申请/专利权人：杭州电子科技大学

申请日：2021-08-20

公开（公告）日：2024-02-13

公开（公告）号：CN113822335B

主分类号：G06F18/25

分类号：G06F18/25;G06F18/21

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2022.01.07#实质审查的生效;2021.12.21#公开

摘要：本发明公开基于GPB1‑GM‑PHD的序贯融合目标跟踪方法。首先，基于一阶伪贝叶斯估计方法和GM‑PHD滤波器提出了单传感器一阶伪贝叶斯估计GM‑PHD跟踪算法，实现了对多机动目标的跟踪；然后，利用多传感器分布式融合架构，通过序贯融合将各传感器的后验高斯混合集进行融合。本发明提出了一套完整的处理方法和流程，配置结构明了，计算量小，可广泛应用于多机动目标跟踪领域，该方法可以有效提高多目标跟踪的精度和鲁棒性。

主权项：1.基于GPB1-GM-PHD的序贯融合目标跟踪方法，其特征在于该方法包括以下步骤：步骤1、构建多传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；步骤2、对多目标的状态、观测进行建模；步骤3、单传感器滤波器的多模型建模；步骤4、基于步骤2、3，对所有传感器进行GPB1-GM-PHD滤波，得到各自的后验高斯混合集，具体是：4-1单传感器GPB1-GM-PHD预测假设k-1时刻的后验高斯混合集为其中分别表示k-1时刻第β个GM-PHD分量的权重、状态均值、协方差，Jk-1表示k-1时刻的后验高斯分量的数量，那么模型r对第β个GM-PHD分量的预测用式8-10表示，其中1≤r≤M： 式中，表示模型r对第β个GM-PHD分量的权重预测；ps,k表示k时刻目标的生存概率；表示模型r对第β个GM-PHD分量的状态均值预测；表示k-1时刻模型r的状态转移矩阵；表示模型r对第β个GM-PHD分量的协方差预测；表示k-1时刻模型r的过程噪声协方差；上标T表示转置；4-2单传感器GPB1-GM-PHD更新参数构建： 式中，是模型r对第β个GM-PHD分量的观测预测；Hk是k时刻的观测矩阵；是模型r对第β个GM-PHD分量的状态均值预测；是模型r对第β个GM-PHD分量的新息协方差；是k时刻模型r的观测噪声协方差；是模型r对第β个GM-PHD分量的协方差预测；是模型r对第β个GM-PHD分量的滤波增益；是模型r对第β个GM-PHD分量更新的协方差；I是单位矩阵；4-3单传感器多模型GM-PHD更新更新后的后验高斯混合集为由漏检的GM-PHD分量和有量测的GM-PHD分量更新组成，其中分别表示第i个GM-PHD分量的权值、状态均值、协方差，Jk表示更新后共有Jk个GM-PHD分量；步骤5、利用分布式融合结构对各单传感器得到的后验高斯混合集进行多传感器序贯融合跟踪；步骤6、重复步骤4-5，得到对目标所有时刻的多传感器融合估计结果，实现对多目标跟踪。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于GPB1-GM-PHD的序贯融合目标跟踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD