[发明专利]基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法

摘要

本发明公开了基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法，其主要思路为：确定k时刻有N_k个目标，将k时刻第p个目标的运动状态记为计算在k时刻第p个目标的运动状态条件下直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k对应的似然函数；分别计算k时刻N_k个目标的状态均值估计和N_k个目标的协方差估计；依次计算k时刻目标数为N_k的概率和直角坐标系下的雷达观测区域内包含的目标个数N_k的估计值令k加1，从而得到1时刻直角坐标系下的雷达观测区域内包含的目标个数N₁的估计值到D时刻直角坐标系下的雷达观测区域内包含的目标个数N_D的估计值。

主权项

1.一种基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法，其特征在于，包括以下步骤：步骤1，初始化：令k表示k时刻，k的初始值为1，k∈{1,2,…,D}，D表示设定的最大时刻，且D为观察每个目标的运动时间；分别将0时刻N₀个目标的运动状态记为x₀，将0时刻N₀个目标的运动状态x₀在(i,j)处的强度记为进而计算在0时刻N₀个目标的运动状态x₀在(i,j)处的强度条件下0时刻N₀个目标的运动状态x₀的后验概率密度p(x₀|z₀)，并分别计算0时刻N₀个目标的运动状态x₀的均值μ₀和0时刻N₀个目标的运动状态x₀的协方差P₀；然后对在0时刻N₀个目标的运动状态x₀在(i,j)处的强度条件下0时刻N₀个目标的运动状态x₀的后验概率密度p(x₀|z₀)进行抽样，得到用于估计0时刻第p个目标的运动状态中的第i_p个采样粒子i_p＝1,2,...,N_p，表示0时刻第p个目标的运动状态中的第i_p个采样粒子，N_p表示0时刻第p个目标的运动状态中包含的采样粒子个数；步骤2，确定k时刻有N_k个目标，则将k时刻第p个目标的运动状态记为其中,表示k时刻第p个目标的横坐标位置，表示k时刻第p个目标的纵坐标位置，表示k时刻第p个目标的横坐标速度，表示k时刻第p个目标的纵坐标速度，表示k时刻第p个目标的能量强度，则得到k+1时刻第p个目标的运动方程为p＝1,2,…N_k，f_k(·)表示k时刻的状态转移函数，v_k表示k时刻的过程处理噪声；步骤3，确定k时刻直角坐标系下的雷达观测区域为Nx×Ny，且k时刻直角坐标系下的雷达观测区域Nx×Ny内包含Nk个目标，Nx表示k时刻直角坐标系下的雷达在x轴方向上的分辨单元数，Ny表示k时刻直角坐标系下的雷达在y轴方向上的分辨单元数，k时刻直角坐标系下的雷达观测区域中每个分辨单元(i',j')的大小为△x×△y，i'＝1,2,…,Nx,j'＝1,2,…,Ny，△x表示每个分辨单元在x轴方向上的长度，△y表示每个分辨单元在y轴方向上的长度；根据k时刻直角坐标系下的雷达观测区域中包含N_k个目标，进而确定k时刻的红外传感器量测模型，所述k时刻的红外传感器量测模型为k时刻直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k在(i,j)处的强度(i,j)∈C，C表示k时刻N_k个目标的扩散影响区域，所述k时刻N_k个目标的扩散影响区域为k时刻直角坐标系下的雷达观测区域N_x×N_y之外的区域；步骤4，根据k时刻直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k在(i,j)处的强度计算得到在k时刻第p个目标的运动状态条件下k时刻直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k在(i,j)处的强度对应的似然函数步骤5，计算在1时刻到k‑1时刻所有目标各自的量测值z_1:k‑1条件下k时刻直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k的后验概率密度p(x_k|z_1:k‑1)，然后根据k+1时刻第p个目标的运动方程计算k时刻第p个目标的运动状态中第i_p个采样粒子的状态预测值N_p表示k时刻第p个目标的运动状态中包含的采样粒子个数；步骤6，依次计算k‑1时刻预测k时刻目标数为N_k的概率p_k|k‑1(N_k)和k‑1时刻预测k时刻第p个目标的运动状态的强度步骤7，计算在1时刻到k时刻所有目标各自的量测值z_1:k条件下k时刻直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k的概率分布辅助函数π(x_k|z_1:k)，然后对所述在1时刻到k时刻所有目标各自的量测值z_1:k条件下k时刻直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k的概率分布辅助函数π(x_k|z_1:k)进行采样并获取粒子，得到k时刻第p个目标的运动状态中第i_p个采样粒子的状态估计值进而分别计算k时刻N_k个目标的状态均值估计和k时刻N_k个目标的协方差估计步骤8，根据k时刻N_k个目标的状态均值估计和k时刻N_k个目标的协方差估计计算得到k时刻第p个的运动状态中第i_p个采样粒子的权值并进行归一化操作，得到k时刻第p个的运动状态中第i_p个采样粒子的归一化权值步骤9，设置删除门限T，并将k时刻第p个的运动状态中第i_p个采样粒子的归一化权值中小于设置删除门限T的高斯项删除，即删除权重小于删除门限T的高斯项，得到权重大于或等于删除门限T的k时刻第p个的运动状态中第i_p个采样粒子的归一化权值同时设置合并门限U，将所述权重大于或等于删除门限T的k时刻第p个的运动状态中第i_p个采样粒子的归一化权值中距离小于合并门限U的高斯项合并，得到经过删除门限T和合并门限U后k时刻第p个的运动状态中第i_p个采样粒子的归一化权值步骤10，根据k‑1时刻预测k时刻目标数为N_k的概率p_k|k‑1(N_k)和经过删除门限T和合并门限U后k时刻第p个的运动状态中第i_p个采样粒子的归一化权值计算得到k时刻目标数为N_k的概率p_k(N_k)；步骤11，根据k时刻目标数为N_k的概率p_k(N_k)，计算得到k时刻直角坐标系下的雷达观测区域N_x×N_y内包含的目标个数N_k的估计值步骤12，令k加1，返回步骤2，直到得到D时刻直角坐标系下的雷达观测区域N_x×N_y内包含的目标个数N_D的估计值从而得到1时刻直角坐标系下的雷达观测区域N_x×N_y内包含的目标个数N₁的估计值到D时刻直角坐标系下的雷达观测区域N_x×N_y内包含的目标个数N_D的估计值