System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标跟踪,特别涉及一种基于变分贝叶斯的交互式多模型目标跟踪方法及系统。
技术介绍
1、在机动目标跟踪领域,最常见的跟踪滤波方法就是卡尔曼滤波,即利用各种传感器获取到与目标状态有关的量测数据,从而对目标的状态进行估计,在军事、自动驾驶、交通管制中具有广泛应用。
2、在跟踪滤波器中通常采用单模型滤波结构对目标进行跟踪,即假设目标的运动模型仅有一种,但在对机动目标进行跟踪时,由于目标的运动样式多样且在实时变化,因此仅利用单模型无法保证对机动目标持续稳定的跟踪。为解决这个问题,人们通常采用多模型方法完成对机动目标的跟踪,其中最常见的就是交互式多模型方法,该方法基于不同的目标运动学模型建立多个子滤波器,并将各子滤波器的估计结果在输入和输出时进行交互,实现对机动目标的有效跟踪。但传统的多模型方法在融合各子滤波器的估计结果获取目标最终的状态估计时,是将多个滤波器的估计结果的混合高斯分布简化为单一的高斯分布,该操作损失了一定的估计精度。因此,如何充分利用多个子滤波器的估计结果实现对机动目标状态的准确估计,是本领域技术人员亟需解决的问题。
技术实现思路
1、基于此,本专利技术的目的是提供一种基于变分贝叶斯的交互式多模型目标跟踪方法及系统,解决传统多模型将多个滤波器的估计结果简化为单一的高斯分布,损失了估计精度的问题。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于变分贝叶斯的交互式多模型目标跟踪方法,包括:
4、建立被跟踪目
5、采用多个滤波器根据对应的目标运动学模型对所述被跟踪目标进行状态估计;
6、基于变分贝叶斯方法对各滤波器的状态估计结果进行融合,得到所述被跟踪目标的最终状态估计。
7、可选地,所述目标运动学模型的表达式如下:
8、
9、所述量测模型的表达式如下:
10、zk=h(xk)+vk
11、其中,为k时刻的n维的目标状态向量,为k时刻的m维量测向量,f(·)和h(·)分别为已知的非线性状态方程和量测方程,为k-1时刻的n维过程噪声,为k时刻的m维高斯量测噪声,下角标k代表离散的时间序列,上角标mk=1,…,r,为目标运动学模型的标识,r为目标运动学模型数量。
12、可选地,采用多个滤波器根据对应的目标运动学模型对所述被跟踪目标进行状态估计,具体包括:
13、计算各所述滤波器对应的所述目标运动学模型的交互概率;
14、基于所述交互概率计算各所述目标运动学模型的交互后的被跟踪目标的状态初始值和协方差;
15、通过各所述滤波器对应的所述目标运动学模型对所述状态初始值和所述协方差进行滤波,实现所述被跟踪目标的状态估计。
16、可选地,所述交互概率的计算公式如下:
17、
18、其中,μi|j(k-1|k-1)为k-1时刻第i个目标运动学模型与第j个目标运动学模型的交互概率,pij为第i个目标运动学模型与第j个目标运动学模型的转移概率,μi(k-1)为k-1时刻第i个目标运动学模型的概率,为第j个目标的归一化常数。
19、可选地,所述交互后的被跟踪目标的状态初始值和协方差的计算公式如下:
20、
21、
22、其中,为k-1时刻第mk=j个目标运动学模型互后的被跟踪目标的状态初始值,为k-1时刻第mk=i个目标运动学模型的估计状态,为k-1时刻第mk=j个目标运动学模型互后的协方差,为k-1时刻第mk=i个目标运动学模型的协方差。
23、可选地,基于变分贝叶斯方法对各滤波器的状态估计结果进行融合,得到所述被跟踪目标的最终状态估计,具体包括:
24、基于变分贝叶斯方法计算联合概率密度;
25、基于所述联合概率密度,根据所述量测模型计算各滤波器的状态估计结果的权值;
26、基于所述权值对各滤波器的状态估计结果进行融合,得到所述被跟踪目标的最终状态估计。
27、本专利技术还提供了一种基于变分贝叶斯的交互式多模型目标跟踪系统,包括:
28、模型建立模块,用于建立被跟踪目标的目标跟踪模型;所述目标跟踪模型包括目标运动学模型和量测模型;
29、状态估计模块,用于采用多个滤波器根据对应的目标运动学模型对所述被跟踪目标进行状态估计;
30、融合模块,用于基于变分贝叶斯方法对各滤波器的状态估计结果进行融合,得到所述被跟踪目标的最终状态估计。
31、可选地,所述状态估计模块具体包括:
32、交互概率计算单元,用于计算各所述滤波器对应的所述目标运动学模型的交互概率;
33、状态初始值和协方差计算单元,用于基于所述交互概率计算各所述目标运动学模型的交互后的被跟踪目标的状态初始值和协方差;
34、状态估计单元,用于通过各所述滤波器对应的所述目标运动学模型对所述状态初始值和所述协方差进行滤波,实现所述被跟踪目标的状态估计。
35、可选地,所述融合模块具体包括:
36、联合概率计算单元,用于基于变分贝叶斯方法计算联合概率密度;
37、权值计算单元,用于基于所述联合概率密度,根据所述量测模型计算各滤波器的状态估计结果的权值;
38、融合单元,用于基于所述权值对各滤波器的状态估计结果进行融合,得到所述被跟踪目标的最终状态估计。
39、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
40、本专利技术采用多个滤波器根据对应的目标运动学模型对被跟踪目标进行状态估计;基于变分贝叶斯方法对各滤波器的状态估计结果进行融合,得到所述被跟踪目标的最终状态估计。本专利技术通过贝叶斯推理的方法近似状态和模型的联合概率密度,解决了传统多模型将多个滤波器的估计结果简化为单一的高斯分布,损失了估计精度的问题,并且不增加计算量。
本文档来自技高网...【技术保护点】
1.一种基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,包括:
2.根据权利要求1所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,所述目标运动学模型的表达式如下:
3.根据权利要求1所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,采用多个滤波器根据对应的目标运动学模型对所述被跟踪目标进行状态估计,具体包括:
4.根据权利要求3所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,所述交互概率的计算公式如下:
5.根据权利要求4所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,所述交互后的被跟踪目标的状态初始值和协方差的计算公式如下:
6.根据权利要求1所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,基于变分贝叶斯方法对各滤波器的状态估计结果进行融合,得到所述被跟踪目标的最终状态估计,具体包括:
7.一种基于变分贝叶斯的交互式多模型目标跟踪系统,其特征在于,包括:
8.根据权利要求7所述的基于变分贝叶斯的交互式多模型目标跟踪系统,其特征在于,
9.根据权利要求7所述的基于变分贝叶斯的交互式多模型目标跟踪系统,其特征在于,所述融合模块具体包括:
...【技术特征摘要】
1.一种基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,包括:
2.根据权利要求1所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,所述目标运动学模型的表达式如下:
3.根据权利要求1所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,采用多个滤波器根据对应的目标运动学模型对所述被跟踪目标进行状态估计,具体包括:
4.根据权利要求3所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征在于,所述交互概率的计算公式如下:
5.根据权利要求4所述的基于变分贝叶斯的交互式多模型目标跟踪方法,其特征...
【专利技术属性】
技术研发人员:白瑜亮,王小刚,王宇,崔乃刚,彭一洋,荣思远,王瑞鹏,于子淼,朱梓燊,
申请(专利权)人:哈尔滨工业大学,
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。