多重搜索粒子概率假设密度滤波的多目标跟踪方法

摘要

本发明公开了一种多重搜索粒子概率假设密度滤波的多目标跟踪方法，属于雷达数据处理领域。基于粒子概率假设密度滤波的多目标跟踪方法存在一个明显的缺陷，即当目标出现漏检时，重采样会造成粒子多样性的迅速退化，进而造成目标丢失的现象，因此该算法难以适应目标检测概率较低时的多目标跟踪。本发明提出的多重搜索粒子概率假设密度滤波即立足于解决此类问题。本发明具有结构简单，计算快速，易于硬件实现，同时克服了基于一般的粒子概率假设密度滤波方法应用的局限性，对非线性非高斯系统具有较强的适应性，因此具有较强的工程应用价值和推广前景。

说明书

技术领域

本发明涉及一种雷达数据处理方法，特别是涉及一种低检测概率情况下雷达对多目标的跟踪方法。

背景技术

粒子概率假设密度滤波(Particleprobabilityhypothesisdensityfilter,PPHDF)是一种密集杂波环境下对多目标进行跟踪的有效方法。PPHDF通过将量测和目标状态建模为随机集，可以非常方便的从个数时变的量测中估计出个数时变且未知的目标状态，即可同时对目标个数和目标状态进行估计；同时，PPHDF可以避免目标和量测之间的关联问题，极大的降低了多目标跟踪算法的复杂性和计算量。因此，PPHDF在多目标跟踪领域得到了广泛的关注和研究。该方法主要通过以下步骤实现：

(1)初始化，得到初始粒子集；

(2)对已存在的粒子集进行一步预测得到预测粒子集，并生成用于搜索新目标的搜索粒子集，将预测粒子集和搜索粒子集合成新的预测粒子集；

(3)利用新量测对预测粒子集粒子权重进行更新；

(4)对权重更新后的粒子集进行重采样，并得到目标个数和各目标状态估计。

基于PPHDF的多目标跟踪方法存在一个明显的缺陷，即当目标出现漏检时，重采样会造成粒子多样性的迅速退化，进而造成目标丢失的现象，因此该算法难以适应目标检测概率较低时的多目标跟踪。

发明内容

本发明的目的是提出一种多重搜索粒子概率假设密度滤波(MS-PPHDF)的多目标跟踪方法，解决一般的PPHDF方法在目标检测概率较低的情况下容易出现目标丢失的问题。

本发明提出的MS-PPHDF方法的技术方案包括以下步骤：

步骤1：变量初始化

K是雷达关机时刻；

T是雷达扫描周期；

L₀为代表1个目标的粒子数；

D₀为目标出现的初始分布；

J_k为搜索新目标的粒子数；

S_k表示搜索1个消失目标的粒子数；

L_k为k时刻滤波器采用的粒子总数；

γ_k为平均目标出现概率；

P_D为目标检测概率；

λ_k为平均每帧的杂波个数；

F_k为状态转移矩阵；

G_k为过程噪声分布矩阵；

Q_k为过程噪声协方差；

R_k为量测噪声协方差；

步骤2：令k＝0，初始化粒子集

对任意p∈{1,2,…,L₀}，从初始分布D₀中采样粒子并赋予该粒子权重得到初始粒子集其中表示粒子代表的目标状态，包含了目标的位置和速度信息；

步骤3：令k＝k+1，获得k时刻的雷达量测

将雷达接收到的信号进行A/D变换，得到k时刻的雷达量测集送雷达数据处理计算机，其中表示k时刻雷达得到的第q个量测，包含了目标的距离量测多普勒速度量测以及方位量测等信息，而M_k则表示k时刻雷达得到的量测个数；

步骤4：预测

(1)若k≤2，令I_k＝0，直接转(4)，否则定义集合

$>X_{dis,k-2}\stackrel{\Delta }{=}\left\{x_{dis,k-2}^n\right|n=1,2,...,N_{dis,k-1}\}$>

其中，表示k-2时刻存在而k-1时刻消失的第n个目标的状态，N_dis,k-1表示消失的目标数；

(2)若令I_k＝0，直接转(4)，否则令I_k＝N_dis,k-1S_k，对任意根据状态转移方程

$>x_{pre,k-1}^n=F_{k-1}{x}_{dis,k-2}^n$>

进行一步预测，其中

$>F_{k-1}=\left(\begin{array}{cccc}1& T& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& T\\ 0& 0& 0& 1\end{array}\right)$>

(3)对任意n∈{1,2,…,N_dis,k-1}和任意p∈{L_k-1+(n-1)S_k+1,…,L_k-1+nS_k}，根据

$>x_{k|k-1}^p=F_k{x}_{pre,k-1}^n+G_k{v}_k$>

采样粒子并赋予该粒子权重其中

$>G_k=\left(\begin{array}{cc}{T}^2/2& 0\\ T& 0\\ 0& T^2/2\\ 0& T\end{array}\right)$>

为过程噪声分布矩阵，v_k为过程噪声，其噪声协方差为Q_k；

(4)对任意p∈{L_k-1+I_k+1,…,L_k-1+I_k+J_k}，根据初始分布D₀采样“新生”粒子并赋予该粒子权重$>w_{k|k-1}^p={\gamma }_k/(J_k+I_k);$>

(5)对任意p∈{1,2,…,L_k-1}，根据

$>x_{k|k-1}^p=F_k{x}_{k-1}^p+G_k{v}_k$>

采样粒子并赋予该粒子权重

步骤5：更新

对任意p∈{1,2,…,L_k-1+I_k+J_k}，利用量测集Z_k对粒子权重进行更新

$>w_{k|k}^p=[1-P_D+\underset{z\in Z_k}{\Sigma }\frac{{\psi }_{k,z}\left(x_{k|k-1}^p\right)}{{\lambda }_k+C_k\left(z\right)}]w_{k|k-1}^p$>

其中

$>{\psi }_{k,z}\left(x_{k|k-1}^p\right)=P_D{g}_k\left(z\right|x_{k|k-1}^p)$>

$>C_k\left(z\right)=\underset{p=1}{\overset{L_{k-1}+I_k+J_k}{\Sigma }}{\psi }_{k,z}\left(x_{k|k-1}^p\right)w_{k|k-1}^p$>

g_k(z|x)为量测似然函数；

步骤6：重采样

(1)计算所有粒子的权重和

$>{\hat{N}}_{k|k}={\Sigma }_{p=1}^{L_{k-1}+I_k+J_k}{w}_{k|k}^p$>

(2)对粒子集进行重采样，得到新的粒子集其中为k时刻估计的目标数，Round(x)表示取与x最接近的整数；步骤7：目标状态估计

若直接转步骤8，否则采用K-均值聚类分析的方法将粒子集划分为个类其中L_k,n表示第n个类包含的粒子数，满足则估计的目标状态为

$>{\hat{x}}_{k,n}=\frac{1}{L_{k,n}}\underset{p=1}{\overset{L_{k,n}}{\Sigma }}{x^{\prime }}_{k,n}^p,n=1,2,...,{\hat{N}}_k$>

步骤8：重复步骤3～步骤8，直至雷达关机。

和背景技术相比，本发明的有益效果说明：

本发明提出的MS-PPHDF多目标跟踪方法，可以解决一般的PPHDF方法在目标检测概率较低的情况下容易出现目标丢失的问题，提高了PPHDF算法的适应范围。

附图说明

附图1是本发明提出的MS-PPHDF多目标跟踪方法的整体流程图；

附图2是本发明实施例中MS-PPHDF方法跟踪多目标的效果展示，附图中星号“*”表示目标的真实位置，圆圈“o”表示估计的目标状态；

附图3是本发明实施例中一般的PPHDF方法跟踪多目标的效果展示，附图中星号“*”表示目标的真实位置，圆圈“o”表示估计的目标状态。

具体实施方式

下面结合附图对本发明提出的MS-PPHDF方法进行详细描述。

不失一般性，设置一个二维的仿真场景，监测区域S＝[-60km,60km]×[-60km,60km]，总仿真时间K＝50s。假设目标可在监测区域内随机出现和消失，平均目标出现概率γ_k＝0.2，目标出现的初始分布D₀服从均值为x₀和协方差为Q_b的正态分布，这里取x₀＝[30km0.2km/s30km-0.1km/s]^T和Q_b＝diag([1km0.5km/s1km0.5km/s])，x方向和y方向过程噪声的标准差均为0.01km，目标持续存在的概率为e_k|k-1＝0.95且与目标状态无关。雷达位于点(0km,-10km)，检测概率为P_D＝0.75，平均每帧的杂波个数为λ_k＝4，且在整个监测区域内均匀分布，距离量测误差标准差、多普勒速度量测误差标准差和方位角量测误差标准差分别为0.2km、0.04km/s和0.0087rad，雷达采样间隔T＝1s；代表1个目标的粒子数L₀＝3000，搜索新目标的粒子数J_k＝4000，搜索1个消失目标的粒子数S_k＝1000。

其步骤如附图1所示。

(1)根据以上仿真条件进行变量初始化

由以上仿真条件可知

$>F_k=\left(\begin{array}{cccc}1& 1& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 1\\ 0& 0& 0& 1\end{array}\right),G_k=\left(\begin{array}{cc}1/2& 0\\ 1& 0\\ 0& 1/2\\ 0& 1\end{array}\right),Q_k=\left(\begin{array}{cc}0.01/3& 0\\ 0& 0.01/3\end{array}\right)$>

雷达量测方程为

$>z_k=\left(\begin{array}{c}{r}_k\\ d_k\\ {\theta }_k\end{array}\right)=\left(\begin{array}{c}\sqrt{x_k^2+{(y_k+10)}^2}\\ \frac{x_k{\stackrel{·}{x}}_k+(y_k+10){\stackrel{·}{y}}_k}{\sqrt{x_k^2+{(y_k+10)}^2}}\\ \arctan \left(\frac{y_k+10}{x_k}\right)\end{array}\right)+W_k$>

其中W_k为相互独立的零均值高斯白噪声，其协方差为

$>R_k=\left(\begin{array}{ccc}{0.2}^2& 0& 0\\ 0& {0.04}^2& 0\\ 0& 0& {0.0087}^2\end{array}\right)$>

(2)按发明内容部分步骤2所述的方法进行粒子集初始化，得到初始粒子集；

(3)按发明内容部分步骤3所述的方法获得当前时刻雷达量测；

(4)按发明内容部分步骤4所述的方法对粒子集进行一步预测，得到预测的粒子集；

(5)按发明内容部分步骤5所述的方法对预测的粒子集的权重进行更新；

(6)按发明内容部分步骤6所述的方法对权重更新后的粒子集进行重采样；

(7)按发明内容部分步骤7所述的方法得到目标的状态估计；

(8)循环执行发明内容部分步骤3～步骤8，直至雷达关机。

实施例条件中，在目标检测概率P_D＝0.75的情况下，本发明提出的MS-PPHDF方法仍能实现杂波环境下对多目标的有效跟踪(见附图2)，而一般的PPHDF方法在目标出现漏检时出现了目标的丢失的情况(见附图3)，因此本发明方法可以有效的改善一般PPHDF方法在目标检测概率较低情况下的多目标跟踪性能(附图2和附图3对比)。