一种基于有向图切换的变结构多模型目标跟踪方法技术

一种基于有向图切换的变结构多模型目标跟踪方法

【技术实现步骤摘要】
一种基于有向图切换的变结构多模型目标跟踪方法


[0001]本专利技术属于目标跟踪领域，具体涉及一种基于有向图切换的变结构多模型目标跟踪方法
。

技术介绍

[0002]地面移动目标机动强度大
、
机动形式多样，给跟踪算法造成了极大的困难
。
对于定结构多模型方法，想要覆盖目标可能的机动样式而采用更多的模型会导致出现计算量增加和模型竞争导致精度差的问题
。
为解决这一问题，通常采用变结构多模型进行机动目标轨迹跟踪，其主要思想为采用若干个模型组共同组成目标运动模型集，每一时刻只有一个模型组在运行，通过模型集自适应和基于模型集的自适应估计两个关键步骤实现对不同机动形式的跟踪
。

技术实现思路

[0003]本专利技术提供一种基于有向图切换的变结构多模型目标跟踪方法，用以解决强机动目标跟踪的问题；根据地面移动目标运动形式建立完备模型集，基于边缘模型概率设计模型集自适应切换策略，融入变结构多模型滤波框架得到模型竞争小
、
待设阈值参数少的基于有向图切换的变结构多模型方法
。
[0004]本专利技术提供一种电子设备
。
[0005]本专利技术提供一种计算机可读存储介质
。
[0006]本专利技术通过以下技术方案实现：
[0007]一种基于有向图切换的变结构多模型目标跟踪方法，所述变结构多模型目标跟踪方包括以下步骤：
[0008]步骤1：基于地面移动目标建立变结构多模型滤波框架；
[0009]步骤2：基于步骤1的变结构多模型滤波框架内的模型集进行自适应策略；
[0010]步骤3：将步骤1的变结构多模型滤波框架与与步骤2的模型集自适应策略相结合，得到变结构多模型目标跟踪方法；
[0011]步骤4：利用步骤3的变结构多模型目标跟踪方法实现强机动目标跟踪
。
[0012]一种基于有向图切换的变结构多模型目标跟踪方法，所述步骤1建立变结构多模型滤波框架具体包括以下步骤：
[0013]步骤
1.1
：模式混合；
[0014]步骤
1.2
：状态交互；
[0015]步骤
1.3
：状态递推；
[0016]步骤
1.4
：状态更新；
[0017]步骤
1.5
：融合
。
[0018]一种基于有向图切换的变结构多模型目标跟踪方法，所述步骤1建立变结构多模型滤波框架具体包括以下步骤：
[0019]步骤
1.1
：完成模型集
k
‑1时刻到
k
时刻模型概率的演化；假设模型集为
Θ
，则有
[0020][0021]式中，
m
k
‑1和
m
k
分别为
k
‑1时刻和
k
时刻的运动模式；为截至
k
‑1时刻的量测序列，
P(m
k
＝
j|m
k
‑1＝
i,y
k
‑1)
为模型
i
到模型
j
的模型转移概率；
[0022]步骤
1.2
：产生初始状态概率密度；根据条件概率和全概率理论，有
[0023][0024]步骤
1.3
：将状态概率密度由
k
‑1时刻传播到
k
时刻，得到
k
时刻先验分布；根据状态转移方程，有
[0025]p(x
k
|m
k
＝
j,y
k
‑1)
＝
∫p(x
k
|x
k
‑1,m
k
＝
j,y
k
‑1)p(x
k
‑1|m
k
＝
j,y
k
‑1)dx
k
‑1ꢀꢀꢀ
(3)
；
[0026]步骤
1.4
：获取似然方程，校正先验信息，得到
k
时刻的状态后验分布定义似然函数
p(y
k
|x
k
)
；根据贝叶斯准则，可得后验分布形式为
[0027]p(x
k
,m
k
＝
j|y
k
)
∝
P(m
k
＝
j|y
k
‑1)p(x
k
|m
k
＝
j,y
k
‑1)p(y
k
|x
k
)
ꢀꢀꢀ
(4)
；
[0028]步骤
1.5
：完成
k
时刻模型概率的计算；根据贝叶斯准则
[0029][0030]综合公式和，并根据全概率准则，得到状态后验概率密度函数形式
[0031][0032]一种基于有向图切换的变结构多模型目标跟踪方法，所述步骤2的模型集进行自适应策略具体包括以下步骤：
[0033]步骤
2.1
：运行
IMM
算法；
[0034]记当前模型集为
Θ
k
，运行模型集为
Θ
k
的
IMM
算法；
[0035]步骤
2.2
：模型集激活；
[0036]设置模型集激活准则，若激活条件满足，则激活与目标运动模式更匹配的新模型子集
Θ
n
，与原模型集组成新的模型集
Θ
a
，其中
Θ
a
＝
Θ
n
∪
Θ
k
；若不满足，则保持原模型集
Θ
k
；
[0037]步骤
2.3
：模型集终止；
[0038]设置模型集终止准则，若终止条件满足，则终止与目标运动模式不匹配的模型子集
Θ
n
或者
Θ
k
，将保留的模型子集作为新的模型集；若终止条件不满足，则保持原模型集；
[0039]步骤
2.4
：令
k
＝
k+1
，并返回步骤步骤
2.1。
[0040]一种基于有向图切换的变结构多模型目标跟踪方法，所述步骤2的模型集进行自适应策略具体为：
[0041]用
M
表示模型；
Θ
表示模型集；用
S
表示所有模型的集合，称为完备模型集；由
M本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于有向图切换的变结构多模型目标跟踪方法，其特征在于，所述变结构多模型目标跟踪方包括以下步骤：步骤1：基于地面移动目标建立变结构多模型滤波框架；步骤2：基于步骤1的变结构多模型滤波框架内的模型集进行自适应策略；步骤3：将步骤1的变结构多模型滤波框架与与步骤2的模型集自适应策略相结合，得到变结构多模型目标跟踪方法；步骤4：利用步骤3的变结构多模型目标跟踪方法实现强机动目标跟踪
。2.
根据权利要求1所述一种基于有向图切换的变结构多模型目标跟踪方法，其特征在于，所述步骤1建立变结构多模型滤波框架具体包括以下步骤：步骤
1.1
：模式混合；步骤
1.2
：状态交互；步骤
1.3
：状态递推；步骤
1.4
：状态更新；步骤
1.5
：融合
。3.
根据权利要求2所述一种基于有向图切换的变结构多模型目标跟踪方法，其特征在于，所述步骤1建立变结构多模型滤波框架具体包括以下步骤：步骤
1.1
：完成模型集
k
‑1时刻到
k
时刻模型概率的演化；假设模型集为
Θ
，则有式中，
m
k
‑1和
m
k
分别为
k
‑1时刻和
k
时刻的运动模式；为截至
k
‑1时刻的量测序列，
P(m
k
＝
j|m
k
‑1＝
i,y
k
‑1)
为模型
i
到模型
j
的模型转移概率；步骤
1.2
：产生初始状态概率密度；根据条件概率和全概率理论，有步骤
1.3
：将状态概率密度由
k
‑1时刻传播到
k
时刻，得到
k
时刻先验分布；根据状态转移方程，有
p(x
k
|m
k
＝
j,y
k
‑1)
＝
∫p(x
k
|x
k
‑1,m
k
＝
j,y
k
‑1)p(x
k
‑1|m
k
＝
j,y
k
‑1)dx
k
‑1ꢀꢀꢀꢀ
(3)
；步骤
1.4
：获取似然方程，校正先验信息，得到
k
时刻的状态后验分布定义似然函数
p(y
k
|x
k
)
；根据贝叶斯准则，可得后验分布形式为
p(x
k
,m
k
＝
j|y
k
)
∝
P(m
k
＝
j|y
k
‑1)p(x
k
|m
k
＝
j,y
k
‑1)p(y
k
|x
k
)
ꢀꢀ
(4)
；步骤
1.5
：完成
k
时刻模型概率的计算；根据贝叶斯准则
综合公式和，并根据全概率准则，得到状态后验概率密度函数形式
4.
根据权利要求1所述一种基于有向图切换的变结构多模型目标跟踪方法，其特征在于，所述步骤2的模型集进行自适应策略具体包括以下步骤：步骤
2.1
：运行
IMM
算法；记当前模型集为
Θ
k
，运行模型集为
Θ
k
的
IMM
算法；步骤
2.2
：模型集激活；设置模型集激活准则，若激活条件满足，则激活与目标运动模式更匹配的新模型子集
Θ
n
，与原模型集组成新的模型集
Θ
a
，其中
Θ
a
＝
Θ
n
∪
Θ
k
；若不满足，则保持原模型集
Θ
k
；步骤
2.3
：模型集终止；设置模型集终止准则，若终止条件满足，则终止与目标运动模式不匹配的模型子集
Θ
n
或者
Θ
k
，将保留的模型子集作为新的模型集；若终止条件不满足，则保持原模型集；步骤
2.4
：令
k
＝
k+1
，并返回步骤步骤
2.1。5...

【专利技术属性】
技术研发人员：王小刚，白瑜亮，荣思远，王瑞鹏，单永志，周宏宇，张龙，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：