【技术实现步骤摘要】
一种多目标跟踪数据关联方法及系统
本专利技术涉及多目标跟踪
,具体是一种多目标跟踪数据关联方法及系统。适用于多杂波环境下多目标跟踪数据关联。
技术介绍
多目标跟踪的基本概念是由Wax在1955年首先提出的。1964年,Sutler对多目标跟踪理论以及数据关联问题进行了深入地研究,并取得了开创性的进展,然而直到70年代初期,机动目标跟踪理论才真正引起人们的注意。在这一期间,Bar-shalom和Singer开创的以数据关联技术和卡尔曼(kalman)滤波技术有机结合为标志的多目标跟踪技术取得了突破性进展。但密集杂波环境下的目标跟踪数据关联一直是多目标跟踪领域的一个难题,雷达捕捉到的信号除了真实量测外还包括杂波引起的虚假量测,难以实现对目标的准确关联。在多杂波环境下多目标跟踪数据关联的研究,现有的最近邻数据关联法(NN)是解决数据关联最简单的方法,但最近邻法在杂波环境下的正确关联率较低;联合概率数据关联方法(JPDA)根据假设将所有的目标和量测组合为联合事件计算关联概率,能够很好地解决杂波环境下多目标量测关联问题,但JPDA方法计算复杂度较大,并且随着目标数和杂波数的增长,其关联概率的计算会出现组合爆炸的情况。
技术实现思路
本专利技术提供一种多目标跟踪数据关联方法及系统,用于克服现有技术中正确关联率较低或计算复杂度较大等缺陷,实现提高正确关联率并降低计算复杂度。为实现上述目的,本专利技术提供一种多目标跟踪数据关联方法,包括:结合目标上一时刻状态及运动属性构建用于预测当前 ...
【技术保护点】
1.一种多目标跟踪数据关联方法,其特征在于,包括|:/n结合目标上一时刻状态及运动属性构建用于预测当前时刻目标位置的强化学习数据关联模型;/n在目标当前时刻已知量测点周围模拟随机杂波点并根据设定的波门获得门内候选量测点及量测点位置分布;/n根据候选量测点分布在关联模型的经验矩阵中选择权值,根据该权值对候选量测点与目标的状态匹配度的波动影响及候选量测点与目标的运动匹配度获得每个候选量测点的关联概率;/n根据当前时刻目标一步已知量测点获得当前时刻目标的实际状态一步估计值并进行点迹-航迹关联;/n根据关联概率和候选量测点获得当前时刻目标的模拟状态一步估计值,以模拟状态一步估计值与实际状态一步估计值之间的欧式距离为损失对经验矩阵进行训练,重复上述训练和关联过程,直到起始时间段所有已知量测点均完成关联和训练,获得训练模型;/n将目标进入杂波区后雷达采集数据点作为量测点,根据设定的波门获得门内候选待测量测点及量测点位置分布,结合所述训练模型及运动匹配获得目标的一步状态估计值,并以此进行关联;计算目标下一时刻的一步状态预测值,以目标的一步状态预测值的一步观测预测值与目标的一步状态估计值的一步观测预测 ...
【技术特征摘要】
1.一种多目标跟踪数据关联方法,其特征在于,包括|:
结合目标上一时刻状态及运动属性构建用于预测当前时刻目标位置的强化学习数据关联模型;
在目标当前时刻已知量测点周围模拟随机杂波点并根据设定的波门获得门内候选量测点及量测点位置分布;
根据候选量测点分布在关联模型的经验矩阵中选择权值,根据该权值对候选量测点与目标的状态匹配度的波动影响及候选量测点与目标的运动匹配度获得每个候选量测点的关联概率;
根据当前时刻目标一步已知量测点获得当前时刻目标的实际状态一步估计值并进行点迹-航迹关联;
根据关联概率和候选量测点获得当前时刻目标的模拟状态一步估计值,以模拟状态一步估计值与实际状态一步估计值之间的欧式距离为损失对经验矩阵进行训练,重复上述训练和关联过程,直到起始时间段所有已知量测点均完成关联和训练,获得训练模型;
将目标进入杂波区后雷达采集数据点作为量测点,根据设定的波门获得门内候选待测量测点及量测点位置分布,结合所述训练模型及运动匹配获得目标的一步状态估计值,并以此进行关联;计算目标下一时刻的一步状态预测值,以目标的一步状态预测值的一步观测预测值与目标的一步状态估计值的一步观测预测值之间的马氏距离为损失对训练模型的经验矩阵进行优化,重复关联和优化直到完成航迹关联。
2.如权利要求1所述的多目标跟踪数据关联方法,其特征在于,所述获得关联概率的步骤包括:
根据候选量测点分布在关联模型的经验矩阵中选择权值;
通过计算每个候选量测点与目标的一步观测预测值的欧氏距离,获得每个候选量测点与目标的状态匹配度;
通过将选择的权值与上述欧式距离作代数运算获得权值对状态匹配度的波动影响;
通过计算每个候选量测点与目标的三步观测预测值的欧氏距离,获得每个候选量测点与目标的运动匹配度;
根据运动匹配度和波动后的状态匹配度获得每个候选量测点的关联概率。
3.如权利要求2所述的多目标跟踪数据关联方法,其特征在于,构建强化学习数据关联模型的步骤包括:
确定起始时间段已知目标量测值Zt(k|k),k=1,...,Ktrain和杂波区量测值Z(k),确定k时刻目标t的状态转移矩阵Ft(k)、观测矩阵Ht(k)、过程噪声协方差矩阵Qt(k)和观测噪声协方差矩阵Rt(k),计算k时刻目标t的一步状态预测值一步观测预测值一步状态协方差预测值和新息协方差矩阵St(k);
设定强化学习折扣因子λ和学习效率γ,建立强化学习模型的经验矩阵Q-table,状态s为量测的分布,动作a为经验矩阵的权值选择,Q-table初始化为0矩阵;
所述k时刻目标t的一步状态预测值一步观测预测值一步状态协方差预测值和新息协方差矩阵St(k)的计算表达式为:
其中,Ft(k)表示k时刻目标t的状态转移矩阵,Ht(k)表示k时刻目标t的观测矩阵,Qt(k)表示k时刻目标t的过程噪声协方差矩阵,Rt(k)表示k时刻目标t的观测噪声协方差矩阵。
4.如权利要求3所述的多目标跟踪数据关联方法,其特征在于,所述生成随机杂波的步骤包括:
在k时刻目标t已知量测值Zt(k|k),k=1,...,Ktrain周围生成杂波Zflase,i(k):
Zflase,i(k)=Zt(k|k)+l-2l·rand0,1(1);
其中,l为椭圆波门等效正方形边长,i=1,2,...,num_flase为杂波数量,rand0,1为0到1间的随机数,Ktrain为训练过程上限,t=1,2,...,T为目标个数。
5.如权利要求4所述的多目标跟踪数据关联方法,其特征在于,所述获得门内候选量测点及位置分布的步骤包括:
根据每个量测点与前一时刻目标一步预测点的马氏距离及波门确定门内候选量测点及分布;
确定量测值Z(k):
计算k时刻每个量测值Z(k)与目标t一步预测量测值的马氏距离gt(k):
若gt(k)满足下式条件则保留为...
【专利技术属性】
技术研发人员:张艳,曲承志,苏东,杨雪榕,张鑫,
申请(专利权)人:中山大学,
类型:发明
国别省市:广东;44
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。