一种复杂场景下基于制造技术

本发明专利技术属于雷达数据处理中的多目标跟踪技术领域，具体涉及一种复杂场景下基于

【技术实现步骤摘要】
一种复杂场景下基于Transformer网络的多目标跟踪方法


[0001]本专利技术属于雷达数据处理中的多目标跟踪
，具体涉及一种复杂场景下基于
Transformer
网络的多目标跟踪方法
。

技术介绍

[0002]随着现代电子对抗技术和武器装备的不断发展，目标跟踪的场景中电磁环境更加复杂，被跟踪目标的机动性和机动能力也更强，现代战场上在复杂电磁环境下对目标进行更加精确
、
稳定的跟踪显得十分关键
。
现如今多目标跟踪技术的理论基础经过长期发展已经较为成熟，从利用数据关联方法，将单目标跟踪向多目标跟踪推广的
JPDA(Joint Probabilistic Data Association)
算法，到寻找数据关联最优解的
MHT(Multiple Hypothesis Tracking)
算法，再到基于随机有限集的多目标跟踪算法，都存在过多的限制条件和假设条件，限制了算法的实际应用
。
[0003]近些年来，有学者利用具有时间序列处理能力的深度学习方法来解决多目标跟踪问题
。
例如，李文娜
(
雷达学报，
2022
年3月，基于
Transformer
网络的机载雷达多目标跟踪方法
)
使用
Transformer
网络解决多目标跟踪过程中的数据关联问题，并利用卡尔曼滤波器对关联后的结果进行滤波
。/>该算法虽然在数据关联的过程中没有用到目标运动模型
、
杂波率和滤波器协方差等先验信息，但在滤波过程中使用了卡尔曼滤波器，仍需用到目标运动模型和滤波器协方差等先验知识
。Juliano Pinto(2021IEEE 24th International Conference on Information Fusion(FUSION)
，
2021
年
12
月，
Next Generation Multitarget Trackers:Random Finite Set Methods vs Transformer
‑
based Deep Learning)
提出一种基于
Transformer
网络的
MT3(MultiTarget Tracking Transformer)
算法，该算法可以完成对目标的跟踪，但在跟踪过程中存在航迹连续性问题，同时跟踪结果完全依赖于输入的量测值，在检测概率较低
、
观测噪声较大或者杂波率较高等复杂场景下，该算法的跟踪性能会大幅下降，该算法网络架构框图如图1所示
。

技术实现思路

[0004]本专利技术的目的在于针对传统多目标跟踪算法及上述基于
Transformer
网络的多目标跟踪算法中存在的跟踪过程中需要限制条件
、
假设条件和较多先验知识的问题，以及检测概率较低或者杂波率较高的复杂环境下算法性能大幅下降的问题，提供一种复杂场景下基于
Transformer
网络的多目标跟踪方法
。
[0005]一种复杂场景下基于
Transformer
网络的多目标跟踪方法，包括以下步骤：
[0006]步骤1：设定初始有效量测筛选的概率阈值
P
exist
和目标消亡阈值
T
Death
，确定初始时刻有效量测；
[0007]步骤2：初始时刻，进行航迹起始；根据初始有效量测筛选的概率阈值
P
exist
，判断在一个传感器分辨率单元中是否存在多个有效量测；若存在多个有效量测，则任取其中一个作为目标状态估计值，其余视为杂波；若仅存在一个有效量测，则将其作为目标状态估计
值；
[0008]步骤3：若当前时刻有效量测的数量大于1，则在历史航迹中从当前时刻向前截取
τ
个时刻的航迹值，并将这
τ
个时刻航迹值对应的时刻替换为0到
τ
‑1，将每条航迹单独地输入到航迹标签分配网络的编码器中，将当前时刻有效量测输入到航迹标签分配网络的解码器中，航迹标签分配网络的输出为该航迹和当前时刻有效量测之间的关联概率；得到关联概率之后，用航迹标签分配方法对航迹标签和当前时刻有效量测之间进行分配；
[0009]若当前时刻有效量测的数量等于1，则计算每条航迹中最后一个航迹值与该有效量测的距离，并将距离最小的航迹标签分配给该有效量测；同时在所有历史航迹中从当前时刻开始向前取
τ
个时刻的航迹值，并将这
τ
个时刻航迹值对应的时刻替换为0到
τ
‑1，将处理后的所有航迹作为目标状态预测网络的输入，目标状态预测网络的输出即为当前时刻每条航迹的预测值；之后，通过向每个目标状态预测值和历史航迹最后一个航迹值添加跟踪门的方法对当前时刻有效量测的航迹标签分配结果进一步进行筛选，如果航迹标签对应的当前时刻有效量测在上述两个跟踪门之外，则取消该航迹标签分配结果，即将该航迹标签对应的有效量测恢复为未被分配的状态；
[0010]步骤4：对具有相同航迹标签的有效量测和目标状态预测值进行合并，如果这些航迹标签对应的航迹中存在时间步长为1的航迹，则仅使用有效量测进行航迹更新，对于其他时间步长大于1的航迹，则对有效量测和目标状态预测值进行加权求和，得到最终目标状态估计值
S
后，利用最终目标状态值对相应航迹进行更新；
[0011]对于未被分配到有效量测的航迹，直接使用航迹对应的目标状态预测值对航迹进行更新，当一条航迹连续未被分配到有效量测的次数大于目标消亡阈值
T
Death
时，则认为该航迹对应的目标已经消亡，该航迹终止更新，同时一条被终止航迹的长度小于目标新生阈值
T
Birth
时，则认为该航迹并非由目标产生，而是由杂波产生；
T
Birth
＝
k
B
·
T
Death
，
k
B
为比例系数；
[0012]对于未分配航迹标签的有效量测，计算其与其他有效量测和当前时刻最终目标状态估计值之间的距离，当距离较近时，则认为该有效量测为一个杂波，否则认为该有效量测来自一个新生目标，并为其分配一个新的航迹标签；
[0013]步骤5：若未完成所有目标的跟踪，则统计历史航迹中的检测情况，估计出当前时刻的检测概率利用检测概率更新有效量测筛选的概率阈值
P
exist
和目标消亡阈值
T
Death
后，返回步骤3；
[0014][0015][0016]其中，在航迹更新过程中，如果在某个时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种复杂场景下基于
Transformer
网络的多目标跟踪方法，其特征在于，包括以下步骤：步骤1：设定初始有效量测筛选的概率阈值
P
exist
和目标消亡阈值
T
Death
，确定初始时刻有效量测；步骤2：初始时刻，进行航迹起始；根据初始有效量测筛选的概率阈值
P
exist
，判断在一个传感器分辨率单元中是否存在多个有效量测；若存在多个有效量测，则任取其中一个作为目标状态估计值，其余视为杂波；若仅存在一个有效量测，则将其作为目标状态估计值；步骤3：若当前时刻有效量测的数量大于1，则在历史航迹中从当前时刻向前截取
τ
个时刻的航迹值，并将这
τ
个时刻航迹值对应的时刻替换为0到
τ
‑1，将每条航迹单独地输入到航迹标签分配网络的编码器中，将当前时刻有效量测输入到航迹标签分配网络的解码器中，航迹标签分配网络的输出为该航迹和当前时刻有效量测之间的关联概率；得到关联概率之后，用航迹标签分配方法对航迹标签和当前时刻有效量测之间进行分配；若当前时刻有效量测的数量等于1，则计算每条航迹中最后一个航迹值与该有效量测的距离，并将距离最小的航迹标签分配给该有效量测；同时在所有历史航迹中从当前时刻开始向前取
τ
个时刻的航迹值，并将这
τ
个时刻航迹值对应的时刻替换为0到
τ
‑1，将处理后的所有航迹作为目标状态预测网络的输入，目标状态预测网络的输出即为当前时刻每条航迹的预测值；之后，通过向每个目标状态预测值和历史航迹最后一个航迹值添加跟踪门的方法对当前时刻有效量测的航迹标签分配结果进一步进行筛选，如果航迹标签对应的当前时刻有效量测在上述两个跟踪门之外，则取消该航迹标签分配结果，即将该航迹标签对应的有效量测恢复为未被分配的状态；步骤4：对具有相同航迹标签的有效量测和目标状态预测值进行合并，如果这些航迹标签对应的航迹中存在时间步长为1的航迹，则仅使用有效量测进行航迹更新，对于其他时间步长大于1的航迹，则对有效量测和目标状态预测值进行加权求和，得到最终目标状态估计值
S
后，利用最终目标状态值对相应航迹进行更新；对于未被分配到有效量测的航迹，直接使用航迹对应的目标状态预测值对航迹进行更新，当一条航迹连续未被分配到有效量测的次数大于目标消亡阈值
T
Death
时，则认为该航迹对应的目标已经消亡，该航迹终止更新，同时一条被终止航迹的长度小于目标新生阈值
T
Birth
时，则认为该航迹并非由目标产生，而是由杂波产生；
T
Birth
＝
k
B
·
T
Death
，
k
B
为比例系数；对于未分配航迹标签的有效量测，计算其与其他有效量测和当前时刻最终目标状态估计值之间的距离，当距离较近时，则认为该有效量测为一个杂波，否则认为该有效量测来自一个新生目标，并为其分配一个新的航迹标签；步骤5：若未完成所有目标的跟踪，则统计历史航迹中的检测情况，估计出当前时刻的检测概率利用检测概率更新有效量测筛选的概率阈值
P
exist
和目标消亡阈值
T
Death
后，返回步骤3；；其中，在航迹更新过程中，如果在某个时刻目标对应的航迹没有被分配到有效量测，则
认为该目标在这个时刻未被检测到；
n
e
为一个比例系数，
n
e
∈N
+
，
n
e
＞1；
[
·
]
表示取整函数
。2.
根据权利要求1所述的一种复杂场景下基于
Transformer
网络的多目标跟踪方法，其特征在于：步骤3中所述航迹标签分配网络的训练方法为：首先利用给定均值的泊松分布确定场景中的起始目标数目，再从匀速模型
、
常加速模型和协同转弯模型中为每个目标选取一种运动模型，然后再从给定的场景范围
、
速度取值范围
、
加速度取值范围和转弯率取值范围中随机地为每个目标确定初始位置
、
速度值
、
加速度值和转弯率值；基于以上数据，让目标运动给定的时间长度
τ
，在目标运动过程中，会有新的目标出现，新出现目标的参数设置和起始目标的参数设置方式相同；最后即可得到一定数量的航迹，这些航迹作为航迹标签分配网络的训练数据；利用生成的多条最大长度为
τ
+1
的航迹，轮流将每条航迹
0:
τ
‑1时刻的...

【专利技术属性】
技术研发人员：黄湘松，缑文虎，陈涛，潘大鹏，黄博华，王振，王梦宇，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：