【技术实现步骤摘要】
本专利技术涉及智能感知，特别是涉及一种基于反馈学习的目标跟踪方法及装置。
技术介绍
1、大数据时代，随着传感器监测场景越加复杂，单传感器监测系统已经不能满足人们的要求。为了解决复杂场景下的目标跟踪问题，将单传感器目标跟踪扩展为多传感器目标跟踪势在必行。作为现代传感器系统的核心关键技术，多传感器目标跟踪与信息融合技术在自动驾驶、气象监控和生物医学等领域已得到广泛应用。
2、目标跟踪包括数据关联和目标状态估计两部分。数据关联是实现状态估计的前提，错误的传感器数据将会导致估计性能的恶化。在实际应用中，每个时间间隔都有孤立目标源量测这种理想的目标测量条件并不多见。一方面，传感器观测过程不可避免地存在测量误差，也存在漏检现象。另一方面，为了有效测量采取隐身措施的目标，需要降低传感器检测门限，进而导致大量杂波混入，造成虚警数目增加，增加了多传感器目标数据关联的复杂性。此外，地海杂波、干扰、欺骗等产生的野值导致传感器模型失配，而现有方法依赖于先验知识，难以应对模型失配情况，容易造成融合性能恶化。
3、目标跟踪在存在错误数据关联的情况下，由于传统的融合过程开环、迭代优化困难且依赖于先验模型，会导致当前基于分布式的开环融合处理架构在模型失配的情况下数据关联正确率降低以及融合估计精度降低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于反馈学习的目标跟踪方法及装置，通过反馈学习提高数据关联正确率的同时也可以直接提高融合估计精度。
2、第一方面，本专利
3、建立每个传感器的非线性测量模型；
4、建立当前时刻目标的离散时间非线性状态模型；
5、根据每个传感器的非线性测量模型获得当前时刻每个传感器关于目标的量测；
6、利用当前时刻目标的离散时间非线性状态模型以及每个传感器的非线性测量模型根据上一时刻的目标状态信息计算当前时刻每个传感器关于目标的预测量测及预测量测误差协方差，其中，上一时刻的目标状态信息包括上一时刻的状态估计和状态估计误差协方差；
7、根据当前时刻每个传感器关于目标的预测量测以及每个传感器关于目标的量测构建每个传感器对应的数据关联波门，并基于每个数据关联波门确定一个候选量测；
8、根据每个候选量测以及当前时刻预测的目标状态进行局部扩展卡尔曼滤波获得每个传感器对目标的局部估计；
9、将所有传感器的局部估计进行矩阵加权融合获得当前时刻目标的状态估计信息；
10、判断迭代轮次是否小于预设迭代次数，若是，将当前时刻目标的状态估计信息作为下一次迭代过程中的上一时刻的目标状态信息并返回建立当前时刻目标的离散时间非线性状态模型的步骤，否则，目标跟踪结束。
11、在其中一个实施例中，根据每个传感器的测量特性建立每个传感器的非线性测量模型，根据目标的当前时刻运动情况建立目标的离散时间非线性状态模型。
12、在其中一个实施例中，每个传感器的非线性测量模型为
13、zi,k＝hi(xk)+νi,k
14、式中，表示传感器i对目标的量测，xk表示k时刻的状态向量，hi(·)表示传感器i的非线性测量函数，νi,k表示传感器i在k时刻的量测噪声，i＝1,…,l表示传感器数量；
15、目标的离散时间非线性状态模型为
16、xk＝f(xk-1)+ωk-1
17、式中，表示k-1时刻的状态向量，f(·)表示非线性状态转移函数，用于表征目标的当前时刻运动情况，ωk-1表示过程噪声。
18、在其中一个实施例中，利用当前时刻目标的离散时间非线性状态模型以及每个传感器的非线性测量模型根据上一时刻的目标状态信息计算当前时刻每个传感器的目标的预测量测及预测量测误差协方差的计算式为
19、
20、
21、
22、
23、式中，为上一时刻的目标状态估计，表示当前时刻预测的目标状态，为当前时刻传感器i关于目标的预测量测，qk-1为k-1时刻高斯过程噪声协方差，表示在上一时刻的状态估计处利用泰勒级数展开得到的状态转移矩阵，pk-1表示上一时刻状态估计的误差协方差，表示在处利用泰勒级数展开得到的测量矩阵，ri,k是传感器i的量测噪声协方差。
24、在其中一个实施例中，数据关联波门为扇形波门，数据关联波门的波门中心为当前时刻传感器i关于目标的预测量测；
25、传感器i的数据关联波门的数学表达式为
26、
27、
28、式中，和分别是组成k时刻传感器i落入波门内第j个量测的距离回波和角度回波，和是根据上一时刻的目标状态信息调整后的波门中心，分别为组成k时刻传感器i关于目标的预测量测的距离预测和角度预测，kρ和kθ是根据门概率和χ2分布表得到的参数的平方根，和分别为传感器i和目标的距离ρ和角度θ的量测误差的方差，是的预测方差，是的预测方差，和共同确定波门大小。
29、在其中一个实施例中，基于一个数据关联波门确定一个候选量测为：当数据关联波门内存在一个关于目标的量测，则关于目标的量测为候选量测，当数据关联波门内不存在关于目标的量测，则关于目标的预测量测为候选量测，当数据关联波门内存在多个关于目标的量测，则选择与关于目标的预测量测距离最近的关于目标的量测为候选量测。
30、在其中一个实施例中，候选量测的计算式为
31、
32、式中，为传感器i的候选量测，为传感器i的第j个关于目标的量测，si,k是传感器i的k时刻的量测预测的误差协方差矩阵。
33、在其中一个实施例中，局部扩展卡尔曼滤波的状态更新方程为：
34、
35、
36、式中，表示当前时刻每个传感器对目标的局部估计，pi,k表示的误差协方差。
37、在其中一个实施例中，将所有传感器的局部估计进行矩阵加权融合包括：
38、利用狄克逊准则筛掉所有传感器的局部估计中的异常局部估计；
39、基于所有传感器的局部估计中的剩余正常局部估计计算当前时刻目标的状态估计信息；
40、其中，计算当前时刻目标的状态估计信息的计算式为
41、
42、pk＝(etψe)-1
43、式中，是融合后的当前时刻关于目标的状态估计，pk是的估计误差协方差，是由正常局部估计构成的估计向量，l是正常局部估计数量，ψ＝[pij,k],i,j＝1,…,l≤l是由正常局部估计交叉协方差构成的矩阵且in为n维的单位矩阵。
44、第二方面，本专利技术还提供了一种基于反馈学习的目标跟踪装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现基于反馈学习的目标跟踪方法。
45、本专利技术的有益效果：本专利技术中传感器利用融合获得的上一时刻的目标状本文档来自技高网...
【技术保护点】
1.一种基于反馈学习的目标跟踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，根据每个传感器的测量特性建立每个传感器的非线性测量模型，根据目标的当前时刻运动情况建立目标的离散时间非线性状态模型。
3.根据权利要求2所述的基于反馈学习的目标跟踪方法，其特征在于，所述每个传感器的非线性测量模型为
4.根据权利要求3所述的基于反馈学习的目标跟踪方法，其特征在于，利用当前时刻目标的离散时间非线性状态模型以及每个传感器的非线性测量模型根据上一时刻的目标状态信息计算当前时刻每个传感器的目标的预测量测及预测量测误差协方差的计算式为
5.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，所述数据关联波门为扇形波门，所述数据关联波门的波门中心为当前时刻传感器i关于目标的预测量测；
6.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，基于一个数据关联波门确定一个候选量测为：当所述数据关联波门内存在一个关于目标的量测，则所述关于目标的量测为候选量测，当所述数据关联波门内不
7.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，所述候选量测的计算式为
8.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，局部扩展卡尔曼滤波的状态更新方程为：
9.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，将所有传感器的局部估计进行矩阵加权融合包括：
10.一种基于反馈学习的目标跟踪装置，其特征在于，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现权利要求1至9中任一项所述的基于反馈学习的目标跟踪方法。
...【技术特征摘要】
1.一种基于反馈学习的目标跟踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，根据每个传感器的测量特性建立每个传感器的非线性测量模型，根据目标的当前时刻运动情况建立目标的离散时间非线性状态模型。
3.根据权利要求2所述的基于反馈学习的目标跟踪方法，其特征在于，所述每个传感器的非线性测量模型为
4.根据权利要求3所述的基于反馈学习的目标跟踪方法，其特征在于，利用当前时刻目标的离散时间非线性状态模型以及每个传感器的非线性测量模型根据上一时刻的目标状态信息计算当前时刻每个传感器的目标的预测量测及预测量测误差协方差的计算式为
5.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，所述数据关联波门为扇形波门，所述数据关联波门的波门中心为当前时刻传感器i关于目标的预测量测；
6.根据权利要求1所述的基于反馈学习的目标跟踪方法，其特征在于，...
【专利技术属性】
技术研发人员：范明洋，梁彦，樊兴，田忠鹏，宋丽琼，
申请(专利权)人：西北工业大学，
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。