【技术实现步骤摘要】
本专利技术属于雷达信号处理，更进一步涉及机动目标跟踪中的一种基于轨迹泊松多伯努利滤波的机动目标跟踪方法。本专利技术解决了传统多模型滤波算法在高度机动目标跟踪时因使用单一运动模型而导致的模型不匹配问题，与此同时还能实现对目标轨迹的实时获取。
技术介绍
1、用于跟踪机动目标的方法主要有将交互多模型imm(interactive multiplemodel)与传统的联合概率数据关联方法jpda(joint probabilistic data association)结合提出的imm-jpda方法，也有将imm与概率假设密度方法phd(probability hypothesisdensity)结合提出的imm-phd方法，还有将imm与泊松多伯努利混合滤波方法pmbm(poissonmulti-bernoulli mixture)结合提出的imm-pmbm方法。然而，imm-jpda方法适用范围受限于固定目标跟踪场景，imm-phd方法作为贝叶斯多目标滤波的一阶矩近似解，其准确度存在一定限制。imm-pmbm方法没办法得到目标的航迹，航迹也是目标跟踪的一个重要指标。
2、河南大学在其申请的专利文献“基于变分贝叶斯多模型粒子滤波的机动目标跟踪方法”(专利申请号：202211190099.7，申请公布号：cn 115688534 a)中公开了一种基于变分贝叶斯多模型粒子滤波的机动目标跟踪方法。该方法针对多模型粒子滤波算法依赖转移概率矩阵以及随机判别粒子的模型状态问题，该方法通过引入多项式分布和狄利克雷分布分别对模型状态和转移
3、陈壮壮等人在其发表的论文“机动目标跟踪的交互多模型泊松多伯努利混合滤波”(系统工程与电子技术(2023-04-03)，issn：1001-506x)中公开了一种基于泊松多伯努利混合滤波的机动目标跟踪方法。该方法的实现步骤是：首先设定跟踪系统的状态方程和量测方程，初始化系统参数并且在初始状态下进行采样，获得加权粒子集合其中n0为粒子数目，每个粒子的初始化权重为1/n0。然后将粒子状态输入到泊松多伯努利混合滤波方法中进行预测和更新操作。由于粒子数和多伯努利混合中的分量数太大影响滤波效率进而进行修剪操作得到k+1(k＝0,1,2,...n,n∈n)时刻的加权粒子集合最后进行状态估计并且对每个运动模型的输出进行加权和融合目标状态。但是，该方法仍然存在不足之处是，该方法将imm与pmbm结合进行机动目标的跟踪。由于其多伯努利混合分量数目大而导致其计算量增大从而影响计算效率，而且每次的状态估计只能得到该场景中当前时刻所有的目标状态，得不到目标的航迹来区分目标。而轨迹数据不仅为目标行为的模式识别提供支持，还为系统优化、规划以及未来预测等应用提供了有力的数据基础。
技术实现思路
1、本专利技术的目的在于针对上述现有技术存在的不足，提供一种基于轨迹泊松多伯努利滤波的机动目标跟踪方法，旨在解决现有技术中方法的计算复杂度高，以及无法实时得到目标的轨迹数据的问题。
2、实现本专利技术目的的思路是：本专利技术通过融合轨迹泊松多伯努利滤波方法tpmb(trajectory poisson multi-bernoulli)和imm方法，构建了轨迹集的状态模型和轨迹集的量测模型，使得在跟踪过程中每次估计得到的是从开始到跟踪的当前时刻的所有目标状态，从而实现了在机动目标跟踪中可以实时获取目标的轨迹数据，以此解决了现有技术中在跟踪过程中无法区分目标的问题。本专利技术采用了泊松多伯努利近似思想pmb(poissonmulti-bernoulli)，将泊松多伯努利混合分量进行滤波更新结束后，再利用kl(kullback–leibler)散度得到泊松多伯努利分量，使得每次跟踪后只有一个全局假设，解决了现有技术中在跟踪过程中由于泊松多伯努利混合分量数量太多而导致的计算复杂的问题。
3、本专利技术的技术方案如下：
4、步骤1，预测当前跟踪时刻的目标概率密度函数fp(x)；
5、步骤2，用当前跟踪时刻的目标概率密度和当前时刻的量测进行关联后更新fp(x)，得到更新后满足pmbm分布的概率密度函数fu(x)；
6、步骤3，利用kld技术将pmbm分布变为pmb分布；
7、步骤4，通过模型交互融合获得目标概率密度f(x)；
8、步骤5，对f(x)中的加权粒子集合进行重采样操作；
9、步骤6，舍去泊松成分的权重和伯努利成分的加权粒子权重小于各自门限的分量；
10、步骤7，判断当前时刻是否是跟踪的最后时刻，若是，则执行步骤8，否则执行步骤1；
11、步骤8，在目标轨迹集上对机动目标的状态进行估计跟踪。
12、本专利技术与现有技术相比具有以下优点：
13、第一，本专利技术通过融合轨迹泊松多伯努利滤波方法tpmb(trajectory poissonmulti-bernoulli)和imm方法在轨迹集上进行跟踪，从而实时获取目标的轨迹数据。克服了现有技术中在跟踪过程中无法区分目标的问题，使得本专利技术填补了目前机动目标跟踪领域的技术空白，为实现更为精确、实时的目标跟踪提供一种有效的解决方案。
14、第二，本专利技术采用了泊松多伯努利近似思想pmb(poisson multi-bernoulli)，将泊松多伯努利混合分量进行滤波更新结束后，再利用kl散度得到泊松多伯努利分量，克服了现有技术中在跟踪过程中由于泊松多伯努利混合分量数量太多而导致的计算复杂的问题，使得本专利技术在降低算法复杂度，提高滤波效率，提升滤波实时性方面提供了一种有效的思路。
本文档来自技高网...【技术保护点】
1.一种基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，融合TPMB方法将整个跟踪过程在轨迹集上进行跟踪，在每次更新目标的概率密度时利用KLD技术将PMBM分布变为PMB分布；该跟踪方法的步骤包括如下：
2.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤1中所述目标概率密度函数fp(x)如下：
3.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤2中所述关联指的是根据下述三种情形，对目标与量测相似度指标进行关联：
4.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤3中所述的KLD技术是用于度量两个概率分布之间差异的方法，按照下式，KLD衡量的是一个概率分布相对于另一个概率分布的不确定性：
5.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤4中所述的模型指的是滤波器至少包括匀速模型，匀加速模型，匀速转弯模型。
6.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征
7.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤6中所述的门限是，根据预期设定的目标跟踪结果的GOSPA值设置的小数值。
8.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤8中所述的目标轨迹集为X＝(t,x1:ν)，其中，t表示机动目标跟踪的初始时刻，v表示机动目标跟踪的轨迹长度，x1:ν表示目标状态的长度为v的有限序列。
...【技术特征摘要】
1.一种基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，融合tpmb方法将整个跟踪过程在轨迹集上进行跟踪，在每次更新目标的概率密度时利用kld技术将pmbm分布变为pmb分布；该跟踪方法的步骤包括如下：
2.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤1中所述目标概率密度函数fp(x)如下：
3.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤2中所述关联指的是根据下述三种情形，对目标与量测相似度指标进行关联：
4.根据权利要求1所述的基于轨迹泊松多伯努利滤波的机动目标跟踪方法，其特征在于，步骤3中所述的kld技术是用于度量两个概率分布之间差异的方法，按照下式，kld衡量的是一个概率分布相对于另一个概率分布的不确定性：
5.根据权利要求1所述的基于轨迹泊松多伯努利滤波的...
【专利技术属性】
技术研发人员：宋骊平，韩蓉蓉，陈壮壮，王昊，庄元庆，
申请(专利权)人：西安电子科技大学，
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。