【技术实现步骤摘要】
基于分布式PMHT的多目标跟踪方法
[0001]本专利技术属于目标跟踪
,具体涉及杂波环境下基于分布式PMHT的多目标跟踪方法。
技术介绍
[0002]在多目标跟踪场景中,由于接收端量测的辐射源未知,需要在杂波环境下将量测与目标进行关联以达到跟踪的目的,也就是数据关联,经典的数据关联算法有最近邻数据关联算法(NNAD),多假设跟踪算法(MHT),以及联合概率数据关联算法(JPDA)等,这些算法都不可避免的面临因为量测数量和目标个数增大导致的组合爆炸的问题。基于期望极大化算法(EM)的概率多假设算法(PMHT)是一种在迭代中进行航迹更新的批处理算法,它的计算复量随着目标个数增加线性增长,能很好的处理复杂环境下如临近和交叉运动场景下的关联问题。
[0003]多传感器系统相对于单传感器可以获得更加准确和稳定的跟踪效果,多传感器系统分为集中式与分布式。相较于集中式,分布式跟踪有更强的实时性,面对例如传感器损坏的突发情况的灵活性更强。
[0004]该方法进一步将PMHT算法应用于多传感器系统中并进行了跟踪效果的比较。显然分布式下的PMHT跟踪算法不仅拥有相较于集中式更小的计算量,融合速度更快,并且有着明显优于单传感器系统与接近于集中式的跟踪效果。
技术实现思路
[0005]针对上述问题,本专利技术提出了一种基于分布式PMHT的多目标跟踪方法,用PMHT算法处理多目标跟踪的数据关联问题,采用多传感器获得更稳定精确的跟踪效果,并将其拓展到灵活性实时性更强和融合计算量更低的PMHT分布式算法。< ...
【技术保护点】
【技术特征摘要】
1.基于分布式PMHT的多目标跟踪方法,定义多目标跟踪场景下的目标总数为M,传感器个数为S,传感器s的坐标表示为U
s
,表示目标m在x,y轴上的运动速度信息和位置信息x
m
(t),y
m
(t),则t时刻目标m的状态参数表示为X={x
m
(t)},传感器s在t时刻的第r个测量值表示为量测和目标的关联关系表示为在t时刻传感器s的rth测量来自目标p的先验概率为π
p
,p=1...M,并且π
p
=Pr(k
r,s
(t)=p);其特征在于,所述多目标跟踪方法包括以下步骤:S1、定义第m个目标的运动符合线性模型,其状态方程和观测方程为:x
m
(t+1)=F
m
(t)x
m
(t)+v
m
(t)Z
m,s
(t)=h
s
(t)x
m
(t)+w
m,s
(t)其中,Z
m,s
(t)表示t时刻传感器s接收到的第m个目标产生的量测,过程噪声v
m
(t)和量测噪声w
m,s
(t)为互相独立的0均值高斯白噪声,且Q
m
(t)与R
m,s
(t)分别为它们的协方差矩阵:Q
m
(t)=E{v
m
(t)v
m
(t)
T
},R
m,s
(t)=E{w
m,s
(t)w
m,s
(t)
T
};h
s
(t)和F
m
(t)分别观测矩阵和状态转移矩阵,采样间隔为
△
t,则:t,则:S2、根据量测和目标的关联关系即概率模型隐变量由观测得到对状态参数X的最大似然求解式:S3、采用PMHT算法得到新的量测和协方差,PMHT算法是基于EM算法的批处理跟踪算法,首先进行E
‑
step,定义Q函数如下所示:再进行M
‑
step,包括:首先计算后验概率:首先计算后验概率:为传感器s在t时刻的rth量测是由目标k
r,s
(t)产生的后验概率,表示变量χ以μ为均值、Σ为协方差的高斯分布;表示传感器s在t时刻的rth量测是由<...
【专利技术属性】
技术研发人员:姚思亦,宋廷松,赖锐,高林,李万春,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。