[发明专利]一种随机集理论下的多机动目标跟踪方法

摘要

本发明公开了一种基于随机集理论的多机动目标跟踪方法，它的特点是首先，对多目标状态空间进行増广，在原始动力学信息的基础上，增加模型维，从而实现对目标模型信息的表征；然后，基于跳跃马尔科夫系统，对状态转移函数和似然函数进行増广使其含有模型信息；最后，实现増广后的多模型广义标号多目标伯努利滤波器的预测和更新过程，并提取目标状态和估计目标运动模型，从而解决对机动多目标的跟踪问题。该方法具有鲁棒性强、适应性广、估计精度高的特点，可有效的解决在实际应用中常出现的多目标机动性强且不一致的问题，实现了在复杂场景下的机动多目标跟踪以及估计目标运动模型。

主权项

1.一种随机集理论下的多机动目标跟踪方法，它包括以下步骤：步骤1、对广义标号多目标伯努利分布进行参数化表征：其中，π(X)表示广义标号多目标伯努利后验概率分布，X表示目标状态集合，Ξ为离散空间；表示目标航迹的集合，表示所有子集的集合，I为任意目标航迹子集；w^(I,ξ)代表权重，非负且满足ξ表示关联映射的历史信息；p^(ξ)为概率密度函数，满足∫p^(ξ)(x)dx＝1；步骤2、对多目标状态空间进行增广，将广义标号多目标伯努利分布转化为多模型广义标号多目标伯努利分布；2.1、增广多目标状态空间：其中，是指第i个目标运动模型，表示所有的运动模型的离散空间：表示第i个目标的标号，即航迹，表示增广后的单目标运动状态；2.2、参数化表示多模型广义标号多目标伯努利分布：采用参数w^(I,ξ)和p^(ξ)(x,l,o)完全表征多模型广义标号多目标伯努利分布；步骤3、基于跳跃马尔科夫系统，对状态转移函数和似然函数进行增广使其含有模型信息；3.1、增广状态转移函数，使其包含模型状态的演化推移，增广后的状态转移函数为：f(x,o|x',o')；在实际应用中，模型转移和目标状态转移是独立的，将增广后的状态转移函数化简为：f(x,o|x',o')＝f(x|x',o')f(o|o')其中f(x|x',o')表示状态转移函数，f(o|o')表示模型转移函数；3.2、增广似然函数，量测信息依赖于目标状态和模型信息，增广后的似然函数为：g(z|x,o)；步骤4、实现多模型广义标号多目标伯努利滤波器的预测过程；4.1、对新生目标进行预测，即增广目标出生过程，假设目标出生服从标号多目标伯努利分布其中表示单目标的存在概率，表示单目标的概率密度，表示新生目标的标号空间，则多模型标号多目标伯努利分布为：4.2、对存活目标进行预测，并结合步骤4.1推导多模型广义标号多目标伯努利滤波器的预测方程：其中，π₊表示预测的多模型广义标号多目标伯努利分布，p_S(x,l,o)表示依赖于模型的目标存活概率，下标B表示出生目标的预测参数，下标S表示存活目标的预测参数，符号表示：表示需要同时对函数f和g在状态空间和模型空间积分，表示指示函数，当时值为1，否则为0；表示指示函数，当时值为1，否则为0；步骤5、建立目标航迹到量测集合的关联映射关系集合：5.1建立目标航迹到量测集合的关联映射关系；定义映射函数该映射函数为一一映射的单映射函数；5.2将5.1建立的目标航迹到量测集合的所有关联映射关系θ组成一个大集合Θ；步骤6、实现多模型广义标号多目标伯努利滤波器的更新过程：其中，π(X|Z)表示更新后的多模型广义标号多目标伯努利分布，p_D(x,l,o)表示依赖于模型的检测概率；步骤7、从后验多模型广义标号多目标伯努利分布中提取目标状态；7.1、估计目标个数；其中，ρ(n)表示目标的基数分布，表示估计的目标个数；7.2、估计目标状态：其中，为估计的目标信息，为估计的目标运动模型，为估计的目标航迹，为估计的目标动力学信息。