1.雷达多目标跟踪PHD实现方法,其特征在于,具体包括以下步骤:
S1、已知k-1时刻雷达跟踪区域内多个目标的初始位置和运动模型,使用随机变量固定点采样非线性变换高斯近似方法,对k-1时刻雷达跟踪区域内各目标的每个高斯分量进行状态预测估计,得到雷达跟踪区域内各目标在k时刻的一步预测估计PHDDk|k-1(x):Dk|k-1(x)=DS,k|k-1(x)+γk|k-1(x)
其中DS,k|k-1(x)为从k-1时刻到k时刻仍然存活的目标S的概率假设密度,γk|k-1(x)为从k-1时刻到k时刻新生的目标γ的概率假设密度;
将仍然存活的目标的高斯分量和新生目标的高斯分量统一为k时刻一步预测高斯分量,即:其中Jk|k-1为基于k-1时刻各目标状态的高斯分量一步预测得到的k时刻高斯分量总数,i为表示k时刻一步预测高斯分量数目的变量, 为k时刻第i个高斯分量的权重,表示目标状态x服从高斯分布, 分别为k时刻第i个高斯分量的均值和协方差;
S2、以雷达为坐标原点建立笛卡尔坐标系,使用Unscented变换将k时刻的雷达量测数据转换为笛卡尔坐标系下高斯形态的目标状态似然数据,得到雷达量测值zkj目标状态似然数据的均值 和协方差S3、对目标状态似然数据与一步预测得到的高斯分量进行乘积融合滤波,得到融合后各高斯分量的似然权重、均值和协方差;
S4、使用PHD滤波器计算k时刻雷达漏检目标的高斯分量,得到k时刻雷达跟踪区域内所有目标的高斯分量Dk|k(x)和最终权重S5、设置枝剪阈值和合并阈值,舍弃最终权重 小于枝剪阈值的高斯分量,合并分布距离db,e小于合并阈值的高斯分量;
S6、经过枝剪和合并后,令跟踪目标数目取所有高斯分量的权重和,目标状态取权重大于0.5的高斯分量的均值,迭代进行下一轮滤波直至跟踪结束。
2.根据权利要求1所述的雷达多目标跟踪PHD实现方法,其特征在于,所述S1中使用的随机变量固定点采样非线性变换高斯近似方法,为Unscented变换、Cabuture变换或高斯厄米特数值积分。
3.根据权利要求1所述的雷达多目标跟踪PHD实现方法,其特征在于,所述S2使用Unscented变换进行数据转换的过程如下:以k时刻的第j个雷达量测值zkj为均值,以雷达量测噪声为协方差,按照Unscented变换规则生成sigma采样点 和采样点权值利用反函数计算采样点并求出目标状态似然数据的均值和协方差:
其中n为雷达量测数据的维度, 为采样点 计算得到的样本点,h-1为雷达量测函数的反函数, 为雷达量测值zkj目标状态似然数据的均值, 为第a个样本点用于计算均值时的权重, 为雷达量测值zkj目标状态似然数据的协方差, 为第a个样本点用于计算协方差时的权重,T为转置;
对雷达量测值状态似然数据进行扩维处理:
为扩维后的 为扩维后的 F1T为扩维矩阵F1的转置。
4.根据权利要求1所述的雷达多目标跟踪PHD实现方法,其特征在于,所述S3中乘积融合滤波过程是:其中 分别为第i个高斯分量与zkj的目标状态似然数据融合得到的高斯分量的似然权重、均值和协方差, 为 的反函数, 为 的反函数。
5.根据权利要求1所述的雷达多目标跟踪PHD实现方法,其特征在于,所述S4中高斯分量Dk|k(x)和最终权重 的计算公式如下:其中PD,k为k时刻雷达对目标的检测概率,PD,k取0.95~0.99,Zk为k时刻雷达量测值的集合, 为最终权重,即第i个高斯分量和第j个雷达量测值乘积融合得到的高斯分量在生成Dk|k(x)时的权重,λ为杂波泊松分布的均值,c(zkj)为k时刻第j个雷达量测值来自杂波的概率密度。
6.根据权利要求1所述的雷达多目标跟踪PHD实现方法,其特征在于,所述S5中设置的枝剪阈值为0.0001,合并阈值为5,合并距离 k时刻雷达跟踪区域内所有目标的高斯分量的合并过程为:
其中b、e为表示k时刻雷达跟踪区域内所有目标的高斯分量数目的变量,b≠e, 为第b个高斯分量的协方差, 为 的反函数,wb,e为第b个高斯分量的权重 与第e个高斯分量的权重 合并后得到的权重,mb,e为第b个高斯分量的均值 与第e个高斯分量的均值 合并后得到的均值,pb,e为第b个高斯分量的协方差 与第e个高斯分量的协方差合并后得到的协方差。