[发明专利]面向杂波的多传感器异步检测TSBF多目标跟踪方法

摘要

本发明公开了一种面向杂波的多传感器异步检测TSBF多目标跟踪方法，本发明针对杂波环境下的异步多传感器数据融合多目标跟踪问题提出了一套较完整的处理方法流程，最主要的是构建了一种多传感器多级式融合结构和提出了基于传感器量测信息的时间配准方法。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

主权项

1.面向杂波的多传感器异步检测TSBF多目标跟踪方法，其特征在于，该方法具体包括以下步骤：(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化；传感器的量测可能来自目标，也可能来自杂波；如果量测信息来自目标，则构建目标的运动模型、传感器的量测模型和杂波模型，并对它们进行初始化；式中，k代表离散时间变量，i表示目标的序列，i＝1,2,…,N，j表示传感器的序列，j＝1,2,…,m；ω_k表示均值为零、方差为Q_k的高斯白噪声，υ_k表示均值为零、方差为的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立；映射f_k|k‑1表示第i个目标从k‑1时刻到k时刻状态转移的状态转移方程，映射h_k表示第j个传感器在k时刻对目标状态的观测方程；表示第i个目标在k时刻的状态变量，其中(x_i,k,y_i,k)为k时刻第i个目标在监测空间S中的位置分量，为k时刻第i个目标在监测空间中的速度分量；表示时刻传感器j的输出量测，k时刻传感器j的观测集合为累积观测集合为m个传感器累积到k时刻的观测集合为传感器j在k时刻对被跟踪目标的探测概率为其中j＝1,2,…,m；如果两侧信息来自杂波，则构建杂波模型如下：式中，nk为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ泊松分布，yl为第l个杂波的位置状态，Ψ(x)为监测空间的体积；(2)构建多传感器异步检测多目标跟踪框架；构造了一种多传感器异步检测多目标跟踪框架，框架中设置有m个传感器对目标进行信息采集；所有的传感器类型相同，传感器的测量为目标的位置信息，每个传感器依据上一周期的历史估计信息和自身的量测作为下一周期的输入，首先对各传感器的量测进行时间同步操作，其次每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计得到后验PHD估计；之后第一传感器和第二传感器进行数据关联和融合工作，并进行枝剪与状态输出，再进行多目标状态提取，得到一级PHD估计；第三传感器再与一级PHD估计结果进行数据关联和融合操作，，并进行枝剪与状态输出，再进行多目标状态提取，得到二级PHD估计，以此类推，直至所有传感器融合完毕，最后输出全局PHD估计；将最后输出全局PHD估计信息返回至每个传感器，用于下一时刻的传感器的预测估计过程；(2)‑1、对各传感器的量测进行时间同步操作；假定在第k个周期内，监测空间内m个传感器共得到了N_k个量测；假设传感器j的采样时刻与融合时刻之间的时间间隔为则k时刻目标的状态x_k可重新表示为：由k时刻某目标状态可回推得到时刻该目标状态可表示为：假设传感器的在k时刻对某目标的量测为z_k，则可得时刻量测表示如下：定义则传感器的量测可简化为：时间回推后的状态模型和量测模型为：若定义则重新定义过的状态模型和量测模型为：(2)‑2、在传感器的量测信息同步至同一时刻后，每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计；高斯混合PHD滤波算法具体过程如下：1)预测多目标强度已知k‑1时刻多目标的后验强度的高斯混合为：式中x为目标状态空间内的任意值，J_k‑1表示第k‑1时刻后验强度的高斯分量个数，和分别为第i个分量的权重、均值和协方差；则第k时刻预测强度的高斯混合为：式中新生目标RFS的强度函数γk(x)同为高斯混合，如下：式中J_γ，k为新生分量的个数，和分别为第i个新生分量的权重、均值和协方差；已知目标运动模型为线性高斯模型，可得，则预测强度为：式中：Jk|k‑1＝Jk‑1+Jγ,k2)更新多目标强度得到k时刻多目标PHD的预测后，由下式对PHD进行更新；式中对单个高斯分量使用了卡尔曼滤波的更新方程；具体步骤如下：3)修剪合并高斯分量在不考虑衍生目标情况下，第k时刻表示后验强度的高斯分量个数为：Jk＝(Jk‑1+Jγ,k)(1+Mk)＝O(Jk‑1Mk)该个数将随时间增长，导致计算耗时大幅增加；为了控制计算耗时，需要进行高斯分量的低权重修剪和邻近合并；修剪后保留的高斯分量为权重大于所设阈值Tp的分量，即：合并时，假设两高斯分量均值分别为和合并阈值为T_m，记权重较大的高斯分量的协方差为P_m；则满足如下条件时进行合并：式中修剪阈值Tp根据高斯分量的权重分布确定，通常设置为0＜Tp＜＜1；合并阈值Tm根据高斯分量的簇拥程度确定；合并而成的高斯分量的权重、均值和协方差如下：最后限制高斯分量的最大个数J_max，删除权重较小的分量使得J_k≤J_max；得到k时刻后验强度的高斯混合(2)‑3、数据关联；假设存在传感器S₁和传感器S₂，两传感器利用PHD滤波算法对共同探测区域进行滤波后产生的粒子集用集合表示为和现定义测量模型来判断两传感器输出粒子的关联算法，并设定关联波门λ₀的大小；现设定关联算法：1)在融合方法中，将与被跟踪目标预测位置最近的量测作为与目标关联的回波信号，比较每个传感器得到的状态间距离进行关联；2)在同一时刻，单个传感器针对同一个被跟踪目标最多只能得到一个状态估计；3)可能存在同一个被跟踪目标在同一时刻与多个传感器的状态估计信息同时关联成功，针对此种现象，取距离最近的目标作为关联对象；4)对于无法关联的状态信息予以保留；假设传感器滤波后的输出为其中状态变量则定义关联距离为：在融合步，假设传感器Sj(j＝1,2,…,m)在k时刻对于同一目标波后按上述关联配对方法关联后的配对集为：{(ω1,x1,P1),(ω2,x2,P2),…,(ωm,xm,Pm)}(2)‑4、数据融合假如有m个传感器对监测空间中的目标进行跟踪，且各传感器之间的估计误差互不相关；利用凸组合算法对各传感器的滤波结果进行融合；假设状态估计融合后对目标的状态估计为估计方差为P_fusion，则融合结果为：式中，为传感器j对目标的状态估计，P^j为估计协方差；(2)‑5、枝剪与状态输出；在不考虑衍生目标情况下，第k时刻表示后验强度的高斯分量个数为]：Jk＝(Jk‑1+Jγ,k)(1+Mk)＝O(Jk‑1Mk)该个数将随时间增长，导致计算耗时大幅增加；为了控制计算耗时，需要进行高斯分量的低权重修剪和邻近合并；修剪后保留的高斯分量为权重大于所设阈值Tp的分量，即合并时，假设两高斯分量均值分别为和合并阈值为T_m，记权重较大的高斯分量的协方差为P_m；则满足如下条件时进行合并：式中修剪阈值Tp根据高斯分量的权重分布确定，通常设置为0＜Tp＜＜1；合并阈值Tm根据高斯分量的簇拥程度确定；合并而成的高斯分量的权重、均值和协方差如下：最后限制高斯分量的最大个数J_max，删除权重较小的分量使得J_k≤J_max；得到k时刻后验强度的高斯混合(2)‑6、多目标状态提取；目标个数估计round(·)表示四舍五入；目标状态估计为前个权重最大的高斯分量对应的均值。