本發(fā)明屬于多目標跟蹤應用，具體涉及一種基于轉(zhuǎn)換狀態(tài)概率假設密度濾波的非線性多目標跟蹤方法。
背景技術：
1、隨著目標跟蹤需求的不斷增加，針對非線性系統(tǒng)的多目標跟蹤問題成為目標跟蹤的研究熱點之一。在實際跟蹤場景中，目標跟蹤的系統(tǒng)模型往往由于多樣的傳感器數(shù)據(jù)類型、機動復雜的目標運動過程、構建于異構坐標系的狀態(tài)和量測模型等原因而呈現(xiàn)非線性的特點。基于此，與適用于線性系統(tǒng)的目標跟蹤方法相比，非線性系統(tǒng)的目標跟蹤方法不僅可以更有效地跟蹤非線性目標，同樣也可以跟蹤線性目標，具有廣泛的應用范圍。但在實際應用中，仍然面臨著很多問題，例如模型復雜，目標數(shù)量未知，目標行為建模復雜，噪聲不確定，計算量高，執(zhí)行時間長等。
2、多目標跟蹤(multi-target?tracking，mmt)算法是非線性目標跟蹤的核心技術之一，本質(zhì)上是利用傳感器量測來估計多個目標的狀態(tài)和數(shù)量，在自動駕駛、機器人和智能監(jiān)控能領域具有廣泛的應用。傳統(tǒng)的多目標跟蹤研究主要通過數(shù)據(jù)關聯(lián)的方法來解決目標與測量之間關系的不確定性。這些方法通過構建測量與目標之間的關聯(lián)假設，并結合每個關聯(lián)概率獲得最終的多目標跟蹤結果。傳統(tǒng)的數(shù)據(jù)關聯(lián)多目標跟蹤算法包括全局最近鄰、聯(lián)合概率數(shù)據(jù)關聯(lián)和多假設跟蹤等。然而，這些算法在目標數(shù)量增加或存在嚴重雜波的情況下，由于假設數(shù)量呈指數(shù)級增長，導致計算復雜度急劇上升。為了解決這一問題，基于隨機有限集(random?finite?set,rfs)的多目標跟蹤算法被提出。這類算法通過將多目標狀態(tài)和量測表示為隨機有限集，從而自然地處理了多目標概率密度的表示問題，且將目標新生、死亡、衍生、漏檢和雜波統(tǒng)一歸集到貝葉斯框架，并使得單目標跟蹤中的狀態(tài)空間模型、貝葉斯遞歸等概念可以直接應用于多目標跟蹤領域，有效地避免了傳統(tǒng)mmt固有的數(shù)據(jù)關聯(lián)問題，因此計算更為高效且易于實現(xiàn)。
3、概率假設密度(probability?hypothesis?density,phd)濾波器是一種經(jīng)典的基于rfs的mmt算法，它通過在多目標跟蹤貝葉斯框架中傳播多目標后驗概率密度的一階矩估計目標的狀態(tài)和數(shù)量，此一階矩即為phd，且此一階矩在任一區(qū)域內(nèi)的積分表示該區(qū)域內(nèi)rfs所含目標數(shù)的期望值。phd濾波器在避免數(shù)據(jù)關聯(lián)的同時，提高了計算效率。目前，實現(xiàn)phd濾波器主要有兩種方法：高斯混合phd(gaussian?mixture?phd,gm-phd)算法和序貫蒙特卡羅phd(sequential?monte?carlo?phd,smc-phd)算法。smc-phd需要額外的粒子聚類過程來進行多目標狀態(tài)提取，并且大量粒子嚴重降低了smc-phd的計算效率。相比之下，gm-phd算法具有更高的計算效率，它使用加權高斯混合分布來近似后驗強度。但是，gm-phd僅適用于線性條件。因此，在非線性條件下改進gm-phd也是許多研究工作的重點。
技術實現(xiàn)思路
1、基于此，本發(fā)明提供了一種基于轉(zhuǎn)換狀態(tài)概率假設密度濾波(converted?stategaussian?mixture?probability?hypothesis?density，cs-gmphd)的非線性多目標跟蹤方法，可用于目標勻速運動且傳感器具有方位和量程觀測信息的非線性系統(tǒng)下的多目標跟蹤。
2、實現(xiàn)本發(fā)明的技術方案如下：
3、一種基于轉(zhuǎn)換狀態(tài)概率假設密度濾波的非線性多目標跟蹤方法，包括如下步驟：
4、步驟一：建立非線性目標笛卡爾坐標系下目標狀態(tài)與極坐標系下目標狀態(tài)的轉(zhuǎn)換狀態(tài)模型；
5、步驟二：針對笛卡爾坐標系下概率假設密度方法的新生目標模型，利用所述狀態(tài)轉(zhuǎn)換關系，構建轉(zhuǎn)換狀態(tài)的新生目標的概率假設密度phd；
6、步驟三：針對極坐標系下存活目標后驗分量，構建轉(zhuǎn)換狀態(tài)的存活目標的預測phd；
7、步驟四：步驟二得到的新生目標的phd疊加存活目標的存活目標的預測phd，得到多目標的轉(zhuǎn)換狀態(tài)的預測phd；
8、步驟五：利用傳感器獲得的量測集更新步驟四中得到的多目標的轉(zhuǎn)換狀態(tài)預測phd，得到多目標轉(zhuǎn)換狀態(tài)的更新phd；
9、步驟六：針對步驟五獲得的轉(zhuǎn)換狀態(tài)的更新phd進行剪枝、合并和限制分量數(shù)目，獲得精簡后的轉(zhuǎn)換狀態(tài)的更新高斯分量集；
10、步驟七：利用步驟六得到的更新高斯分量集，抽取在量測模型所在坐標系下的目標的轉(zhuǎn)換狀態(tài)估計結果和目標數(shù)量估計結果；
11、步驟八：基于步驟七獲得的多目標更新的轉(zhuǎn)換狀態(tài)，笛卡爾坐標系下目標狀態(tài)與極坐標系下目標狀態(tài)的狀態(tài)轉(zhuǎn)換關系，計算并得到原坐標系下多目標的估計狀態(tài)，即視為最終的目標狀態(tài)估計結果。
12、可選的，本發(fā)明所述步驟二轉(zhuǎn)換狀態(tài)的新生目標的概率假設密度phd為：
13、
14、其中，表示極坐標的新生目標模型，即混合高斯分量，表示權重，轉(zhuǎn)換后第i個高斯分量的均值和協(xié)方差，jb表示新生目標高斯分量的個數(shù)，xc表示轉(zhuǎn)換后的隨機變量，n()表示高斯分布。
15、可選的，本發(fā)明所述步驟三轉(zhuǎn)換狀態(tài)的存活目標的預測phd為：
16、
17、
18、
19、其中，分別是存活目標的目標狀態(tài)條件下的轉(zhuǎn)換狀態(tài)的轉(zhuǎn)移矩陣，轉(zhuǎn)換狀態(tài)的過程噪聲輸入矩陣和轉(zhuǎn)換狀態(tài)的過程噪聲；表示第i個存活高斯分量的預測均值和預測協(xié)方差，ps表示目標的存活概率，jk-1表示k-1時刻多目標phd的高斯分量的個數(shù)。
20、可選的，本發(fā)明所述多目標轉(zhuǎn)換狀態(tài)的預測phd為：
21、
22、其中，jk|k-1＝jk-1+jb表示預測phddk|k-1(xc)的高斯分量的個數(shù)；分別表示預測phddk|k-1(xc)的第i個高斯分量的權重，均值和協(xié)方差。
23、可選的，本發(fā)明所述步驟五的具體過程為：
24、首先，建立未被傳感器檢測到的多目標的更新phd，即(1-pd)dk|k-1(xc)，其中，pd表示目標被檢測的概率
25、其次，建立被檢測的多目標的更新phd，即已知k時刻的量測集合zk，傳感器的每一個量測z∈zk都需要遍歷預測phd的混合高斯分量集對每個分量更新，得到dd,k(xc；z)。
26、可選的，本發(fā)明所述多目標轉(zhuǎn)換狀態(tài)的更新phd為：
27、
28、其中，|zk|表示k時刻量測的數(shù)量，
29、可選的，本發(fā)明所述步驟六中所述剪枝為：設定剪枝閾值w，舍棄的高斯分量。
30、可選的，本發(fā)明所述步驟六中所述合并為：設定合并閾值u，在剪枝后的基礎上，首先選取權重最大的高斯分量計算與其它高斯分量的距離將滿足的高斯分量集合并，依次遞推，直到合并后的高斯分量集之間的距離均大于u，得到剪枝和合并后的高斯分量集
31、可選的，本發(fā)明所述步驟六中所述限制分量數(shù)目為：
32、設定分量數(shù)目閾值jmax，在剪枝和合并的基礎上，如果按權重由大到小的順序?qū)M行排列，取前jmax個高斯分量構建高斯分量集如果則保留所有的
33、可選的，本發(fā)明所述步驟七目標數(shù)量估計的過程為：取權重的高斯分量集，再對每個權重四舍五入得到多目標的數(shù)量估計所述權重四舍五入即為抽取的過程。
34、可選的，本發(fā)明所述步驟七目標的轉(zhuǎn)換狀態(tài)估計的過程為：根據(jù)的高斯分量集得到每個分量對應的目標狀態(tài)的個數(shù)對應的目標狀態(tài)即則k時刻多目標的轉(zhuǎn)換狀態(tài)
35、有益效果：
36、本發(fā)明針對以目標為勻速運動且傳感器具有方位和量程觀測信息的非線性多目標跟蹤系統(tǒng)，提出一種基于轉(zhuǎn)換狀態(tài)的概率假設密度濾波的非線性多目標跟蹤方法。本發(fā)明利用轉(zhuǎn)換狀態(tài)將多目標的非線性系統(tǒng)重構為線性系統(tǒng)，并結合gm-phd濾波得到了轉(zhuǎn)換狀態(tài)的高斯混合概率假設密度算法，該算法與傳統(tǒng)的非線性多目標跟蹤方法：擴展卡爾曼的gm-phd和無跡卡爾曼的gm-phd方法相比，本發(fā)明具有較高跟蹤精度和較低的執(zhí)行時間。
37、本發(fā)明可用于無人駕駛車輛的道路規(guī)劃和避障、智能監(jiān)控系統(tǒng)的目標檢測與識別、無人機等系統(tǒng)的非線性多目標跟蹤。