本发明属于被动声呐水下多目标跟踪领域，具体涉及一种面向邻近目标场景的粒子滤波检测前跟踪方法。
背景技术：
1、近年来，检测前跟踪方法逐渐引起人们的关注。它不在单帧内对信号进行门限判决，而是利用相邻多帧之间目标方位估计的相关性和噪声的非相关性对目标进行跟踪。目前检测前跟踪算法主要基于随机有限集框架或基于递归估计联合多目标后验密度。ronaldmahler提出概率假设密度使用一阶距近似将随机有限集理论应用在多目标跟踪领域。随后基于phd(概率假设密度)理论又衍生出序贯蒙特卡洛、混合高斯等实现phd滤波器的方法，并将其应用于检测前跟踪。基于随机有限集的检测前跟踪方法避免了多目标轨迹的维持，具有优异的计算潜力，但目前的近似方法，如phd和多目标多伯努利近似损失了大量信息，存在瞬时目标数量估计方差大、目标批次和邻近目标的相对位置信息缺失等问题，所以在需要准确目标批次信息的场景中，传统基于轨迹维持的跟踪算法仍然具有一定优势。近年来许多学者围绕提高计算效率、邻近目标状态估计和复杂机动场景下的目标跟踪等方面对基于轨迹维持框架下的tbd算法(检测前跟踪算法)展开研究，kreucher提出了递归估计jmpd的方法，将多目标跟踪问题按照目标估计状态的欧氏距离划分为独立分区粒子滤波和耦合分区粒子滤波，并使用辅助粒子在采样过程中考虑了量测值以降低算法对粒子数量的要求。rutten m.g提出了一种瑞利噪声下似然函数的设计方法。在水下被动声呐doa估计的多目标跟踪领域，northardt t使用被动声呐的历史累积能量作为似然函数。yi w较为完整的整理了被动声呐基于jmpd的pf-tbd流程，并提出使用数据拟合构造似然函数，该方法的优势在于能够更加灵活的选择前置doa估计算法，并使用三种不同的波束形成方法对算法进行验证，还与基于phd的tbd方法进行对比证明了该方法的有效性。但上述方法建立在各目标间后验分布相互独立基础上，当目标在传感器空间中相互邻近时，存在两个无法避免的问题：
2、1.目标对传感器空间的响应出现交叠，对于纯方位跟踪问题，由于方位邻近目标的存在，导致依靠量测信息无法分辨目标的方位或估计目标的方位出现较大偏差。
3、2.jmpd框架下的多目标跟踪算法面对耦合目标时存在“排列对称”问题，即粒子中各目标分区的顺序与似然函数无关。
4、针对问题1，有学者在被动声呐的纯方位跟踪问题上使用粒子滤波方法估计目标信号强度，并据此构造点扩散函数作为似然函数，在保留独立分区假设条件下使用邻近目标的预测状态计算目标的似然。仿真表明该方法对邻近目标的状态估计有明显改善，但该方法在计算似然函数时只考虑了邻近目标的预测值，当目标机动和运动模型失配，目标方位角和真实方位角出现较大偏差时，其邻近目标的跟踪性能将受较大影响。
5、针对问题2，kreucher针对jmpd的“排列对称”问题使用k均值聚类方法划分目标批次，根据聚类结果对耦合分区进行排序，以保证每个粒子对应分区表示同一批次目标。该方法在两目标对应分区粒子状态之间相距足够远时效果较好，当目标在传感器空间距离较近且粒子分布较为分散时，两目标对应分区粒子状态出现混叠，此时使用k均值聚类方法时往往得不到正确的分区结果。特别地，在轨迹交叉场景中若每一时刻都使用k均值聚类方法，可能会对交叉结果产生误判，在小角度交叉场景中这种处理方法将导致目标批次分类出现错误。
6、综上所述，在邻近目标场景下，现有的目标检测前跟踪方法的跟踪性能仍然比较有限，提出一种新的邻近目标检测前跟踪方法是十分必要的。
技术实现思路
1、本发明的目的是为提高邻近目标场景下的目标检测前跟踪方法的跟踪性能，而提出的一种面向邻近目标场景的粒子滤波检测前跟踪方法。
2、本发明为解决上述技术问题所采取的技术方案是：
3、一种面向邻近目标场景的粒子滤波检测前跟踪方法，所述方法具体包括以下步骤：
4、步骤一、初始化粒子状态、权值和各目标分区权值；
5、步骤二、初始化时刻k＝1；
6、步骤三、对目标进行分组，得到分组结果；
7、步骤四、初始化目标计数j＝1；
8、步骤五、初始化粒子计数i＝1；
9、步骤六、根据状态转移先验概率采样k时刻第i个粒子第j个目标的分区状态值再根据分区状态值计算k时刻第i个粒子第j个目标的分区权值；
10、步骤七、判断是否满足i＝ng，ng是粒子总数；
11、若满足，则根据分区权值对第j个目标对应的分区状态值进行重采样后，执行步骤八；
12、若不满足，则令i＝i+1，并返回执行步骤六；
13、步骤八、判断是否满足j＝j，j是目标总数；
14、若满足，则执行步骤九；
15、若不满足，则令j＝j+1，并返回执行步骤五；
16、步骤九、分别计算每个联合分布粒子的权值，并根据各联合分布粒子的权值计算有效粒子数；
17、若有效粒子数小于门限，则对粒子进行重采样后，再执行步骤十，否则有效粒子数大于等于门限，则直接执行步骤十；
18、步骤十、基于目标相对位置对联合分布粒子的权值进行调整，得到调整后的粒子权值；
19、步骤十一、根据调整后的粒子权值计算k时刻每个目标的状态，再令k＝k+1，返回执行步骤三。
20、进一步地，所述步骤三中是根据设置的邻近门限对目标进行分组，分组结果满足：
21、1)每个分组内至少有一个目标；
22、2)每个目标只能属于一个分组；
23、3)若某个分组内仅有一个目标s0，则目标s0的预测方位角与其它分组内任意目标的预测方位角之间的距离均大于邻近门限；
24、若某个分组内包含至少两个目标，将该组内包含的目标分别记为s1、s2、…、sn，对于该组内的任意一个目标sn，分别计算该组内目标sn的预测方位角与该组内其它目标的预测方位角之间的距离，并将计算出的距离分别与邻近门限进行比较，则在该组内的其它目标中，至少有一个目标的预测方位角与目标sn的预测方位角之间的距离小于等于邻近门限。
25、进一步地，所述根据分区状态值计算k时刻第i个粒子第j个目标的分区权值；具体为：
26、
27、
28、其中，表示k时刻第i个粒子第j个目标的分区权值，表示k-1时刻第i个粒子第j个目标的分区归一化权值，表示k时刻第i个粒子第j个目标的分区归一化权值，ng是粒子总个数，表示k时刻第i个粒子第j个目标的边缘似然函数。
29、进一步地，所述k时刻第i个粒子第j个目标的边缘似然函数近似为：
30、
31、其中，是k时刻第j个目标的邻近目标联合先验概率的近似值，为k时刻第j个目标的邻近目标状态，s为邻近目标状态所有取值的集合，是分组g内目标的联合似然函数；
32、
33、其中，表示k时刻第j个目标方位估计值，表示对进行向下取整，l是观测窗的长度，是方位谱图上第i′个观测单元的似然函数，m是分组g内目标个数。
34、进一步地，所述方位谱图上第i′个观测单元的似然函数为：
35、
36、其中，hi′(θi′)是方位谱的第i′个观测单元对分组g中目标的期望响应，θi′是第i′个观测单元对应的方位角，是k时刻方位谱的第i′个观测单元的量测值；
37、
38、其中，ek,j表示k时刻第j个目标波束形成后接收信号的强度，b表示噪声强度，表示第j个目标响应的衰减程度。
39、进一步地，所述的设计方法为：
40、步骤c1、对于分组g中除了第j个目标之外的每个目标，分别计算目标的预测状态：
41、
42、其中，表示k时刻第i个粒子第j′个目标的预测状态，是预测方位角，是预测方位角变化率，且j′≠j，f为状态转移矩阵，表示k-1时刻第i个粒子第j′个目标的状态估计值；
43、步骤c2、定义第j′个目标的先验方位角服从的均匀分布，m′为均匀分布窗长；
44、步骤c3、根据第j′个目标的先验方位角计算
45、
46、其中，是第j′个目标的方位角先验概率。
47、进一步地，所述步骤九中，分别计算每个联合分布粒子的权值的具体过程为：
48、计算联合分布粒子的重要性函数q(xk|xk-1,zk)：
49、
50、其中，是状态转移先验概率，j是全部目标的总数，为目标j的边缘似然函数；
51、根据q(xk|xk-1,zk)计算全部目标的联合似然函数p(zk|xi,k)，再根据p(zk|xi,k)计算每个联合分布粒子的权值；
52、
53、其中，是k时刻第i个联合分布粒子的权值，是k-1时刻第i个联合分布粒子的权值，p(zk|xi,k)是全部目标的联合似然函数。
54、进一步地，所述步骤十的具体过程为：
55、步骤1、对于第g个目标分组，初始化目标轨迹预计交叉粒子数a＝0，初始化
56、步骤2、初始化粒子计数i＝1；
57、步骤3、将k时刻第i个粒子对第g个分组内第j个目标的预测方位角记为根据判断k时刻第g个分组内各目标的相对位置相对于k-1时刻是否发生变化；
58、若相对位置发生变化，则令a＝a+1，再执行步骤4；
59、若相对位置未发生变化，则直接执行步骤4；
60、步骤4、判断是否满足i＝ng，ng为粒子总数；
61、若满足，则执行步骤5；
62、若不满足，则令i＝i+1，再返回执行步骤3；
63、步骤5、判断a的值是否大于0.4ng，若a大于0.4ng，则令否则令
64、步骤6、初始化集合其中表示第i个粒子中第j个目标分区的预测方位角，j＝1,2,…,m，初始化需调整权值的粒子集合
65、步骤7、遍历集合ω中每个粒子的预测值，以粒子p为例，将中最大预测方位角目标对应的目标分区索引记为πp；
66、同理，分别得到每个粒子中最大预测方位角对应的目标分区索引；
67、步骤8、对于步骤7中得到的任意一个目标分区索引，计算出该目标分区索引对应的粒子权值和；
68、同理，分别计算出步骤7中得到的每个目标分区索引对应的粒子权值和；
69、再选取出最大的粒子权值和对应的目标分区索引，将选取出的目标分区索引记为n；
70、步骤9、对于粒子p，若中最大预测方位角对应的目标不为n，则粒子p为需要调整权值的粒子，并将粒子p加入集合ψ，否则，粒子p不需要调整权值；
71、同理，对每个粒子进行判断后，得到更新后的集合ψ；
72、步骤10、判断集合ω中的目标个数是否为1；
73、若集合ω中的目标个数为1，则执行步骤11；
74、若集合ω中的目标个数不为1，则从集合ω中删除目标n，得到更新后的集合ω，再返回步骤7；
75、步骤11、对集合ψ中的粒子权值进行调整。
76、进一步地，所述步骤11的具体过程为：
77、
78、其中，是在第g个目标分组下第i个粒子的调整后权值。
79、更进一步地，所述步骤十一中，根据调整后的粒子权值计算k时刻每个目标的状态的具体过程为：
80、
81、其中，是k时刻第j个目标的状态。
82、本发明的有益效果是：
83、本发明推导了边缘似然函数并以此取代常规似然函数，从而使得面对邻近目标时可以保留独立分区滤波假设，避免了计算量的“维数灾难”问题，对比联合多目标概率递推的方法提高了计算效率，相比独立分区粒子滤波方法提升了目标邻近时的跟踪准确度。同时使用基于目标相对位置的权值调整方法以解决邻近目标跟踪中的轨迹互换或误判问题，相比常规的k均值聚类方法，本发明方法在避免跟踪误判问题的前提下，减小了对目标小角度交叉场景的误判问题。通过实验证明本发明方法显著提高了跟踪性能。
1.一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述步骤三中是根据设置的邻近门限对目标进行分组，分组结果满足：
3.根据权利要求2所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述根据分区状态值计算k时刻第i个粒子第j个目标的分区权值；具体为：
4.根据权利要求3所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述k时刻第i个粒子第j个目标的边缘似然函数近似为：
5.根据权利要求4所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述方位谱图上第i′个观测单元的似然函数为：
6.根据权利要求5所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述的设计方法为：
7.根据权利要求6所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述步骤九中，分别计算每个联合分布粒子的权值的具体过程为：
8.根据权利要求7所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述步骤十的具体过程为：
9.根据权利要求8所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述步骤11的具体过程为：
10.根据权利要求9所述的一种面向邻近目标场景的粒子滤波检测前跟踪方法，其特征在于，所述步骤十一中，根据调整后的粒子权值计算k时刻每个目标的状态的具体过程为：
