目标跟踪中基于多模型优化多假设的多目标数据关联方法技术

技术编号:20863260 阅读:29 留言:0更新日期:2019-04-17 08:48
本发明专利技术提供目标跟踪中基于多模型优化多假设的多目标数据关联方法。针对实际目标跟踪中,目标运动模型是变化的,引入交互式多模型滤波器,对每个模型的模型概率和状态估计进行计算,得到目标当前的运动模型,实现对多目标的交互式跟踪。为解决多假设跟踪算法假设计算量大的问题,需要合理的删减低概率的假设,将目标径向速度信息加入到航迹置信度判断中,进行航迹删除,只保留置信度高的航迹进行概率计算,保证初始航迹确认的准确性和置信度参数的可靠性。并且通过选用串行结构的多雷达,将上一个雷达处理后的状态估计作为中间值,直至将多雷达的量测处理完,得到最终的状态估计,实现目标状态估计修正,提高了算法的实时性和数据关联的精度。

【技术实现步骤摘要】
目标跟踪中基于多模型优化多假设的多目标数据关联方法
本专利技术属于雷达目标跟踪
,尤其涉及目标跟踪中基于多模型优化多假设的多目标数据关联方法。
技术介绍
雷达作为信息化战争的“千里眼”,可对战场中的目标进行探测和跟踪,达到获得战场态势信息的目的,被广泛应用于军事领域。随着大量复杂应用背景的多源信息系统的应用,对复杂环境中的目标数据处理是实现目标精准定位的关键,因此,雷达的数据处理技术已成为军事领域乃至民用领域的重要研究方向。数据处理技术主要是通过雷达接收目标的信息,然后对接收到的信息进行一系列的处理,从而得到目标的运动轨迹,并可以得到目标的位置、速度和机动情况等信息,实现对目标的实时跟踪与监控。通过雷达数据处理,提高雷达信号处理功能,是现代军事化建设不可或缺的部分。目标跟踪系统通过实时监控目标得到其状态信息,并对目标的状态进行预测,一般的目标跟踪系统是通过雷达对目标的信息进行处理。雷达的数据处理包括:数据预处理、航迹起始、数据关联和航迹关联。通过对雷达接收到的数据进行处理,确定跟踪目标的当前坐标位置和预测下一时刻目标的位置等信息,并对目标下一时刻的状态进行预测,从而得到完整的目标轨迹。在实际应用环境中,由于目标会受到天气因素的影响,目标的运动模型是不固定的,目标在运动过程中,属于机动目标,所以对目标运动模型的预测显得尤为重要。为了减少目标跟踪的误差,需要对目标运动模型的切换做出评估,然后建立相应的运动模型并进行目标状态预测,从而提高目标跟踪系统的性能。在实际探测中,由于受到环境中的噪声因素和干扰信息的影响,使得对目标的探测会存在一定的误差,出现误跟或漏跟的情况,所以需要选择合适的跟踪门。跟踪门以预测量测为中心选取一块区域,区域的大小和位置决定了目标真实的量测值是否会被检测到;在此基础上,通过滤波算法将杂波和虚警过滤掉,这样可以减少杂波对点迹与航迹关联的影响;最后,通过数据关联相关算法将点迹与航迹进行关联,从而得到目标的运动轨迹,实现对目标精准跟踪的目的。随着航天技术的快速发展,多目标跟踪问题成为目标跟踪的热点问题,其中对数据关联技术的研究是多目标跟踪问题的核心部分,通过将雷达探测到的数据进行处理,将接收到的回波(量测)与目标的航迹进行关联,从而得到多目标的轨迹。而在敌我双方的跟踪与反跟踪技术的不断发展中,各种“敌方”目标的信息朝着低检测率、低信噪比、低信号数据率、高干扰性和高机动性等方面发展,使得对目标的探测难度增大。因此,为了进一步提高目标的跟踪率,必须采用高效的技术对目标进行探测,实现对目标的有效跟踪,这就需要提高数据关联的精度。
技术实现思路
为克服现有技术的不足,本专利技术提供了目标跟踪中基于多模型优化多假设的多目标数据关联方法。本专利技术所采用的技术方案是:目标跟踪中基于多模型优化多假设的多目标数据关联方法(IMM-OMHT),包括以下步骤:步骤1:判断目标的运动模型;假设目标运动模型间的转换服从Markov(马尔科夫)过程,将多个运动模型考虑在其中,根据不同运动模型所对应的滤波器对目标的上一时刻的状态估计进行处理,实现目标状态估计的更新;步骤1.1:对目标状态估计,通过IMM算法中的交互式作用,计算目标的运动模型转换概率,从模型a转移到模型j的转移概率为的计算如下式所示:步骤1.2:经过交互式作用计算后k时刻模型j的输入为:其中,为模型j的状态向量,为k-1时刻运动模型为模型j(j=1,2,…,N)的目标状态估计,uk-1(j)为k-1时刻模型j的概率,uk-1|k-1(aj)为k-1时刻模型j转换为模型a的概率,可以表示为:其中,为:k-1时刻模型j的协方差为:步骤2:对目标的运动模型进行修正,将模型j的状态向量及其协方差Poj(k-1|k-1)与量测向量Z(k)一起作为k时刻模型j的输入值,通过标准卡尔曼滤波器进行计算可获得各模型输出的状态向量和协方差Pj(k|k);步骤3:目标运动模型可行性计算,假设模型变换服从高斯分布,则模型j的可行性为:其中为k时刻模型j的可行性,为k时刻模型j的滤波残差,为k时刻模型j的协方差。步骤4:对目标的运动模型概率更新,模型j的概率更新为:其中uk(j)为k时刻模型j的概率,C为归一化因子,如下式所示:步骤5:对目标的运动模型输出,k时刻经过交互式作用处理后的目标状态估计为:为目标i的状态估计,uk|k(i)为时刻目标的概率;k时刻经过交互式处理后模型j的协方差为:uk(j)为k时刻目标对应模型的概率;步骤6:假设的产生,设Ωk,w是至k时刻第w个雷达的关联假设集合,由Ωk-1,w和最新量测值集合得到Ωk,w,其中跟踪门内的量测值集合为:其中,Zw(k)为第w个雷达的量测值集合;mk为目标的个数;Ziw(k)为k时刻雷达接收到的目标量测;步骤7:假设的删减,在完成假设产生后,需要对新产生的航迹进行评估,将航迹置信度低的航迹进行删除。航迹置信度Δlk的计算公式为:其中,Pd为探测到目标的概率,βf为虚警量测的密度空间,M为量测的维数,Pf为虚警量测的概率,d表示量测在跟踪门内,s为跟踪门的面积;步骤7.1:累计航迹置信度lk的计算,如果雷达每次扫描是独立的,式(12)的计算结果是单次扫描结果,那么经过k次扫描所得的累计航迹置信度lk可以表示为:其中,l1为新航迹的初始置信度;通过累计航迹置信度的设置,可以对目标的航迹进行确认和删除,从而实现对假设的删减,删减的规则如下所示:其中,Td为删除航迹的阈值,Ta为确认航迹的阈值,阈值的设定可以根据现场环境的需要而设定;步骤7.2:计算径向速度的置信度参数;径向速度的大小与k-1时刻到k时刻目标移动距离的大小满足:其中,rk-rk-1为k-1时刻到k时刻目标移动的距离,tk-tk-1为k-1时刻到k时刻所经历的时间,dk为k时刻目标的径向速度,为径向速度的平均值。由此得到基于径向速度的置信度参数的判断公式:其中,c为常数;步骤7.3:当判断关联假设集是否为新目标航迹的时候,将连续三次扫描的结果进行判断,通过Δrd可以判断三次连续的扫描结果是否为同一目标的量测值,如果通过判断符合航迹起始的条件,那么保留该假设,否则对假设进行删除。步骤8:关联概率的计算,雷达w与当前雷达收到的量测值有关的事件θw(k)包括:ιw个源于已确认的航迹的量测,vw个源于新产生目标的量测值,Φw个虚警。对于雷达w的量测值q(i=1,2,…,.mk),定义与事件θw(k)有关的变量:在事件θw(k)中已经确认的航迹数为:在事件θw(k)中已经新确认的航迹数为:在事件θw(k)中虚警的数量为:Φw=mk-τw-νw(22)对于雷达w的任一假设的概率计算为:其中,C为归一化常数因子,为雷达w的虚假量测值数量,为雷达w的新目标数的先验质量函数,V为跟踪门的体积,为雷达w探测的目标t航迹的探测概率,为雷达w与目标关联量测的高斯分布。步骤9:串行化处理,通过选用零扫描法,选择可能性最大的数据关联假设,来对多目标进行状态估计,将原算法中选用的卡尔曼滤波算法改为IMM算法来进行状态估计,这样更符合目标的实际运动状态;选择最大可能的数据关联假设,并增大相应的协方差矩阵,从而将相应的误相关考虑其中;最后通过关联概率的计算,求出每一个事件的概率,然后估计每一本文档来自技高网
...

【技术保护点】
1.目标跟踪中基于多模型优化多假设的多目标数据关联方法,其特征在于,包括:步骤1:判断目标的运动模型;假设目标运动模型间的转换服从Markov过程,将多个运动模型考虑在其中,根据不同运动模型所对应的滤波器对目标的上一时刻的状态估计进行处理,实现目标状态估计的更新;步骤1.1:对目标状态估计,通过IMM算法中的交互式作用,计算目标的运动模型转换概率,从模型a转移到模型j的转移概率为

【技术特征摘要】
1.目标跟踪中基于多模型优化多假设的多目标数据关联方法,其特征在于,包括:步骤1:判断目标的运动模型;假设目标运动模型间的转换服从Markov过程,将多个运动模型考虑在其中,根据不同运动模型所对应的滤波器对目标的上一时刻的状态估计进行处理,实现目标状态估计的更新;步骤1.1:对目标状态估计,通过IMM算法中的交互式作用,计算目标的运动模型转换概率,从模型a转移到模型j的转移概率为的计算如下式所示:步骤1.2:经过交互式作用计算后k时刻模型j的输入为:其中,为模型j的状态向量,为k-1时刻运动模型为模型j(j=1,2,…,N)的目标状态估计,uk-1(j)为k-1时刻模型j的概率,uk-1|k-1(a|j)为k-1时刻模型j转换为模型a的概率,可以表示为:其中,为:k-1时刻模型j的协方差为:步骤2:对目标的运动模型进行修正,将模型j的状态向量及其协方差Poj(k-1|k-1)与量测向量Z(k)一起作为k时刻模型j的输入值,通过标准卡尔曼滤波器进行计算可获得各模型输出的状态向量和协方差Pj(k|k);步骤3:目标运动模型可行性计算,假设模型变换服从高斯分布,则模型j的可行性为:其中为k时刻模型j的可行性,为k时刻模型j的滤波残差,为k时刻模型j的协方差;步骤4:对目标的运动模型概率更新,模型j的概率更新为:其中uk(j)为k时刻模型j的概率,C为归一化因子,如下式所示:步骤5:对目标的运动模型输出,k时刻经过交互式作用处理后的目标状态估计为:为目标i的状态估计,uk|k(i)为时刻目标的概率;k时刻经过交互式处理后模型j的协方差为:uk(j)为k时刻目标对应模型的概率;步骤6:假设的产生,设Ωk,w是至k时刻第w个雷达的关联假设集合,由Ωk-1,w和最新量测值集合得到Ωk,w,其中跟踪门内的量测值集合为:其中,Zw(k)为第w个雷达的量测值集合;mk为目标的个数;为k时刻雷达接收到的目标量测;步骤7:假设的删减,在完成假设产生后,需要对新产生的航迹进行评估,将航迹置信度低的航迹进行删除;航迹置信度Δlk的计算公式为:其中,Pd为探测到目标的概率,βf为虚警量测的密度空间,M为量测的维数,Pf为虚警量测的概率,d表示量测在跟踪门内,s为跟踪门的面积;步骤8:关联概率的计算,雷达w与当前雷达收到的量测值有关的事件θw(k...

【专利技术属性】
技术研发人员:张德育吕艳辉马琳琳
申请(专利权)人:沈阳理工大学
类型:发明
国别省市:辽宁,21

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1