亚星游戏官网-www.yaxin868.com

专利名称：基于粒子滤波的被动传感器多目标跟踪方法
技术领域：
本发明属于制导技术领域，涉及目标跟踪。具体地说是一种基于粒子群优化和序 贯蒙特卡罗的被动传感器多目标跟踪方法，可用于红外制导等系统。
背景技术：
多目标跟踪中，由于目标漏检和杂波的影响，传感器所得量测和目标之间的关联 存在不确定性，并且在被动条件下所测的角度信息是目标状态的非线性函数，因此要准确 估计目标状态实现目标跟踪，就需要解决量测和目标的数据关联以及非线性滤波两个问题。传统的多目标跟踪方法包括最近邻法NN，联合概率数据关联JPDA，多假设跟踪 MHT算法，其中最近邻法是将离目标状态最近的量测直接与目标相关联，当测量精度较高 时，跟踪性能较好，当测量精度下降时，其跟踪性能也将严重下降；多假设跟踪则是穷举目 标与量测之间所有可能的关联事件，并逐步按时间扩展，其缺点是计算时间将随目标数和 量测数成指数增长JPDA是到现在为止解决数据关联最有效的方法之一，它给每对目标和 量测的关联赋予一定的概率，然后结合贝叶斯准则通过预测和更新两个步骤完成目标后验 概率和状态的估计。基于序贯蒙特卡罗的算法SMC是近年发展起来的非线性滤波方法，有学者将JPDA 与SMC相结合，用以解决多目标跟踪问题，利用一定数量的样本和对应的权值来拟合运动 目标的后验概率分布，从理论上讲，当所取样本数趋于无穷多时，SMC可以拟合任意概率分 布。但是由于实际应用中，考虑到跟踪精度和实时性的综合要求，样本数通常有限，其在采 样和重采样的过程中会出现样本贫化的现象，使得样本失去多样性，状态估计不稳定，导致 跟踪发散。

发明内容
针对上述问题，本发明提出一种基于粒子滤波的被动传感器多目标跟踪方法，以 保持样本的多样性，提高目标的跟踪精度。实现本发明的技术关键是利用粒子群优化算法优化多目标联合样本的分布，使 其聚集到各目标状态的高似然区域，即真实目标出现概率较大的区域，这样用以滤波的样 本将具有丰富的多样性且每个样本重要性得以提高；利用这些联合样本计算目标与量测之 间的关联概率及目标滤波分布，并且在重采样过程中，不再按照多目标串联产生的联合样 本的权值采样，而是将联合样本权值按各目标样本似然分解到对应的目标样本中去，进一 步优化目标样本的分布，提高目标跟踪的精度，具体实现步骤包括如下(1)根据各目标的初始分布抽取目标样本，构造联合样本
，n∈[1，N]，t≥1，其中，是t时刻第n个联合样本中目标i的样本；(3)按如下步骤优化粒子群(3a)将t时刻的预测联合样本中的各目标样本作为粒子群优化的初始样本为目标样本赋予初始速度(3b)计算t时刻目标样本对传感器量测的似然，表示为其中，k＝1，L，m是粒子群优化迭代序号，m≥5为设定的总的粒子群优化迭代次数；(3c)根据第1到第k次迭代中各个目标样本的似然，找出目标i中各个样本的个体最优解(3d)根据第i个目标中所有样本的似然，找出该目标所有样本中的全局最优解(3e)利用粒子群优化算法中的更新方程求得目标样本在第k+1次迭代中的位置和速度(3f)重复步骤(3b)～(3e)m次，得到粒子群优化后的联合样本 <mrow><msubsup> <mrow><mo>{</mo><msubsup> <mi>x</mi> <mi>t</mi> <mrow><mi>n</mi><mo>,</mo><mn>1</mn> </mrow></msubsup><mo>,</mo><mi>L</mi><mo>,</mo><msubsup> <mi>x</mi> <mi>t</mi> <mrow><mi>n</mi><mo>,</mo><mi>i</mi> </mrow></msubsup><mo>,</mo><mi>L</mi><mo>,</mo><msubsup> <mi>x</mi> <mi>t</mi> <mrow><mi>n</mi><mo>,</mo><mi>c</mi> </mrow></msubsup><mo>}</mo> </mrow> <mrow><mi>n</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></msubsup><mo>=</mo><msubsup> <mrow><mo>{</mo><msubsup> <mi>x</mi> <mrow><mi>n</mi><mo>,</mo><mi>t</mi> </mrow> <mrow><mi>m</mi><mo>,</mo><mn>1</mn> </mrow></msubsup><mo>,</mo><mi>L</mi><msubsup> <mi>x</mi> <mrow><mi>n</mi><mo>,</mo><mi>t</mi> </mrow> <mrow><mi>m</mi><mo>,</mo><mi>i</mi> </mrow></msubsup><mi>L</mi><mo>,</mo><msubsup> <mi>x</mi> <mrow><mi>n</mi><mo>,</mo><mi>t</mi> </mrow> <mrow><mi>m</mi><mo>,</mo><mi>c</mi> </mrow></msubsup><mo>}</mo> </mrow> <mrow><mi>n</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></msubsup><mo>,</mo> </mrow>其中，为优化后的目标样本；(4)按如下步骤对联合样本权值更新及归一化(4a)根据优化后的目标样本所对应的量测值，计算目标i在t时刻量测的均值和方差选出满足的所有有效量测j∈[1，Mt]，其中，yt为被动传感器获得的量测，ε＝9.21为设定的门限值，Mt为t时刻所有有效量测的个数；(4b)列举出有效量测与目标i的关联事件φi，j；(4c)计算有效量测与目标i基于样本形式的关联似然由目标运动的马尔科夫性和贝叶斯准则，计算第n个联合样本中边缘关联事件φi，j的概率p(φi，j|Yt)n，其中，Yt表示从第1到第t时刻所有有效量测的集合；(4d)求第n个联合样本的所有关联事件的概率的和，得到第n个联合样本的权值并对其归一化，得到归一化权值(5)由联合样本及其对应的权值通过对联合样本加权求和估计出各目标状态，作为结果输出，并同时执行步骤(6)；(6)按如下步骤对联合样本权值分解及重采样(6a)将第n个联合样本的归一化权值写成c个目标样本权值求和的形式 <mrow><msubsup> <mover><mi>w</mi><mo>&OverBar;</mo> </mover> <mi>t</mi> <mi>n</mi></msubsup><mo>=</mo><msubsup> <mover><mi>w</mi><mo>&OverBar;</mo> </mover> <mi>t</mi> <mrow><mi>n</mi><mo>,</mo><mn>1</mn> </mrow></msubsup><mo>+</mo><mi>L</mi><msubsup> <mover><mi>w</mi><mo>&OverBar;</mo> </mover> <mi>t</mi> <mrow><mi>n</mi><mo>,</mo><mi>i</mi> </mrow></msubsup><mi>L</mi><mo>+</mo><msubsup> <mover><mi>w</mi><mo>&OverBar;</mo> </mover> <mi>t</mi> <mrow><mi>n</mi><mo>,</mo><mi>c</mi> </mrow></msubsup><mo>,</mo> </mrow>其中第i个目标样本的权值通过第i个目标样本的似然计算获得；(6b)从N个联合样本权值中，各取出第i个目标样本的权值构成根据这些权值，采样N个新的样本其中，样本其对应的权值为分别是t时刻目标i重采样前的第l个样本及其对应的权值；(7)重复步骤(2)，继续跟踪目标。FDA0000028251120000012.tif,FDA0000028251120000013.tif,FDA0000028251120000014.tif,FDA0000028251120000015.tif,FDA0000028251120000016.tif,FDA0000028251120000017.tif,FDA0000028251120000018.tif,FDA0000028251120000019.tif,FDA00000282511200000110.tif,FDA00000282511200000111.tif,FDA00000282511200000112.tif,FDA00000282511200000113.tif,FDA00000282511200000114.tif,FDA00000282511200000115.tif,FDA00000282511200000117.tif,FDA00000282511200000118.tif,FDA00000282511200000119.tif,FDA00000282511200000120.tif,FDA00000282511200000121.tif,FDA00000282511200000122.tif,FDA0000028251120000021.tif,FDA0000028251120000022.tif,FDA0000028251120000023.tif,FDA0000028251120000024.tif,FDA0000028251120000025.tif,FDA0000028251120000026.tif,FDA0000028251120000028.tif,FDA0000028251120000029.tif,FDA00000282511200000210.tif,FDA00000282511200000211.tif,FDA00000282511200000212.tif,FDA00000282511200000213.tif
2.根据权利要求1所述的多目标跟踪方法，其中步骤(6a)所述的第i个目标样本的权 值通过第i个目标样本的似然计算获得，是按如下步骤进行计算 (2. 1)计算t时刻第η个联合样本中第i个目标样本的似然
全文摘要
本发明公开了一种基于粒子滤波的被动传感器多目标跟踪方法，它属于制导技术领域，主要解决现有多目标跟踪方法跟踪易发散，目标状态估计不准确的问题。该方法通过粒子群优化及样本混合采样算法对多目标的样本分布进行优化，并结合联合概率数据关联算法对多目标进行跟踪。首先，利用粒子群优化算法优化多目标联合样本的分布，使其聚集到真实目标出现概率较大的高似然区域；其次，利用这些样本计算目标与观测之间的关联概率及目标后验概率分布；最后，在重采样过程中，将联合样本权值按各目标样本似然分解到对应的目标样本中去，各目标按分解后的权值独立重采样，进一步优化目标样本的分布，提高目标跟踪的精度。
文档编号G01C21/20GK101975575SQ20101050722
公开日2011年2月16日 申请日期2010年10月15日 优先权日2010年10月15日
发明者姬红兵, 张俊根, 蔡绍晓 申请人:西安电子科技大学