CN102679980A - 一种基于多尺度维分解的目标跟踪方法 - Google Patents
一种基于多尺度维分解的目标跟踪方法 Download PDFInfo
- Publication number
- CN102679980A CN102679980A CN2011103610725A CN201110361072A CN102679980A CN 102679980 A CN102679980 A CN 102679980A CN 2011103610725 A CN2011103610725 A CN 2011103610725A CN 201110361072 A CN201110361072 A CN 201110361072A CN 102679980 A CN102679980 A CN 102679980A
- Authority
- CN
- China
- Prior art keywords
- target
- yardstick
- algorithm
- ekf
- equation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明的目的在于提供一种基于多尺度维分解的目标跟踪方法,包括以下步骤:选用小波基函数将目标角度或者航迹的量测数据分解到尺度上,在每个尺度的低频子空间上采用EKF算法对量测数据进行预测和滤波,得到不同尺度上目标的粗跟踪结果,在不同尺度的高频子空间上采用小波阈值算法,进一步去除噪声和野值的影响;通过小波重构算法融合不同尺度上的跟踪数据,得到目标的精确跟踪数据。本发明是能够在各种复杂环境下有效、准确、可靠、稳定的目标跟踪方法,利用FPGA的并行处理结构实现多尺度EKF算法,小波分解和重构、不同尺度上的EKF算法和小波阈值去噪都是同时进行的,保证了对目标跟踪的实时性。
Description
技术领域
本发明涉及的是一种目标跟踪领域的跟踪方法。
背景技术
基于单个传感器的目标跟踪由于其简单实用、经济性好得到了广泛的应用。但是,由于现在越来越复杂的目标环境和其本身结构的限制,单个传感器的跟踪精度、可靠性、稳定性都受到了一定的限制。因此,急需发展新的跟踪算法。
发明内容
本发明的目的在于提供能够在各种复杂环境下有效、准确、可靠、稳定的一种基于多尺度维分解的目标跟踪方法。
本发明的目的是这样实现的:
本发明一种基于多尺度维分解的目标跟踪方法,其特征是:
(1)选用小波基函数将目标角度或者航迹的量测数据分解到尺度上;
(2)在每个尺度的低频子空间上采用EKF算法对量测数据进行预测和滤波,得到不同尺度上目标的粗跟踪结果:
如果***状态方程为线性,即:
如果观测方程为非线性,即:
先将观测方程在最优状态处进行Taylor展开,保留低阶展开项如下,
令并设展开式中高阶微小量为零均值的高斯白噪声,得到线性化的观测方程:
同样:
EKF算法的递推公式可列写如下:
其中:
根据上述方程将状态方程和量测方程从尺度i分解到尺度i-1,得到的尺度i-1下的状态方程和量测方程为(G(i,k)取单位矩阵):
其中:
将得到的尺度i-1上的最终滤波状态估计值和协方差估计值作为尺度i-2上的EKF滤波时的状态预测值与误差协方差预测值进行时间更新和量测更新,得到此尺度上的滤波状态估计值和误差协方差估计值从而分别得到不同尺度上的滤波状态估计值和误差协方差估计值;
(3)在不同尺度的高频子空间上采用小波阈值算法,进一步去除噪声和野值的影响;
(4)通过小波重构算法融合不同尺度上的跟踪数据,得到目标的精确跟踪数据。
本发明的优势在于:本发明是能够在各种复杂环境下有效、准确、可靠、稳定的目标跟踪方法,利用FPGA的并行处理结构实现多尺度EKF算法,小波分解和重构、不同尺度上的EKF算法和小波阈值去噪都是同时进行的,保证了对目标跟踪的实时性。
附图说明
图1为本发明的目标跟踪装置的实现框图;
图2为本发明的流程图;
图3为本发明的多尺度EKF跟踪算法的流程图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~3,本发明的目的是这样实现的:首先由单个传感器提供目标角度或者航迹的量测数据,利用小波分解方法将量测数据分解到若干个尺度上,然后在不同尺度上采用EKF算法对目标进行粗跟踪和滤波。最后,融合不同尺度上的处理结果,采用小波重构算法实现目标在统一尺度上的精跟踪。重构时,将各尺度下的细节部分的极大值点去掉,进一步滤除噪声和野值。这样就可以获得更精确的目标角度或者航迹数据,实现各种复杂环境下目标的精确跟踪。
本发明综合利用小波分解和重构算法、小波去噪算法、EKF滤波和跟踪算法,可以大大提高复杂环境下单传感器目标跟踪的准确性和可靠性。本发明利用L层的小波分解算法,量测数据分解到2L个子空间,其中低频子空间受噪声影响较小,所以采用EKF算法得到目标的粗跟踪结果。高频子空间受噪声影响较大,采用小波阈值的方法去除噪声和野值的影响,提高量测数据的信噪比。最后,利用小波重构算法融合不同尺度的跟踪结果,获得统一尺度上的跟踪结果,达到对目标精确的目的。本发明采用EKF递推算法,当目标短暂消失时,融合不同尺度上的递推结果能够保证短时间内稳定地对准目标,当重新搜索到目标后,又可以恢复到正常的跟踪状态。
跟踪装置由传感器1、串口芯片2、数字信号处理器DSP3、可编程逻辑器件FPGA4和控制、显示、存储设备5组成。
当传感器1搜索到目标后,传感器将目标的量测数据0传送给串口芯片2,串口芯片2将数据0量化后变成数据1传送给数字信号处理器DSP3。数字信号处理器DSP3根据传送过来的量测数据估计出目标的角度或者航迹,并将处理后得到的数据2传送给可编程逻辑器件FPGA4,可编程逻辑器件FPGA利用小波分解算法将数据2分解到若干个尺度上,接着采用EKF算法对低频子空间的数据进行预测和滤波,得到目标在不同尺度上的粗跟踪结构,同时将各尺度下的细节部分的极大值点去掉,进一步滤除噪声和野值。跟踪装置利用FPGA并行处理结构同时完成不同尺度上的数据处理,提高了跟踪装置的实时性。最后,采用小波重构算法融合不同尺度上的跟踪数据,就可以得到目标的精确跟踪结果,即数据3。将数据3传送给控制、显示、存储,以及信息融合等设备,以此来满足不同场合的需求。本跟踪装置采用单个传感器完成对目标的跟踪,结构简单、使用方便,能够保证在各种复杂环境下,对目标有效、准确、稳定、可靠和实时的跟踪。另外在目标短暂丢失的情况下,本跟踪装置能够在一段时间内继续稳定地跟踪目标,直到传感器重新捕获目标。
图2是跟踪装置的信号处理框图。
算法的基本思路:
1、根据实际情况,选用适当的小波基函数将目标角度或者航迹的量测数据分解到若干个尺度上;
2、在每个尺度的低频子空间上采用EKF算法对量测数据进行预测和滤波,得到不同尺度上目标的粗跟踪结果;
3、在不同尺度的高频子空间上采用适当的小波阈值算法,进一步去除噪声和野值的影响,调整观测噪声的方差,使滤波更加稳定;
4、通过小波重构算法融合不同尺度上的跟踪数据,得到目标的精确跟踪数据。
5、将最终得到的跟踪数据传送给控制、显示、存储,以及信息融合等设备,以此来满足不同场合的需求。
其中不同尺度上的EKF算法和小波阈值去噪算法是利用FPGA并行处理,同时完成的,以此来满足对跟踪装置实时性的要求。
多尺度EKF跟踪算法的原理:
从而继续稳定地跟踪目标。
如果***状态方程为线性,即:
如果观测方程为非线性,即:
先将观测方程在最优状态处进行Taylor展开,保留低阶展开项如下,
同样,
那么EKF算法的递推公式可列写如下:
其中:
根据上述方程将状态方程和量测方程从尺度i分解到尺度i-1,得到的尺度i-1下的状态方程和量测方程为(G(i,k)取单位矩阵):
其中:
将得到的尺度i-1上的最终滤波状态估计值和协方差估计值作为尺度i-2上的EKF滤波时的状态预测值与误差协方差预测值进行时间更新和量测更新,得到此尺度上的滤波状态估计值和误差协方差估计值依次类推,分别得到不同尺度上的滤波状态估计值和误差协方差估计值。
最后将各个尺度上的预测和滤波后的数据通过小波重构算法融合,得到原始量测数据在不同尺度上的融合结果。重构时,采用小波阈值算法将各尺度上高频子空间的极大值点去掉,进一步滤除噪声和野值点。
图3是多尺度EKF跟踪算法的流程图。
Claims (1)
1.一种基于多尺度维分解的目标跟踪方法,其特征是:
(1)选用小波基函数将目标角度或者航迹的量测数据分解到尺度上;
(2)在每个尺度的低频子空间上采用EKF算法对量测数据进行预测和滤波,得到不同尺度上目标的粗跟踪结果:
当在第k+1时刻传感器失去目标后,通过扩展EKF滤波得到k+i时刻观测量的估值
如果素统状态方程为线性,即:
X(k+1)=Ф(k+1,k)X(k)+G(k+1,k)U(k)+Γ(k+1)W(k),
其中,X(k)为k时刻的n维状态矢量,也是被估计矢量;Ф(k+1,k)为k到k+1时刻的一步转移矩阵(n×n阶);W(k)为k时刻的***噪声;Γ(k+1)为k时刻的***噪声的加权;G(k+1,k)是量测噪声的加权;U(k)为k时刻的m维量测噪声;
如果观测方程为非线性,即:
Z(k+1)=h(X(k+1))+V′(k+1),
先将观测方程在最优状态处进行Taylor展开,保留低阶展开项如下,
V(k+1)也是均值为零,与W(k)是不相关的高斯白噪声,并且满足
同样:
EKF算法的递推公式可列写如下:
其中:
K(k+1)=P(k+1/k)HT(k+1)G-1(k+1)
G(k+1)=H(k+1)P(k+1/k)HT(k+1)+R(k+1)
P(k+1/k)=Ф(k+1,k)P(k)ФT(k+1,k)+Γ(k+1,k)Q(k)ΓT(k+1,k)
P(k+1)=(I-K(k+1)H(k+1))P(k+1/k)
初值:
由小波理论:通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i-1上的低频子空间(平滑)信号xL(i-1,k),通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i-1上的高频子空间(细节)信号xH(i-1,k):
xL(i-1,k)=∑lh(l)x(i,2k-l)
xH(i-1,k)=∑lg(l)x(i,2k-l),
根据上述方程将状态方程和量测方程从尺度i分解到尺度i-1,得到的尺度i-1下的状态方程和量测方程为(G(i,k)取单位矩阵):
其中:
Ф(i-1,k+1/k)=Ф(i,k+1/k)Ф(i,k+1/k)
w(i-1,k)=Ф(i,k+1/k)·∑lh(l)w(i,2k-l)+∑lh(l)w(i,2k-l+1)
Q(i-1,k)=Ф(i)∑lh2(l)Q(i,2k-l)ΦT(i)+∑lh2(l)Q(i,2k+1-l)
H(i-1,k)=H(i,k)
v(i-1,k)=v(i,k)
得到i-1尺度上的状态方程和量测方程后,采用EKF算法进行尺度i-1上的时间更新和量测更新,从而得到尺度i-1上的最终滤波状态估计值和协方差估计值P(i-1,k/k);
将得到的尺度i-1上的最终滤波状态估计值和协方差估计值P(i-1,k/k)作为尺度i-2上的EKF滤波时的状态预测值与误差协方差预测值P(i-2,k/k-1),进行时间更新和量测更新,得到此尺度上的滤波状态估计值和误差协方差估计值P(i-2,k/k),从而分别得到不同尺度上的滤波状态估计值和误差协方差估计值;
(3)在不同尺度的高频子空间上采用小波阈值算法,进一步去除噪声和野值的影响;
(4)通过小波重构算法融合不同尺度上的跟踪数据,得到目标的精确跟踪数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103610725A CN102679980A (zh) | 2011-11-15 | 2011-11-15 | 一种基于多尺度维分解的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103610725A CN102679980A (zh) | 2011-11-15 | 2011-11-15 | 一种基于多尺度维分解的目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102679980A true CN102679980A (zh) | 2012-09-19 |
Family
ID=46812266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103610725A Pending CN102679980A (zh) | 2011-11-15 | 2011-11-15 | 一种基于多尺度维分解的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102679980A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103047982A (zh) * | 2013-01-07 | 2013-04-17 | 哈尔滨工业大学 | 基于角度信息的目标自适应跟踪方法 |
CN103471591A (zh) * | 2013-04-15 | 2013-12-25 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联算法 |
CN103759732A (zh) * | 2014-01-14 | 2014-04-30 | 北京航空航天大学 | 一种角度信息辅助的集中式多传感器多假设跟踪方法 |
CN106441288A (zh) * | 2016-08-31 | 2017-02-22 | 北斗时空信息技术(北京)有限公司 | 一种加速度计的自适应小波降噪方法 |
CN106802414A (zh) * | 2016-12-19 | 2017-06-06 | 姜秋喜 | 基于高斯滤波的机动目标跟踪方法 |
CN109269497A (zh) * | 2018-07-31 | 2019-01-25 | 哈尔滨工程大学 | 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法 |
CN109709934A (zh) * | 2018-12-11 | 2019-05-03 | 南京航空航天大学 | 一种飞行控制***故障诊断冗余设计方法 |
CN110456816A (zh) * | 2019-07-05 | 2019-11-15 | 哈尔滨工程大学 | 一种基于连续终端滑模的四旋翼轨迹跟踪控制方法 |
CN113848589A (zh) * | 2021-08-26 | 2021-12-28 | 南京理工大学 | 一种基于离散迈耶小波的被动磁探测特定目标识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2605177A1 (en) * | 2005-04-19 | 2006-10-26 | Jaymart Sensors, Llc | Miniaturized inertial measurement unit and associated methods |
CN101883425A (zh) * | 2010-06-04 | 2010-11-10 | 哈尔滨工程大学 | 基于熵权灰关联的目标跟踪与识别装置及方法 |
CN102141403A (zh) * | 2010-12-17 | 2011-08-03 | 北京航空航天大学 | 基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法 |
-
2011
- 2011-11-15 CN CN2011103610725A patent/CN102679980A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2605177A1 (en) * | 2005-04-19 | 2006-10-26 | Jaymart Sensors, Llc | Miniaturized inertial measurement unit and associated methods |
CN101883425A (zh) * | 2010-06-04 | 2010-11-10 | 哈尔滨工程大学 | 基于熵权灰关联的目标跟踪与识别装置及方法 |
CN102141403A (zh) * | 2010-12-17 | 2011-08-03 | 北京航空航天大学 | 基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法 |
Non-Patent Citations (4)
Title |
---|
DENG ZI-LI,SUN SHU-LI: "Wiener State Estimators Based on Kalman Filtering", 《自动化学报》, vol. 30, no. 1, 31 January 2004 (2004-01-31), pages 126 - 130 * |
刘素一,张海霞,罗维平: "基于小波变换和Kalman滤波的多传感器数据融合", 《传感器与仪器仪表》, vol. 22, no. 61, 31 December 2006 (2006-12-31), pages 179 - 181 * |
林云: "多尺度小波变换在野值剔除中的应用", 《航天电子对抗》, vol. 25, no. 6, 31 December 2009 (2009-12-31), pages 54 - 57 * |
邓自立,许燕: "基于Kalman滤波的通用和统一的白噪声估计方法", 《控制理论与应用》, vol. 21, no. 4, 31 August 2004 (2004-08-31), pages 501 - 506 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103047982B (zh) * | 2013-01-07 | 2015-05-13 | 哈尔滨工业大学 | 基于角度信息的目标自适应跟踪方法 |
CN103047982A (zh) * | 2013-01-07 | 2013-04-17 | 哈尔滨工业大学 | 基于角度信息的目标自适应跟踪方法 |
CN103471591B (zh) * | 2013-04-15 | 2017-06-06 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联方法 |
CN103471591A (zh) * | 2013-04-15 | 2013-12-25 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联算法 |
CN103759732A (zh) * | 2014-01-14 | 2014-04-30 | 北京航空航天大学 | 一种角度信息辅助的集中式多传感器多假设跟踪方法 |
CN103759732B (zh) * | 2014-01-14 | 2016-06-22 | 北京航空航天大学 | 一种角度信息辅助的集中式多传感器多假设跟踪方法 |
CN106441288B (zh) * | 2016-08-31 | 2019-12-20 | 北斗时空信息技术(北京)有限公司 | 一种加速度计的自适应小波降噪方法 |
CN106441288A (zh) * | 2016-08-31 | 2017-02-22 | 北斗时空信息技术(北京)有限公司 | 一种加速度计的自适应小波降噪方法 |
CN106802414A (zh) * | 2016-12-19 | 2017-06-06 | 姜秋喜 | 基于高斯滤波的机动目标跟踪方法 |
CN106802414B (zh) * | 2016-12-19 | 2019-07-12 | 姜秋喜 | 基于高斯滤波的机动目标跟踪方法 |
CN109269497A (zh) * | 2018-07-31 | 2019-01-25 | 哈尔滨工程大学 | 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法 |
CN109269497B (zh) * | 2018-07-31 | 2022-04-12 | 哈尔滨工程大学 | 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法 |
CN109709934A (zh) * | 2018-12-11 | 2019-05-03 | 南京航空航天大学 | 一种飞行控制***故障诊断冗余设计方法 |
CN109709934B (zh) * | 2018-12-11 | 2021-04-06 | 南京航空航天大学 | 一种飞行控制***故障诊断冗余设计方法 |
CN110456816A (zh) * | 2019-07-05 | 2019-11-15 | 哈尔滨工程大学 | 一种基于连续终端滑模的四旋翼轨迹跟踪控制方法 |
CN110456816B (zh) * | 2019-07-05 | 2022-10-28 | 哈尔滨工程大学 | 一种基于连续终端滑模的四旋翼轨迹跟踪控制方法 |
CN113848589A (zh) * | 2021-08-26 | 2021-12-28 | 南京理工大学 | 一种基于离散迈耶小波的被动磁探测特定目标识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102679980A (zh) | 一种基于多尺度维分解的目标跟踪方法 | |
CN105180935B (zh) | 一种适用于gnss微弱信号的组合导航数据融合方法 | |
Bergemann et al. | An ensemble Kalman-Bucy filter for continuous data assimilation | |
CN101661104B (zh) | 基于雷达/红外量测数据坐标转换的目标跟踪方法 | |
Li et al. | A multi-model EKF integrated navigation algorithm for deep water AUV | |
CN105372659A (zh) | 道路交通监控多目标探测跟踪方法及跟踪*** | |
CN102999696A (zh) | 噪声相关***基于容积信息滤波的纯方位跟踪方法 | |
Jwo et al. | Artificial neural networks for navigation systems: A review of recent research | |
Zhou et al. | Terrain aided navigation for autonomous underwater vehicles with coarse maps | |
Luo et al. | Efficient particle filtering through residual nudging | |
Zhang et al. | An LSTM based Kalman filter for spatio-temporal ocean currents assimilation | |
Hu et al. | Research on ship motion prediction algorithm based on dual-pass long short-term memory neural network | |
CN110703205A (zh) | 基于自适应无迹卡尔曼滤波的超短基线定位方法 | |
CN103793614B (zh) | 一种突变滤波方法 | |
Güntürkün | Sequential reconstruction of driving-forces from nonlinear nonstationary dynamics | |
CN102252672B (zh) | 一种用于水下导航的非线性滤波方法 | |
Dong et al. | A combined wavelet analysis-fuzzy adaptive algorithm for radar/infrared data fusion | |
Ting et al. | A wavelet-based grey particle filter for self-estimating the trajectory of manoeuvring autonomous underwater vehicle | |
Fang et al. | Smoothed estimation of unknown inputs and states in dynamic systems with application to oceanic flow field reconstruction | |
He et al. | A novel adaptive two-stage information filter approach for deep-sea USBL/DVL integrated navigation | |
CN104320108A (zh) | 基于ahcif的集中式测量值加权融合方法 | |
Marata et al. | Monte Carlo mean for non-Gaussian autonomous object tracking | |
Wang et al. | A SINS/DVL navigation method based on hierarchical water velocity estimation | |
Zhao et al. | Particle filter based fault-tolerant ROV navigation using hydro-acoustic position and doppler velocity measurements | |
Suwantong et al. | Robustness analysis of a moving horizon estimator for space debris tracking during atmospheric reentry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120919 |