(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211342629.5 (22)申请日 2022.10.31 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新西区西源 大道2006号 (72)发明人 姚思亦　宋廷松　赖锐　高林　 李万春　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 专利代理师 孙一峰 (51)Int.Cl. G01S 13/66(2006.01) G06K 9/62(2022.01) (54)发明名称 基于分布式PM HT的多目标跟踪方法 (57)摘要 本发明属于目标跟踪技术领域， 具体涉及基 于分布式PMHT的多目标跟踪方法。 该场景下用 PMHT算法 处理多目标跟踪的数据关联问题， 采用 多传感器获得更稳定精确的跟踪效果。 本发明将 其拓展到PMHT分布式算法， 在保证跟踪精度的情 况下灵活性实时性更强并且融合计算量更低。 本 发明可以很好的在临近和交叉等复杂环境下进 行多目标跟踪， 分布式PMHT 算法下每个传感器对 目标状态的跟踪结果趋于一致， 并且有着优于单 传感PMHT 算法的跟踪精度。 分布式PMHT 算法与集 中式相比， 计算量更小， 灵活性和及时性更高， 并 拥有与其接 近的跟踪效果。 权利要求书4页 说明书6页 附图3页 CN 115508822 A 2022.12.23 CN 115508822 A 1.基于分布式PMHT的多目标跟踪方法， 定义多目标跟踪场景下的目标总数为M， 传感器 个数为S， 传感器s的坐标表示为Us， 表示目标m在x,y轴上 的运动速度信息 和位置信息xm(t),ym(t)， 则t时刻目标m的状态参数表示为X＝ {xm(t)}， 传感器s在t时刻的第r个测量值表示为 量测和目标的关联关系表示 为 在t时刻传感器s的rt h测量来自目标p的先验 概率为πp， p＝1...M， 并且πp＝ Pr(kr,s(t)＝p)； 其特 征在于， 所述多目标跟踪方法包括以下步骤： S1、 定义第m个目标的运动符合线性模型， 其状态方程和观测方程 为： xm(t+1)＝Fm(t)xm(t)+vm(t) Zm,s(t)＝hs(t)xm(t)+wm,s(t) 其中， Zm,s(t)表示t时刻传感器s接收到的第m个目标产生的量测， 过程噪声vm(t)和量测 噪声wm,s(t)为互相独 立的0均值高斯白噪声， 且Qm(t)与Rm,s(t)分别为它们的协方差矩阵： Qm (t)＝E{vm(t)vm(t)T},Rm,s(t)＝E{wm,s(t)wm,s(t)T}； hs(t)和Fm(t)分别观测矩阵和状态转移 矩阵， 采样间隔为 △t， 则： S2、 根据量测和目标的关联关系即概率模型隐变量 由观测 得到对状态参数X的最 大似然求 解式： S3、 采用PMHT算法得到新的量测和协方差， PMHT算法是基于EM算法的批处理跟踪算法， 首先进行E‑step， 定义 Q函数如下 所示： 再进行M‑step， 包括： 首先计算后验概 率： 为传感器s在t时刻的rth量测是由目标kr,s(t)产生的后验概率， 表示变量χ 以μ为均值、 Σ为协方差的高斯分布； 表示传感器s在t时刻的rth量测是由权　利　要　求　书 1/4 页 2 CN 115508822 A 2目标kr,s(t)产生的先验概率， 与 表示目标kr,s(t)量测的均值与协方差， 同 理， 与Rp,s(t)表示传感器s对目标p量测的均值与协方差， V表示传感器侦察面积， 表示传感器s在t时刻的r th量测来自虚警的概 率； 对Q(X(n+1),X(n))进行极大化得到在多传感器场景下， 基于PMHT算法 的关于状态变量的 迭代函数Q(X(n+1),X(n))： 其中： 接下来为了极大化迭代函数需要计算导数 与下式的导数相同， 且 下式的极大化 通过扩展卡尔曼 滤波完成： 其中 与 是通过PMHT算法计算出的变量被用来当作新的量测和协方差， 定 义为质心测量与质心 协方差： 其中， Rm,s(t)为传感器s对目标 m量测的协方差； 为计算出的传感器s在t时刻的 rth量测是由目标m产生的后验概 率； S4、 数据融合及状态预测： 在卡尔曼滤波阶段对各个传感器节点进行数据融合， 令S为传感器集合， 对每一个节点 i∈S,Si表示能与它进行数据融合的邻近节点, πi,j表示融合权重， 其中j∈Si， 由融合权重构 成的融合矩阵是 行随机的本原 矩阵； 设置融合的迭代次数为 L， 融合步骤如下： S41、 对t时刻 传感器i的测量 进行采样得到融合过程中的中间变量 和 权　利　要　求　书 2/4 页 3 CN 115508822 A 3