基于分布式PMHT的多目标跟踪方法技术

本发明专利技术属于目标跟踪技术领域，具体涉及基于分布式PMHT的多目标跟踪方法。该场景下用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。本发明专利技术将其拓展到PMHT分布式算法，在保证跟踪精度的情况下灵活性实时性更强并且融合计算量更低。本发明专利技术可以很好的在临近和交叉等复杂环境下进行多目标跟踪，分布式PMHT算法下每个传感器对目标状态的跟踪结果趋于一致，并且有着优于单传感PMHT算法的跟踪精度。分布式PMHT算法与集中式相比，计算量更小，灵活性和及时性更高，并拥有与其接近的跟踪效果。拥有与其接近的跟踪效果。拥有与其接近的跟踪效果。

【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。<br/>[0006]本专利技术采用的技术方案是：
[0007]定义多目标跟踪场景下的目标总数为M,传感器个数为S,U
s
表示传感器s的坐标
[0008]X＝{x
m
(t)}，表示时间t目标m的状态
[0009]用来表征目标的x,y轴上的运动速度信息和位置信息x
m
(t),y
m
(t)
[0010]表示传感器s在时间t处的第r个测量值
[0011]表示传感器s的rth测量所对应的目标
[0012]概率值π
p
＝Pr(k
r,s
(t)＝p,p＝1...M),表示时间t处传感器s的rth测量来自目标p的先验概率。另外，杂波数φ服从泊松分布，V表示传感器的侦测范围，λ代表杂波密度，杂波数的概率密度函数表示如下：
[0013][0014]S1、令第m个目标的运动符合线性模型，状态方程和观测方程由以下模型给出：
[0015]x
m
(t+1)＝F
m
(t)x
m
(t)+v
m
(t)
[0016]Z
m,s
(t)＝h
s
(t)x
m
(t)+w
m,s
(t)
[0017]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，
△
t为采样间隔：
[0018][0019][0020]S2、根据概率模型隐变量观测可以写出对状态参数X的最大似然求解式：
[0021][0022]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：
[0023][0024]再进行EM算法的M
‑
step
[0025](1)首先计算后验概率：
[0026][0027]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。上式一定程度上反应了量测与目标之间的关联可能性。其中，表示传感器s在t时刻的rth量测是由目标k
r,s
(t)产生的先验概率，与表示目标k
r,s
(t)量测的均值与协方差，同理，与R
p,s
(t)表示传感器s对目标p量测的均值与协方差。V表示传感器侦察面积，π
p
(p＝1...M)与S1中定义相同，表示传感器s在t时刻的rth量测来自虚警的概率。
[0028](2)对Q(X
(n+1)
,X
(n)
)进行极大化可以得到在多传感器场景下，基于PMHT算法的关于状态变量的迭代函数Q(X
(n+1)
,X
(n)
):
[0029][0030]其中：
[0031][0032]接下来为了极大化迭代函数需要计算导数前者与下式的导数相同，且下式的极大化可以通过扩展卡尔曼滤波(EKF)完成：
[0033][0034]其中与这两个通过PMHT算法计算出的变量被用来当作“新”的量测和协方差，通常被称作质心量测与质心协方差：
[0035][0036][0037]其中，R
m,s
(t)为传感器s对目标m量测的协方差；为(1)中公式计算出的传感器s在t时刻的rth量测是由目标m产生的后验概率。
[0038]S4、数据融合及状态预测
[0039]对于分布式PMHT算法，在卡尔曼滤波阶段对各个传感器节点进行数据融合，令S为传感器集合，对每一个节点i∈S,S
i
表示能与它进行数据融合的邻近节点,π
i,j
表示融合权重，其中j∈S
i
，这里融合权重构成的融合矩阵是行随机的本原矩阵。
[0040]设置融合的迭代次数为L，融合步骤如下：
[0041](1)对t时刻传感器i的测量进行采样得到融合过程中的中间变量和其中，是当前目标的先验状态信息，是测量方程对目标状态先验估计的导数，如果是线性则可简化为观测矩阵，是t时刻传感器i的测量误差的协方差矩阵，为方便起见，忽略其不同目标之间的差异。
[0042][0043][0044][0045](2)数据融合。通过上一步得到的中间变量设定当前传感器节点的初始迭代值，并
通过融合矩阵选取π
i,j
作为权重值在不同节点进行数据融合，其中，q
i
与Ω
i
为信息向量，对其先验新息以及中间变量进行本文档来自技高网...

【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：