本發(fā)明屬于復(fù)雜噪聲下的擴(kuò)展目標(biāo)跟蹤，尤其涉及基于非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤方法。

背景技術(shù)：

1、隨著傳感器分辨率的逐步提高，目標(biāo)可以占據(jù)多個(gè)分辨率單元，即每個(gè)目標(biāo)在每個(gè)時(shí)刻可以對應(yīng)多個(gè)分辨率單元，即目標(biāo)在每個(gè)時(shí)刻可以對應(yīng)多個(gè)量測，這類目標(biāo)被稱為擴(kuò)展目標(biāo)。擴(kuò)展目標(biāo)跟蹤可以利用多個(gè)量測的空間分布信息，同時(shí)聯(lián)合估計(jì)目標(biāo)的運(yùn)動(dòng)和形狀信息。一般將目標(biāo)的擴(kuò)展目標(biāo)形態(tài)狀近似為橢圓，koch用對稱正定的隨機(jī)矩陣來表征橢圓形狀，基于同一時(shí)刻的多源量測得到其運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)的聯(lián)合估計(jì)。feldmann考慮噪聲對目標(biāo)形態(tài)跟蹤的影響，對量測似然函數(shù)進(jìn)行修正。yang等提出一種乘性誤差模型，該模型將形態(tài)建模為包含朝向和長短軸的三維向量，從而對橢圓目標(biāo)進(jìn)行參數(shù)化表示。但是上述方法都是在假設(shè)為高斯噪聲的條件下對擴(kuò)展目標(biāo)進(jìn)行跟蹤。在實(shí)際工況的異常噪聲情況下，過程與量測噪聲呈現(xiàn)非高斯重尾分布，為實(shí)現(xiàn)在這種噪聲下精確跟蹤目標(biāo)，一些學(xué)者分別開發(fā)了學(xué)生t濾波器和魯棒學(xué)生t濾波器。但在實(shí)際工程應(yīng)用中，由于環(huán)境變化，狀態(tài)異常值和量測異常值可能出現(xiàn)在不同時(shí)間段，從而產(chǎn)生非平穩(wěn)的重尾過程噪聲和測量噪聲。這些噪聲有時(shí)可能服從高斯分布，有時(shí)可能服從重尾分布，并且其分布參數(shù)可能各不相同。例如，擴(kuò)展目標(biāo)在遮擋物較多的復(fù)雜場景中運(yùn)動(dòng)時(shí)，目標(biāo)的回波信號可能受到大量異常噪聲的干擾，此時(shí)可以建模為厚尾噪聲；當(dāng)目標(biāo)又進(jìn)入空曠環(huán)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(xué)生t混合分布，以適應(yīng)非平穩(wěn)噪聲環(huán)境。gstm分布可以通過混合概率描繪噪聲的非平穩(wěn)性，并且可以通過設(shè)定混合概率值將其轉(zhuǎn)化為單一的高斯噪聲或厚尾噪聲，從而能包容介于高斯分布student’s?t分布之間的異常噪聲。所以，針對復(fù)雜環(huán)境下的擴(kuò)展目標(biāo)跟蹤問題，需要提出一種量測噪聲和過程噪聲呈非平穩(wěn)厚尾特性時(shí)，可以精確跟蹤目標(biāo)運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)的方法。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提出了基于非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤方法，有效解決了在復(fù)雜噪聲環(huán)境中對擴(kuò)展目標(biāo)跟蹤效果較差的問題，具有更強(qiáng)的魯棒性和適應(yīng)性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了基于非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤方法，包括：

3、s1、對目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)進(jìn)行初始化，獲得狀態(tài)的初始化信息；

4、s2、根據(jù)所述狀態(tài)的初始化信息，獲得目標(biāo)的量測模型；

5、s3、將所述目標(biāo)的量測模型和運(yùn)動(dòng)狀態(tài)模型為gstm分布，通過引入伯努利變量，將目標(biāo)狀態(tài)一步預(yù)測密度和量測似然函數(shù)，構(gòu)建分層高斯?fàn)顟B(tài)空間模型；

6、s4、基于所述分層高斯?fàn)顟B(tài)空間模型，對目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)進(jìn)行預(yù)測更新；

7、s5、通過變分貝葉斯方法對目標(biāo)狀態(tài)參數(shù)量測更新，判斷是否繼續(xù)跟蹤，繼續(xù)跟蹤則返回s4，反之則完成擴(kuò)展目標(biāo)跟蹤。

8、可選的，對目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)進(jìn)行初始化的方法為：

9、設(shè)定k時(shí)刻擴(kuò)展目標(biāo)狀態(tài)用集合ζk：

10、ζk＝(xk,xk)?(1)

11、其中，xk表示目標(biāo)的運(yùn)動(dòng)狀態(tài)，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(biāo)的擴(kuò)展形態(tài)；

12、k時(shí)刻的目標(biāo)狀態(tài)空間為，

13、

14、設(shè)定狀態(tài)轉(zhuǎn)移矩陣t為采樣周期，n為采樣次數(shù)，id表示d維的單位矩陣；表示克羅內(nèi)克積；wk-1表示協(xié)方差為qk-1的非平穩(wěn)異常噪聲；

15、假設(shè)擴(kuò)展?fàn)顟B(tài)的后驗(yàn)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(shí)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(shù)和參數(shù)矩陣；

18、假設(shè)擴(kuò)展?fàn)顟B(tài)的狀態(tài)轉(zhuǎn)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(shù)。

21、可選的，根據(jù)所述狀態(tài)的初始化信息，獲得目標(biāo)的量測模型的方法為：

22、

23、其中，表示量測源的位置，表示協(xié)方差為sxk+rk的非平穩(wěn)異常量測噪聲，s為縮放因子，k時(shí)刻目標(biāo)所對應(yīng)的全部量測集合為nk表示k時(shí)刻目標(biāo)產(chǎn)生的量測數(shù)。

24、可選的，將所述目標(biāo)的量測模型和運(yùn)動(dòng)狀態(tài)模型為gstm分布的方法為：

25、滿足gstm分布的隨機(jī)變量r的概率密度函數(shù)表示為：

26、

27、其中，n(·)表示高斯分布，st(·)表示學(xué)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(shù)；混合概率服從貝塔分布，概率密度函數(shù)表示為：

28、

29、其中，l表示先驗(yàn)形狀參數(shù)；

30、利用式(6)和(7)，gstm分布的隨機(jī)向量r的概率密度函數(shù)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(biāo)狀態(tài)一步預(yù)測密度和量測似然函數(shù)的方法為：通過引入伯努利隨機(jī)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(shù)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(wěn)厚尾噪聲時(shí)，當(dāng)引入伯努利變量時(shí)，將擴(kuò)展目標(biāo)的運(yùn)動(dòng)狀態(tài)一步預(yù)測函數(shù)和量測似然函數(shù)寫成為：

39、

40、

41、其中，和pk|k-1為狀態(tài)預(yù)測值和狀態(tài)；為量測矩陣；xk為擴(kuò)展?fàn)顟B(tài)；zk為k時(shí)刻目標(biāo)所對應(yīng)的全部量測集合，zk-1表示前k-1時(shí)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(shù)，q0和g0為貝塔分布的先驗(yàn)形狀參數(shù)；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(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)進(jìn)行預(yù)測更新的方法為：

43、在貝葉斯濾波框架下，目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)的聯(lián)合預(yù)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(kuò)展?fàn)顟B(tài)的后驗(yàn)概率密度和狀態(tài)轉(zhuǎn)移概率密度的假設(shè)，得到擴(kuò)展?fàn)顟B(tài)的預(yù)測密度表示為，

48、

49、其中：

50、

51、

52、將聯(lián)合預(yù)測概率密度函數(shù)p(xk,xk∣zk-1,σk,tk)寫成如下形式，

53、

54、可選的，通過變分貝葉斯方法對目標(biāo)狀態(tài)參數(shù)量測更新的方法為：給定目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)以及量測次數(shù)下的似然函數(shù)更新為，

55、

56、其中量測質(zhì)心zk和散射矩陣表示為，

57、

58、采取變分貝葉斯方法求得狀態(tài)的近似解，

59、

60、其中，其聯(lián)合分布p(φk,zk)表示為，

61、

62、其中，目標(biāo)狀態(tài)更新為，

63、

64、其中，和表示為，

65、

66、其中，目標(biāo)擴(kuò)展?fàn)顟B(tài)更新為，

67、

68、本發(fā)明技術(shù)效果：本發(fā)明公開了基于非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤方法，將噪聲建模為高斯-厚尾切換分布，通過引入伯努利隨機(jī)變量，將其表示為分層高斯形式，并將目標(biāo)的擴(kuò)展?fàn)顟B(tài)建模為逆威沙特分布，在變分貝葉斯的方法下得到目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)；有效解決了在復(fù)雜噪聲環(huán)境中對擴(kuò)展目標(biāo)跟蹤效果較差的問題，具有更強(qiáng)的魯棒性和適應(yīng)性。