本發(fā)明涉及一種復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,具體地說,是涉及一種采用兩次掃描的聯(lián)合數(shù)據(jù)關(guān)聯(lián)算法的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法。
背景技術(shù):
運動目標(biāo)跟蹤是模式識別、圖像處理、計算機視覺等領(lǐng)域的重要課題。它把圖像處理、自動控制、信息科學(xué)有機結(jié)合起來,形成了一種能從信號中實時的自動識別目標(biāo),自動跟蹤目標(biāo)運動的技術(shù)。在軍事、工業(yè)和科學(xué)研究方面都具有重要的意義。其中復(fù)雜環(huán)境下多機動目標(biāo)的跟蹤是信息處理領(lǐng)域中的研究熱點之一,在軍事和民用領(lǐng)域都有著廣泛的應(yīng)用。近年來國內(nèi)外許多專家學(xué)者對之進行了深入的研究,并隨著軟件和硬件技術(shù)的發(fā)展,使得多目標(biāo)跟蹤技術(shù)取得了很大的進展。但是很多理論都有一定的局限性,尤其是在目標(biāo)機動較大或環(huán)境復(fù)雜的情況下,很多方法會失效。因此,有必要在學(xué)習(xí)前人研究成果的基礎(chǔ)上,對機動目標(biāo)跟蹤理論進行改善。
機動目標(biāo)跟蹤的基本問題是目標(biāo)模型的動力學(xué)方程與目標(biāo)的實際運動存在著不匹配。跟蹤過程就是估計目標(biāo)當(dāng)前時刻(濾波)和未來(預(yù)測)任意時刻的狀態(tài),包括各種運動參數(shù),如目標(biāo)的位置、去向、速度和加速度等。通常,狀態(tài)估計是在兩種不確定性情況下進行的,即由于目標(biāo)的高度機動所產(chǎn)生的目標(biāo)模型的不確定性,以及由于干擾、噪聲所導(dǎo)致的量測的不確定性,這就導(dǎo)致量測與現(xiàn)有航跡互聯(lián)時產(chǎn)生誤差。正因為如此,機動目標(biāo)跟蹤特別是多機動目標(biāo)跟蹤已經(jīng)成為該領(lǐng)域的一個重要研究方向。
國內(nèi)外在多機動目標(biāo)跟蹤研究領(lǐng)域進行了很多相關(guān)研究。例如,大連理工大學(xué)等單位提出基于卡爾曼濾波的多目標(biāo)跟蹤方法,該方法利用中心差分卡爾曼濾波和高斯混合概率假設(shè)密度濾波對后驗多目標(biāo)狀態(tài)一階統(tǒng)計量進行估計,并通過遞推更新得到目標(biāo)狀態(tài),以實現(xiàn)對多個目標(biāo)的跟蹤.(基于中心差分卡爾曼-概率假設(shè)密度濾波的多目標(biāo)跟蹤方法,《控制與決策》2013年第28卷第1期),這種方法受目標(biāo)進行未知機動引起的估計誤差的影響,可能會出現(xiàn)發(fā)散,跟蹤性能將會嚴(yán)重下降。
南京理工大學(xué)等單位提出基于概率假設(shè)密度(PHD)的多目標(biāo)跟蹤方法,(多目標(biāo)跟蹤的混合高斯PHD濾波,《計算機工程與應(yīng)用》,2011年第47卷第14期),也有一些其他研究對PHD算法進行了改進。雖然避免了傳統(tǒng)多目標(biāo)跟蹤方法的數(shù)據(jù)關(guān)聯(lián),但PHD濾波在采用聚類方法提取目標(biāo)狀態(tài)時,需要將粒子歸類,這在噪聲較大的環(huán)境下,會造成目標(biāo)狀態(tài)估計不準(zhǔn)確。
解放軍電子工程學(xué)院采用固定延遲平滑算法實現(xiàn)機動目標(biāo)的跟蹤(基于固定延遲平滑算法的機動目標(biāo)跟蹤方法,《艦船電子工程》,2010年第3期),但該方法僅限于單目標(biāo)的跟蹤。
其它一些較有代表性的算法有聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probabilistic Data Association,JPDA)算法(例如:多傳感器多目標(biāo)跟蹤的JPDA算法,《系統(tǒng)仿真學(xué)報》,2004年第16卷第7期)和交互式多模型(Interacting Multiple Model,IMM)算法(例如:基于IMM模型的目標(biāo)跟蹤算法,《中國制造業(yè)信息化:學(xué)術(shù)版》2010年第7期)。前者對多個軌跡交叉的目標(biāo)有較好的跟蹤性能,后者適用于目標(biāo)高機動的情況。然而對于多個高機動目標(biāo)并有軌跡交叉的問題,單一的IMM或JPDA都不能得到很好解決。
也有研究人員將交互多模型逼近和聯(lián)合概率數(shù)據(jù)互聯(lián)技術(shù)與固定延遲平滑濾波方法相結(jié)合,進行多機動目標(biāo)的跟蹤研究。(例如:使用IMM/JPDA和固定延遲平滑濾波方法進行雜波環(huán)境下多機動目標(biāo)跟蹤,《情報指揮控制系統(tǒng)與仿真技術(shù)》2003年第4期),該方法性能優(yōu)于傳統(tǒng)IMM/JPDA濾波器,但當(dāng)幾個被跟蹤目標(biāo)比較接近,且機動性比較大的時候,容易產(chǎn)生誤差。
也有將IMM/JPDA兩種跟蹤算法按照一定的方式結(jié)合起來,從而得出交互式多模型聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法。(例如:一種改進的IMM-JPDA多目標(biāo)跟蹤算法,《微計算機信息》2010年第36期)但是這些算法計算比較復(fù)雜,且隨著目標(biāo)個數(shù)的增多,計算量會呈指數(shù)增長。
技術(shù)實現(xiàn)要素:
本發(fā)明所要解決的技術(shù)問題在于提供一種復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,包含:
步驟1:獲取多個運動目標(biāo)的多個運動目標(biāo)信息,根據(jù)所述多個運動目標(biāo)信息構(gòu)建估計模型,根據(jù)所述估計模型獲取所述多個運動目標(biāo)的多個當(dāng)前運動目標(biāo)信息;
步驟2:通過聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得跟蹤模型;
步驟3:根據(jù)所述跟蹤模型對所述多個運動目標(biāo)進行濾波跟蹤。
上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,于所述步驟1中,根據(jù)所述多個運動目標(biāo)信息通過交互式多模型算法構(gòu)建所述估計模型。
上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,所述步驟1進一步包含:
步驟11:通過狀態(tài)增廣法去設(shè)計固定延遲平滑器,所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d>0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息;
步驟12:通過所述交互式多模型算法及所述固定延遲平滑器構(gòu)建所述估計模型。
上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,所述步驟2中的所述估計模型包含狀態(tài)方程及觀測方程,所述狀態(tài)方程為:所述觀測方程為其中,是狀態(tài)增廣后目標(biāo)r在tk時刻的nx維系統(tǒng)狀態(tài),zk(r)是tk時刻的nz維測量值向量。和是對應(yīng)的當(dāng)目標(biāo)r處于模型j,在采樣周期(tk-1,tk]內(nèi)的系統(tǒng)矩陣,是在模型j下到zk(r)的非線性變換的雅可比矩陣,和分別為過程噪聲和測量噪聲。
上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,所述步驟2進一步包含:
步驟21:通過狀態(tài)增廣法去設(shè)計固定延遲平滑器,所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d>0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息;;
步驟22:通過所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法及所述固定延遲平滑器對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得所述跟蹤模型。
上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法為經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法。
上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,所述經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法包含條件模型估計及狀態(tài)協(xié)方差,所述條件模型估計為:
所述狀態(tài)協(xié)方差為:
其中,是在聯(lián)合事件Θk+1和Θk下的每個目標(biāo)的每個狀態(tài)的雙掃描聯(lián)合事件概率。
上述的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,其中,所述跟蹤模型包含平滑后的狀態(tài)估計及協(xié)方差,所述平滑后的狀態(tài)估計為:
所述協(xié)方差
本發(fā)明針對于現(xiàn)有技術(shù)其功效在于,提出了一種在雜波干擾環(huán)境下多機動目標(biāo)跟蹤的次優(yōu)固定延遲平滑算法,該方法在狀態(tài)估計時采用交互多模型技術(shù),在數(shù)據(jù)關(guān)聯(lián)時采用一種經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)技術(shù),將它們應(yīng)用到狀態(tài)增廣系統(tǒng)中。引入延遲后,目標(biāo)的狀態(tài)變量獲得了增廣,獲得了目標(biāo)的固定延遲平滑狀態(tài)估計,同時計算目標(biāo)的條件概率密度也更加精確了,提高了多機動目標(biāo)的跟蹤性能。
附圖說明
圖1是本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的流程圖;
圖2是本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的步驟流程圖。
具體實施方式
茲有關(guān)本發(fā)明的詳細(xì)內(nèi)容及技術(shù)說明,現(xiàn)以一較佳實施例來作進一步說明,但不應(yīng)被解釋為本發(fā)明實施的限制。
參見圖1及圖2,圖1為本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的流程圖;圖2是本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的步驟流程圖。如圖1-2所示本發(fā)明的復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法,包括:
S100步驟1:獲取多個運動目標(biāo)的多個運動目標(biāo)信息,根據(jù)所述多個運 動目標(biāo)信息構(gòu)建估計模型,根據(jù)所述估計模型獲取所述多個運動目標(biāo)的多個當(dāng)前運動目標(biāo)信息,其中根據(jù)所述多個運動目標(biāo)信息通過交互式多模型算法構(gòu)建所述估計模型;
S200步驟2:通過聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得跟蹤模型;
S300步驟3:根據(jù)所述跟蹤模型對所述多個運動目標(biāo)進行濾波跟蹤。
進一步地,步驟1還包含:
S101步驟11:通過狀態(tài)增廣法去設(shè)計固定延遲平滑器,所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d>0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息;
S102步驟12:通過所述交互式多模型算法及所述固定延遲平滑器構(gòu)建所述估計模型,其中所述估計模型包含狀態(tài)方程及觀測方程,所述狀態(tài)方程為: 所述觀測方程為其中, 是狀態(tài)增廣后目標(biāo)r在tk時刻的nx維系統(tǒng)狀態(tài),zk(r)是tk時刻的nz維測量值向量。和是對應(yīng)的當(dāng)目標(biāo)r處于模型j,在采樣周期(tk-1,tk]內(nèi)的系統(tǒng)矩陣,是在模型j下到zk(r)的非線性變換的雅可比矩陣, 和分別為過程噪聲和測量噪聲。
進一步地,步驟2還包含:
S201步驟21:通過狀態(tài)增廣法去設(shè)計固定延遲平滑器,所述固定延遲平滑器是通過所述多個運動目標(biāo)的k+d(d>0)時刻的運動目標(biāo)信息估計述多個運動目標(biāo)的k時刻的運動目標(biāo)信息;
S202步驟22:通過所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法及所述固定延遲平滑器對所述多個運動目標(biāo)信息及所述多個當(dāng)前運動目標(biāo)信息進行關(guān)聯(lián)后獲得所述跟蹤模型,其中所述聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法為經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法,所述經(jīng)過兩次掃描的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法包含條件模型估計及狀態(tài)協(xié)方差,所述條件模型估計為:
所述狀態(tài)協(xié)方差為:
其中,是在聯(lián)合事件Θk+1和Θk下的每個目標(biāo)的每個狀態(tài)的雙掃描聯(lián)合事件概率。
更進一步地,所述跟蹤模型包含平滑后的狀態(tài)估計及協(xié)方差,所述平滑后的狀態(tài)估計為:
所述協(xié)方差
下面結(jié)合圖1-2,具體說明本發(fā)明復(fù)雜環(huán)境下多機動目標(biāo)跟蹤方法的實施過程:
假設(shè)目標(biāo)集TN{1,2,...,N}中總共有N個目標(biāo),每個目標(biāo)的運動模型可以是運動模型集Mn={1,2,...n}中的一個。對于任何目標(biāo)r,表示目標(biāo)r在采樣周期(tk-1,tk]內(nèi)模型j起作用。對于第j個模型,目標(biāo)r的狀態(tài)方程和測量方程分別為:
或線性化表示
其中xk(r)是目標(biāo)r在tk時刻的nx維系統(tǒng)狀態(tài),zk(r)是tk時刻的nz維測量值向量。和是當(dāng)目標(biāo)r處于模型j,在采樣周期(tk-1,tk]內(nèi)的系統(tǒng)矩陣。hj是在模型j下xk(r)到zk(r)的非線性變換。
是狀態(tài)xk(r)估計值的hj的雅可比矩陣。和分別為過程噪聲 和測量噪聲的零均值高斯白噪聲協(xié)方差矩陣。在初始t0時刻,處在模型j下目標(biāo)的系統(tǒng)狀態(tài)服從均值為協(xié)方差為的高斯隨機分布。目標(biāo)r在時刻t0處在模型j的概率已知:模型從轉(zhuǎn)換到是由一個有限狀態(tài)的固定馬爾科夫鏈控制的,轉(zhuǎn)換概率為:
由于多目標(biāo)和干擾的原因,在k時刻有可能有不止一個測量值,所以在k時刻定義一個測量值的集合,表示為:
m表示在k時刻獲取的測量值的數(shù)目。在k時刻有效的測量值集合表示為Yk,包括個測量值。則到k時刻為止,累積的有效測量值集合為:
Zk={Y1,Y2,...,Yk}(5)
算法的目的就是找到目標(biāo)r的固定延遲平滑狀態(tài)估計和狀態(tài)估計誤差的協(xié)方差矩陣:
下面通過狀態(tài)增廣的方法設(shè)計固定延遲平滑器。
對每個目標(biāo)r,增加狀態(tài)變量xk(r)到
其中
假定對于增廣系統(tǒng),獲得了經(jīng)過濾波的狀態(tài)估計和它相關(guān)的協(xié)方差矩陣:
可以得到:
由上面的定義和(3),增廣系統(tǒng)可以表示為:
為了使增廣系統(tǒng)的每個目標(biāo)都有相同的初始條件,定義:
也就是
其初始狀態(tài)協(xié)方差為:
假設(shè)沒有不確定的測量值,也就是說測量值要么來自于單一目標(biāo),要么來自于干擾,并且干擾在整個有效區(qū)域內(nèi)是服從一致的獨立分布。在k時刻當(dāng)有效測量值和目標(biāo)r相關(guān)聯(lián)時(r=0表示,測量值來自于干擾),認(rèn)為邊緣事件θir(k)有效。當(dāng)一組邊緣事件{θir(k)}同時有效時,認(rèn)為一個關(guān)聯(lián)事件Θk有效。可表示為:其中ri為與有效測量值關(guān)聯(lián)目標(biāo)的索引。
當(dāng)時刻k+1的測量值可用時,用雙掃描平滑算法更新密度 在每次平滑循環(huán)過程中,假設(shè)對于每個目標(biāo)r∈Tn和每個模型j∈Mn,條件模型增廣狀態(tài)服從高斯分布:
條件模型估計為:
相應(yīng)的狀態(tài)協(xié)方差為:
是在聯(lián)合事件Θk+1和Θk下的每個目標(biāo)的每個狀態(tài)的雙掃描聯(lián)合事件概率。
并獲得更新后的模型概率:
將條件模型估計和后驗?zāi)P透怕式Y(jié)合起來獲得狀態(tài)的估計:
其協(xié)方差為:
最終獲得平滑后的狀態(tài)估計:
協(xié)方差為:
上述僅為本發(fā)明的較佳實施例而已,并非用來限定本發(fā)明實施的范圍,在不背離本發(fā)明精神及其實質(zhì)的情況下,熟悉本領(lǐng)域的技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形,但這些相應(yīng)的改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護范圍。