一种多目标跟踪数据关联方法及系统技术方案

本发明专利技术公开一种多目标跟踪数据关联方法及系统，该方法包括根据多目标跟踪数据关联特性将目标量测点已知起始时间段航迹看作强化学习训练过程，在一步已知量测点周围生成随机杂波，杂波点与已知量测点均被看作雷达采集量测点；根据跟踪门在量测点中筛选出候选量测点、目标运动特性利用运动匹配和强化学习对所有候选量测点按照匹配度及位置分布规律进行数据关联，由一步已知量测点检验关联结果训练强化学习模型的经验矩阵；根据训练的经验矩阵，结合运动匹配对目标进入杂波区航迹点进行数据关联，由关联结果继续对经验矩阵优化，直到完成航迹关联。解决现有技术中正确关联率较低及计算复杂度较高等问题，提高正确关联率并降低计算复杂度。

A data association method and system for multitarget tracking

【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，以上一时刻目标的一步状态预测值的一步观测预测值与当前时刻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以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。为实现上述目的，本专利技术还提供一种多目标跟踪数据关联方法，包括处理器和存储器，所述存储器存有多目标跟踪数据关联程序，所述处理器在运行所述多目标跟踪数据关联程序时执行上述方法的步骤。本专利技术提供的多目标跟踪数据关联方法及系统，提出基于强化学习模型和运动匹配的多目标跟踪数据关联算法，跟据多目标跟踪数据关联特性，将目标量测已知的起始时间段航迹关联看作强化学习训练过程，将后续目标进入杂波区的航迹关联看作强化学习关联过程，不需要建立每个目标与每个量测的关联事件，使得该算法能够在杂波密集环境下保持较快的计算速度，同时避免了组合爆炸问题；本专利技术方法利用强化学习结合运动匹配的方式计算目标与量测的关联概率，计算时同时考虑到目标的运动及状态特性和门内量测的分布规律，有效提高了多目标跟踪数据关联准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为本专利技术实施例一提供的基于强化学习和运动匹配的雷达多目标跟踪数据关联算法的流程图。图2为杂波较少时两目标真实航迹与杂波区示意图。图3为杂波较少时两目标真实航迹与估计航迹对比仿真示意图。图4为杂波较多时两目标真实航迹与杂波区示意图。图5为杂波较多时两目标真实航迹与估计航迹对比仿真示意图。图6为杂波密集时两目标真实航迹与杂波区示意图。图7为杂波密集时两目标真实航迹与估计航迹对比仿真示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明，本专利技术实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，在本专利技术中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本专利技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本专利技术中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。另外，本专利技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。实施例一如附图1-7所示，本专利技术实施例提供一种多目标跟踪数据关联方法，该方案不仅适用于单目标跟踪过程中的数据关联，也适用于两个及两个以上目标跟踪过程中的数据关联，请参见图1，具体包括：步骤S1，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；这里的当前时刻在训练过程中已知的是雷达对目标在一个确定时间段的真实量测点数据(不包含杂波量测数据)以及目标在该确定时间段的真实轨迹点数据，在关联过程已知的是雷达对目标在上述确定时间段之后的量测点数据(包含杂波点数据和真实数据)，通过构建模型，模拟强化学习真实数据之间的关联特性以对杂波区数据即杂波点进行识别(识别出真实数据)并估测出杂波区目标航迹；步本文档来自技高网...

【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。/n...

【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