基于傳感器網(wǎng)絡(luò )的多目標跟蹤和特征管理方法

本文采用了最大后驗MAP算法解決多目標跟蹤問(wèn)題。該算法對觀(guān)測目標進(jìn)行分割，并根據分割對目標狀態(tài)進(jìn)行估算。

3 馬爾科夫鏈蒙特卡洛數據融合
本節提出一種解決第二節中多目標跟蹤問(wèn)題的算法，該算法是離散多目標跟蹤與識別算法模塊的核心。
3．1 馬爾科夫鏈蒙特卡洛模型
馬爾科夫鏈蒙特卡洛模型是已知唯一能在多項式時(shí)間復雜問(wèn)題下實(shí)現估值計算的方法，同時(shí)，還是一種從位于空間Ω的分布π中提取抽樣值的普遍方法，該方法通過(guò)狀態(tài)值ω∈Ω和穩定分布值π(ω)建立的馬爾科夫鏈M來(lái)實(shí)現其算法?，F在來(lái)描述該算法。在狀態(tài)ω∈Ω，假設ω’∈Ω服從分布q(ω，ω’)。而運動(dòng)的感知服從感知慨率A(ω，ω’)，其中：

然而樣本保持在ω。通過(guò)計算，平衡條件得以滿(mǎn)足，例如，對于所有的ω：

其中，P(ω，ω’)=q(ω，ω’)A(ω，ω’)是從ω到ω’的躍遷概率。
如果M具約束性和非周期性，并且M由遍歷定理收斂至均勻分布。因此，對于一個(gè)給定的有界函數f：Ω→Rm，樣本均值，其中ωn是M在時(shí)刻t的狀態(tài)，當Eπf(ω)收斂于N→∞?？梢宰⒁獾焦?4)只需計算出π(ω’)／π(ω)的比值，而無(wú)需對π進(jìn)行標準化。
3．2 馬爾科夫鏈蒙特卡洛數據關(guān)聯(lián)
MCMCDA算法是馬爾科夫鏈蒙特卡洛算法的特殊形式，其狀態(tài)空間是上文在第2．2節中提到的，并且其平穩分布服從公式(3)。對于MCMCDA的分布有5類(lèi)動(dòng)作組成。它們包括：1)發(fā)現／消失運動(dòng)；2)分割／合并運動(dòng)：3)擴展／減少運動(dòng)；4)跟蹤刷新運動(dòng)；5)跟蹤切換運動(dòng)。

MCMCDA的運動(dòng)方式如圖3中所示，每個(gè)運動(dòng)的詳細描述在此省略。MCMCDA的輸入是一系列觀(guān)測值Y，樣本觀(guān)測值的個(gè)數nmc，初始狀態(tài)ωinit，以及有界函數X：Ω→Rm。對于該算法的每一步，ω是馬爾科夫鏈的當前狀態(tài)。其獲取概率A(ω，ω’)如公式(4)，輸出接近MMSE的估計值EπX，且接近MAP的估計值arg maxP(ω|Y)。