基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法

1.本发明属于雷达目标跟踪技术领域，具体涉及一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法。


背景技术：

2.目前，在mtt(multiple target tracking，多目标跟踪)领域，数据关联和滤波是两个极具挑战性的问题。现有技术中，多目标跟踪方法主要分为两类：jpda(joint probability data association，联合概率数据关联)、mht(multiple hypotheses tracking，多假设检验跟踪)。由于实际环境中杂波、漏检等因素的影响，上述多目标跟踪方法只有在正确的数据关联的基础上的滤波才有意义。然而，基于数据关联的mtt问题是np问题，现有的数据关联方法存在组合爆炸的问题，数据关联组合计算量大，在目标的跟踪过程中60％～90％的计算时间被数据关联消耗。
3.在理想情况下，进行多目标跟踪时一般假设目标的检测概率在0.95以上。但是，在实际的物理场景中，检测概率受检测输出信噪比的影响，根据雷达链路方程可知信噪比与雷达探测到的目标距离、目标的雷达散射截面积有关，因而在实际的雷达系统中，目标与雷达存在相对运动，雷达散射面积在一段时间内会随着目标运动、目标视线角和频率的变化而起伏，使雷达回波成为一串时间变化的随机量，而随着信噪比的降低，检测概率也在变小，进而导致跟踪性能差。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本发明提供了一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法。本发明要解决的技术问题通过以下技术方案实现：
5.第一方面，本发明提供一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法，应用于分布式雷达；
6.所述目标跟踪方法包括：
7.确定当前跟踪场景下的多个目标，并获得目标的量测信息；所述量测信息包括所述分布式雷达中各个节点对于每个目标探测得到的当前时刻的量测信息；
8.根据各目标在上一时刻的状态，构建泊松多伯努利混合滤波器多目标跟踪模型；
9.利用所述泊松多伯努利混合滤波器多目标跟踪模型对所述目标在当前时刻的成分进行预测；
10.利用贪婪量测划分所述各个目标在当前时刻的量测数据，得到多个量测子集，并根据各个量测子集的得分确定最优子集和最优路径；
11.根据所述最优子集、所述最优路径以及目标在当前时刻的预测成分，更新各个目标在当前时刻的状态。
12.在本发明的一个实施例中，所述目标的量测噪声服从高斯分布。
13.在本发明的一个实施例中，所述目标包括：第一类目标、第二类目标和潜在目标；
14.其中，第一类目标为未被检测到的目标，第二类目标为已经检测到的目标。
15.在本发明的一个实施例中，所述根据各目标在上一时刻的状态，构建泊松多伯努利混合滤波器多目标跟踪模型的步骤，包括：
16.根据所述第一类目标在上一时刻的状态，将所述第一类目标建模为泊松随机有限集模型；
17.根据所述第二类目标在上一时刻的状态以及所述潜在目标在上一时刻的状态，将所述第二类目标和所述潜在目标建模为多伯努利混合随机有限集模型；
18.根据所述泊松随机有限集模型和所述多伯努利混合随机有限集模型，确定泊松多伯努利混合滤波器多目标跟踪模型。
19.在本发明的一个实施例中，所述泊松多伯努利混合滤波器多目标跟踪模型为泊松随机有限集模型与多伯努利混合随机有限集模型的卷积。
20.在本发明的一个实施例中，所述利用所述泊松多伯努利混合滤波器多目标跟踪模型对所述目标在当前时刻的成分进行预测的步骤，包括：
21.利用所述泊松随机有限集模型对第一类目标在当前时刻的状态进行预测，得到泊松成分；
22.利用所述多伯努利混合随机有限集模型对第二类目标和潜在目标在当前时刻的状态进行预测，得到伯努利成分。
23.第二方面，本发明提供一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪装置，包括：
24.探测单元，用于确定当前跟踪场景下的多个目标，并获得目标的量测信息；所述量测信息包括所述分布式雷达中各个节点对于每个目标探测得到的当前时刻的量测信息；
25.构建单元，用于根据各目标在上一时刻的状态，构建泊松多伯努利混合滤波器多目标跟踪模型；
26.预测单元，用于利用所述泊松多伯努利混合滤波器多目标跟踪模型对所述目标在当前时刻的成分进行预测；
27.确定单元，用于利用贪婪量测划分所述各个目标在当前时刻的量测数据，得到多个量测子集，并根据各个量测子集的得分确定最优子集和最优路径；
28.更新单元，用于根据所述最优子集、所述最优路径以及目标在当前时刻的预测成分，更新各个目标在当前时刻的状态。
29.与现有技术相比，本发明的有益效果在于：
30.本发明提供了一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法，分布式雷达中的各个节点对于每个目标进行探测，得到当前时刻的量测信息后，根据各目标在上一时刻的状态构建泊松多伯努利混合滤波器多目标跟踪模型，随机有限集混合模型的引入能够避免复杂的数据关联问题，进而实现对于多目标状态和数目的估计，并完成跟踪。
31.此外，本发明利用贪婪量测划分各个目标在当前时刻的量测数据，用于后续的更新过程，将无效量测剔除并将有效量测与相应的目标进行数据关联，从而筛选出最优子集和最优路径，进一步提高了低检测概率下多目标跟踪的性能，同时还能够提高运算效率。
32.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
33.图1是本发明实施例提供的基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法的一种流程图；
34.图2是本发明实施例提供的多节点坐标位置图；
35.图3a是本发明实施例提供的形成量测子集的一种示意图；
36.图3b是本发明实施例提供的关于m个伯努利成分的多节点量测子集的一种示意图；
37.图4a是本发明实施例提供的真实航迹与估计航迹的一种结果图；
38.图4b是本发明实施例提供的一种目标势估计图；
39.图5a是本发明实施例提供的真实航迹与估计航迹的另一种结果图；
40.图5b是本发明实施例提供的另一种目标势估计图；
41.图6a是本发明实施例提供的追踪时间对比图；
42.图6b是本发明实施例提供的平均ospa误差估计性能对比图；
43.图7是本发明实施例提供的基于分布式雷达泊松多伯努利混合滤波多目标跟踪装置的一种结构示意图。
具体实施方式
44.下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
45.图1是本发明实施例提供的基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法的一种流程图。如图1所示，本发明实施例提供一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法，应用于分布式雷达；
46.上述目标跟踪方法包括：
47.s1、确定当前跟踪场景下的多个目标，并获得目标的量测信息；量测信息包括分布式雷达中各个节点对于每个目标探测得到的当前时刻的量测信息；
48.s2、根据各目标在上一时刻的状态，构建泊松多伯努利混合滤波器多目标跟踪模型；
49.s3、利用泊松多伯努利混合滤波器多目标跟踪模型对目标在当前时刻的成分进行预测；
50.s4、利用贪婪量测划分各个目标在当前时刻的量测数据，得到多个量测子集，并根据各个量测子集的得分确定最优子集和最优路径；
51.s5、根据最优子集、最优路径以及目标在当前时刻的预测成分，更新各个目标在当前时刻的状态。
52.本实施例中，分布式雷达包括多个探测节点。图2是本发明实施例提供的多节点坐标位置图，以图2所示的情况为例，东-北方向包括十个探测节点。
53.可选地，目标的量测噪声服从高斯分布。
54.上述步骤s2中，根据各目标在上一时刻的状态，构建泊松多伯努利混合滤波器多目标跟踪模型的步骤，包括：
55.根据第一类目标在上一时刻的状态，将第一类目标建模为泊松随机有限集模型；
56.根据第二类目标在上一时刻的状态以及潜在目标在上一时刻的状态，将第二类目标和潜在目标建模为多伯努利混合随机有限集模型；
57.根据泊松随机有限集模型和多伯努利混合随机有限集模型，确定泊松多伯努利混合滤波器多目标跟踪模型。
58.示例性地，泊松多伯努利混合滤波器多目标跟踪模型为泊松随机有限集模型与多伯努利混合随机有限集模型的卷积。
59.应当理解，分布式雷达中的各个节点对于每个目标进行探测，得到当前时刻的量测信息后，根据各目标在上一时刻的状态构建泊松多伯努利混合滤波器多目标跟踪模型，随机有限集混合模型的引入能够避免复杂的数据关联问题，进而实现对于多目标状态和数目的估计。
60.本实施例中，目标可以包括：第一类目标、第二类目标和潜在目标；其中，第一类目标为未被检测到的目标，第二类目标为已经检测到的目标。
61.可选地，利用泊松多伯努利混合滤波器多目标跟踪模型对目标在当前时刻的成分进行预测的步骤，包括：
62.利用泊松随机有限集模型对第一类目标在当前时刻的状态进行预测，得到泊松成分；
63.利用多伯努利混合随机有限集模型对第二类目标和潜在目标在当前时刻的状态进行预测，得到伯努利成分。
64.具体来说，对第一类目标进行状态预测时，第一类目标的泊松强度预测值是未被检测到的目标的预测强度和潜在目标的出生强度这两个强度的总和：
[0065][0066]
其中，表示潜在目标的出生强度，p
k 1|k
(x|
·
)和分别为状态转移函数和目标存活概率，《
·
,
·
》为内积。
[0067]
因此可得：
[0068][0069]
其中，是目标可能存活的概率，是预测的权值，为检测到的成分t的预测密度。
[0070]
接着，对第二类目标和潜在目标进行成分的预测：
[0071]
多伯努利参数的后验mbm参数是对数权重和一组伯努利参数预测的多伯努利混合具有相同的总体假设个数和相同的
对数权重假设：
[0072]
预测目标可能存在的概率：
[0073][0074]
预测伯努利状态密度：
[0075][0076]
其中，是伯努利后验概率的存活率，一个单目标转移密度πk(xk|x
k-1
)，表示第i个伯努利成分在假设hk的概率密度函数。
[0077]
图3a是本发明实施例提供的形成量测子集的一种示意图，图3b是本发明实施例提供的关于m个伯努利成分的多节点量测子集的一种示意图。请参见图3a-3b，步骤s4中利用贪婪量测划分各个目标在当前时刻的量测数据，得到多个量测子集。具体地，定义多个节点组成的集合为{1,
…
,n}，对所有的j∈{1,
…
,n}，让且有将所有q的集合记为ω。对于任何一个量测子集q，量测-节点索引对集合记为对于不相交的子集q1,q2,
…
,qm，其中m为预测目标的势。杂波量测组成的集合记为量测集合的一个划分p可记为：
[0078]
p＝{q1,q2,
…
,q
|p|-1
,v}
[0079]
对于m个目标，划分p可以解释为将量测集合划分为各节点测量的源于目标的量测子集(对应每一个目标)和源于杂波的子集
[0080]
对于任何多节点子集设关于单个目标状态的多节点量测似然函数为：
[0081][0082]
对每一个i＝1,
…
,m
k|k-1
，定义泛函：
[0083][0084]
令和其中，为杂波概率生成函数cj(
·
)的n阶导。多伯努利分布的后验π
k|k
(
·
)更新近似等于更新一阶矩(phd)，即用概率
假设密度d
k|k
(
·
)得到多伯努利rfs的后验密度估计意味着和π
k|k
(
·
)有相同的势均值。
[0085]
本实施例中，定义权值系数为α
p
：
[0086][0087]
函数为：
[0088][0089]
接着，更新强度函数λ
k|k
(
·
)：
[0090]
多伯努利混合参数为其中，第i个伯努利成分在划分p中的存在概率
[0091][0092]
第i个伯努利成分在划分p中的空间概率密度为：
[0093][0094][0095]
本实施例中，多节点量测子集q
1:n
的结构选择高斯混合实现方式，每个量测子集的得分可以为：
[0096][0097]
为了获得关于第i个伯努利成分的个最好的多节点量测子集，对每一个节点，保留具有最高得分的q
max
量测子集。具体来说，对集合从起始到节点p，用量测估计所有可能的扩展并将具有个最高得分的量测子集添加到空的多节点量测集合φ
1:p 1
＝(φ,
…
,φ)中。对所有节点依次按照相同的方式，将得到的个具有最高得分的多节点量测子集添加到φ
1:n
中，其中非空子集的最大数由用户自定义。
[0098]
α
p
给出了划分p的得分，因此，可定义部分路径得分为基于集合从p 1个伯努利成分按序被添加到路径p1:p，继而得到因此，完整的路径通过最大化获得，
[0099]
最后，利用泊松多伯努利混合滤波器，实现对目标的状态进行更新，包括对第一类目标在当前时刻状态的更新、对第二类目标在当前时刻状态的更新、以及潜在目标的更新。
[0100]
泊松多伯努利混合模型的密度参数为：
[0101][0102]
给定多目标测量模型p(zk|xk)、目标在k时刻检测概率p
kd
(xk)、单目标测量模型g(zk|xk)和泊松杂波强度函数λk(zk)，
[0103]
具体地，对第一类目标(泊松成分)的更新：
[0104][0105]
其中，
[0106][0107]
更新第一次检测到的潜在新目标对象：
[0108]
伯努利模型的参数为：
[0109][0110][0111]
对数似然
[0112]
更新与任何测量值无关的目标对象i(错误检测的目标对象：)
[0113]
伯努利模型的参数为：
[0114][0115][0116]
对数似然为：
[0117][0118]
其中，
[0119]
进一步地，确定假设的非标准化对数权重：
[0120]
对于每个先验假设h和每个数据关联我们在更新步骤中会得到一个后验假设。该假设的非标准化后验对数权值等于先验假设的对数权值和丢失目标、探测目标和与杂波或潜在新目标相关的测量的对数可能性之和：
[0121][0122]
其中，c是独立于的常量。
[0123]
最后，进行假设的剪枝与目标状态的估计，选取得分最高的数据关联假设，以正确估计目标的状态与数目，从而实现对于多目标的跟踪。
[0124]
下面，通过仿真实验对上述基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法做进一步说明。
[0125]
图4a是本发明实施例提供的真实航迹与估计航迹的一种结果图，图4b是本发明实
施例提供的一种目标势估计图，其中，检测概率为0.5、节点数为1。显然，采用上述目标跟踪方法估计得到的航迹与真实航迹基本吻合，但在单节点情况下，对于多目标势的估计不准确。
[0126]
图5a是本发明实施例提供的真实航迹与估计航迹的另一种结果图，图5b是本发明实施例提供的另一种目标势估计图，其中，检测概率为0.5、节点数为10，此时的估计航迹与真实航迹基本吻合，实现了多目标航迹跟踪，并且随着节点数的增加，多目标势估计的精度也得到显著提高。
[0127]
图6a是本发明实施例提供的追踪时间对比图。如图6a所示，随着节点数的增加，本发明实现多目标追踪的时间花费将增加，但是与现有技术中的其他两种方法，本发明提供的基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法的时间花费是相对较低的。
[0128]
图6b是本发明实施例提供的平均ospa误差估计性能对比图。如图6b所示，随着节点数的增加，本发明提供的目标追踪方法的平均ospa误差估计逐渐降低，三种方法性能差距逐渐缩小，但是考虑到时间花费，本发明提供的多目标追踪方法具备更优的实时性和实用性。
[0129]
图7是本发明实施例提供的基于分布式雷达泊松多伯努利混合滤波多目标跟踪装置的一种结构示意图。如图7所示，本发明实施例还提供一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪装置，包括：
[0130]
探测单元710，用于确定当前跟踪场景下的多个目标，并获得目标的量测信息；所述量测信息包括所述分布式雷达中各个节点对于每个目标探测得到的当前时刻的量测信息；
[0131]
构建单元720，用于根据各目标在上一时刻的状态，构建泊松多伯努利混合滤波器多目标跟踪模型；
[0132]
预测单元730，用于利用所述泊松多伯努利混合滤波器多目标跟踪模型对所述目标在当前时刻的成分进行预测；
[0133]
确定单元740，用于利用贪婪量测划分所述各个目标在当前时刻的量测数据，得到多个量测子集，并根据各个量测子集的得分确定最优子集和最优路径；
[0134]
更新单元750，用于根据所述最优子集、所述最优路径以及目标在当前时刻的预测成分，更新各个目标在当前时刻的状态
[0135]
通过上述各实施例可知，本发明的有益效果在于：
[0136]
本发明提供了一种基于分布式雷达泊松多伯努利混合滤波多目标跟踪方法，分布式雷达中的各个节点对于每个目标进行探测，得到当前时刻的量测信息后，根据各目标在上一时刻的状态构建泊松多伯努利混合滤波器多目标跟踪模型，随机有限集混合模型的引入能够避免复杂的数据关联问题，进而实现对于多目标状态和数目的估计，并完成跟踪。
[0137]
此外，本发明利用贪婪量测划分各个目标在当前时刻的量测数据，用于后续的更新过程，将无效量测剔除并将有效量测与相应的目标进行数据关联，从而筛选出最优子集和最优路径，进一步提高了低检测概率下多目标跟踪的性能，同时还能够提高运算效率。
[0138]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两
个或两个以上，除非另有明确具体的限定。
[0139]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0140]
尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保护的本技术过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0141]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。