Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
MULTIPLE OBJECT TRACKING METHOD AND SYSTEM
Document Type and Number:
WIPO Patent Application WO/2020/151135
Kind Code:
A1
Abstract:
The present invention relates to the technical field of multi-sensor information fusion, and provided is a multiple object tracking method and system. A particle marginal distribution-based Bayesian filtering method is applied to multiple object tracking, so as to effectively solve the multiple object tracking problem in a non-linear non-Gaussian system by means of steps including new object generation and extension, prediction, update, and extraction by using a particle sampling technology. The present invention can be applied to the field of multiple object tracking and has high practicability.

Inventors:
LIU ZONGXIANG (CN)
WU MIAN (CN)
TANG XIUJIANG (CN)
LI LIANGQUN (CN)
Application Number:
PCT/CN2019/087202
Publication Date:
July 30, 2020
Filing Date:
May 16, 2019
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
UNIV SHENZHEN (CN)
International Classes:
G06T7/20
Foreign References:
CN106772353A2017-05-31
CN106405538A2017-02-15
US6226409B12001-05-01
CN103390107A2013-11-13
CN105719312A2016-06-29
Other References:
FAN, EN; XIE, WEIXIN; LIU, ZONGXIANG; CHEN, FEI; LI, LIJUAN: "Multiple Target Tracking in Sensor Network Based on Fuzzy Information Processing", COMMAND INFORMATION SYSTEM AND TECHNOLOGY, vol. 5, no. 6, 31 December 2014 (2014-12-31), CN, pages 15 - 21,77, XP009522363, ISSN: 1674-909X, DOI: 10.15908/j.cnki.cist.2014.06.003
Attorney, Agent or Firm:
HENSEN INTELLECTUAL PROPERTY FIRM (CN)
Download PDF:
Claims:
权利要求书

1.一种多目标跟踪方法, 其特征在于, 所述方法包括:

新生目标的生成与扩展步骤、 先由前一时刻的测量数据生成前一时刻新生 目标的边缘分布, 并且为所述新生目标指定存在概率, 再将新生目标的边缘分 布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中, 得到前一 时刻目标的扩展边缘分布和扩展存在概率;

新生目标的生成与扩展步骤具体包括: 以 -1时刻表示前一时刻, A:时刻表

的状态向量、 均值和协方差, Arp表示 A -1时刻目标的总数, 所述的状态向量包 括目标在直角坐标系中的位置、 速度和转弯率;

预测步骤、 根据前一时刻各个目标的扩展边缘分布和扩展存在概率, 使用 粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率; 所述预测步骤具体包括:以 d表示一次抽取粒子的总数, /(·)表示系统模型;

替换页 (细则第 26条) 新 抽 取 到 的 粒 子 , 得 到 更 新 粒 子 , 其 中

标准差, : T表示采样间隔, /^表示幸存概率;

更新步骤、 根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在 概率, 以及当前时刻的测量数据, 利用粒子滤波方法确定前一时刻的各个目标 在当前时刻的更新边缘分布和更新存在概率;

所述更新步骤具体包括: 以 C表示当前时刻测量数据的总数, 当前时刻的

17

替换页 (细则第 26条) 波处理的过程包括: 选取采样点 x[iMk-x = miMk-x ,

18

替换页 (细则第 26条)

提取步骤、 将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在

19

替换页 (细则第 26条) 的扩展存在概率中提取最大存在概率 =/?;:分别作为目标 /在当前时刻的边 缘分布和存在概率, index = arg max picMk; 从各个目标在当前时 刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁 减掉;传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻, 作为下一时刻目标跟踪过程的输入; 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输 出。

2.—种多目标跟踪系统, 其特征在于, 所述系统包括:

新生目标生成与扩展模块, 用于由前一时刻的测量数据生成前一时刻新生 目标的边缘分布, 并且为所述新生目标指定存在概率, 再将新生目标的边缘分

20

替换页 (细则第 26条) 为 1 = (〆;

预测模块, 用于根据前一时刻各个目标的扩展边缘分布和扩展存在概率, 使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在 概率;

时刻目标 i的转弯率,通过所述更新粒子预测 ^-1时刻的目标 i在 k时刻的预测边

标准差, : T表示采样间隔, /^表示幸存概率;

更新模块, 用于根据前一时刻的各目标在当前时刻的预测边缘分布和预测 存在概率, 以及当前时刻的测量数据, 利用粒子滤波方法确定前一时刻的各个 目标在当前时刻的更新边缘分布和更新存在概率;

具体的, 以 C表示当前时刻测量数据的总数, 当前时刻的测量数据集合为

21

替换页 (细则第 26条)

c,“.l - ) 1 <#,尸2:#)的均值 其中, 无迹卡尔曼 滤波处理的过程为: 选取采

22

替换页 (细则第 26条) 的维数, 2为尺度参数, 所述 2为满足 A + 的任意数值; 由所述采样点得到

2d

第 二 个 预 测 测 量 向 量 J2c,ain =YJwiKx2l,M^l) , 其 中

=0

A

PD,kPi,k\k-\ 2 \-^l},kiy c,k)^~ ^2,i,k (jc.ir)]

的更新存在概 a二 i

率为 P;雄 N i ,其中, 儿, kk+P^YMk\k \ ^7 S ^\fk (yck ) + ^2 Ik (yck )])

z=l a=\

表示杂波密复, PDk表示检测概率;

23

替换页 (细则第 26条) 提取模块, 用于将前一时刻的各个目标在当前时刻的预测边缘分布和预测

i = \, , Nk—', index = arg max picMk; 从各个目标在当前时刻的边缘分布和存在概率 中将存在概率小于第一阈值的边缘分布和存在概率裁减掉; 传递裁减后余下的 各目标在当前时刻的边缘分布和存在概率至下一时刻, 作为下一时刻目标跟踪 过程的输入; 从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大 于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。

24

替换页 (细则第 26条)

Description:
一种多目标跟踪方法及系统

技术领域

本发明属于多传感器信息融合技术领域, 尤其涉及一种多目标跟踪方法及 系统。 背景技术

在目前的多目标跟踪中, 通常假定噪声为高斯噪声, 但是对于非线性非高 斯系统中的多目标跟踪, 是需要探索和解决的一个关键技术问题。 技术问题

本发明提供了一种多目标跟踪方法及系统, 旨在解决非线性非高斯系统中 的多目标跟踪的问题。 技术解决方案

为解决上述技术问题,本发明实施例第一方面 供了一种多目标跟踪方法, 所述方法包括:

新生目标的生成与扩展步骤、 先由前一时刻的测量数据生成前一时刻新生 目标的边缘分布, 并且为所述新生目标指定存在概率, 再将新生目标的边缘分 布和存在概率分别扩展至前一时刻各目标的边 缘分布和存在概率中, 得到前一 时刻目标的扩展边缘分布和扩展存在概率;

预测步骤、 根据前一时刻各个目标的扩展边缘分布和扩展 存在概率, 使用 粒子方法预测前一时刻的各个目标在当前时刻 的预测边缘分布和预测存在概率; 更新步骤、 根据前一时刻的各目标在当前时刻的预测边缘 分布和预测存在 概率, 以及当前时刻的测量数据, 利用粒子滤波方法确定前一时刻的各个目标 在当前时刻的更新边缘分布和更新存在概率;

提取步骤、 将前一时刻的各个目标在当前时刻的预测边缘 分布和预测存在

缘分布和存在概率, 其中 / = 1, , index = arg max p i c Mk ; 从各个目标在当前时 替换页 (细则第 26条) 刻的边缘分布和存在概率中将存在概率小于第 一阈值的边缘分布和存在概率裁 减掉;传递裁减后余下的各目标在当前时刻的 缘分布和存在概率至下一时刻, 作为下一时刻目标跟踪过程的输入; 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布 作为当前时刻目标跟踪过程的输 出。

为解决上述技术问题,本发明实施例第二方面 供了一种多目标跟踪系统, 所述系统包括:

新生目标生成与扩展模块, 用于由前一时刻的测量数据生成前一时刻新生 目标的边缘分布, 并且为所述新生目标指定存在概率, 再将新生目标的边缘分 布和存在概率分别扩展至前一时刻各目标的边 缘分布和存在概率中, 得到前一 时刻目标的扩展边缘分布和扩展存在概率;

预测模块, 用于根据前一时刻各个目标的扩展边缘分布和 扩展存在概率, 使用粒子方法预测前一时刻的各个目标在当前 时刻的预测边缘分布和预测存在 概率;

更新模块, 用于根据前一时刻的各目标在当前时刻的预测 边缘分布和预测 存在概率, 以及当前时刻的测量数据, 利用粒子滤波方法确定前一时刻的各个 目标在当前时刻的更新边缘分布和更新存在概 率;

提取模块, 用于将前一时刻的各个目标在当前时刻的预测 边缘分布和预测

i = \”..,N k— ', index = arg max p i c Ak ; 从各个目标在当前时刻的边缘分布和存在概率 中将存在概率小于第一阈值的边缘分布和存在 概率裁减掉; 传递裁减后余下的 各目标在当前时刻的边缘分布和存在概率至下 一时刻, 作为下一时刻目标跟踪 过程的输入; 从裁减后余下的各目标在当前时刻的边缘分布 中提取存在概率大 于第二阈值的边缘分布作为当前时刻目标跟踪 过程的输出。 有益效果

本发明与现有技术相比, 有益效果在于:

本发明提供的一种多目标跟踪方法和系统, 本发明中利用了基于粒子边缘 分布的贝叶斯滤波方法,通过新生目标生成与 扩展、预测、更新、提取等步骤,

2

替换页 (细则第 26条) 利用粒子采样技术有效地解决了非线性非高斯 系统中的多目标跟踪问题, 本发 明可用于多目标跟踪领域, 具有很强的实用性。 附图说明

图 1为本发明第一实施例提供的一种多目标跟踪 法的方法流程图; 图 2为本发明第二实施例提供的一种多目标跟踪 统的系统结构图; 图 3为本发明第三实施例中利用传感器在 70个扫描周期内扫描得到的测量 数据的示意图;

图 4为利用现有的基于无迹变换的多目标高斯混 粒子 PHD滤波方法, 对 图 3的测量数据进行处理, 得到各目标的位置估计及真实轨迹的示意图;

图 5为利用本发明第一实施例提供的多目标跟踪 法, 对图 3中的测量数 据进行处理, 得到各目标的位置估计及真实轨迹的示意图;

图 6为利用现有技术中的基于无迹变换的多目标 斯混合粒子 PHD滤波方 法以及本发明第一实施例中的多目标跟踪方法 , 分别经过 100次实验得到的平 均 OSPA( Optimal Subpattern Assignment,最优亚模式分配)距离的对比示意图

本发明的实施方式

为使得本申请的发明目的、 特征、 优点能够更加的明显和易懂, 下面将结 合本申请实施例中的附图, 对本申请实施例中的技术方案进行清楚、 完整地描 述, 应当理解, 此处所描述的具体实施例仅仅用以解释本申请 , 并不用于限定 本申请。 基于本申请中的实施例, 本领域技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例, 都属于本申请保护的范围。

第一实施例

为了有效地解决了非线性非高斯系统中的多目 标跟踪问题, 本申请第一实 施例提出一种多目标跟踪方法, 参见图 1, 该多目标跟踪方法包括:

步骤 101、 先由前一时刻的测量数据生成前一时刻新生目 标的边缘分布, 并且为所述新生目标指定存在概率, 再将新生目标的边缘分布和存在概率分别 扩展至前一时刻各目标的边缘分布和存在概率 中, 得到前一时刻目标的扩展边

的测量数据 _; (在极坐标下)的距离分量和方位角分量, c ' 为 A: - 1时刻的测量数

表示高斯分布, q 、 P Kk-Ak-x , 分别表示 A: - 1时刻目标 /的边缘分布的状

3

替换页 (细则第 26条) 态向量、 均值和协方差, 表示 A -1时刻目标的总数, 状态向量由目标在直角 坐标系中的位置、 速度和转弯率构成;

本实施例中, 是通过传感器的扫描来获取测量数据, 在一个实施例中, 该 传感器具有扫描周期, 可选的, 该扫描周期的数值可以固定, 在不同的扫描周 期, 传感器会对其扫描空间进行扫描以获取测量数 据, 可以理解的是, 在传感 器的扫描空间中不仅存在目标, 还可能存在障碍物, 目标和障碍物都可能会作 为被测量物体被传感器扫描到, 从而产生测量数据。 可选的, 本实施例中的前 一时刻可以理解为当前时刻之间的前一个扫描 周期, 而当前时刻可以理解为当

本实施例中, 可选的, 目标的状态向量 JC 由目标在直角坐标系中的位置、 速度、 转弯率构成, 表示为 x = [x x y y 0)f , 其中 · 和 j分别表示位置分量 (即 分别表示目标的位置在直角坐标系中的 x轴的分量和 y轴的分量), i · 和 _)>分别 表示速度分量 (即分别表示目标的速度在直角坐标系中的 x轴的分量和 y轴的 分量) , 表示转弯率分量, 上标 T表示矩阵或向量的转置; 可选的, 在一个 示例中, 上述的极坐标以及直角坐标系的原点相同, 且 x轴的方向相同。

可选的, 步骤 101具体包括以下的步骤 a-C:

4

替换页 (细则第 26条)

步骤 102、 根据前一时刻各个目标的扩展边缘分布和扩展 存在概率, 使用 粒子方法预测前一时刻的各个目标在当前时刻 的预测边缘分布和预测存在概率; 可选的, 以 d表示一次抽取粒子的总数, /(·)表示系统模型;

可选的, 步骤 102包括以下的步骤 c-e:

步骤 C、 由 k-1时刻的目标 /的扩展边缘分布的均值 m iM_Ak_x 和协方差 P M_Ak_x , 其中,

/ = \, , N k— ', a = l, ..., A , 利用所述系统模型 /(·)更新抽取到的粒子, 得到更新粒子

步骤 e、 通过所述更新粒子预测 A-l时刻的目标 /在 时刻的预测边缘分布

U X r,k \ yv k-l ) = N{X l k - ! , )和预测存在概率 An, 其中 m rMk-l = ^ IX !,

^ a=\

采样间隔, /V表示幸存概率; 本示例中, 幸存概率可以根据现有技术中的求解 方式得到, 本实施例对此没有限制。

步骤 103、 根据前一时刻的各目标在当前时刻的预测边缘 分布和预测存在 概率, 以及当前时刻的测量数据, 利用粒子滤波方法确定前一时刻的各个目标 在当前时刻的更新边缘分布和更新存在概率;

5

替换页 (细则第 26条) 可选的, 以 C表示当前时刻的测量数据的总数, 当前时刻的测量数据集合

可选的, 步骤 103包括以下的步骤 f-h:

6

替换页 (细则第 26条)

步骤 h、 从两个重要性密度函数中分别抽取总数为 d的粒子并计算每个粒

t[^(^K;S+^a(^K;a]

a

m =\

i k\k A , 目 标 /的更新边缘分布协方差为

IXU +O^)]

a=\

7

替换页 (细则第 26条)

步骤 104、 将前一时刻的各个目标在当前时刻的预测边缘 分布和预测存在

缘分布和存在概率, index = arg max p i c Mk ; 从各个目标在当前时 刻的边缘分布和存在概率中将存在概率小于第 一阈值的边缘分布和存在概率裁 减掉;传递裁减后余下的各目标在当前时刻的 缘分布和存在概率至下一时刻, 作为下一时刻目标跟踪过程的输入; 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布 作为当前时刻目标跟踪过程的输 出。

根据步骤 104 , 传递裁减后余下的各目标在当前时刻的边缘分 布和存在概 率至下一时刻, 作为下一时刻目标跟踪过程的输入, 可以理解为是将步骤 104 中裁减后余下的各目标在当前时刻(即 k 时刻)的边缘分布和存在概率作为 k+1 时刻的输入, 即作为在 k+1时刻步骤 101中使用的 “前一时刻各目标的边缘分 布和存在概率” 。 而在 k时刻的步骤 101中所使用的 “前一时刻各目标的边缘 分布和存在概率” 是指在 k-1时刻的步骤 104中 “裁减后余下的各目标在当前 时刻的边缘分布和存在概率” 。

其中, 从裁减后余下的各目标在当前时刻的边缘分布 中提取存在概率大于 第二阈值的边缘分布作为当前时刻目标跟踪过 程的输出, 该输出即为当前时刻 (即 k时刻) 的目标跟踪结果。

本申请实施例, 利用了基于粒子边缘分布的贝叶斯滤波方法, 通过新生目 标生成与扩展、 预测、 更新、 提取等步骤, 利用粒子采样技术有效地解决了非

8

替换页 (细则第 26条) 线性非高斯系统中的多目标跟踪问题, 可用于多目标跟踪领域, 具有很强的实 用性。

第二实施例

为了解决现有技术中存在的问题, 本申请第二实施例提供了一种多目标跟 踪系统, 如图 2所示, 该多目标跟踪系统包括:

新生目标生成与扩展模块 201, 用于由前一时刻的测量数据生成前一时刻 新生目标的边缘分布, 并且为所述新生目标指定存在概率, 再将新生目标的边 缘分布和存在概率分别扩展至前一时刻各目标 的边缘分布和存在概率中, 得到 前一时刻目标的扩展边缘分布和扩展存在概率 ;

预测模块 202, 用于根据前一时刻各个目标的扩展边缘分布和 扩展存在概 率, 使用粒子方法预测前一时刻的各个目标在当前 时刻的预测边缘分布和预测 存在概率;

9

替换页 (细则第 26条) 可选的, 以 d表示一次抽取粒子的总数, /(·)表示系统模型;

标准差, : T表示采样间隔, /^表示幸存概率;

更新模块 203, 用于根据前一时刻的各目标在当前时刻的预测 边缘分布和 预测存在概率, 以及当前时刻的测量数据, 利用粒子滤波方法确定前一时刻的 各个目标在当前时刻的更新边缘分布和更新存 在概率;

可选的, 以 C表示当前时刻测量数据的总数, 当前时刻的测量数据集合为

所述更新模块 203,具体用于由目标 /在所述当前时刻的所述预测边缘分布

10

替换页 (细则第 26条)

的维数, 2为尺度参数, 2为满足 / L + d/0的任意数值; 由所述采样点得到的第

滤波处理的过程为: 选取采

11

替换页 (细则第 26条)

提取模块 204 , 用于将前一时刻的各个目标在当前时刻的预测 边缘分布和 预测存在概率分别扩展至各个目标在当前时刻 的更新边缘分布和更新存在概率 中 , 得 到 当 前 时 刻 各 个 目 标 的 扩 展 边 缘 分 布 为

12

替换页 (细则第 26条)

i = \ , N k— ' , index = arg max p i c Mk ; 从各个目标在当前时刻的边缘分布和存在概率 中将存在概率小于第一阈值的边缘分布和存在 概率裁减掉; 传递裁减后余下的 各目标在当前时刻的边缘分布和存在概率至下 一时刻, 作为下一时刻目标跟踪 过程的输入(也即为递裁减后余下的各目标在 当前时刻的边缘分布和存在概率 至新生目标生成与扩展模块 201, 作为下一时刻目标跟踪过程中使用的前一时 刻的目标的边缘分布和存在概率) ; 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布 作为当前时刻目标跟踪过程的输 出。

本申请实施例, 利用了基于粒子边缘分布的贝叶斯滤波方法, 通过新生目 标生成与扩展、 预测、 更新、 提取等步骤, 利用粒子采样技术有效地解决了非 线性非高斯系统中的多目标跟踪问题, 可用于多目标跟踪领域, 具有很强的实 用性。

第三实施例

在实施例一的多目标跟踪方法的基础上, 本实施例结合附图 3-6对二维空 间中的多目标跟踪方法进行示例说明, 本实施例中, 假设传感器为雷达, 但是 可以理解的是, 实际中传感器还可以是其它类型的传感器。

参见图 3-5 ,本实施例中的二维空间为[-20000), 2000O)]x[-2000(>), 20000)] , 本实施例根据第一实施例的多目标跟踪方法, 可以对空间中运动的目标进行跟 踪。 可选的, 二维空间中, 目标的状态向量由位置、 速度以及转弯率构成, 状 态向量表示为 x =[x x y y cdf , 其中;( · 和 j分别表示目标在直角坐标系中的位置

(即第一实施例中的 k-1时刻)目标 /的状态向量, , 表 示当前时刻 (即第一实施例中的 k时刻) 目标 1的状态向量中的转弯率, T表示

13

替换页 (细则第 26条)

感器的扫描周期 r = is, 雷达坐标 5 = [x x ] r =[o -loomf 。

假设基于第一实施例的多目标跟踪方法的仿真 实验中有 6个运动目标, 目 标 1和目标 2出现在 k = ls , 并且持续存在剩余的时间内, 目标 1和目标 2在 k=ls 的状态向量分别为 ' ! =[-1800(m);30(ms _1 );-150(m);25(ms _1 );-0.02(rads _1 )]和

和' 5 =[-750(m);25(ms _1 );-1700(m);30(ms _1 );0.04(rads _1 )] 目标 5 出现在 4 = 6 消失 在 k = 62 s , 目 标 5 在 k=6s 的 状 态 向 量 为

14

替换页 (细则第 26条) x 5,6 =[500 (m);30 (ms _1 );-1500(m);30(ms _1 ); 0.03 (rads -1 )] 目标 6 出现在 = 6s , 消失在 k = 52 s , 目 标 6 在 k=6s 的 状 态 向 量 为 x 66 = [750 (m);30 (ms _1 );-1700 (m);30 (ms _1 );0.03 (rads -1 )]。

本实施例中, 利用雷达检测到的测量数据包含因为障碍物产 生的杂波和噪 声, 一次实验中雷达在 70个扫描周期的仿真测量数据如图 3所示。 图 3中的仿 真测量数据可以认为是 70个周期内雷达的测量数据

为了处理仿真数据, 将现有技术中的基于无迹变换的多目标高斯混 合粒子 PHD滤波器与本申请第一实施例中的多目标跟中 方法中的相关参数设置为幸存 概率; ^ =1 .0、 检测概率/^ =0.9、 杂波密度 / ^ =2.12x10^ m- 2 、 过程噪声标准 差 <r v =lms _2 ( J/O.lrad/s 2 测量噪声 标准差 a rl =\.5m a r2 =33m

(7 gi = 0.003(w rat/)- 1 和 o^ 2 = 0.01(w rad)—' 闪烁率 f = 0.96 采样间隔 = 1 s 第一阈 值为 10 _4 、 第二阈值为 0.5以及粒子数 d = 100 , 并且设置无迹变换的多目标高斯 混合粒子 PHD 滤波器的新生目标权重 = 0.01 , 本申请中新生目标的存在概率 p r = 0.0\和新生目标的协方差 = (diag ([50,25,50,25,0. l]))\

图 4为利用现有的基于无迹变换的多目标高斯混 粒子 PHD滤波器对图 3 中的仿真测量数据处理得到的结果图。 图 4中的位置估计连成的轨迹是利用基 于无迹变换的多目标高斯混合粒子 PHD滤波器得到的多目标跟踪结果。

图 5为利用第一实施例的多目标跟踪方法, 对图 3中的仿真测量数据处理 后得到的结果图。 图 5中的位置估计连成的轨迹是利用基于第一实 例的多目 标跟中方法得到的多目标跟踪结果。

图 6为利用现有的基于无迹变换的多目标高斯混 粒子 PHD滤波器与本申 请第一实施例的多目标跟踪方法分别进行 100次 Monte Carlo 实验得到的平均 OSPA距离的对比示意图。 ,现有的基于无迹变换的多目标高斯混合粒子 PHD滤 波器与本发明的实验结果比较表明, 在闪烁噪声模型、 杂波干扰、 目标数不确 定以及检测不确定下,本发明的方法可以获得 更为精确和可靠的目标状态估计, 其 OSPA距离比现有的基于无迹变换的多目标高斯 合粒子 PHD滤波器得到的 OSPA距离要小。

以上所述仅为本发明的较佳实施例而已, 并不用以限制发明, 凡在本发明 的精神和原则之内所作的任何修改、 等同替换和改进等, 均应包含在本发明的 保护范围之内。

15

替换页 (细则第 26条)