本發(fā)明屬于多傳感器信息融合技術(shù)領(lǐng)域，尤其涉及一種適用于閃爍噪聲的多目標(biāo)跟蹤方法及系統(tǒng)。

背景技術(shù)：

邊緣分布貝葉斯濾波器是適用于雜波和噪聲下多目標(biāo)跟蹤的有效方法，但濾波器僅適用于噪聲為高斯噪聲的情況，不適用于噪聲為閃爍噪聲的情況。如何解決閃爍噪聲下多目標(biāo)跟蹤問題是需要探索和解決的關(guān)鍵技術(shù)問題。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于提供一種適用于閃爍噪聲的多目標(biāo)跟蹤方法與跟蹤系統(tǒng)，旨在解決閃爍噪聲下非線性運動目標(biāo)的跟蹤問題。

本發(fā)明是這樣實現(xiàn)的，一種適用于閃爍噪聲的多目標(biāo)跟蹤方法，包括：

根據(jù)前一時刻各個目標(biāo)的合同分布和存在概率以及當(dāng)前時刻與前一時刻的時間差，采用啟發(fā)式的方法產(chǎn)生伽馬分布的形狀參數(shù)和尺度參數(shù)，進(jìn)而得到當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率；

根據(jù)所述當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率，利用變分貝葉斯方法序貫處理當(dāng)前時刻的測量數(shù)據(jù)，得到當(dāng)前時刻各個目標(biāo)的更新合同分布和更新存在概率；

利用當(dāng)前時刻的測量數(shù)據(jù)生成新生目標(biāo)的合同分布，并為所述新生目標(biāo)指定存在概率，將所述新生目標(biāo)的合同分布及存在概率分別與所述當(dāng)前時刻的更新合同分布及更新存在概率進(jìn)行合并，得到當(dāng)前時刻各個目標(biāo)的合同分布和存在概率；

從所述當(dāng)前時刻各個目標(biāo)中裁減掉存在概率小于第一閾值的目標(biāo)，并將裁減后余下目標(biāo)的合同分布和存在概率作為濾波器下一次遞歸的輸入，從所述裁減后余下的目標(biāo)中提取存在概率大于第二閾值的目標(biāo)，所提取出的目標(biāo)的合同分布作為所述當(dāng)前時刻的輸出，所輸出的合同分布的均值作為當(dāng)前時刻目標(biāo)的狀態(tài)估計。

本發(fā)明還提供了一種適用于閃爍噪聲的多目標(biāo)跟蹤系統(tǒng)，包括：

預(yù)測模塊，用于根據(jù)前一時刻各個目標(biāo)的合同分布和存在概率以及當(dāng)前時刻與前一時刻的時間差，采用啟發(fā)式的方法產(chǎn)生伽馬分布的形狀參數(shù)和尺度參數(shù)，進(jìn)而得到當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率；

更新模塊，用于根據(jù)所述當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率，利用變分貝葉斯方法序貫處理當(dāng)前時刻的測量數(shù)據(jù)，得到當(dāng)前時刻各個目標(biāo)的更新合同分布和更新存在概率；

生成模塊，用于利用當(dāng)前時刻的測量數(shù)據(jù)生成新生目標(biāo)的合同分布，并為所述新生目標(biāo)指定存在概率，將所述新生目標(biāo)的合同分布及存在概率分別與所述當(dāng)前時刻的更新合同分布及更新存在概率進(jìn)行合并，得到當(dāng)前時刻各個目標(biāo)的合同分布和存在概率；

提取模塊，用于從所述當(dāng)前時刻各個目標(biāo)中裁減掉存在概率小于第一閾值的目標(biāo)，并將裁減后余下目標(biāo)的合同分布和存在概率作為濾波器下一次遞歸的輸入，從所述裁減后余下的目標(biāo)中提取存在概率大于第二閾值的目標(biāo)，所提取出的目標(biāo)的合同分布作為所述當(dāng)前時刻的輸出，所輸出的合同分布的均值作為當(dāng)前時刻目標(biāo)的狀態(tài)估計。

本發(fā)明與現(xiàn)有技術(shù)相比，有益效果在于：本發(fā)明實施例通過用t分布建模閃爍噪聲，利用變分貝葉斯方法獲得閉合表達(dá)式，用各個分變量邊緣分布的乘積來逼近多變量的合同分布，從而將多變量的合同估計化為對各個分變量邊緣分布的迭代估計，有效解決了閃爍噪聲下非線性運動目標(biāo)的跟蹤問題，提高多目標(biāo)的跟蹤精度。

附圖說明

圖1是本發(fā)明實施例提供的一種適用于閃爍噪聲的多目標(biāo)跟蹤方法的流程圖；

圖2是本發(fā)明實施例提供的傳感器70個掃描周期的測量數(shù)據(jù)；

圖3是在閃爍噪聲下按照本發(fā)明實施例提供的多目標(biāo)跟蹤方法處理得到的結(jié)果；

圖4是在閃爍噪聲下根據(jù)UK-PHD濾波器的多目標(biāo)跟蹤方法處理得到的結(jié)果；

圖5是按照本發(fā)明實施例提供多目標(biāo)跟蹤方法與UK-PHD濾波方法在經(jīng)過100次實驗得到的平均OSPA距離示意圖；

圖6是本發(fā)明實施例提供一種適用于閃爍噪聲的多目標(biāo)跟蹤系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實施例根據(jù)前一時刻接收的測量數(shù)據(jù)的各個目標(biāo)的合同分布及存在概率預(yù)測當(dāng)前時刻接收的新的測量數(shù)據(jù)的各個目標(biāo)的合同分布及存在概率；根據(jù)預(yù)測的合同分布及存在概率，利用變分貝葉斯方法序貫處理當(dāng)前時刻的各測量得到各個目標(biāo)的更新合同分布及存在概率；分別將更新的合同分布及存在概率與新目標(biāo)的合同分布及存在概率進(jìn)行合并，生成當(dāng)前時刻各個目標(biāo)的合同分布及存在概率，這樣使得本發(fā)明實施例能夠很好的解決閃爍噪聲下非線性運動目標(biāo)的跟蹤問題。

基于上述原理，本發(fā)明實施例提供了如圖1所示的一種適用于閃爍噪聲的多目標(biāo)跟蹤方法，包括：

S101，根據(jù)前一時刻各個目標(biāo)的合同分布和存在概率以及當(dāng)前時刻與前一時刻的時間差，采用啟發(fā)式的方法產(chǎn)生伽馬分布的形狀參數(shù)和尺度參數(shù)，進(jìn)而得到當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率；

S102，根據(jù)所述當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率，利用變分貝葉斯方法序貫處理當(dāng)前時刻的測量數(shù)據(jù)，得到當(dāng)前時刻各個目標(biāo)的更新合同分布和更新存在概率；

S103，利用當(dāng)前時刻的測量數(shù)據(jù)生成新生目標(biāo)的合同分布，并為所述新生目標(biāo)指定存在概率，將所述新生目標(biāo)的合同分布及存在概率分別與所述當(dāng)前時刻的更新合同分布及更新存在概率進(jìn)行合并，得到當(dāng)前時刻各個目標(biāo)的合同分布和存在概率；

S104，從所述當(dāng)前時刻各個目標(biāo)中裁減掉存在概率小于第一閾值的目標(biāo)，并將裁減后余下目標(biāo)的合同分布和存在概率作為濾波器下一次遞歸的輸入，從所述裁減后余下的目標(biāo)中提取存在概率大于第二閾值的目標(biāo)，所提取出的目標(biāo)的合同分布作為所述當(dāng)前時刻的輸出，所輸出的合同分布的均值作為當(dāng)前時刻目標(biāo)的狀態(tài)估計。

具體地，在步驟S101中，以k-1表示前一時刻，k表示當(dāng)前時刻，t_k-1表示前一時刻的時間，t_k表示當(dāng)前時刻的時間，所述當(dāng)前時刻的測量噪聲服從ξ維的t分布，以S(z_k；H_kx_k,R_k,r_k)表示所述當(dāng)前時刻測量的概率密度函數(shù)，其中H_kx_k表示t分布的均值，R_k表示精度矩陣，r_k表示t分布的自由度，且前一時刻目標(biāo)i的多變量合同分布為目標(biāo)i的存在概率為ρ_i,k-1，其中，N表示高斯分布，g表示伽瑪分布，x_i,k-1表示前一時刻第i個合同分布的狀態(tài)向量，m_i,k-1表示前一時刻第i個合同分布中高斯分布的均值，P_i,k-1表示前一時刻第i個合同分布中高斯分布的方差，表示R_k的對角線元素，和γ_i,k-1表示前一時刻第i個合同分布中伽瑪分布的形狀參數(shù)，和η_i,k-1表示前一時刻第i個合同分布中伽瑪分布的尺度參數(shù),ξ為狀態(tài)向量的維數(shù)，i＝1,2,...,N_k-1，N_k-1為前一時刻目標(biāo)的總數(shù)；

根據(jù)前一時刻各個目標(biāo)的合同分布和存在概率、當(dāng)前時刻與前一時刻的時間差，得到當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布當(dāng)前時刻各個目標(biāo)的預(yù)測存在概率為ρ_i,k|k-1＝P_s,k(t_k-t_k-1)ρ_i,k-1；其中，i＝1,2,...,N_k-1，為當(dāng)前時刻第i個合同分布中高斯分布的均值，為當(dāng)前時刻第i個合同分布中高斯分布的方差，Sigma點x_i,0＝m_i,k-1，Sigma點的權(quán)重l＝1,...,ξ，為目標(biāo)的幸存概率，γ_i,k|k-1＝ρ_γγ_i,k-1為當(dāng)前時刻第i個合同分布中伽瑪分布的形狀參數(shù)，η_i,k|k-1＝ρ_ηη_i,k-1為當(dāng)前時刻第i個合同分布中伽瑪分布的尺度參數(shù)，f為非線性函數(shù)，Q_k-1為所述接收時刻的過程噪聲方差矩陣，上標(biāo)T表示矩陣或向量的轉(zhuǎn)置，T為采樣周期，δ為已知的常數(shù)，ρ_α，ρ_β，ρ_γ，ρ_η為傳播因子，取值范圍為(0,1]，r_k表示自由度，為已知常數(shù)，ξ為狀態(tài)向量的維數(shù)，k為一尺度參數(shù)。

在步驟S102中，設(shè)當(dāng)前時刻接收到的觀測集為y_k＝(y_1,k,…,y_M,k)，其中，M為當(dāng)前時刻接收到測量數(shù)據(jù)總數(shù)，則所述根據(jù)所述當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率，利用變分貝葉斯方法序貫處理當(dāng)前時刻的測量數(shù)據(jù)，得到當(dāng)前時刻各個目標(biāo)的更新合同分布和更新存在概率，包括：

S1021，以當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率作為當(dāng)前時刻各個目標(biāo)的初始合同分布和初始存在概率，即初始合同分布取為

初始存在概率取為其中i＝1,2,...,N_k-1，

S1022，利用變分貝葉斯方法對第1個至第M個測量數(shù)據(jù)依次進(jìn)行序貫處理；

設(shè)第j個測量數(shù)據(jù)處理前各個目標(biāo)的合同分布及存在概率分別為和其中，i＝1,2,...,N_k-1,1≤j≤M；由和求得用第j個測量更新時各個目標(biāo)的存在概率為其中

求得用第j個測量更新時各個目標(biāo)的合同分布為

其中，表示伽瑪函數(shù)，tr表示矩陣的跡，表示均值向量，表示協(xié)方差矩陣，表示濾波器增益；其中Sigma點伽瑪分布的形狀參數(shù)為伽瑪分布的尺度參數(shù)為H_k為觀測矩陣，R_k為觀測噪聲方差矩陣，P_D,k為目標(biāo)的檢測概率，λ_c,k為雜波密度，I表示單位矩陣，y_j,k為當(dāng)前時刻接收到的第j個測量數(shù)據(jù)，上標(biāo)T表示為矩陣或向量的轉(zhuǎn)置，ξ為狀態(tài)向量的總維數(shù)；

若則第j個測量數(shù)據(jù)處理后目標(biāo)i的合同分布為

其存在概率為其中

若則第j個測量數(shù)據(jù)處理后目標(biāo)i的合同分布為

其存在概率為其中

S1023，第M個測量數(shù)據(jù)處理后的各個目標(biāo)的合同分布及存在概率分別為和其中i＝1,2,...,N_k-1；將第M個測量數(shù)據(jù)處理后各個目標(biāo)的合同分布及存在概率分別作為當(dāng)前時刻各個目標(biāo)的更新合同分布，由此得到當(dāng)前時刻各個目標(biāo)的更新合同分布為

及當(dāng)前時刻各個目標(biāo)的更新存在概率其中i＝1,…,N_k-1，

在步驟S103中，設(shè)所述當(dāng)前時刻各個目標(biāo)的更新合同分布為

各個目標(biāo)的存在概率為ρ_i,k；其中i＝1,2,...,N_k-1，利用所述當(dāng)前時刻的M個測量數(shù)據(jù)生成當(dāng)前時刻新生目標(biāo)的合同分布為并指定當(dāng)前時刻各新生目標(biāo)的存在概率為其中j＝1,2,...,M，為給定的第j個新生目標(biāo)的合同分布中高斯分布的協(xié)方差，為第j個新生目標(biāo)的合同分布中高斯分布的均值，由所述當(dāng)前時刻第j個測量數(shù)據(jù)y_j,k＝[x_j,k y_j,k]^T產(chǎn)生，并且和為所述當(dāng)前時刻第j個新生目標(biāo)的合同分布中伽瑪分布的形狀參數(shù)，和為所述當(dāng)前時刻第j個新生目標(biāo)的合同分布中伽瑪分布的尺度參數(shù)。

將所述當(dāng)前時刻各個目標(biāo)的更新合同分布與所述當(dāng)前時刻新生目標(biāo)的合同分布進(jìn)行合并，得到當(dāng)前時刻各個目標(biāo)的合同分布為

將所述當(dāng)前時刻各個目標(biāo)的存在概率與所述當(dāng)前時刻新生目標(biāo)的存在概率進(jìn)行合并，得到所述當(dāng)前時刻各個目標(biāo)的存在概率為其中N_k＝N_k-1+M。

下面結(jié)合圖2至圖5對本實施例進(jìn)行進(jìn)一步地解釋：

在本實施例中，考慮二維空間[-1000m,1000m]_×[-1000m,1000m]中非線性運動的目標(biāo)。目標(biāo)的狀態(tài)由位置、速度和轉(zhuǎn)彎率構(gòu)成，表示為x＝[x &x y &y ω]，其中x和y分別表示位置分量，&x和&y分別表示速度分量，ω表示轉(zhuǎn)彎率，上標(biāo)T表示向量的轉(zhuǎn)置，狀態(tài)轉(zhuǎn)移矩陣為過程噪聲方差矩陣為△t_k＝t_k-t_k-1為當(dāng)前時刻與前一時刻的時間差，σ_v和σ_w為過程噪聲標(biāo)準(zhǔn)差；雷達(dá)的觀測方程為：

觀測噪聲方差矩陣σ_r和σ_θ為觀測噪聲標(biāo)準(zhǔn)差，測量噪聲v_k假設(shè)服從r_k＝10的t分布。

為了產(chǎn)生仿真數(shù)據(jù)，取幸存概率p_S,k＝1.0、檢測概率p_D,k＝0.9、過程噪聲的標(biāo)準(zhǔn)差σ_v＝1ms^-2，σ_w＝0.1rads^-2和觀測噪聲的標(biāo)準(zhǔn)差σ_r＝2m，σ_θ＝0.0003rad。一次實驗的仿真觀測數(shù)據(jù)如圖2所示。為了處理仿真數(shù)據(jù)，將本發(fā)明實施例與閃爍噪聲下的無跡卡爾曼高斯混合概率假設(shè)密度濾波器的相關(guān)參數(shù)設(shè)置為p_S,k＝1.0、p_D,k＝0.9、σ_v＝1ms^-2、σ_w＝0.1rads^-2，σ_r＝2m，σ_θ＝0.0003rad、第一閾值為10^-3、第二閾值為0.5，傳播因子ρ_α＝ρ_β＝ρ_γ＝ρ_η＝0.75，伽瑪分布形狀參數(shù)初始值伽瑪分布尺度參數(shù)初始值閃爍噪聲下UK-PHD濾波器新生目標(biāo)的權(quán)重w_γ＝0.1、本發(fā)明實施例的新生目標(biāo)的存在概率ρ_γ＝0.1、新產(chǎn)生目標(biāo)的協(xié)方差圖3和圖4為對比濾波器與本發(fā)明實施例提供的多目標(biāo)跟蹤方法產(chǎn)生的結(jié)果。將本發(fā)明實施例與現(xiàn)有的閃爍噪聲下的UK-PHD濾波器對圖2的仿真數(shù)據(jù)進(jìn)行處理，100次Monte Carlo實驗得到平均OSPA(Optimal Subpattern Assignment，最優(yōu)亞模式分配)距離如圖5所示。將現(xiàn)有的基于閃爍噪聲的UK-PHD濾波器與本發(fā)明相比，本發(fā)明的多目標(biāo)跟蹤方法在閃爍噪聲下對于關(guān)聯(lián)不確定、檢測不確定的非線性運動目標(biāo)的跟蹤可獲得更為精確和可靠的目標(biāo)狀態(tài)估計、其OSPA距離比現(xiàn)有的這種方法得到的OSPA距離要小。

本發(fā)明還提供了如圖6所示的實施例，一種多目標(biāo)跟蹤系統(tǒng)，包括：

預(yù)測模塊601，用于根據(jù)前一時刻各個目標(biāo)的合同分布和存在概率以及當(dāng)前時刻與前一時刻的時間差，采用啟發(fā)式的方法產(chǎn)生伽馬分布的形狀參數(shù)和尺度參數(shù)，進(jìn)而得到當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率；

更新模塊602，用于根據(jù)所述當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率，利用變分貝葉斯方法序貫處理當(dāng)前時刻的測量數(shù)據(jù)，得到當(dāng)前時刻各個目標(biāo)的更新合同分布和更新存在概率；

生成模塊603，用于利用當(dāng)前時刻的測量數(shù)據(jù)生成新生目標(biāo)的合同分布，并為所述新生目標(biāo)指定存在概率，將所述新生目標(biāo)的合同分布及存在概率分別與所述當(dāng)前時刻的更新合同分布及更新存在概率進(jìn)行合并，得到當(dāng)前時刻各個目標(biāo)的合同分布和存在概率；

提取模塊604，用于從所述當(dāng)前時刻各個目標(biāo)中裁減掉存在概率小于第一閾值的目標(biāo)，并將裁減后余下目標(biāo)的合同分布和存在概率作為濾波器下一次遞歸的輸入，從所述裁減后余下的目標(biāo)中提取存在概率大于第二閾值的目標(biāo)，所提取出的目標(biāo)的合同分布作為所述當(dāng)前時刻的輸出，所輸出的合同分布的均值作為當(dāng)前時刻目標(biāo)的狀態(tài)估計。

進(jìn)一步地，預(yù)測模塊601具體用于：

以k-1表示前一時刻，k表示當(dāng)前時刻，t_k-1表示前一時刻的時間，t_k表示當(dāng)前時刻的時間，所述當(dāng)前時刻的測量噪聲服從ξ維的t分布，以S(z_k；H_kx_k,R_k,r_k)表示所述當(dāng)前時刻測量的概率密度函數(shù)，其中H_kx_k表示t分布的均值，R_k表示精度矩陣，r_k表示t分布的自由度，且前一時刻目標(biāo)i的多變量合同分布為目標(biāo)i的存在概率為ρ_i,k-1，其中，N表示高斯分布，g表示伽瑪分布，x_i,k-1表示前一時刻第i個合同分布的狀態(tài)向量，m_i,k-1表示前一時刻第i個合同分布中高斯分布的均值，P_i,k-1表示前一時刻第i個合同分布中高斯分布的方差，表示R_k的對角線元素，和γ_i,k-1表示前一時刻第i個合同分布中伽瑪分布的形狀參數(shù)，和η_i,k-1表示前一時刻第i個合同分布中伽瑪分布的尺度參數(shù)，ξ為狀態(tài)向量的維數(shù)，i＝1,2,...,N_k-1，N_k-1為前一時刻目標(biāo)的總數(shù)；

根據(jù)前一時刻各個目標(biāo)的合同分布和存在概率、當(dāng)前時刻與前一時刻的時間差，得到當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布當(dāng)前時刻各個目標(biāo)的預(yù)測存在概率為ρ_i,k|k-1＝P_s,k(t_k-t_k-1)ρ_i,k-1；其中，i＝1,2,...,N_k-1，為當(dāng)前時刻第i個合同分布中高斯分布的均值，為當(dāng)前時刻第i個合同分布中高斯分布的方差，Sigma點x_i,0＝m_i,k-1，Sigma點的權(quán)重l＝1,...,ξ，為目標(biāo)的幸存概率，γ_i,k|k-1＝ρ_γγ_i,k-1為當(dāng)前時刻第i個合同分布中伽瑪分布的形狀參數(shù)，η_i,k|k-1＝ρ_ηη_i,k-1為當(dāng)前時刻第i個合同分布中伽瑪分布的尺度參數(shù)，f為非線性函數(shù)，Q_k-1為所述接收時刻的過程噪聲方差矩陣，上標(biāo)T表示矩陣或向量的轉(zhuǎn)置，T為采樣周期，δ為已知的常數(shù)，ρ_α，ρ_β，ρ_γ，ρ_η為傳播因子，取值范圍為(0,1]，r_k表示自由度，為已知常數(shù)，ξ為狀態(tài)向量的維數(shù)，k為一尺度參數(shù)。

進(jìn)一步地，更新模塊602具體用于：

以當(dāng)前時刻各個目標(biāo)的預(yù)測合同分布和預(yù)測存在概率作為當(dāng)前時刻各個目標(biāo)的初始合同分布和初始存在概率，即初始合同分布取為初始存在概率取為其中i＝1,2,...,N_k-1，

利用變分貝葉斯方法對第1個至第M個測量數(shù)據(jù)依次進(jìn)行序貫處理；

設(shè)第j個測量數(shù)據(jù)處理前各個目標(biāo)的合同分布及存在概率分別為和其中，i＝1,2,...,N_k-1,1≤j≤M；由和求得用第j個測量更新時各個目標(biāo)的存在概率為其中

求得用第j個測量更新時各個目標(biāo)的合同分布為

其中，表示伽瑪函數(shù)，tr表示矩陣的跡，表示均值向量，表示協(xié)方差矩陣，表示濾波器增益；其中Sigma點伽瑪分布的形狀參數(shù)為伽瑪分布的尺度參數(shù)為H_k為觀測矩陣，R_k為觀測噪聲方差矩陣，P_D,k為目標(biāo)的檢測概率，λ_c,k為雜波密度，I表示單位矩陣，y_j,k為當(dāng)前時刻接收到的第j個測量數(shù)據(jù)，上標(biāo)T表示為矩陣或向量的轉(zhuǎn)置，ξ為狀態(tài)向量的總維數(shù)；

若則第j個測量數(shù)據(jù)處理后目標(biāo)i的合同分布為

其存在概率為其中

若則第j個測量數(shù)據(jù)處理后目標(biāo)i的合同分布為

其存在概率為其中

第M個測量數(shù)據(jù)處理后的各個目標(biāo)的合同分布及存在概率分別為和其中i＝1,2,...,N_k-1；

將第M個測量數(shù)據(jù)處理后各個目標(biāo)的合同分布及存在概率分別作為當(dāng)前時刻各個目標(biāo)的更新合同分布，由此得到當(dāng)前時刻各個目標(biāo)的更新合同分布為

及當(dāng)前時刻各個目標(biāo)的更新存在概率其中i＝1,…,N_k-1，

進(jìn)一步地，生成模塊603具體用于：

設(shè)所述當(dāng)前時刻各個目標(biāo)的更新合同分布為各個目標(biāo)的存在概率為ρ_i,k；其中i＝1,2,...,N_k-1，利用所述當(dāng)前時刻的M個測量數(shù)據(jù)生成當(dāng)前時刻新生目標(biāo)的合同分布為并指定當(dāng)前時刻各新生目標(biāo)的存在概率為其中j＝1,2,...,M，為給定的第j個新生目標(biāo)的合同分布中高斯分布的協(xié)方差，為第j個新生目標(biāo)的合同分布中高斯分布的均值，由所述當(dāng)前時刻第j個測量數(shù)據(jù)y_j,k＝[x_j,k y_j,k]^T產(chǎn)生，并且和為所述當(dāng)前時刻第j個新生目標(biāo)的合同分布中伽瑪分布的形狀參數(shù)，和為所述當(dāng)前時刻第j個新生目標(biāo)的合同分布中伽瑪分布的尺度參數(shù)。

將所述當(dāng)前時刻各個目標(biāo)的更新合同分布與所述當(dāng)前時刻新生目標(biāo)的合同分布進(jìn)行合并，得到當(dāng)前時刻各個目標(biāo)的合同分布為

將所述當(dāng)前時刻各個目標(biāo)的存在概率與所述當(dāng)前時刻新生目標(biāo)的存在概率進(jìn)行合并，得到所述當(dāng)前時刻各個目標(biāo)的存在概率為其中N_k＝N_k-1+M。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。