本发明专利技术提供一种基于特征的目标跟踪优化方法，包括以下步骤：步骤S10，对得到的目标点迹信息进行处理，分别形成静目标轨迹和动目标轨迹；进行静目标数据关联，得到与静目标轨迹关联的静目标；进行动目标数据关联，得到与动目标轨迹关联的动目标；步骤S20，基于与动目标轨迹关联的动目标利用IMM算法进行动目标跟踪。本发明专利技术还提出了一种基于特征的目标跟踪优化装置，包括：存储器，存储有计算机程序；处理器，所述处理器包含数据处理单元，所述数据处理单元用于运行所述计算机程序，所述计算机程序运行时执行如上文所述的方法的步骤。本发明专利技术能有效的实时跟踪目标，准确度高，在工程上更具适用性。具适用性。具适用性。
【技术实现步骤摘要】
一种基于特征的目标跟踪优化方法、装置和存储介质
[0001]本专利技术属于安防雷达目标跟踪领域，更具体地说，涉及雷达数据处理系统中基于特征的目标跟踪优化方法。
技术介绍
[0002]目前，随着毫米波雷达技术的发展和成熟，毫米波雷达在安防系统中的应用越来越广泛。毫米波雷达可以探测到多个目标的距离、径向速度和角度，相比摄像头来说不受光线影响，抗干扰能力强，可以24小时全天候工作。在安防系统中，毫米波雷达需要对区域内多个目标进行跟踪和预测，同时显示目标的运动轨迹，从而筛选出危险目标，并对其进行监控、报警，所以机动目标跟踪是雷达数据处理过程中的关键环节，它可以有效抑制测量过程中引入的随机误差，对目标的运动轨迹进行稳定估计和合理预测，形成稳定的目标航迹，实现对目标高精度实时跟踪。在机动目标跟踪中，如果采用单一运动模型的跟踪算法，由于模型都是先验设定的，不能较好的匹配目标的机动轨迹，会导致滤波器估计精度下降，造成滤波器发散，甚至出现轨迹断裂、目标丢失的情况。
技术实现思路
[0003]本专利技术的目的是在于克服现有技术中存在的不足，提供一种一种基于特征的目标跟踪优化方法、装置，以及存储介质，利用安防雷达场景环境中静目标基本不变的特征，把动目标和静目标分开处理，克服现有的目标跟踪方法的不足，能有效的实时跟踪目标，准确度高，在工程上更具适用性。为实现以上技术目的，本专利技术实施例采用的技术方案是：第一方面，本专利技术实施例提供了一种基于特征的目标跟踪优化方法，包括以下步骤：步骤S10，对得到的目标点迹信息进行处理，分别形成静目标轨迹和动目标轨迹；进行静目标数据关联，得到与静目标轨迹关联的静目标；进行动目标数据关联，得到与动目标轨迹关联的动目标；步骤S20，基于与动目标轨迹关联的动目标利用IMM算法进行动目标跟踪。
[0004]进一步地，所述步骤S10具体包括：步骤S11，进行目标聚类；步骤S12，根据其聚类后的速度信息和特征信息进行动静目标分离；步骤S13，分离出的静目标初始化以后形成静目标轨迹；步骤S14，根据静目标关联参数和关联条件进行静目标数据关联，得到与静目标轨迹关联的静目标；步骤S15，分离出的动目标初始化以后形成动目标轨迹；步骤S16，根据动目标关联参数和关联条件进行动目标数据关联，得到与动目标轨迹关联的动目标。
[0005]进一步地，所述IMM算法包括多个目标运动模型，所述步骤S20具体包括：
步骤S21，将上一周期计算得到的各模型的后验概率、马尔科夫转移概率以及协方差矩阵作为输入，以及与动目标轨迹关联的动目标的信息，输入进每个模型；各模型的后验概率是指上一周期根据量测值计算得到的每个模型分配的概率；马尔科夫转移概率是指初始根据各模型之间的转换可能性定的经验值矩阵；步骤S22，进行模型信息交互：根据各模型的后验概率以及马尔科夫转移概率综合计算得到混合概率；通过混合概率，初始化与动目标轨迹关联的动目标的信息以及协方差矩阵，得到交互目标信息和交互协方差矩阵；步骤S23，将各模型的交互目标信息和交互协方差矩阵作为滤波器输入，输入各个模型的滤波器，进行并行滤波；步骤S24，得到各自模型在当前周期的输出：估计值和协方差矩阵；步骤S25，模型概率更新：采用贝叶斯假设检验法计算当前时刻各个模型的滤波残差，根据估计值和量测值计算得到各个模型的分配概率；步骤S26，状态结果交互：将各模型的估计值和协方差矩阵根据分配概率进行加权融合，得到当前周期最终的估计结果。
[0006]优选地，所述目标运动模型至少包括匀速模型和匀加速模型中的一种，以及Singer模型和当前统计模型中的一种。
[0007]第二方面，本专利技术实施例还提出了一种基于特征的目标跟踪优化装置，包括：存储器，存储有计算机程序；处理器，所述处理器包含数据处理单元，所述数据处理单元用于运行所述计算机程序，所述计算机程序运行时执行如上文所述的方法的步骤。
[0008]第三方面，本专利技术实施例还提出了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被配置为运行时执行如上文所述的方法的步骤。
[0009]本专利技术实施例提供的技术方案带来的有益效果是：1）仅利用毫米波雷达检测数据，无需和其他传感器结合，降低了成本及计算复杂度，且不受天气等因素的影响，易用性高。
[0010]2）将动目标和静目标分离开来，避免交叉关联，提高了目标跟踪的准确性；保证动目标可以使用复杂的自适应多模型交互跟踪算法，从而兼顾高精度和机动性，满足工程需求。
[0011]3）动目标跟踪使用自适应多模型交互跟踪算法，自适应各种场景，降低不同状况下单一的模型导致的模型发散问题，提高响应性和稳定性。
附图说明
[0012]图1为本专利技术实施例中的目标跟踪优化方法总体流程图。
[0013]图2为本专利技术实施例中的自适应多模型交互跟踪算法流程图。
具体实施方式
[0014]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0015]在本专利技术的实施例中，安防雷达系统主要包括信号发射单元、信号接收单元、信号处理单元和数据处理单元；其中，信号发射单元主要对外辐射探测信号，一般为线性调频的锯齿波；信号接收单元主要是通过接收天线接收经目标反射后的回波信号；信号处理单元则将接收到的回波信号进行信号处理得到目标的角度、距离和速度（在雷达系统中主要指径向速度）的信息即目标点迹信息；数据处理单元会利用信号处理单元处理得到的目标点迹信息，进行聚类、追踪等算法，对目标点迹信息进行处理，从而达到不同雷达所需要的功能需求；以上操作会在固定的周期内完成，在雷达的运行过程中会不停循环重复；需要说明的是，信号处理单元和数据处理单元可以在同一个微处理器上实现，也可以在两个微处理器上分别实现；在本专利技术的实施例中，安防雷达系统中的毫米波雷达需要对区域内多个目标进行持续跟踪和预测，同时显示目标的运动轨迹，从而筛选出危险目标，并对其进行监控、报警；所以为了得到相同目标的连续变化过程，需要对每个周期内的相同目标进行跟踪；基于安防雷达的工作特性，雷达本身静置不动，且大部分情况下都是静止的环境目标，动目标较少，所以将目标按动静区分，简化静目标跟踪流程，保证动目标可以使用复杂的自适应多模型交互跟踪算法（IMM算法），从而兼顾高精度和机动性；为此，第一方面，本专利技术的实施例提出一种基于特征的目标跟踪优化方法，包括以下步骤：步骤S10，对得到的目标点迹信息进行处理，分别形成静目标轨迹和动目标轨迹；进行静目标数据关联，得到与静目标轨迹关联的静目标；进行动目标数据关联，得到与动目标轨迹关联的动目标；步骤S20，基于与动目标轨迹关联的动目标利用IMM算法进行动目标跟踪。
[0016]以下详细阐述上述步骤S10、S20的具体过程；参考图1，在通过信号处理单元得到目标点迹信息后，步骤S10具体包括：步骤S11，进行目标聚类；步骤S12，根据其聚类后的速度信息和特征信息进行动静目标本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于特征的目标跟踪优化方法，其特征在于，包括以下步骤：步骤S10，对得到的目标点迹信息进行处理，分别形成静目标轨迹和动目标轨迹；进行静目标数据关联，得到与静目标轨迹关联的静目标；进行动目标数据关联，得到与动目标轨迹关联的动目标；步骤S20，基于与动目标轨迹关联的动目标利用IMM算法进行动目标跟踪。2.如权利要求1所述的基于特征的目标跟踪优化方法，其特征在于，所述步骤S10具体包括：步骤S11，进行目标聚类；步骤S12，根据其聚类后的速度信息和特征信息进行动静目标分离；步骤S13，分离出的静目标初始化以后形成静目标轨迹；步骤S14，根据静目标关联参数和关联条件进行静目标数据关联，得到与静目标轨迹关联的静目标；步骤S15，分离出的动目标初始化以后形成动目标轨迹；步骤S16，根据动目标关联参数和关联条件进行动目标数据关联，得到与动目标轨迹关联的动目标。3.如权利要求1所述的基于特征的目标跟踪优化方法，其特征在于，所述IMM算法包括多个目标运动模型，所述步骤S20具体包括：步骤S21，将上一周期计算得到的各模型的后验概率、马尔科夫转移概率以及协方差矩阵作为输入，以及与动目标轨迹关联的动目标的信息，输入进每个模型；各模型的后验概率是指上一周期根据量测值计算得到的每个模型分配的概率；马尔科夫转移概率是指初始根据各模型之间的转换可能性定...
【专利技术属性】
技术研发人员：陶烨，屈操，闫红宇，
申请(专利权)人：无锡威孚高科技集团股份有限公司，
类型：发明
国别省市：
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。