法律状态公告日
法律状态信息
法律状态
2019-07-19
授权
授权
2017-03-22
实质审查的生效 IPC(主分类):G01S13/66 申请日:20160908
实质审查的生效
2017-02-22
公开
公开
技术领域
本发明属于雷达机动扩展目标跟踪领域,涉及到扩展目标运动状态和扩展形态的联合估计,即基于无迹卡尔曼滤波的机动扩展目标跟踪方法。
背景技术
随着现代传感器分辨率的不断增强,在一些跟踪场景中目标不再被认为是个点源,因为除了基本的运动量测,高分辨率雷达还能提供目标的部分特征信息。这些特征信息有助于提高目标跟踪和识别的精度。
例如在一定信噪比的条件下,通过使用高距离分辨率雷达来对目标进行检测,目标的特征反射在雷达视线上所产生的的一维投影,即为目标距离像。因此,高精度雷达不但可以通过回波获取目标的径向距离、速度以及俯仰角等运动量测信息,而且还能测量出目标的宽度或大小等形状信息。在这种情况下,运动体不再被认为是点目标,而是通常被认为是具有一点扩展形态的扩展目标。近十年来,扩展目标跟踪已经成为一个研究热点。
然而,由于扩展目标真实机动过程本身所具有的复杂性,如何使用精确的数学模型来精确表征目标运动状态和扩展形态的演化过程,特别是当扩展目标机发生动时,其测量方程和运动方程都是复杂的非线性方程,这给机动扩展目标跟踪带来了困难。因此实现本发明的过程中,发明人根据距离像量测基于无迹卡尔曼滤波来对机动扩展目标的运动状态和形态进行联合跟踪,主要解决了:机动扩展目标的运动状态和扩展形态的整体描述,特别是建立目标扩展形态的时间演化模型以分别描述不同形态时间上的连续变化,并充分考虑到单一模型无法对整个机动过程充分表征,基于无迹卡尔曼滤波并采用混合系统多模型的建模思想两者相结合的方式以提到扩展目标跟踪精度。
发明内容
本发明的目的是提供一种机动扩展目标跟踪方法,所述的基于无迹卡尔曼滤波的跟踪方法,不但能够对机动过程中的扩展目标运动状态和扩展形态进行有效描述,而且可以将其整合到多模型框架中以最终得到用以描述机动扩展目标的混合系统,从而实现精确估计目标运动状态和扩展形态的目的。
本发明所采用的技术方案是:一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法,包括以下步骤:
步骤一、对扩展目标运动状态与扩展形态参数进行初始化;
步骤二、依据扩展目标距离像测量的特点利用支撑函数建立机动扩展目标形态的过程;
步骤三、根据扩展目标的机动特性,使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述;
步骤四、基于无迹卡尔曼滤波与多模型算法相结合建立机动扩展目标系统模型集,从而实现机动扩展目标运动状态和扩展形态的联合跟踪。
假定机动扩展目标在k时刻的状态向量为
所述利用支撑函数建立机动扩展目标形态的过程如下:
步骤301、建立椭圆形扩展目标模型,并使用一个对称半正定矩阵
步骤302、利用公式
步骤303、假定目标模型的纵向距离像为
根据扩展目标的机动特性,使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述如下:
步骤401、首先假定扩展目标在笛卡尔平面内作转弯运动,矩阵
步骤402、利用以下方程表示k时刻的目标运动量测
所述步骤四包括以下过程:
步骤501、假定扩展目标发生机动时的采用以下的离散时间马尔科夫跳变系统:
步骤502、对步骤501中的机动扩展目标模型集进行初始化,得到
步骤503、使用无迹卡尔曼滤波器,对每个所匹配的扩展目标模型
步骤504、假定在k-1时刻的匹配机动模型为
步骤505、假定
步骤506、使用无迹变换样点
预测误差的协方差阵
而
其中,
步骤507、根据步骤506推导出的后验概率
本发明的有益效果:本发明不但能够对机动过程中的扩展目标运动状态和扩展形态进行有效描述,而且可以将其整合到多模型框架中以最终得到用以描述机动扩展目标的混合系统,从而实现对扩展目标发生机动时运动状态与扩展形态的变化情况时进行精确实时地估计,易于工程实现,具有较强的工程应用价值和推广前景。
附图说明
图1是本发明实施方式的流程图;
图2扩展目标跟踪轨迹图;
图3 扩展目标位置的均方根误差结果;
图4 扩展目标速度的均方根误差结果;
图5 扩展目标形态的豪斯多夫距离对比结果图。
具体实施方式
如图所示,一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法,包括以下步骤:
步骤一、对扩展目标运动状态与扩展形态参数进行初始化;
步骤二、依据扩展目标距离像测量的特点利用支撑函数建立机动扩展目标形态的过程;
步骤三、根据扩展目标的机动特性,使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述;
步骤四、基于无迹卡尔曼滤波与多模型算法相结合建立机动扩展目标系统模型集,从而实现机动扩展目标运动状态和扩展形态的联合跟踪。
假定机动扩展目标在k时刻的状态向量为
所述利用支撑函数建立机动扩展目标形态的过程如下:
步骤301、建立椭圆形扩展目标模型,并使用一个对称半正定矩阵
步骤302、利用公式
步骤303、假定目标模型的纵向距离像为
根据扩展目标的机动特性,使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述如下:
步骤401、首先假定扩展目标在笛卡尔平面内作转弯运动,矩阵
步骤402、利用以下方程表示k时刻的目标运动量测
所述步骤四包括以下过程:
步骤501、在现实跟踪场景中,其运动模式往往用多个机动模型来表征,特别是当扩展目标发生机动时,其运动状态往往会产生剧烈的变化。因此,采用以下的离散时间马尔科夫跳变系统:
步骤502、对步骤501中的机动扩展目标模型集进行初始化,得到
步骤503、基于无迹卡尔曼滤波的机动扩展目标跟踪算法首先运行与每个目标模型
步骤504、假定在k-1时刻的匹配机动模型为
步骤505、假定
步骤506、使用无迹变换样点
预测误差的协方差阵
而
其中,
步骤507、根据步骤506推导出的后验概率
本发明用于跟踪机动扩展目标跟踪的效果可以通过以下仿真实验进一步说明:
1、 仿真场景及参数
考虑如下的仿真场景,一个椭圆扩展目标沿着图2中所示的轨迹运动,途中进行了一次转弯机动。那么目标模式状态包含两个元素:一个近匀速运动和一个转弯机动,其转弯速率为
2、仿真内容及结果分析
图2给出了此场景中的椭圆目标与矩形目标的跟踪轨迹,另外此场景中的扩展目标跟踪的运动状态性能对比分别如图3和图4所示。本发明中采用均方根误差(RMSE)作为指标来评估基于无迹卡尔曼滤波的机动扩展目标运动状态(目标位置与速度)的估计性能,此外,本发明使用豪斯多夫距离来评价估计形态与真实形态之间的相似程度,豪斯多夫距离越小,表明估计出的目标形态就越接近真实目标形态。如图5如示,豪斯多夫距离的对比结果表明目标扩展形态得以精确估计。总的来说,本发明中的基于无迹卡尔曼滤波的机动扩展目标跟踪方法能够对目标的运动状态和扩展形态精确估计。
机译: 使用射频识别技术(RFID)的一种或多种工厂和/或基于工厂的产品跟踪方法和设备和/或产品销售跟踪方法和设备
机译: 基于神经网络的基于二维样本量的基于频谱多普勒成像的二维二维运动跟踪方法和装置
机译: 基于神经网络的基于二维样本量的基于频谱多普勒成像的二维二维运动跟踪方法和装置