本發(fā)明涉及一種復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，具體地說，是涉及一種采用兩次掃描的聯(lián)合數(shù)據(jù)關(guān)聯(lián)算法的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法。

背景技術(shù)：

運動目標(biāo)跟蹤是模式識別、圖像處理、計算機視覺等領(lǐng)域的重要課題。它把圖像處理、自動控制、信息科學(xué)有機結(jié)合起來，形成了一種能從信號中實時的自動識別目標(biāo)，自動跟蹤目標(biāo)運動的技術(shù)。在軍事、工業(yè)和科學(xué)研究方面都具有重要的意義。其中復(fù)雜環(huán)境下多機動目標(biāo)的跟蹤是信息處理領(lǐng)域中的研究熱點之一，在軍事和民用領(lǐng)域都有著廣泛的應(yīng)用。近年來國內(nèi)外許多專家學(xué)者對之進行了深入的研究，并隨著軟件和硬件技術(shù)的發(fā)展，使得多目標(biāo)跟蹤技術(shù)取得了很大的進展。但是很多理論都有一定的局限性，尤其是在目標(biāo)機動較大或環(huán)境復(fù)雜的情況下，很多方法會失效。因此，有必要在學(xué)習(xí)前人研究成果的基礎(chǔ)上，對機動目標(biāo)跟蹤理論進行改善。

機動目標(biāo)跟蹤的基本問題是目標(biāo)模型的動力學(xué)方程與目標(biāo)的實際運動存在著不匹配。跟蹤過程就是估計目標(biāo)當(dāng)前時刻(濾波)和未來(預(yù)測)任意時刻的狀態(tài)，包括各種運動參數(shù)，如目標(biāo)的位置、去向、速度和加速度等。通常，狀態(tài)估計是在兩種不確定性情況下進行的，即由于目標(biāo)的高度機動所產(chǎn)生的目標(biāo)模型的不確定性，以及由于干擾、噪聲所導(dǎo)致的量測的不確定性，這就導(dǎo)致量測與現(xiàn)有航跡互聯(lián)時產(chǎn)生誤差。正因為如此，機動目標(biāo)跟蹤特別是多機動目標(biāo)跟蹤已經(jīng)成為該領(lǐng)域的一個重要研究方向。

國內(nèi)外在多機動目標(biāo)跟蹤研究領(lǐng)域進行了很多相關(guān)研究。例如，大連理工大學(xué)等單位提出基于卡爾曼濾波的多目標(biāo)跟蹤方法，該方法利用中心差分卡爾曼濾波和高斯混合概率假設(shè)密度濾波對后驗多目標(biāo)狀態(tài)一階統(tǒng)計量進行估計，并通過遞推更新得到目標(biāo)狀態(tài)，以實現(xiàn)對多個目標(biāo)的跟蹤.(基于中心差分卡爾曼-概率假設(shè)密度濾波的多目標(biāo)跟蹤方法，《控制與決策》2013年第28卷第1期)，這種方法受目標(biāo)進行未知機動引起的估計誤差的影響，可能會出現(xiàn)發(fā)散，跟蹤性能將會嚴(yán)重下降。

南京理工大學(xué)等單位提出基于概率假設(shè)密度(PHD)的多目標(biāo)跟蹤方法，(多目標(biāo)跟蹤的混合高斯PHD濾波，《計算機工程與應(yīng)用》，2011年第47卷第14期)，也有一些其他研究對PHD算法進行了改進。雖然避免了傳統(tǒng)多目標(biāo)跟蹤方法的數(shù)據(jù)關(guān)聯(lián)，但PHD濾波在采用聚類方法提取目標(biāo)狀態(tài)時，需要將粒子歸類，這在噪聲較大的環(huán)境下，會造成目標(biāo)狀態(tài)估計不準(zhǔn)確。

解放軍電子工程學(xué)院采用固定延遲平滑算法實現(xiàn)機動目標(biāo)的跟蹤(基于固定延遲平滑算法的機動目標(biāo)跟蹤方法，《艦船電子工程》，2010年第3期)，但該方法僅限于單目標(biāo)的跟蹤。

其它一些較有代表性的算法有聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probabilistic Data Association，JPDA)算法(例如：多傳感器多目標(biāo)跟蹤的JPDA算法，《系統(tǒng)仿真學(xué)報》，2004年第16卷第7期)和交互式多模型(Interacting Multiple Model，IMM)算法(例如：基于IMM模型的目標(biāo)跟蹤算法，《中國制造業(yè)信息化：學(xué)術(shù)版》2010年第7期)。前者對多個軌跡交叉的目標(biāo)有較好的跟蹤性能，后者適用于目標(biāo)高機動的情況。然而對于多個高機動目標(biāo)并有軌跡交叉的問題，單一的IMM或JPDA都不能得到很好解決。

也有研究人員將交互多模型逼近和聯(lián)合概率數(shù)據(jù)互聯(lián)技術(shù)與固定延遲平滑濾波方法相結(jié)合，進行多機動目標(biāo)的跟蹤研究。(例如：使用IMM/JPDA和固定延遲平滑濾波方法進行雜波環(huán)境下多機動目標(biāo)跟蹤，《情報指揮控制系統(tǒng)與仿真技術(shù)》2003年第4期),該方法性能優(yōu)于傳統(tǒng)IMM/JPDA濾波器，但當(dāng)幾個被跟蹤目標(biāo)比較接近，且機動性比較大的時候，容易產(chǎn)生誤差。

也有將IMM/JPDA兩種跟蹤算法按照一定的方式結(jié)合起來，從而得出交互式多模型聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法。(例如：一種改進的IMM-JPDA多目標(biāo)跟蹤算法，《微計算機信息》2010年第36期)但是這些算法計算比較復(fù)雜，且隨著目標(biāo)個數(shù)的增多，計算量會呈指數(shù)增長。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于提供一種復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，包含：

步驟1：獲取多個運動目標(biāo)的多個運動目標(biāo)信息，根據(jù)所述多個運動目標(biāo)信息構(gòu)建估計模型，根據(jù)所述估計模型獲取所述多個運動目標(biāo)的多個當(dāng)前運動目標(biāo)信息；

步驟2：通過聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得跟蹤模型；

步驟3：根據(jù)所述跟蹤模型對所述多個運動目標(biāo)進行濾波跟蹤。

上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，于所述步驟1中，根據(jù)所述多個運動目標(biāo)信息通過交互式多模型算法構(gòu)建所述估計模型。

上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，所述步驟1進一步包含：

步驟11：通過狀態(tài)增廣法去設(shè)計固定延遲平滑器，所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d＞0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息；

步驟12：通過所述交互式多模型算法及所述固定延遲平滑器構(gòu)建所述估計模型。

上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，所述步驟2中的所述估計模型包含狀態(tài)方程及觀測方程，所述狀態(tài)方程為：所述觀測方程為其中，是狀態(tài)增廣后目標(biāo)r在t_k時刻的n_x維系統(tǒng)狀態(tài),z_k(r)是t_k時刻的n_z維測量值向量。和是對應(yīng)的當(dāng)目標(biāo)r處于模型j，在采樣周期(t_k-1,t_k]內(nèi)的系統(tǒng)矩陣，是在模型j下到z_k(r)的非線性變換的雅可比矩陣，和分別為過程噪聲和測量噪聲。

上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，所述步驟2進一步包含：

步驟21：通過狀態(tài)增廣法去設(shè)計固定延遲平滑器，所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d＞0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息；；

步驟22：通過所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法及所述固定延遲平滑器對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得所述跟蹤模型。

上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法為經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法。

上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，所述經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法包含條件模型估計及狀態(tài)協(xié)方差，所述條件模型估計為：

所述狀態(tài)協(xié)方差為：

其中，是在聯(lián)合事件Θ_k+1和Θ_k下的每個目標(biāo)的每個狀態(tài)的雙掃描聯(lián)合事件概率。

上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，其中，所述跟蹤模型包含平滑后的狀態(tài)估計及協(xié)方差，所述平滑后的狀態(tài)估計為：

所述協(xié)方差

本發(fā)明針對于現(xiàn)有技術(shù)其功效在于，提出了一種在雜波干擾環(huán)境下多機動目標(biāo)跟蹤的次優(yōu)固定延遲平滑算法，該方法在狀態(tài)估計時采用交互多模型技術(shù)，在數(shù)據(jù)關(guān)聯(lián)時采用一種經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)技術(shù)，將它們應(yīng)用到狀態(tài)增廣系統(tǒng)中。引入延遲后，目標(biāo)的狀態(tài)變量獲得了增廣，獲得了目標(biāo)的固定延遲平滑狀態(tài)估計，同時計算目標(biāo)的條件概率密度也更加精確了，提高了多機動目標(biāo)的跟蹤性能。

附圖說明

圖1是本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的流程圖；

圖2是本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的步驟流程圖。

具體實施方式

茲有關(guān)本發(fā)明的詳細(xì)內(nèi)容及技術(shù)說明，現(xiàn)以一較佳實施例來作進一步說明，但不應(yīng)被解釋為本發(fā)明實施的限制。

參見圖1及圖2，圖1為本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的流程圖；圖2是本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的步驟流程圖。如圖1-2所示本發(fā)明的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法，包括：

S100步驟1：獲取多個運動目標(biāo)的多個運動目標(biāo)信息，根據(jù)所述多個運 動目標(biāo)信息構(gòu)建估計模型，根據(jù)所述估計模型獲取所述多個運動目標(biāo)的多個當(dāng)前運動目標(biāo)信息，其中根據(jù)所述多個運動目標(biāo)信息通過交互式多模型算法構(gòu)建所述估計模型；

S200步驟2：通過聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得跟蹤模型；

S300步驟3：根據(jù)所述跟蹤模型對所述多個運動目標(biāo)進行濾波跟蹤。

進一步地，步驟1還包含：

S101步驟11：通過狀態(tài)增廣法去設(shè)計固定延遲平滑器，所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d＞0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息；

S102步驟12：通過所述交互式多模型算法及所述固定延遲平滑器構(gòu)建所述估計模型，其中所述估計模型包含狀態(tài)方程及觀測方程，所述狀態(tài)方程為： 所述觀測方程為其中， 是狀態(tài)增廣后目標(biāo)r在t_k時刻的n_x維系統(tǒng)狀態(tài),z_k(r)是t_k時刻的n_z維測量值向量。和是對應(yīng)的當(dāng)目標(biāo)r處于模型j，在采樣周期(t_k-1,t_k]內(nèi)的系統(tǒng)矩陣，是在模型j下到z_k(r)的非線性變換的雅可比矩陣， 和分別為過程噪聲和測量噪聲。

進一步地，步驟2還包含：

S201步驟21：通過狀態(tài)增廣法去設(shè)計固定延遲平滑器，所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d＞0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息；

S202步驟22：通過所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法及所述固定延遲平滑器對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得所述跟蹤模型，其中所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法為經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法，所述經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法包含條件模型估計及狀態(tài)協(xié)方差，所述條件模型估計為：

所述狀態(tài)協(xié)方差為：

其中，是在聯(lián)合事件Θ_k+1和Θ_k下的每個目標(biāo)的每個狀態(tài)的雙掃描聯(lián)合事件概率。

更進一步地，所述跟蹤模型包含平滑后的狀態(tài)估計及協(xié)方差，所述平滑后的狀態(tài)估計為：

所述協(xié)方差

下面結(jié)合圖1-2，具體說明本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的實施過程：

假設(shè)目標(biāo)集T_N{1,2,...,N}中總共有N個目標(biāo)，每個目標(biāo)的運動模型可以是運動模型集M_n＝{1,2,...n}中的一個。對于任何目標(biāo)r，表示目標(biāo)r在采樣周期(t_k-1,t_k]內(nèi)模型j起作用。對于第j個模型，目標(biāo)r的狀態(tài)方程和測量方程分別為：

或線性化表示

其中x_k(r)是目標(biāo)r在t_k時刻的n_x維系統(tǒng)狀態(tài)，z_k(r)是t_k時刻的n_z維測量值向量。和是當(dāng)目標(biāo)r處于模型j，在采樣周期(t_k-1,t_k]內(nèi)的系統(tǒng)矩陣。h^j是在模型j下x_k(r)到z_k(r)的非線性變換。

是狀態(tài)x_k(r)估計值的h^j的雅可比矩陣。和分別為過程噪聲 和測量噪聲的零均值高斯白噪聲協(xié)方差矩陣。在初始t₀時刻，處在模型j下目標(biāo)的系統(tǒng)狀態(tài)服從均值為協(xié)方差為的高斯隨機分布。目標(biāo)r在時刻t₀處在模型j的概率已知：模型從轉(zhuǎn)換到是由一個有限狀態(tài)的固定馬爾科夫鏈控制的，轉(zhuǎn)換概率為：

由于多目標(biāo)和干擾的原因，在k時刻有可能有不止一個測量值，所以在k時刻定義一個測量值的集合，表示為：

m表示在k時刻獲取的測量值的數(shù)目。在k時刻有效的測量值集合表示為Y_k，包括個測量值。則到k時刻為止，累積的有效測量值集合為：

Z^k＝{Y₁,Y₂,...,Y_k}(5)

算法的目的就是找到目標(biāo)r的固定延遲平滑狀態(tài)估計和狀態(tài)估計誤差的協(xié)方差矩陣：

下面通過狀態(tài)增廣的方法設(shè)計固定延遲平滑器。

對每個目標(biāo)r，增加狀態(tài)變量x_k(r)到

其中

假定對于增廣系統(tǒng)，獲得了經(jīng)過濾波的狀態(tài)估計和它相關(guān)的協(xié)方差矩陣：

可以得到：

由上面的定義和(3)，增廣系統(tǒng)可以表示為：

為了使增廣系統(tǒng)的每個目標(biāo)都有相同的初始條件，定義：

也就是

其初始狀態(tài)協(xié)方差為：

假設(shè)沒有不確定的測量值，也就是說測量值要么來自于單一目標(biāo)，要么來自于干擾，并且干擾在整個有效區(qū)域內(nèi)是服從一致的獨立分布。在k時刻當(dāng)有效測量值和目標(biāo)r相關(guān)聯(lián)時(r＝0表示，測量值來自于干擾)，認(rèn)為邊緣事件θ_ir(k)有效。當(dāng)一組邊緣事件{θ_ir(k)}同時有效時，認(rèn)為一個關(guān)聯(lián)事件Θ_k有效。可表示為：其中r_i為與有效測量值關(guān)聯(lián)目標(biāo)的索引。

當(dāng)時刻k+1的測量值可用時，用雙掃描平滑算法更新密度 在每次平滑循環(huán)過程中，假設(shè)對于每個目標(biāo)r∈T_n和每個模型j∈M_n，條件模型增廣狀態(tài)服從高斯分布：

條件模型估計為：

相應(yīng)的狀態(tài)協(xié)方差為：

是在聯(lián)合事件Θ_k+1和Θ_k下的每個目標(biāo)的每個狀態(tài)的雙掃描聯(lián)合事件概率。

并獲得更新后的模型概率：

將條件模型估計和后驗?zāi)Ｐ透怕式Y(jié)合起來獲得狀態(tài)的估計：

其協(xié)方差為：

最終獲得平滑后的狀態(tài)估計：

協(xié)方差為：

上述僅為本發(fā)明的較佳實施例而已，并非用來限定本發(fā)明實施的范圍，在不背離本發(fā)明精神及其實質(zhì)的情況下，熟悉本領(lǐng)域的技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但這些相應(yīng)的改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護范圍。