本發(fā)明涉及信息融合，具體涉及一種多傳感器概率假設(shè)密度的多目標跟蹤方法。

背景技術(shù)：

1、配準誤差補償一直是多傳感器數(shù)據(jù)融合系統(tǒng)中的一個重要問題，無論傳感器測量是以集中式或分布式方式處理的。傳感器偏置有許多種，例如狀態(tài)空間中的平移偏置，狀態(tài)空間中的旋轉(zhuǎn)偏置，測量空間中的平移偏置，測量空間中的旋轉(zhuǎn)偏置以及平移和旋轉(zhuǎn)偏置。未知平移測量偏差的估計受到了極大的關(guān)注，我們在本文中解決的正是這個問題。請注意，至關(guān)重要的是盡可能準確地估計這些測量偏差，以便可以將多傳感器測量結(jié)果參考到公共跟蹤坐標系。為了解決這個問題，已經(jīng)提出了許多方法，例如最小二乘，最大似然和卡爾曼濾波，其中卡爾曼濾波一直是其效率的誘人方法。

2、最近，有限集統(tǒng)計finite?set?statistics(fisst)理論已用于解決避免數(shù)據(jù)關(guān)聯(lián)的多目標跟蹤問題。在fisst的框架中，將目標狀態(tài)和測量值建模為兩個不同的隨機有限集random?finite?sets(rfss)，因此，可以解決在雜波環(huán)境中跟蹤未知且隨時間變化的目標數(shù)量的問題。此外，通過構(gòu)造多目標轉(zhuǎn)移密度和多目標似然函數(shù)，可以在嚴格的貝葉斯框架中制定多目標跟蹤。但是，由于存在多集積分和多目標密度的組合性質(zhì)，因此最佳多目標貝葉斯濾波器通常是棘手的。為了減輕這種難解性，已經(jīng)提出了概率假設(shè)密度probabilityhypothesis?density(phd)濾波器作為多目標后驗密度的一階矩近似，需要指出的是，phd遞歸仍然需要求解多維積分。

技術(shù)實現(xiàn)思路

1、鑒于上述問題，提出了本發(fā)明以便提供一種克服上述問題或者至少部分地解決上述問題的一種多傳感器概率假設(shè)密度的多目標跟蹤方法。

2、為了解決上述技術(shù)問題，本技術(shù)實施例公開了如下技術(shù)方案：

3、第一方面，本發(fā)明實施例公開了一種多傳感器概率假設(shè)密度的多目標跟蹤方法，包括：

4、s100.對多傳感器概率假設(shè)密度建立跟蹤模型；

5、s200.根據(jù)所述跟蹤模型對多傳感器概率假設(shè)密度進行狀態(tài)遞推；

6、s300.求取多傳感器概率假設(shè)密度的預(yù)測強度；

7、s400.求取多傳感器概率假設(shè)密度的后驗強度；

8、s500.對多傳感器概率假設(shè)密度進行剪枝合并，估計目標狀態(tài)和偏差。

9、進一步地，s100中，對多傳感器概率假設(shè)密度建立跟蹤模型，所述跟蹤模型包括線性目標運動模型和量測模型，其中所述線性目標運動模型和量測模型分別設(shè)定為：xk＝fk-1xk-1+wk-1，l＝1,2,...,l，其中和分別表示目標狀態(tài)和第l個傳感器測量。l是傳感器的數(shù)量。fk-1和是狀態(tài)轉(zhuǎn)移矩陣和測量矩陣。wk-1和分別是具有協(xié)方差矩陣和的零均值白高斯過程噪聲和測量噪聲。是第l個傳感器的平移量測偏差。

10、進一步地，s200中，根據(jù)所述跟蹤模型對多傳感器概率假設(shè)密度進行狀態(tài)遞推，具體方法包括：采用phd遞歸作為最優(yōu)多目標貝葉斯遞歸，通過增強狀態(tài)向量其中記vk-1k-1(xk-1,bk-1)為k-1時刻的強度后驗函數(shù)，則推出預(yù)測強度函數(shù)vkk-1(xk,bk)；假設(shè)不同傳感器的配準誤差是獨立的，即所述是第l個傳感器配準誤差的轉(zhuǎn)移強度，而且配準誤差描述成一階高斯馬爾可夫過程，即當(dāng)獲得所有傳感器量測數(shù)據(jù)后，采用序貫形式處理可得k時刻后驗強度vkk。

11、進一步地，所述預(yù)測強度函數(shù)的計算公式為：

12、vkk-1(xk,bk)＝∫[psfx(xk|xk-1)f(bk|bk-1)+βkk-1(xk,bk|xk-1,bk-1)]·vk-1k-1(xk-1,bk-1)dxk-1dbk-1+γk(xk,bk)

13、式中ps為已有目標的存留概率，fx和fb分別為單目標狀態(tài)轉(zhuǎn)移函數(shù)和配準誤差轉(zhuǎn)移密度；βkk-1和γk分別表示衍生目標隨機有限集的強度函數(shù)和外界進入新目標隨機有限集的強度函數(shù)。

14、進一步地，s300中，求取多傳感器概率假設(shè)密度的預(yù)測強度，具體方法包括：假設(shè)外界進入新目標的隨機有限集phd和衍生隨機有限集phd表示成高斯混合的形式，即:

15、

16、式中，jγ,k,以及分別為確定外界進入新目標隨機有限集phd的新生數(shù)目、新生權(quán)重、新生均值、新生偏差、偏差協(xié)方差、新生協(xié)方差；

17、jβ,k,以及為確定衍生新目標隨機有限集phd的衍生數(shù)目、衍生權(quán)重、衍生轉(zhuǎn)移函數(shù)、衍生噪聲、衍生偏差轉(zhuǎn)移函數(shù)、衍生偏差協(xié)方差；

18、假設(shè)k-1時刻的后驗強度函數(shù)vk-1k-1(x,b)為高斯混合形式，即：

19、

20、式中：j為高斯項個數(shù)；w為第j個高斯項的權(quán)重，則預(yù)測強度函數(shù)vkk-1(xk,bk)為

21、vkk-1(xk,bk)＝vs,kk-1(xk,bk)+vβ,kk-1(xk,bk)+vγ,kk-1(xk,bk)

22、式中，vs,kk-1(xk,bk)是幸存強度，vβ,kk-1(xk,bk)是衍生強度，vγ,kk-1(xk,bk)是新生強度。

23、進一步地，所述k時刻的后驗強度函數(shù)，具體為：

24、

25、式中，

26、其中，為第l個傳感器的檢測概率；hl(zk|xx,bk)為第l個傳感器的單目標量測似然函數(shù)；為雜波隨機有限集的強度函數(shù)。

27、進一步地，s400中，求取多傳感器概率假設(shè)密度的后驗強度，具體方法包括：

28、記預(yù)測強度函數(shù)為：

29、

30、則采用多傳感器序貫處理方式后的更新強度函數(shù)：

31、

32、進一步地，k時刻的卡爾曼預(yù)測過程，具體為：

33、

34、進一步地，k時刻的卡爾曼更新過程，具體方法為：

35、

36、式中是傳感器l的似然函數(shù)，是傳感器l的新息，是傳感器l的預(yù)測位置，是傳感器l的量測協(xié)方差，是傳感器l的量測轉(zhuǎn)移函數(shù)。

37、第二方面，本發(fā)明實施例公開了一種電子設(shè)備，包括：

38、一個或多個處理器；

39、存儲器，用于存儲一個或多個程序；

40、當(dāng)所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)所述多目標跟蹤方法。

41、本發(fā)明實施例提供的上述技術(shù)方案的有益效果至少包括：

42、本發(fā)明公開了一種多傳感器概率假設(shè)密度的多目標跟蹤方法，包括：對多傳感器概率假設(shè)密度建立跟蹤模型；根據(jù)所述跟蹤模型對多傳感器概率假設(shè)密度進行狀態(tài)遞推；求取多傳感器概率假設(shè)密度的預(yù)測強度；求取多傳感器概率假設(shè)密度的后驗強度；對多傳感器概率假設(shè)密度進行剪枝合并，估計目標狀態(tài)和偏差。本發(fā)明解決了隨機有限集公式化中具有配準誤差的多傳感器多目標跟蹤問題。通過將平移量測偏差的運動模型引入相關(guān)的強度函數(shù)來應(yīng)用概率假設(shè)密度probability?hypothesis?density(phd)遞歸。在偏差運動模型上的線性高斯假設(shè)下，使用高斯混合實現(xiàn)來給出封閉形式的表達式。由于目標狀態(tài)和平移量測偏差通過更新步驟中的似然耦合，因此采用兩級卡爾曼濾波器來近似易處理的形式，從而大大降低了計算復(fù)雜度。提供了一個示例仿真來驗證所提出的濾波器的有效性。

43、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。