【技術實現步驟摘要】
本專利技術涉及多目標跟蹤領域，尤其涉及廣義標簽多伯努利跟蹤濾波方法、系統、設備及存儲介質。
技術介紹
1、多目標跟蹤技術能夠聯合估計時變目標數量與狀態，在機器視覺、雷達探測和導航定位等領域有著廣泛的應用。近年來，基于隨機集(random?finite?set,rfs)理論框架的多目標跟蹤問題得到眾多學者的研究，并逐漸發展出多種多目標跟蹤濾波器，如，概率假設密度濾波器(probability?hypothesis?density,phd)、勢概率假設密度濾波器(cardinalized?phd,cphd)、glmb等。其中，glmb能夠在估計目標狀態的同時輸出該狀態對應的標簽信息，因此更適用于需要得到目標軌跡信息的跟蹤場景。值得注意的是，上述濾波器均依賴于較多的先驗信息，然而在實際場景中，目標檢測概率、雜波強度以及目標新生強度信息通常無法準確得知。如果依據經驗手動設置，則當設置參數與實際場景參數不符時，會帶來目標跟蹤效果的惡化。
2、文獻“tracking?multiple?targets?from?multi-static?doppler?radar?withunknown?probability?of?detection”(sensors,2019,19,1672)中給出了一種未知檢測概率場景下的glmb跟蹤濾波器。具體的，pd-cphd濾波器被引入用于估計檢測概率，隨后估計值被送入glmb濾波器中作為已知檢測概率參與跟蹤濾波。然而，類似的，雜波強度也是無法先驗已知的場景參數之一，為此文獻“tracking?mul
技術實現思路
1、本專利技術要解決的技術問題和提出的技術任務是對現有技術方案進行完善與改進，提供一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，以在未知場景參數條件下，自適應調整參數，同時保持高效計算效率和魯棒性強的多目標跟蹤目的。為此，本專利技術采取以下技術方案。
2、一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，包括以下步驟：
3、1)獲取上一迭代周期的量測數據和廣義標簽多伯努利glmb密度，利用上一迭代周期的量測數據和上一迭代周期的glmb密度，依據自適應新生模型產生概率假設密度phd濾波器及glmb濾波器所需的新生多目標分布；
4、2)將當前迭代周期的量測數據和新生目標分布送入基于高斯混合概率假設密度gm-phd濾波的未知場景參數估計器，進行檢測概率和雜波強度參數的估計；
5、3)利用量測數據以及估計得到的場景參數、新生目標分布，進行glmb濾波得到本次迭代的后驗概率密度函數；
6、4)從后驗密度函數中提取出多目標跟蹤結果。
7、本技術方案通過改進貝塔高斯分量合并過程、結合未知雜波強度濾波技術、結合phd濾波算法和glmb濾波器等多種技術手段，實現了在未知場景參數下高效、準確的多目標跟蹤。具體的：
8、一、改進貝塔高斯分量合并過程，提升檢測概率估計準確性：本專利技術在未知檢測概率的條件下，對bgm-phd濾波器中的貝塔高斯分量合并過程進行了優化，使得濾波器在估計檢測概率時更加準確，有效提高了在復雜環境下的目標檢測能力。
9、二、結合未知雜波強度濾波技術，實現全面的場景參數估計：除了檢測概率外，本專利技術還考慮了雜波強度這一關鍵參數。通過將bgm-phd濾波器與未知雜波強度的濾波技術相結合，能夠同時輸出檢測概率和雜波強度的場景參數估計值。使得濾波器能夠更全面地適應不同的工作環境，提高了系統的穩定性和可靠性。
10、三、結合phd濾波算法和glmb濾波器，實現高效多目標跟蹤：本專利技術將基于phd濾波的場景參數估計器與自適應新生模型及glmb濾波器相結合。phd濾波算法本身具有計算量低的優勢，能夠高效地處理多目標跟蹤問題。而glmb濾波器則能夠輸出目標的狀態和標簽信息，為后續的軌跡分析和識別提供了有力支持。兩者結合使得本專利技術在未知場景參數下依然能夠實現高效、準確的多目標跟蹤。
11、四、提升運算效率：基于phd濾波算法計算量低的特點，本專利技術在場景參數未知的情況下依然能夠保持較高的運算效率，使得本專利技術在實時性要求較高的應用場景中表現出色。
12、作為優選技術手段：在步驟1)中，利用上一迭代周期的量測數據zk-1＝{z1,k-1,…,zm,k-1}，以及上一迭代周期的glmb密度，依據自適應新生模型產生phd濾波器及glmb濾波器所需的新生強度，包括步驟：
13、101)計算各量測zi,k-1,i∈{1,…,m}與上一迭代周期后驗glmb密度πk-1(x)中所有航跡的關聯概率ru(zi)；
14、102)根據各量測zi的關聯概率ru(zi)，計算相應的新生目標的概率
15、103)根據各新生概率以及量測，產生lmb新生多目標分布πb+(x)。
16、本技術方案利用上一迭代周期的數據，實現了迭代式的更新，使得系統能夠實時地根據當前情況調整新生目標的強度，允許系統快速響應目標的變化和出現。
17、通過計算量測與上一迭代周期后驗glmb密度中所有航跡的關聯概率，并基于這些關聯概率來計算新生目標的概率，提高了新生目標強度估計的準確性，避免誤檢和漏檢，維持穩定的目標軌跡。
18、自適應新生模型根據當前場景的變化自動調整新生目標的強度，在面對復雜多變的環境時能夠保持魯棒，即使在目標數量、運動模式或場景參數發生變化時，也能夠通過自適應調整來保持穩定的跟蹤性能。
19、通過本文檔來自技高網...
【技術保護點】
1.一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于包括以下步驟：
2.根據權利要求1所述的一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于：在步驟1)中，利用上一迭代周期的量測數據Zk-1＝{z1,k-1,…,zM,k-1}，以及上一迭代周期的GLMB密度，依據自適應新生模型產生PHD濾波器及GLMB濾波器所需的新生強度，包括步驟：
3.根據權利要求2所述的一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于：在步驟2)中，當前迭代周期的量測數據Zk和新生目標分布πB+(X)送入基于GM-PHD濾波的未知場景參數估計器，進行檢測概率pd和雜波強度參數λ的估計，具體包括步驟：
4.根據權利要求3所述的一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于：在步驟3)中，利用量測數據Zk以及估計得到的場景參數λk和pd,k、新生目標分布πB+(X)，進行GLMB濾波得到本次迭代的后驗概率密度函數πk(X)，包括步驟：
5.一種自適應場景參數的廣義標簽多伯努利跟蹤濾波系統，其特征在于包括：
<...【技術特征摘要】
1.一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于包括以下步驟：
2.根據權利要求1所述的一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于：在步驟1)中，利用上一迭代周期的量測數據zk-1＝{z1,k-1,…,zm,k-1}，以及上一迭代周期的glmb密度，依據自適應新生模型產生phd濾波器及glmb濾波器所需的新生強度，包括步驟：
3.根據權利要求2所述的一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于：在步驟2)中，當前迭代周期的量測數據zk和新生目標分布πb+(x)送入基于gm-phd濾波的未知場景參數估計器，進行檢測概率pd和雜波強度參數λ的估計，具體包括步驟：
4.根據權利要求3所述的一種自適應場景參數的廣義標簽多伯努利跟蹤濾波方法，其特征在于：在步驟3)中，利用量測數據zk以及估計得到的場景參數λk和pd,k、新生目標分布πb+(x)，進行glmb濾波得到本次迭代的后驗概率密度函數πk(x)，包括步驟：<...
【專利技術屬性】
技術研發人員：韓磊，史令彬，王嘉瑋，程林，曾長軒，沈清野，趙浩然，張霞，蔣永梅，曹晟哲，丁同臻，
申請(專利權)人：國網浙江省電力有限公司舟山供電公司，
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。