性 将导致对目标状态和势的错误估计。此外，在复杂的多目标跟踪环境中，不 可预测的环境干扰和传感器的不可靠性可能导致过程噪声和量测噪声中出现 异常值。过程噪声的异常值可能导致目标位置和速度的突然改变从而引起目 标的机动，对于传统高斯滤波器，这将最终影响实际对多目标的跟踪估计效 果。

粒子滤波器可以将过程和测量噪声模拟为任意分布，但是，它的计算非 常复杂，尤其是在高维问题中。高斯和滤波器(GSF)是另一种处理重尾非高斯 噪声的方法，但是使用有限的高斯分布很难精确模拟重尾过程和测量噪声。 最近，在状态和测量噪声的联合学生t(Student’s t)分布的假设下，有学 者已提出针对重尾噪声的鲁棒滤波器，但这些滤波器都只适用于单目标跟踪， 且在检测概率已知得条件下，无法适应厚尾噪声和检测概率未知的复杂多目 标跟踪场景，导致多目标跟踪精度降低。

发明内容

本发明的目的在于提供一种基于BSTM-PMBM滤波算法的多目标跟踪方法， 解决现有滤波器，仅适用于单目标跟踪场景，无法适应厚尾噪声和检测概率 未知的复杂多目标跟踪场景的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于BSTM-PMBM滤波算法的多目标跟踪方法，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；