本发明涉及扩展目标跟踪的，尤其涉及扩展目标联合跟踪方法、系统、计算机设备及存储介质。
背景技术：
1、在现代雷达和传感器系统中，尤其是高分辨率的激光雷达，由于探测精度的提高，使得单个目标往往占据多个传感器分辨率单元，这种现象被称为扩展目标。与传统的点目标跟踪不同，扩展目标跟踪不仅要关注目标的运动学动态，还要同时考虑目标的空间分布信息，这极大地增加了跟踪的复杂性。
2、对于扩展目标的跟踪，一种有效的方法是利用泊松点过程对目标进行测量建模。这种方法由gilholm等人首次提出，并随后被广大学者采纳。泊松点过程能够模拟测量目标的空间范围和数量，为理解目标在传感器空间中的表现提供了有力工具。然而，仅仅依靠泊松点过程进行建模并不足以解决扩展目标跟踪中的所有问题，尤其是当涉及多个测量值与目标之间的关联时。
3、在扩展目标跟踪中，数据关联是一个关键且复杂的步骤。由于多个测量可能源自同一个目标，传统的数据关联方法如概率假设密度滤波器、概率多假设跟踪滤波器或联合概率数据关联滤波器等，虽然在一定程度上能够处理这种情况，但它们往往假设目标是刚性的，并且形状固定，如矩形、椭圆形等。这种假设在实际应用中往往并不成立，因为目标的形状可能会随着运动而发生变化。
4、此外，集群方法是处理多个测量值与目标之间关联的另一种直观方式。然而，这种方法需要对门控区域中所有测量的可能组合进行转换，假设每个组合是均匀分布的，并且每个组合的收益是已知的。尽管可以通过迭代方式来改进计算负荷，但计算候选测量组合的复杂性仍然非常高，使得实时处理变得困难。
5、综上所述，如何将多个量测数据，进行有效的数据关联，是扩展目标跟踪过程中亟需解决的问题。
技术实现思路
1、本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于泊松空间测量模型的扩展目标联合跟踪方法，以实现扩展目标高效、准确跟踪的目的。为此，本发明采取以下技术方案。
2、一种基于泊松空间测量模型的扩展目标联合跟踪方法，其特征在于包括以下步骤：
3、1)利用泊松点过程对扩展目标进行测量建模，其中每个扩展目标产生多个测量值，且测量值的数量服从泊松分布；
4、2)对扩展目标的空间分布采用乘性误差测量模型，其中扩展目标的状态向量包括运动学状态和形状参数，均服从正态分布；
5、3)将测量与扩展目标进行联合概率数据关联，得到目标关联的测量的边际关联概率，通过定义关联事件来区分分配给目标的测量集合与杂波测量集合；
6、4)在确定边缘关联概率后，以概率数据关联方式更新每个目标的状态向量，更新过程基于单个扩展目标跟踪器，并根据测量的原点独立更新目标的状态向量，包括运动学状态和形状参数。
7、本技术方案不仅利用泊松点过程对扩展目标进行测量建模，还采用了乘性误差测量模型来描述扩展目标的空间分布。同时，通过联合概率数据关联和概率数据关联相结合的方式，实现了对扩展目标的有效跟踪，包括其运动学状态和形状参数的更新。本技术方案不仅提高了数据关联的准确性，还能够实时处理大量的测量数据，有效解决传统数据关联方法效率低下的问题，提升了跟踪稳定性。
8、具体的，本技术方案通过利用泊松点过程对扩展目标进行测量建模，能够处理目标数量随时间变化的情况，不需要预先知道确切的目标数量，特别在复杂场景中，其目标数量往往是不确定的，本方法能更好的适用于目标数量不确定、测量不确定性大的复杂场景，有效提高了目标跟踪的有效性。
9、乘性误差测量模型的使用使得本方法对于目标的形状变化和运动学动态变化具有鲁棒性。即使在目标形状发生显著变化或运动状态不稳定的情况下，也能保持较高的跟踪准确性。
10、通过联合概率数据关联和概率数据关联相结合的方式，能够在实时环境中处理高帧率视频数据，在确定边缘关联概率后，基于单个扩展目标跟踪器的状态向量更新过程能够迅速且准确地更新目标的运动学和形状参数。
11、通过定义关联事件来区分分配给目标的测量集合与杂波测量集合，有效提高了数据关联的准确性，这有助于减少误报和漏报，提高跟踪系统的整体性能。
12、本技术方案不仅适用于单个扩展目标的跟踪，还适用于多扩展目标的联合跟踪。在多个目标同时存在的情况下，本方法能够准确地识别和跟踪每个目标，保持稳定的跟踪性能。
13、作为优选技术手段：在步骤1)中，每个扩展目标产生个测量值，其中是具有参数λi的泊松分布的，即，
14、其中，表示给定扩展目标状态的情况下，产生个测量值的概率。
15、泊松分布能够自然地处理测量值数量的不确定性。在实际应用中，由于传感器噪声、目标遮挡或信号衰减等因素，我们很难准确预测一个扩展目标会产生多少个测量值。泊松分布提供了一个灵活的框架，可以根据目标的特性和环境条件来估计测量值的数量分布。泊松分布仅需要一个参数λi来描述测量值的数量分布，这使得模型简单且易于实现。此外，参数λi可以根据扩展目标的特性(如大小、形状、反射率等)和传感器性能进行调整，从而适应不同的应用场景。通过将测量值的数量建模为泊松分布，可以更准确地估计每个测量值与目标之间的关联概率，有助于在数据关联过程中区分真实测量值和杂波(即不属于任何目标的测量值)，从而提高目标跟踪的准确性。在多扩展目标跟踪场景中，不同目标之间可能会产生重叠或交叉的测量值，通过为每个扩展目标独立地建模测量值的数量分布，可以更好地处理这种情况，并减少不同目标之间的测量值混淆。基于泊松分布的测量建模方法具有可扩展性和灵活性，随着传感器技术的发展和应用场景的变化，可以根据实际需求调整模型参数或引入其他分布来描述测量值的数量分布，从而保持模型的适应性和准确性。
16、作为优选技术手段：在步骤2)中，状态向量由运动学状态和形状参数组成，和均为正态分布，运动学状态和形状参数的均值分别为和其协方差分别为和在联合概率数据关联滤波器中，数据关联表达式为：其中：yj是测量值，是目标i在时间k的预测测量值，是其协方差；非齐次泊松过程的空间相关率函数为λigij。
17、状态向量由运动学状态和形状参数组成，这允许对扩展目标进行更全面的描述，通过同时考虑目标的运动状态和形状，该方法能够更准确地跟踪目标的动态变化，这在处理复杂场景中的目标跟踪问题时尤为重要。和均被建模为正态分布，可以利用统计学的知识和方法来估计和预测目标的状态，正态分布的特性使得我们可以对目标状态的不确定性进行量化，并通过均值和协方差来精确描述这种不确定性。联合概率数据关联滤波器的数据关联表达式gij考虑了测量值yj与目标i在时间k的预测测量值之间的关联，能够准确地将测量值与特定目标相关联，从而提高跟踪的准确性。此外，通过使用非齐次泊松过程的空间相关率函数λigij，能够进一步优化数据关联过程，以适应动态变化的目标数量和环境条件。由于使用了非齐次泊松过程，从而能够适应不同时间和空间上的目标分布情况，非齐次泊松过程的特性允许模型根据实际情况调整目标的出现率，从而在处理遮挡、杂波和目标外观变化等复杂情况时表现出更强的鲁棒性。虽然该技术方案考虑了多个复杂因素，但通过合理的数学模型和算法设计，仍然能够保持高效的计算性能，这使得该方案能够在实时环境中运行，处理高帧率视频数据，满足实际应用中对实时性的要求。
18、作为优选技术手段：在步骤3)中，关联事件包括：即分配给目标i的测量集合，以及即杂波测量集合；其中，是的基数，是杂波的数目，满足
19、通过将测量值明确地分配给目标或杂波集合，有助于减少误报和漏报，提高目标跟踪的准确性。由于明确了每个测量值的归属(属于某个目标或杂波)，后续的数据处理和状态更新过程可以更加高效，例如，在更新目标状态时，只需要考虑分配给该目标的测量值，而无需对所有测量值进行遍历。本技术方案能够适应不同数量的目标和测量值，无论场景中目标的数量如何变化，都可以通过调整目标数量和总测量数来适应；此外，由于采用了泊松分布来描述测量值的数量，对于测量值数量的不确定性也具有较强的适应性。
20、作为优选技术手段：在步骤4)，更新目标状态向量时，如果测量的原点已知，则跟踪器按顺序且独立地更新目标的运动学状态和形状参数。
21、通过将运动学和形状参数的更新过程解耦，跟踪器可以分别专注于优化这两个方面的估计，有助于提高参数更新的准确性和效率，因为每个参数的更新都可以根据其特定的统计特性和模型进行优化。由于运动学和形状参数的更新是独立的，跟踪器可以并行处理这两个过程，或者至少以流水线方式连续处理，从而减少了整体的计算时间，这在实时目标跟踪应用中至关重要，因为它有助于确保跟踪器能够在有限的时间内对新的测量值进行响应并更新目标状态。由于更新过程是分开的，跟踪器可以灵活地为不同的参数选择不同的更新策略或算法。例如，运动学参数可能更适合使用基于滤波或平滑的方法进行更新，而形状参数可能更适合使用基于优化的方法进行更新。通过独立更新运动学和形状参数，跟踪器能够更好地应对目标状态的不确定性；即使其中一个参数的估计存在误差或噪声干扰，另一个参数的更新也不会受到显著影响。这有助于提高跟踪器在复杂环境下的鲁棒性和稳定性。由于更新过程是基于独立模块的，当需要引入新的参数或特性时，跟踪器可以很容易地扩展其更新策略，有助于保持跟踪器的灵活性和适应性，以满足不同应用场景的需求。
22、本发明的第二目的是提供一种基于泊松空间测量模型的扩展目标联合跟踪系统，一种基于泊松空间测量模型的扩展目标联合跟踪系统包括：
23、测量建模模块，用于利用泊松点过程对扩展目标进行测量建模，其中每个扩展目标产生多个测量值，且测量值的数量服从泊松分布；
24、乘性误差测量模型模块，用于对扩展目标的空间分布采用乘性误差测量模型，其中扩展目标的状态向量包括运动学状态和形状参数，两者均服从正态分布；
25、概率数据关联模块，用于将测量与扩展目标进行联合概率数据关联，得到目标关联的测量的边际关联概率，并通过定义关联事件来区分分配给目标的测量集合与杂波测量集合；
26、状态更新模块，用于在确定边缘关联概率后，以概率数据关联方式更新每个目标的状态向量，更新过程基于单个扩展目标跟踪器，并根据测量的原点独立更新目标的状态向量，包括运动学状态和形状参数。
27、通过泊松点过程对扩展目标进行测量建模，可以精确地描述每个扩展目标产生的多个测量值，且测量值的数量服从泊松分布；能够更准确地反映扩展目标的实际状态，为后续的跟踪处理提供更为可靠的数据基础。乘性误差测量模型模块能够充分考虑扩展目标在空间中的实际分布情况，以及运动学和形状参数的不确定性，从而提高了跟踪的准确性和鲁棒性。概率数据关联模块能够充分利用测量数据中的信息，有效地区分目标和杂波，为后续的状态更新提供更为准确的关联信息。状态更新模块能够充分考虑测量数据对目标状态的影响，实现高效的状态更新，同时保证了跟踪的实时性和准确性。
28、作为优选技术手段：测量建模模块，计算每个扩展目标产生测量值数量的功能，其中每个扩展目标产生个测量值，产生的测量值数量服从参数为λi的泊松分布，即，其中λi是与扩展目标相关的参数，表示该扩展目标在给定状态下产生测量值的平均数量，表示给定扩展目标状态的情况下，产生个测量值的概率。经典的泊松分布的概率密度函数为：
29、
30、参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数与相等。
31、乘性误差测量模型模块设定状态向量由运动学状态和形状参数组成，和均为正态分布，运动学状态和形状参数的均值分别为和其协方差分别为和在联合概率数据关联滤波器中，数据关联表达式为：其中yj是测量值，yj是测量值，是目标i在时间k的预测测量值，是其协方差；非齐次泊松过程的空间相关率函数为λigij；
32、概率数据关联模块设定关联事件，其中关联事件包括：即分配给目标i的测量集合，以及即杂波测量集合；其中，是的基数，是杂波的数目，满足
33、状态更新模块独立更新目标状态向量，其中在更新目标状态向量时，如果测量的原点已知，则跟踪器按顺序且独立地更新目标的运动学状态和形状参数。
34、本发明的第三目的是提供一种计算机设备；计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码被所述一个或多个处理器执行时，实现所述的一种基于泊松空间测量模型的扩展目标联合跟踪系统。
35、本发明的第四目的是提供一种存储介质，存储介质中存储有至少一条程序代码，所述程序代码被处理器执行时，实现所述的一种基于泊松空间测量模型的扩展目标联合跟踪方法的步骤。
36、有益效果：本技术方案不仅利用泊松点过程对扩展目标进行测量建模，还采用了乘性误差测量模型来描述扩展目标的空间分布。同时，通过联合概率数据关联和概率数据关联相结合的方式，实现了对扩展目标的有效跟踪，包括其运动学状态和形状参数的更新。本技术方案不仅提高了数据关联的准确性，还能够实时处理大量的测量数据，有效解决传统数据关联方法效率低下的问题，提升了跟踪稳定性。
1.一种基于泊松空间测量模型的扩展目标联合跟踪方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于泊松空间测量模型的扩展目标联合跟踪方法，其特征在于：在步骤1)中，每个扩展目标产生个测量值，其中是服从参数为λi的泊松分布，即，
3.根据权利要求2所述的一种基于泊松空间测量模型的扩展目标联合跟踪方法，其特征在于：在步骤2)中，状态向量由运动学状态和形状参数组成，和均为正态分布，运动学状态和形状参数的均值分别为和其协方差分别为和在联合概率数据关联滤波器中，数据关联表达式为：其中：yj是测量值，是目标i在时间k的预测测量值，是其协方差；非齐次泊松过程的空间相关率函数为λigij。
4.根据权利要求3所述的一种基于泊松空间测量模型的扩展目标联合跟踪方法，其特征在于：在步骤3)中，关联事件包括：即分配给目标i的测量集合，以及即杂波测量集合；其中，是的基数，是杂波的数目，满足
5.根据权利要求4所述的一种基于泊松空间测量模型的扩展目标联合跟踪方法，其特征在于：在步骤4)，更新目标状态向量时，如果测量的原点已知，则跟踪器按顺序且独立地更新目标的运动学状态和形状参数。
6.一种基于泊松空间测量模型的扩展目标联合跟踪系统，其特征在于包括：
7.根据权利要求6所述的一种基于泊松空间测量模型的扩展目标联合跟踪系统，其特征在于：
8.一种计算机设备，其特征在于：所述设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码被所述一个或多个处理器执行时，实现如权利要求6或7所述的一种基于泊松空间测量模型的扩展目标联合跟踪系统。
9.一种存储介质，所述存储介质中存储有至少一条程序代码，其特征在于，所述程序代码被处理器执行时，实现如权利要求1-5任一项所述的一种基于泊松空间测量模型的扩展目标联合跟踪方法的步骤。
