【技術實現步驟摘要】
本專利技術屬于復雜噪聲下的擴展目標跟蹤，尤其涉及基于非平穩異常噪聲環境下的擴展目標跟蹤方法。
技術介紹
1、隨著傳感器分辨率的逐步提高，目標可以占據多個分辨率單元，即每個目標在每個時刻可以對應多個分辨率單元，即目標在每個時刻可以對應多個量測，這類目標被稱為擴展目標。擴展目標跟蹤可以利用多個量測的空間分布信息，同時聯合估計目標的運動和形狀信息。一般將目標的擴展目標形態狀近似為橢圓，koch用對稱正定的隨機矩陣來表征橢圓形狀，基于同一時刻的多源量測得到其運動狀態和擴展狀態的聯合估計。feldmann考慮噪聲對目標形態跟蹤的影響，對量測似然函數進行修正。yang等提出一種乘性誤差模型，該模型將形態建模為包含朝向和長短軸的三維向量，從而對橢圓目標進行參數化表示。但是上述方法都是在假設為高斯噪聲的條件下對擴展目標進行跟蹤。在實際工況的異常噪聲情況下，過程與量測噪聲呈現非高斯重尾分布，為實現在這種噪聲下精確跟蹤目標，一些學者分別開發了學生t濾波器和魯棒學生t濾波器。但在實際工程應用中，由于環境變化，狀態異常值和量測異常值可能出現在不同時間段，從而產生非平穩的重尾過程噪聲和測量噪聲。這些噪聲有時可能服從高斯分布，有時可能服從重尾分布，并且其分布參數可能各不相同。例如，擴展目標在遮擋物較多的復雜場景中運動時，目標的回波信號可能受到大量異常噪聲的干擾，此時可以建模為厚尾噪聲；當目標又進入空曠環境中，信號的異常值會顯著減少，則可以建模為高斯噪聲。huang提出高斯-學生t混合分布，以適應非平穩噪聲環境。gstm分布可以通過混合概率描繪噪聲的非平穩性
技術實現思路
1、為解決上述技術問題，本專利技術提出了基于非平穩異常噪聲環境下的擴展目標跟蹤方法，有效解決了在復雜噪聲環境中對擴展目標跟蹤效果較差的問題，具有更強的魯棒性和適應性。
2、為實現上述目的，本專利技術提供了基于非平穩異常噪聲環境下的擴展目標跟蹤方法，包括：
3、s1、對目標的運動狀態和擴展狀態進行初始化，獲得狀態的初始化信息；
4、s2、根據所述狀態的初始化信息，獲得目標的量測模型；
5、s3、將所述目標的量測模型和運動狀態模型為gstm分布，通過引入伯努利變量，將目標狀態一步預測密度和量測似然函數，構建分層高斯狀態空間模型；
6、s4、基于所述分層高斯狀態空間模型，對目標的運動狀態和擴展狀態進行預測更新；
7、s5、通過變分貝葉斯方法對目標狀態參數量測更新，判斷是否繼續跟蹤，繼續跟蹤則返回s4，反之則完成擴展目標跟蹤。
8、可選的，對目標的運動狀態和擴展狀態進行初始化的方法為：
9、設定k時刻擴展目標狀態用集合ζk：
10、ζk＝(xk,xk)?(1)
11、其中，xk表示目標的運動狀態，在二維空間中用表示，包含位置和速度信息；xk為對稱正定矩陣，表示目標的擴展形態；
12、k時刻的目標狀態空間為，
13、
14、設定狀態轉移矩陣t為采樣周期，n為采樣次數，id表示d維的單位矩陣；表示克羅內克積；wk-1表示協方差為qk-1的非平穩異常噪聲；
15、假設擴展狀態的后驗概率密度p(xk-1∣zk-1)服從逆威沙特分布，
16、p(xk-1∣zk-1)＝iw(xk-1；νk-1|k-1,vk-1|k-1)?(3)
17、其中，zk-1表示前k-1時刻的所有量測；νk-1|k-1和vk-1|k-1分別表示逆威沙特分布中的自由度參數和參數矩陣；
18、假設擴展狀態的狀態轉移概率密度p(xk|xk-1)服從威沙特分布，
19、
20、其中，δk|k-1表示自由度參數。
21、可選的，根據所述狀態的初始化信息，獲得目標的量測模型的方法為：
22、
23、其中，表示量測源的位置，表示協方差為sxk+rk的非平穩異常量測噪聲，s為縮放因子，k時刻目標所對應的全部量測集合為nk表示k時刻目標產生的量測數。
24、可選的，將所述目標的量測模型和運動狀態模型為gstm分布的方法為：
25、滿足gstm分布的隨機變量r的概率密度函數表示為：
26、
27、其中，n(·)表示高斯分布，st(·)表示學生t分布；μ、σ和v分別為均值向量、尺度矩陣和自由度參數；混合概率服從貝塔分布，概率密度函數表示為：
28、
29、其中，l表示先驗形狀參數；
30、利用式(6)和(7)，gstm分布的隨機向量r的概率密度函數表示為：
31、
32、引入隱變量ε，式(9)表示為：
33、p(r)＝ln(r；μ,σ)+(1-l)n(r；μ,σ/ε)?(9)。
34、可選的，通過引入伯努利變量，將目標狀態一步預測密度和量測似然函數的方法為：通過引入伯努利隨機變量c表示為伯努利分布，
35、p(c|ζ)＝ζc(1-ζ)1-c?(10)
36、提出的gstm的概率密度函數用以下分層高斯形式表示，
37、p(r|c,ε)＝[n(r；μ,σ)]c[n(r；μ,σ/ε)](1-c)?(11)
38、過程噪聲和量測噪聲為非平穩厚尾噪聲時，當引入伯努利變量時，將擴展目標的運動狀態一步預測函數和量測似然函數寫成為：
39、
40、
41、其中，和pk|k-1為狀態預測值和狀態；為量測矩陣；xk為擴展狀態；zk為k時刻目標所對應的全部量測集合，zk-1表示前k-1時刻的所有量測；tk和γk為伯努利變量，σk和ρk為隱變量，τk和πk為混合概率，ωk和uk為自由度參數，q0和g0為貝塔分布的先驗形狀參數；n(·)、g(·)和be(·)分別為高斯分布、伽馬分布和貝塔分布。
42、可選的，對目標的運動狀態和擴展狀態進行預測更新的方法為：
43、在貝葉斯濾波框架下，目標的運動狀態和擴展狀態的聯合預測密度分別表示為，
44、p(xk,xk∣zk-1)＝p(xk∣xk,zk-1)p(xk∣zk-1)(14)
45、式(13)中的均值向量和尺度矩陣表示為，
46、
47、基于對擴展狀態的后驗概率密度和狀態轉移概率密度的假設，得到擴展狀態的預測密度表示為，
48、
49、其中：
50、
51、
52、將聯合預測概率密度函數p(xk,xk∣zk-1,σk,tk)寫成如下形式，
53、
5本文檔來自技高網...
【技術保護點】
1.基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，包括：
2.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，對目標的運動狀態和擴展狀態進行初始化的方法為：
3.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，根據所述狀態的初始化信息，獲得目標的量測模型的方法為：
4.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，將所述目標的量測模型和運動狀態模型為GSTM分布的方法為：
5.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，通過引入伯努利變量，將目標狀態一步預測密度和量測似然函數的方法為：通過引入伯努利隨機變量c表示為伯努利分布，
6.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，對目標的運動狀態和擴展狀態進行預測更新的方法為：
7.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，通過變分貝葉斯方法對目標狀態參數量測更新的方法為：
【技術特征摘要】
1.基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，包括：
2.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，對目標的運動狀態和擴展狀態進行初始化的方法為：
3.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，根據所述狀態的初始化信息，獲得目標的量測模型的方法為：
4.如權利要求1所述的基于非平穩異常噪聲環境下的擴展目標跟蹤方法，其特征在于，將所述目標的量測模型和運動狀態模型為gstm分布的...
【專利技術屬性】
技術研發人員：陳輝，張欣雨，杜雙燕，王莉，王其洋，周澤鵬，管健，王涵宇，任可可，蔡子悅，
申請(專利權)人：蘭州理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。