一种抗航迹合并的联合概率数据关联算法制造技术

本发明专利技术涉及一种抗航迹合并的联合概率数据关联算法，属于数据关联、目标跟踪以及统计信号处理领域。目的是解决经典联合概率数据关联(JPDA)算法在目标空域密集时存在的航迹合并问题。首先分析JPDA算法航迹合并现象的本质原因，推导得出问题关键在于相邻目标产生观测对彼此状态的交叉更新；其次对原始JPDA算法的每一个可行关联假设进行分析，确认可能引起状态交叉更新的部分假设，并避免该部分假设对与之相对应的目标‑航迹关联概率的累积效应，从而有效避免交叉更新，最终解决了航迹合并问题。

【技术实现步骤摘要】
一种抗航迹合并的联合概率数据关联算法
本专利技术涉及一种抗航迹合并的联合概率数据关联算法，属于数据关联、目标跟踪以及统计信号处理领域。
技术介绍
联合概率数据关联(JPDA)算法是虚警、杂波环境下多目标跟踪的经典方法。但是当目标空域密集时，JPDA算法的目标跟踪结果往往存在航迹合并现象，也就是说目标状态估计存在偏差。为解决这一问题，人们提出精确最近邻联合概率数据关联(ENNJPDA)算法、尺度联合概率数据关联(SJPDA)算法和JPDA*算法。本质上来讲，这些方法都采用假设剪切或者假设概率尺度缩放的逻辑来“硬化”JPDA算法的软关联决策，因此这些方法违背了JPDA算法的思想出发点(也就是贝叶斯全概率公式)，算法的合理性缺乏严密推导，性能难以得到保证。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题：分析JPDA算法航迹合并现象的本质原因，推导得出问题关键在于相邻目标产生观测对彼此状态的交叉更新；提供一种可以避免交叉更新，进而有效避免航迹合并现象的JPDA算法。本专利技术的原理：通过对原始JPDA算法的每一个可行关联假设进行分析，确认可能引起状态交叉更新的部分假设，并避免该部分假设对与之相对应的目标-航迹关联概率的累积效应，从而有效避免交叉更新，进而避免航迹合并现象。理论分析表明：该算法相比传统算法逻辑更为清晰、严密。仿真实验表明：该算法性能显著优于传统算法。本专利技术解决上述问题采用的技术方案，通过剪切目标与观测的关联假设来规避目标状态间交叉更新，避免航迹合并现象；抗航迹合并的联合概率数据关联算法步骤如下：S.1依据每一目标航迹状态估计、误差协方差阵以及预设门概率求解门区域；每一时刻k，目标i的门区域由下面公式约束得到：其中，z表示观测空间矢量变量，H表示观测矩阵，表示目标i在时刻k的预测状态估计，Pi(k|k-1)表示对应的误差协方差阵，R表示观测误差协方差阵，pg表示门概率，n表示观测矢量的维数，chi2inv(·)为卡方分布的检验函数；S.2根据步骤S.1求解门区域，计算所有目标门区域与所有传感器观测(zj，1≤j≤Jk)的包含关系，构建可能关联矩阵；可能关联矩阵定义为其中Ik为时刻k目标航迹总个数，Ωi，j定义如下S.3构建可行关联假设集合，计算每一可行关联假设θl的后验概率；其中可行关联假设θl的先验概率p(θl)计算如下公式(4)中，al表示可行关联假设θl中虚警个数，μ(·)表示虚警数目分布函数，取均匀分布或泊松分布，pd表示目标检测概率，nl表示可行关联假设θl中目标检测的个数，似然函数p(Zk|θl，Zk-1)计算如下公式(5)中，V表示传感器观测空间的体积，γi，j表示θl中局部关联假设hi，j，的似然函数，航迹i与观测j是同一目标，即S.4在步骤S.2和S.3的基础上，计算每一可行关联假设对每一航迹-量测关联概率的累积效应；定义航迹-量测关联概率累积矩阵为其中pi，j计算公式为公式(7)中，符号“∧”表示逻辑“与”操作。S.5在步骤S.4的基础上，对航迹-量测关联概率的累积结果进行归一化，进而对每一航迹构建加权残差，从而实现目标状态估计和误差协方差阵的更新；对关联概率累积矩阵的归一化操作如下状态估计更新公式为：其中增益Ki可由下式计算Ki＝Pi(k|k-1)HT(HPi(k|k-1)HT+R)-1(10)误差协方差阵更新公式为：其中表示残差加权和。场景中两个目标的真实运动轨迹如图1所示。对于该场景，定义了两个场景参数sx和sy，如下式：算法对目标状态估计的偏差程度采用经典的最优子模式分配距离进行度量。以场景运行时长为80秒，帧间隔为1秒，sx为0.42、sy为0.009为例，得5种算法的100次蒙特卡洛平均性能随时间变化曲线。本专利技术应用于设计虚警、杂波环境下的密集多目标状态跟踪算法。本专利技术在上述应用中的原理和步骤都是相同的。本专利技术的有益效果：有效地实现对虚警、杂波环境下的密集多目标状态进行跟踪；对目标状态估计的偏差显著小于传统方法。附图说明图1图解说明一个实施案例的场景目标航迹图中：表示匀速直线运动目标真实轨迹曲线，□表示轨迹起始点，○表示轨迹终止点；纵坐标为Y轴，横坐标为X轴。图2图解说明场景特定参数下各算法OSPA性能随时间变化曲线图中：表示本文算法性能曲线，表示正确数据关联算法性能曲线，表示JPDA算法性能曲线，表示ENNJPDA算法性能曲线，表示JPDA*算法性能曲线；纵坐标为对数平均子模式分配距离，横坐标为时间。图3图解说明各算法OSPA性能随场景参数变化曲线图中：表示本文算法性能曲线，表示正确数据关联算法性能曲线，表示JPDA算法性能曲线，表示ENNJPDA算法性能曲线，表示JPDA*算法性能曲线；纵坐标为对数平均子模式分配距离，横坐标为场景控制参数sy。具体实施方式下面结合附图、实施方式对本专利技术作出具体说明。实例1本专利技术包括以下步骤：S.1依据每一目标航迹状态估计、误差协方差阵以及预设门概率求解门区域；每一时刻k，目标i的门区域可由下面公式约束得到：其中，z表示观测空间矢量变量，H表示观测矩阵，表示目标i在时刻k的预测状态估计，Pi(k|k-1)表示对应的误差协方差阵，R表示观测误差协方差阵，pg表示门概率，n表示观测矢量的维数，chi2inv(·)为卡方分布的检验函数。S.2根据步骤S.1求解门区域，计算所有目标门区域与所有传感器观测(zj，1≤j≤Jk)的包含关系，进而构建可能关联矩阵；可能关联矩阵定义为其中Ik为时刻k目标航迹总个数，Ωi，j定义如下S.3构建可行关联假设集合，计算每一可行关联假设θl的后验概率；其中可行关联假设θl的先验概率p(θl)可计算如下公式(4)中，al表示可行关联假设θl中虚警个数，μ(·)表示虚警数目分布函数(一般取均匀分布或泊松分布)，pd表示目标检测概率，nl表示可行关联假设θl中目标检测的个数，似然函数p(Zk|θl，Zk-1)可计算如下公式(5)中，V表示传感器观测空间的体积，γi，j表示θl中局部关联假设hi，j(航迹i与观测j是同一目标)的似然函数，即S.4在步骤S.2和S.3的基础上，计算每一可行关联假设对每一航迹-量测关联概率的累积效应；定义航迹-量测关联概率累积矩阵为其中pi，j计算公式为公式(7)中，符号“∧”表示逻辑“与”操作。S.5在步骤S.4的基础上，对航迹-量测关联概率的累积结果进行归一化，进而对每一航迹构建加权残差，从而实现目标状态估计和误差协方差阵的更新；对关联概率累积矩阵的归一化操作如下状态估计更新公式为：其中增益Ki可由下式计算Ki＝Pi(k|k-1)HT(HPi(k|k-1)HT+R)-1(24)误差协方差阵更新公式为：其中下面用一个双目标交叉飞行的简单场景作为实施实例，对上述算法性能进行说明和分析。场景中两个目标的真实运动轨迹如图1所示。对于该场景，定义了两个场景参数sx和sy，如下式：算法对目标状态估计的偏差程度采用经典的OSPA距离进行度量。当设置场景运行时长为80秒，帧间隔为1秒，sx＝0.42，sy＝0.009时，可得5种算法的100次蒙特卡洛平均性能随时间变化曲线如图2所示。从图2可以看出：1.JPDA算法由于存在航迹合并问题，其状态估计存在较大偏差，使得其平均OSPA度量值显本文档来自技高网...

【技术保护点】
一种抗航迹合并的联合概率数据关联算法，其特征是通过剪切目标与观测的关联假设来规避目标状态间交叉更新，避免航迹合并现象；抗航迹合并的联合概率数据关联算法步骤如下：S.1依据每一目标航迹状态估计、误差协方差阵以及预设门概率求解门区域；每一时刻k，目标i的门区域由下面公式约束得到：

【技术特征摘要】
1.一种抗航迹合并的联合概率数据关联算法，其特征是通过剪切目标与观测的关联假设来规避目标状态间交叉更新，避免航迹合并现象；抗航迹合并的联合概率数据关联算法步骤如下：S.1依据每一目标航迹状态估计、误差协方差阵以及预设门概率求解门区域；每一时刻k，目标i的门区域由下面公式约束得到：其中，z表示观测空间矢量变量，H表示观测矩阵，表示目标i在时刻k的预测状态估计，Pi(k|k-1)表示对应的误差协方差阵，R表示观测误差协方差阵，pg表示门概率，n表示观测矢量的维数，chi2inv(·)为卡方分布的检验函数；S.2根据步骤S.1求解门区域，计算所有目标门区域与所有传感器观测(zj，1≤j≤Jk)的包含关系，构建可能关联矩阵；可能关联矩阵定义为其中Ik为时刻k目标航迹总个数，Ωi，j定义如下S.3构建可行关联假设集合，计算每一可行关联假设θl的后验概率；其中可行关联假设θl的先验概率p(θl)计算如下公式(4)中，al表示可行关联假设θl中虚警个数，μ(·)表示虚警数目分布函数，取均匀分布或泊松分布，pd表示目标检测概率，nl表示可行关联假设θl中目标检测的个数，似然函数p(Zk|θl，Zk-1)计算如下

【专利技术属性】
技术研发人员：井沛良，吴玉生，郭荣化，撒彦成，赵金红，赵鹏，姬强，马子龙，江山，宋平，
申请(专利权)人：中国人民解放军六三八七零部队，
类型：发明
国别省市：陕西,61