CN118759514B 一种多目标跟踪方法 （北京信息科技大学）

所探测的海洋目标的非线性状态方程和非线性积卡尔曼滤波算法处理预测协方差矩阵得到计2步骤S2：基于所述非线性状态方程和非线性量测方程步骤S4：基于所述计算结果确定高斯混合泊松多伯努利混b表示新生目标泊松强度高斯形式，γ表示新生目标标志，Jγ,k表示跟踪过程中k-1表示跟踪过程中第k-1时刻泊松强度高斯形式，Jk-1表示跟踪过程中第k-1时3k|k-1表示通过k-1时刻预测k时刻的预测泊松强度密度函数，λb表示新生目标泊其中，表示k时刻第a个全局假设中第i个伯努利分量的第q个高斯分量的预测权表示k时刻第a个全局假设中第i个伯努利分量的第q个高斯分量的预测均值，表示第a个全局假设中第i个伯努利分量高斯均值，表示k时刻第a个全局假设中第i个伯努利分量的第q个高斯分量的预测协方差矩阵，第a个全局假设中第i个伯努利分量高斯协D表示目标漏检概率；4第a个全局假设中第i个伯努利分量高斯预测权重，表示k时刻第a个全局假设中第i个k表示k时刻非线性量测矩阵，表示k时刻第a的高斯更新存在概率，表示k时刻第a个全局假设中第i个伯5T表示矩阵H的转置。步骤S405：生成更新容积点χq，+，采用非线性量测函数hk(.)传递，得出传递容积点6预测状态和不确定度作为初始值输入到高斯混合泊松多伯努利混合滤波算法中的预测过行时执行如权利要求1_10中任一项所述的一种多目标跟踪方所述处理器执行所述计算机程序时实现权利要求1_10中任一项所述的一种多目标跟踪方7[0003]当前多目标跟踪方法的常用手段包括两类：第一种采用8述预测和更新平方根协方差矩阵确定高斯混合实现的泊松多伯努利混合算法的预测和更[0012]步骤S1：建立雷达传感器所探测的海洋目标的非线性状态方程和非线性量测方9重，N(·)表示高斯分布，表示跟踪过程中第k时刻第q个高斯分量的新生目标均值，1时刻高斯分量数目，wq，k_1表示跟踪过程中第k_1时刻第q个高斯分量的新生目标权重，表示跟踪过程中第k_1时刻第q个高斯分量的新生目标均值，Pq，k_1表示跟踪过程中第k_1时刻第q个高斯分量的新生目标协方测权重，表示跟踪过程中第k_1时刻的第a个全局假设中第i个伯努利分量高斯权重，表示k时刻第a个全局假设中第i个伯努利分量的第q个高斯分量的预测均值，表努利分量的第q个高斯分量的预测协方差矩阵，第a个全局假设中第i个伯努利分量高表示k时刻高斯分量数目，w-表示k时刻第q[0043]其中，表示k时刻第a个全局假设中第i个伯努利分量的更新概率密度函数，Jk|k-1表示k时刻多伯努利分量的高斯分量数目，zk表示k时刻目标状态所对应的观测值，表示k时刻第q个多伯努利高斯分量协方差矩阵；和Pq中第i个伯努利分量高斯预测存在概率，表示k-1时刻第a个全局假设中第i个伯努利分i个伯努利分量的第q个高斯分量的均值，表示k时刻第a个全局假设中第i个伯[0056]步骤S401：通过Cholesky分解预测协方差矩阵记为其斯混合泊松多伯努利混合滤波算法中的预测过程；通过预测过程迭代目标状态和预测状[0076]图2为本发明一种多目标跟踪方法的强非线性高杂波低检测概率场景下海洋目标[0077]图3为本发明一种多目标跟踪方法的强非线性高杂波低检测概率场景下目标势估[0078]图4为本发明一种多目标跟踪方法的强非线性高杂波低检测概率场景下0SPA距离[0083]步骤S1：建立雷达传感器所探测的海洋目标的非线性状态方程和非线性量测方重，N(·)表示高斯分布，表示跟踪过程中第k时刻第q个高斯分量的新生目标均值，1时刻高斯分量数目，wq，k-1表示跟踪过程中第k-1时刻第q个高斯分量的新生目标权重，表示跟踪过程中第k-1时刻第q个高斯分量的新生目标均值，Pq，k-1表示跟踪过程中第k-1时刻第q个高斯分量的新生目标协方[0104]其中，表示k时刻第a测权重，表示跟踪过程中第k-1时刻的第a个全局假设中第i个伯努利分量高斯权重，表示k时刻第a个全局假设中第i个伯努利分量的第q个高斯分量努利分量的第q个高斯分量的预测协方差矩阵，第a个全局假设中第i个[0114]其中，表示k时刻第a个全局假设中第i个伯努利分量的更新概率密度函数，Jk|k-1表示k时刻多伯努利分量的高斯分量数目，zk表示k时刻目标状态所对应的观测值，表示k时刻第q个多伯努利高斯分量协方差矩阵；和Pq时刻第a个全局假设中第i个伯努利分量高中第i个伯努利分量高斯预测存在概率，表示k-1时刻第a个全局假设中第i个伯努利分i个伯努利分量的第q个高斯分量的均值，表示k时刻第a个全局假设中第i个伯[0122]本实施例中，所述步骤S2中协方差矩阵包括预测协方差[0127]步骤S401：通过Cholesky分解预测协方差矩阵记为其[0140]为接近海洋目标跟踪的真实环境，设定一个强非线性高杂波低检测概率仿真场[0148]请参阅图3和图4，图3是本发明实施例提供的强非线性高杂波低检测概率场景下势估计误差图；图4是本发明实施例提供的强非线性高杂波低检测概率场景下OSPA距离对势估计较其余三种算法，表现效果最差，由于在强非线性高杂波低检测概率场景下SMC_PMBM算法涉及到SMC的采样粒子数目过多容易发生粒子退化现象，对目标数目估计存在干低检测概率场景下在目标势估计和跟踪性能上优于所对比的所述处理器执行所述计算机程序时实现一种多目标跟踪方现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0154]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，