CN104730537B - 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 - Google Patents
基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 Download PDFInfo
- Publication number
- CN104730537B CN104730537B CN201510080015.8A CN201510080015A CN104730537B CN 104730537 B CN104730537 B CN 104730537B CN 201510080015 A CN201510080015 A CN 201510080015A CN 104730537 B CN104730537 B CN 104730537B
- Authority
- CN
- China
- Prior art keywords
- prime
- scale
- target
- beta
- lambda
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 238000005259 measurement Methods 0.000 claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000028161 membrane depolarization Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 238000013213 extrapolation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
基于多尺度模型的红外/激光雷达数据融合目标跟踪方法,建立多尺度模型;对目标进行数据采集,得到目标的距离测量值、方位角测量值和俯仰角测量值;在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波法进行估计;在尺度2上将角度估计信息和距离信息进行融合;在尺度2上采用卡尔曼滤波法对目标状态进行估计;将融合估计的信息转换到尺度1上,在尺度1上采用卡尔曼滤波法进行滤波估计,得到精确滤波估计值;重复前述步骤,获得目标运动轨迹。本发明将将多尺度模型引用到信息融合中,更加全面准确的描述目标运动状态,在不同尺度对目标进行估计滤波,提高了目标状态的估计精度,通过不同尺度之间信息的交互,提高目标跟踪精度。
Description
技术领域
本发明属于信息处理技术领域,尤其涉及一种红外/激光雷达多传感器融合的目标跟踪方法。
背景技术
红外探测***作为被动探测***,具有隐蔽性好、不易受电子干扰、低空探测性能好、精度高等优点,可以为近程防御武器***提供目标信息,但红外探测***只能提供测角信息。激光雷达探测***的测距精度较高,测距范围满足近程要求,但缺乏角度信息,因此二者配合使用可以实现信息互补,从而提供完整、精确的测量信息,可以对目标进行精确状态估计,提高***可靠性和稳定性。
但是激光雷达探测***的采样频率远远低于红外探测***的采样频率,使得二者的测量数据不同步。而且,红外和激光雷达的联合探测一般是在球坐标系中完成的,而目标的运动状态通常在直角坐标系中进行描述,在直角坐标系中建模的优点在于滤波和外推过程可以在线性动态模型上实现,而在球坐标系中建模则会导致较为复杂的滤波和外推过程,因此在红外/激光雷达双传感器探测***中需要先将获得的角度信息和距离信息转换到直角坐标***中,再进行状态估计。此时,测量与目标状态之间的转换是非线性关系,由于测量误差的耦合,不再满足卡尔曼滤波条件。传统的方法是先对异步数据进行配准,转换化为同步问题;然后在直角坐标系下进行状态建模,获得相应的转换测量方程,进而对转换测量值用卡尔曼滤波(Converted Measurement Kalman Filter,CMKF)算法进行状态估计。该方法模型简单,但精度较低。
多尺度理论对于多传感器数据融合目标状态估计的问题是一种有效的方法,近年来很多学者对多尺度估计理论进行了大量研究,且取得了许多研究成果。潘泉等提出了一种新的线性动态多尺度的模型,并给出了估计方法;对于多尺度***,文成林等建立其估计理论框架并给出相应的预测、滤波和平滑算法。由于红外/激光雷达探测跟踪***是在不同采样频率下描述目标状态,具有多尺度特征,本申请的发明人提出一种多尺度理论和CMKF算法相融合的目标跟踪方法。
发明内容
针对红外/激光雷达多传感器融合对目标跟踪过程中存在的采样率不同、坐标转换测量值有偏差及观测噪声耦合的问题,本发明的目的在于提供一种基于多尺度模型的红外/激光雷达多传感器融合目标跟踪方法。
为了实现上述目的,本发明采取如下的技术解决方案:
基于多尺度模型的红外/激光雷达数据融合目标跟踪方法,包括以下步骤:
步骤1、根据红外探测***和激光雷达探测***的采样频率建立多尺度模型,所述多尺度模型为:
x(i,ki+1)=F(i,ki)x(i,ki)+w(i,ki)
z(i,ki)=H(i,ki)x(i,ki)+v(i,ki)
其中,F(i,ki)为ki时刻在尺度i上的***状态转移矩阵,x(i,ki)为ki时刻在尺度i上的状态向量,w(i,ki)为***噪声,z(i,ki)为ki时刻在尺度i上的观测向量,H(i,ki)为ki时刻在尺度i上的观测矩阵,v(i,ki)为观测噪声,ki为尺度i上的采样时刻,i=1,2;
步骤2、红外探测***和激光雷达探测***分别对目标进行数据采集,得到目标的方位角测量值αm、目标的俯仰角测量值βm和目标的距离测量值rm;
步骤3、在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波法进行估计,滤波过程中利用两点递推法进行初始化,得到目标的方位角滤波估计值α′m和俯仰角滤波估计值β′m;
步骤4、在尺度2上将步骤3得到角度估计信息和激光雷达探测***获取的距离信息进行融合,计算出目标在直角坐标系下的位置坐标(xm,ym,zm):
其中,rm为目标的距离测量值,α′m为目标的方位角滤波估计值,β′m为目标的俯仰角滤波估计值;
步骤5、在尺度2上采用卡尔曼滤波法对目标状态进行估计;
步骤5-1、计算目标的无偏观测值得到直角坐标系下的转换测量值
其中,xm、ym、zm为直角坐标系下目标的位置坐标,λα和λβ为无偏系数, 为方位角测量误差,为俯仰角测量误差,分别是和的方差,E[·]表示求期望值,[·]T表示转置操作;
步骤5-2、计算误差方差矩阵Rp:
式中的α′m为方位角滤波估计值,β′m为俯仰角滤波估计值,rm为距离测量值,为距离测量误差的方差;
步骤5-3、建立目标状态方程和测量方程;
融合后目标的状态方程为:xu(2,k2+1)=Axu(2,k2)+wu(2,k2);
其中,A为去偏后的***状态转移矩阵,xu(2,k2)为去偏后的状态向量,xu(2,k2)=[x′,vx,y′,vy,z′,vz]T,x′、y′和z′是目标在直角坐标系下的位置坐标的滤波值,vx、vy和vz分别为x′、y′和z′方向的速度,wu(2,k2)是去偏后的过程噪声;
融合后目标的测量方程为:zu(2,k2)=Bxu(2,k2)+vu(2,k2);
其中,B为去偏后的观测矩阵,vu(2,k2)为去偏后的观测噪声;
步骤5-4、滤波更新,采用卡尔曼滤波法进行滤波:
k2-1时刻的滤波值和滤波协方差分别为xu(2,k2-1|k2-1)和P(k2-1|k2-1),则k2时刻的预测值xu(2,k2|k2-1)=Axu(2,k2-1|k2-1),k2时刻的预测协方差P(2,k2︱k2-1)=AP(k2-1︱k2-1)AT+Q(2,k2),Q(2,k2)为去偏后的过程噪声的方差矩阵;
卡尔曼增益矩阵K(2,k2)=P(2,k2|k2-1)BT/(Rp+BP(2,k2|k2-1)BT),
滤波后的状态值xu(2,k2|k2)=xu(2,k2|k2-1)+K(2,k2)(Zu-Bxu(2,k2|k2-1)),
滤波后的协方差矩阵P(2,k2|k2)=P(2,k2|k2-1)-K(2,k2)AP(2,k2|k2-1),
经过融合估计,获得目标在直角坐标系下的位置坐标的滤波值x′、y′和z′;
步骤6、将融合估计的信息转换到尺度1上,计算目标的方位角精确估计值和俯仰角精确估计值以尺度2上的采样时刻n(k1-1)+1作为当前时刻,在尺度1上采用卡尔曼滤波法进行滤波估计,得到精确滤波估计值:
步骤7、重复步骤2至步骤6,直至目标离开探测***的探测范围,获得目标运动轨迹。
本发明方法更具体的方案为:尺度1为红外探测***的采样频率,尺度2为雷达探测***的采样频率;
k1时刻在尺度1上的***状态转移矩阵
状态向量x(1,k1)=[α′m,vα,αα,β′m,vβ,αβ],观测向量z(1,k1)=[αm,βm],观测矩阵H(1,k1)=[1,0,0,0,0,0;0,0,0,1,0,0],其中,T为红外探测***的采样周期,αm为目标的方位角测量值,βm为目标的俯仰角测量值,α′m为尺度1上目标的方位角滤波估计值,vα为α′m的速度,aα为α′m的加速度,β′m为尺度1上目标的俯仰角滤波估计值,vβ为β′m的速度,aβ为β′m的加速度;
k2时刻在尺度2上的***状态转移矩阵F(2,k2)=[1,0,0;0,1,0;0,0,1],状态向量x(2,k2)=[rm,α′m,β′m],观测向量z(2,k2)=[rm,α′m,β′m],观测矩阵H(2,k2)=[1,0,0;0,1,0;0,0,1],其中,rm为目标的距离测量值;
红外探测***在尺度1的采样率q1和激光雷达探测***在尺度2的采样率q2满足:q1/q2=n,n为正整数,红外探测***在细尺度1上的采样时刻k1与激光雷达探测***在尺度2上的采样时刻k2之间关系为:k2=n(k1-1)+1。
由以上技术方案可知,本发明利用红外/激光雷达探测***跟踪目标的多尺度特性建立多尺度模型,获取目标测量值后,在细尺度对角度信息进行估计,然后在粗尺度将估计的角度信息与激光雷达的距离信息融合,再利用CMKF算法对目标状态进行估计,并把融合估计的角度信息转换到细尺度,进一步优化角度估计结果。本发明所提出的基于多尺度模型的红外/激光雷达多传感器融合跟踪方法,通过多尺度数据融合,提高了目标状态的估计精度,与现有技术相比,具有以下有益效果:
1、将多尺度模型引用到信息融合中,更加全面准确的描述目标运动状态;
2、在不同尺度对目标进行估计滤波,并采用CMKF算法去除偏差,提高了目标状态的估计精度;
3、通过不同尺度之间信息的交互,进一步提高了目标跟踪精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中需要使用的附图做简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法的流程图;
图2为红外探测***和雷达探测***的采样示意图;
图3为本发明方法与现有技术对目标跟踪的算术平均归一化误差平方图;
图4为本发明方法与现有技术对目标跟踪的均方根误差图。
具体实施方式
红外探测***和激光雷达探测***常用于对目标的状态进行探测,由于红外探测器采样频率比激光雷达快得多,因此将两种探测***结合跟踪目标时,是在不同的采样频率下描述目标状态,具有多尺度特征。本发明利用两种探测***融合的多尺度特征,提出了基于多尺度CMKF(Multi-scale Converted Measurement Kalman Filter,MCMKF)的红外/激光雷达多传感器融合目标跟踪方法。为了便于描述,将红外探测***的采样频率定义为细尺度,将雷达探测***的采样频率定义为粗尺度。
本发明的目标跟踪方法是将红外探测***和激光雷达探测***相结合,根据红外探测***及激光雷达探测***的不同采样频率建立多尺度模型,然后分别获取目标的数据信息,在细尺度上对红外探测***获取的角度信息进行估计,在粗尺度上将细尺度上估计得到的角度信息与激光雷达获取的距离信息融合,再利用CMKF算法在粗尺度上对目标状态进行估计,最后把融合估计的角度信息转换到细尺度,最终获取目标的运动轨迹。
图1为本发明方法的流程图,下面结合图1对本发明方法进行详细说明,本发明的目标跟踪方法包括以下步骤:
步骤1、根据红外探测***和雷达探测***的采样频率建立多尺度模型,所述多尺度模型为:
x(i,ki+1)=F(i,ki)x(i,ki)+w(i,ki)
z(i,ki)=H(i,ki)x(i,ki)+v(i,ki)
其中,F(i,ki)为ki时刻在尺度i上的***状态转移矩阵,x(i,ki)为ki时刻在尺度i上的状态向量,x(i,ki+1)为ki+1时刻在尺度i上的状态向量,w(i,ki)为***噪声,z(i,ki)为ki时刻在尺度i上的观测向量,H(i,ki)为ki时刻在尺度i上的观测矩阵,v(i,ki)为观测噪声,ki为尺度i上的采样时刻,i=1,2,i=1时的尺度为细尺度,i=2时的尺度为粗尺度;
k1时刻在尺度1(细尺度)上的***状态转移矩阵
T为红外探测***的采样周期,k1时刻在尺度1上的状态向量x(1,k1)=[α′m,vα,aα,β′m,vβ,aβ],α′m为尺度1上目标的方位角滤波估计值,vα为α′m的速度,aα为α′m的加速度,β′m为尺度1上目标的俯仰角滤波估计值,vβ为β′m的速度,aβ为β′m的加速度,k1时刻在尺度1上的观测向量z(1,k1)=[αm,βm],αm为目标的方位角测量值,βm为目标的俯仰角测量值,k1时刻在尺度1上的观测矩阵H(1,k1)=[1,0,0,0,0,0;0,0,0,1,0,0];
k2时刻在尺度2(粗尺度)上的***状态转移矩阵F(2,k2)=[1,0,0;0,1,0;0,0,1],k2时刻在尺度2上的状态向量x(2,k2)=[rm,α′m,β′m],rm为目标的距离测量值,k2时刻在尺度2上的观测向量z(2,k2)=[rm,α′m,β′m],尺度2上的观测向量与状态向量相同,k2时刻在尺度2上的观测矩阵H(2,k2)=[1,0,0;0,1,0;0,0,1];
红外探测***在尺度1的采样率q1和激光雷达探测***在尺度2的采样率q2满足:q1/q2=n,n为正整数,红外探测***在细尺度1上的采样时刻k1与激光雷达探测***在尺度2上的采样时刻k2之间关系为:k2=n(k1-1)+1;
步骤2、红外探测***和雷达探测***分别对目标进行数据采集;
以红外探测***和雷达探测***所在的平台为坐标原点,两个探测***的传感器分别对某一做匀速运动的目标进行观测,采集到的数据包括由激光雷达探测***采集的目标的距离测量值rm以及由红外探测***采集的目标的方位角测量值αm和目标的俯仰角测量值βm;
步骤3、在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)法进行估计,滤波过程中利用两点递推法进行初始化,经过UKF法滤波估计后得到更为精确的目标的方位角滤波估计值α′m和俯仰角滤波估计值β′m;
UKF法是基于无迹变换,利用一系列选取好的采样点,对状态向量的概率密度函数进行近似,UKF法步骤如下:
状态的时间更新:计算k1时刻尺度1上的(2nx+1)个采样点ξj及其对应的权值Wj,
其中,x(1,k1|k1)为k1时刻在尺度1上的状态向量,nx为状态向量的维数,ρ为尺度参数,一般为0,P(1,k1|k1)为k1时刻在尺度1上的状态协方差,α为采样点到均值的距离,一般为很小的正数,β为状态分布参数,表示(nx+ρ)P(1,k1|k1)均方根矩阵的第j行或第j列,和分别为采样点的均值和方差所用加权;
将每一个采样点代入细尺度x(1,k1+1)=F(1,k1)x(1,k1)进行变换,***噪声可忽略,xj(1,k1+1|k1)=F(1,k1)ξj,j=0,1,…,2nx,得到新的采样点集合;
一步状态预测:
一步状态预测协方差:
式中的Q(1,k1)为尺度1上的过程噪声协方差;
测量更新:利用一步状态预测、一步状态预测协方差重新计算采样点ξs:
将每一个采样点代入细尺度z(1,k1)=H(1,k1)x(1,k1)变换,观测噪声可忽略:zj(1,k1+1|k1)=H(1,k1)ξs,得到新的采样点集合;
计算观测量协方差:
其中,R(1,k1)为尺度1上的噪声协方差;
计算观测量与状态量协方差:
滤波更新:
UKF增益矩阵:K(1,k1+1)=Pxz(1,k1+1|k1)Pz(1,k1+1|k1)-1;
状态更新:x(1,k1|k1)=x(1,k1+1|k1)+K(1,k1+1)(z(1,k1+1|k1)-z(1,k1+1|k1));
状态协方差更新:P(1,k1+1|k1+1)=P(1,k1+1|k1)-K(1,k1+1)Pz(1,k1+1|k1)K(1,k1+1)T;
经过滤波估计,得到方位角估计值和俯仰角估计值;
步骤4、在尺度2上将步骤3得到角度估计信息和激光雷达探测***获取的距离信息进行融合,把观测值转换到直角坐标系,计算出目标在直角坐标系下的位置坐标;
红外探测***的采样频率比雷达探测***的采样频率快得多,且其采样频率是雷达探测***采样频率的整数倍,在雷达探测***获得目标的距离测量值的时刻,即在尺度2上,将步骤3得到的角度估计信息和激光雷达的距离测量值进行融合;
在目标跟踪过程中,在直角坐标系中建模的优点在于滤波和外推过程可以在线性动态模型上实现,在球坐标系中建模会使滤波和外推过程变复杂;由于红外及雷达探测***获取的测量值是球坐标系中的数据,为了在直角坐标系中描述目标状态,需要先将获得的角度信息和距离信息进行融合,即利用角度信息和距离信息确定目标位置,将球坐标系下的观测信息转换到直角坐标***中,计算出直角坐标系下的目标的位置坐标(xm,ym,zm):
其中,rm为目标的距离测量值,α′m为目标的方位角滤波估计值,β′m为目标的俯仰角滤波估计值;
步骤5、采用CMKF算法在尺度2上对目标状态进行估计;
从步骤4可以看出,坐标转换是一个非线性过程,球坐标系下的测量值经过坐标转换后导致转换测量值有偏,独立的高斯噪声经过坐标转换也不再是高斯型,而且转换测量误差之间相互耦合,不再满足线性卡尔曼滤波条件,因此采用CMKF算法计算出转换测量值的误差均值和方差,对直角坐标系下的转换测量值进行去偏,得到新的转换测量方程,则此测量方程在直角坐标系下为线性的,可用卡尔曼滤波算法进行滤波;
步骤5-1、计算目标的无偏观测值经非线性坐标转换并去偏后得到直角坐标系下的转换测量值
其中,xm、ym、zm为直角坐标系下目标的位置坐标,λα和λβ为无偏系数, 为方位角测量误差,为俯仰角测量误差,二者是相互独立的高斯白噪声,分别是和的方差,E[·]表示求期望值,[·]T表示转置操作;
步骤5-2、计算误差方差矩阵Rp:
式中的α′m为方位角滤波估计值,β′m为俯仰角滤波估计值,rm为距离测量值,为距离测量误差的方差;
步骤5-3、建立目标状态方程和测量方程;
融合后目标的状态方程为:xu(2,k2+1)=Axu(2,k2)+wu(2,k2);
其中,A为去偏后的***状态转移矩阵,xu(2,k2)为去偏后的状态向量,xu(2,k2)=[x′,vx,y′,vy,z′,vz]T,x′、y′和z′是目标在直角坐标系的位置坐标的滤波值,vx、vy和vz分别为x′、y′和z′的速度,wu(2,k2)是去偏后的过程噪声;
本实施例采用匀速模型,则去偏后的***状态转移矩阵
T′为雷达探测***的采样周期;
融合后目标的测量方程为:zu(2,k2)=Bxu(2,k2)+vu(2,k2);
其中,B为去偏后的观测矩阵,B=[1,0,0,0,0,0;0,1,0,0,0,0;0,0,0,0,1,0;0,0,0,0,0,1],vu(2,k2)为去偏后的观测噪声,其均值为零、方差为Rp;
步骤5-4、滤波更新,转换后的目标状态方程和测量方程在直角坐标系下都为线性,可以采用卡尔曼滤波法进行滤波:
k2-1时刻的滤波值和滤波协方差分别为xu(2,k2-1|k2-1)和P(k2-1|k2-1),则k2时刻的预测值xu(2,k2|k2-1)=Axu(2,k2-1|k2-1),k2时刻的预测协方差P(2,k2︱k2-1)=AP(k2-1︱k2-1)AT+Q(2,k2),Q(2,k2)为去偏后的过程噪声的方差矩阵;
卡尔曼增益矩阵K(2,k2)=P(2,k2|k2-1)BT/(Rp+BP(2,k2|k2-1)BT),
滤波后的状态值xu(2,k2|k2)=xu(2,k2|k2-1)+K(2,k2)(Zu-Bxu(2,k2|k2-1)),
滤波后的协方差矩阵P(2,k2|k2)=P(2,k2|k2-1)-K(2,k2)AP(2,k2|k2-1),
经过融合估计,获得目标在直角坐标系的位置坐标的滤波值x′、y′和z′;
步骤6、将融合估计的信息转换到尺度1上,进一步优化角度估计结果;
利用步骤5获得的位置信息,计算目标的方位角精确估计值和俯仰角精确估计值
再将方位角精确估计值和俯仰角精确估计值返回到尺度1上,以尺度2上的采样时刻n(k1-1)+1作为当前时刻,在尺度1上采用无迹卡尔曼滤波法进行滤波估计,由于当前的角度估计值融合了雷达探测***得到的距离信息,估计精度更高;
步骤7、重复步骤2至步骤6,直至目标离开探测***的探测范围,获得目标运动轨迹。
本发明的效果可以通过以下的仿真结果进一步说明:
仿真时,用现有技术的基于CMKF算法的目标跟踪方法与本发明方法进行对比。
仿真条件如下:红外探测器和激光测距集处于坐标原点,目标在三维空间做匀速运动,vx=200m/s,vy=0,vz=150m/s,目标的初始信息为[10000,π/2,0],σr=10m,σα=0.002rad,σβ=0.002rad。红外探测器的采样周期为0.02s,激光测距机的采样周期为0.1s,***的仿真时间为20s。
表1
表1列出了两种方法的均方根误差(Average Euclidean Error,简称AEE)和均方根误差(root mean-square error,RMSE),由表1可知本发明方法的误差均小于现有技术的基于CMKF算法的目标跟踪方法,说明了本发明方法法的有效性,且估计精度明显提高。
如果估计误差和估计协方差和真实误差匹配,算术平均归一化误差平方(Averaged Normalized Estimation Error Squared,简称ANEES)为1;如果ANEES小于(大于)1,说明真实值小于(大于)滤波器估计的结果。图3是本发明与基于CMKF算法的目标跟踪方法对目标跟踪的算术平均归一化均方误差图,从图3可以看出基于CMKF算法的目标跟踪方法的ANEES一直小于1,说明滤波器估计的均方误差过于悲观,而本发明方法的经过初始阶段后一直接近1,说明估计误差和估计协方差接近真实值。
图4是本发明与基于CMKF算法的目标跟踪方法对目标跟踪的均方根误差图,图4中的点划线表示基于CMKF算法的目标跟踪方法的跟踪轨迹,虚线表示本发明方法的融合跟踪轨迹,从图4可以看出,点划线几乎一直高于虚线,即本发明方法的RMSE一直小于基于CMKF算法的目标跟踪方法的误差,说明本发明方法的估计误差比基于CMKF算法的目标跟踪方法的估计误差小。
以上所述,仅是本发明的较佳实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (2)
1.基于多尺度模型的红外/激光雷达数据融合目标跟踪方法,其特征在于,包括以下步骤:
步骤1、根据红外探测***和激光雷达探测***的采样频率建立多尺度模型,所述多尺度模型为:
x(i,ki+1)=F(i,ki)x(i,ki)+w(i,ki)
z(i,ki)=H(i,ki)x(i,ki)+v(i,ki)
其中,x(i,ki+1)为ki+1时刻在尺度i上的状态向量,F(i,ki)为ki时刻在尺度i上的***状态转移矩阵,x(i,ki)为ki时刻在尺度i上的状态向量,w(i,ki)为***噪声,z(i,ki)为ki时刻在尺度i上的观测向量,H(i,ki)为ki时刻在尺度i上的观测矩阵,v(i,ki)为观测噪声,ki为尺度i上的采样时刻,i=1,2;
步骤2、红外探测***和激光雷达探测***分别对目标进行数据采集,得到目标的方位角测量值αm、目标的俯仰角测量值βm和目标的距离测量值rm;
步骤3、在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波法进行估计,滤波过程中利用两点递推法进行初始化,得到目标的方位角滤波估计值α′m和俯仰角滤波估计值β′m;
步骤4、在尺度2上将步骤3得到角度估计信息和激光雷达探测***获取的距离信息进行融合,计算出目标在直角坐标系下的位置坐标(xm,ym,zm):
其中,rm为目标的距离测量值,α′m为目标的方位角滤波估计值,β′m为目标的俯仰角滤波估计值;
步骤5、在尺度2上采用卡尔曼滤波法对目标状态进行估计;
步骤5-1、计算目标的无偏观测值得到直角坐标系下的转换测量值
其中,xm、ym、zm为直角坐标系下目标的位置坐标,λα和λβ为无偏系数, 为方位角测量误差,为俯仰角测量误差,分别是和的方差,E[·]表示求期望值,[·]T表示转置操作;
步骤5-2、计算误差方差矩阵Rp:
式中的 为距离测量误差的方差;
步骤5-3、建立目标状态方程和测量方程;
融合后目标的状态方程为:xu(2,k2+1)=Axu(2,k2)+wu(2,k2);
其中,A为去偏后的***状态转移矩阵,xu(2,k2)为去偏后的状态向量,xu(2,k2)=[x′,vx,y′,vy,z′,vz]T,x′、y′和z′是目标在直角坐标系下的位置坐标的滤波值,vx、vy和vz分别为x′、y′和z′方向的速度,wu(2,k2)是去偏后的过程噪声;
融合后目标的测量方程为:zu(2,k2)=Bxu(2,k2)+vu(2,k2);
其中,B为去偏后的观测矩阵,vu(2,k2)为去偏后的观测噪声;
步骤5-4、滤波更新,采用卡尔曼滤波法进行滤波:
k2-1时刻的滤波值和滤波协方差分别为xu(2,k2-1|k2-1)和P(k2-1|k2-1),则k2时刻的预测值xu(2,k2|k2-1)=Axu(2,k2-1|k2-1),k2时刻的预测协方差P(2,k2︱k2-1)=AP(k2-1︱k2-1)AT+Q(2,k2),Q(2,k2)为去偏后的过程噪声的方差矩阵;
卡尔曼增益矩阵K(2,k2)=P(2,k2|k2-1)BT/(Rp+BP(2,k2|k2-1)BT),
滤波后的状态值xu(2,k2|k2)=xu(2,k2|k2-1)+K(2,k2)(zu-Bxu(2,k2|k2-1)),
滤波后的协方差矩阵P(2,k2|k2)=P(2,k2|k2-1)-K(2,k2)AP(2,k2|k2-1),
经过融合估计,获得目标在直角坐标系下的位置坐标的滤波值x′、y′和z′;
步骤6、将融合估计的信息转换到尺度1上,进一步优化角度估计结果;
利用步骤5获得的位置信息,计算目标的方位角精确估计值和俯仰角精确估计值
再将方位角精确估计值和俯仰角精确估计值返回到尺度1上,以尺度2上的采样时刻n(k1-1)+1作为当前时刻,在尺度1上采用卡尔曼滤波法进行滤波估计,得到精确滤波估计值,红外探测***在尺度1的采样率q1和激光雷达探测***在尺度2的采样率q2满足:q1/q2=n,n为正整数,红外探测***在尺度1上的采样时刻k1与激光雷达探测***在尺度2上的采样时刻k2之间关系为:k2=n(k1-1)+1;
步骤7、重复步骤2至步骤6,直至目标离开探测***的探测范围,获得目标运动轨迹。
2.如权利要求1所述的基于多尺度模型的红外/激光雷达数据融合目标跟踪方法,其特征在于:
尺度1为红外探测***的采样频率,尺度2为激光雷达探测***的采样频率;
k1时刻在尺度1上的***状态转移矩阵
状态向量x(1,k1)=[α’m,vα,αα,β’m,vβ,αβ],观测向量z(1,k1)=[αm,βm],观测矩阵H(1,k1)=[1,0,0,0,0,0;0,0,0,1,0,0],其中,T为红外探测***的采样周期,αm为目标的方位角测量值,βm为目标的俯仰角测量值,α′m为尺度1上目标的方位角滤波估计值,vα为α′m的速度,αα为α′m的加速度,β′m为尺度1上目标的俯仰角滤波估计值,vβ为β′m的速度,αβ为β′m的加速度;
k2时刻在尺度2上的***状态转移矩阵F(2,k2)=[1,0,0;0,1,0;0,0,1],状态向量x(2,k2)=[rm,α′m,β′m],观测向量z(2,k2)=[rm,α′m,β′m],观测矩阵H(2,k2)=[1,0,0;0,1,0;0,0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510080015.8A CN104730537B (zh) | 2015-02-13 | 2015-02-13 | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510080015.8A CN104730537B (zh) | 2015-02-13 | 2015-02-13 | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104730537A CN104730537A (zh) | 2015-06-24 |
CN104730537B true CN104730537B (zh) | 2017-04-26 |
Family
ID=53454611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510080015.8A Expired - Fee Related CN104730537B (zh) | 2015-02-13 | 2015-02-13 | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104730537B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
CN106970355A (zh) * | 2017-04-21 | 2017-07-21 | 南京理工大学 | 一种无源装置同步增广测量可变维数融合滤波方法 |
CN108872975B (zh) * | 2017-05-15 | 2022-08-16 | 蔚来(安徽)控股有限公司 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
CN108665479B (zh) * | 2017-06-08 | 2022-11-08 | 西安电子科技大学 | 基于压缩域多尺度特征tld的红外目标跟踪方法 |
CN108108335B (zh) * | 2017-12-26 | 2020-07-17 | 北京邮电大学 | 一种野值剔除方法及装置 |
CN108151806B (zh) * | 2017-12-27 | 2020-11-10 | 成都西科微波通讯有限公司 | 基于目标距离的异类多传感器数据融合方法 |
CN108665481B (zh) * | 2018-03-27 | 2022-05-31 | 西安电子科技大学 | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 |
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 |
RU2697402C1 (ru) * | 2018-12-18 | 2019-08-14 | Федеральное государственное унитарное предприятие "Всероссийский научно-исследовательский институт метрологии им. Д.И. Менделеева" | Способ измерения показателя инфракрасной видности и инфракрасной дальности видимости объекта |
CN110031802B (zh) * | 2019-04-04 | 2020-10-09 | 中国科学院数学与***科学研究院 | 具有未知量测零偏的双红外传感器的融合定位方法 |
CN111624594B (zh) * | 2020-05-12 | 2022-09-23 | 中国电子科技集团公司第三十八研究所 | 一种基于转换量测重构的组网雷达跟踪方法及*** |
CN112966720B (zh) * | 2021-02-05 | 2023-05-23 | 中国电子科技集团公司第三十八研究所 | 一种基于blue的雷达与红外观测数据融合方法、*** |
CN113794991B (zh) * | 2021-11-15 | 2022-02-11 | 西南交通大学 | 一种基于UWB和LoRa的单基站无线定位*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697006A (zh) * | 2009-09-18 | 2010-04-21 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
CN102798867A (zh) * | 2012-09-10 | 2012-11-28 | 电子科技大学 | 一种机载雷达与红外传感器航迹关联方法 |
CN103492903A (zh) * | 2011-03-01 | 2014-01-01 | 丰田自动车株式会社 | 状态推定装置 |
CN103499818A (zh) * | 2013-10-10 | 2014-01-08 | 中国科学院上海技术物理研究所 | 一种红外与激光复合探测*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013083546A (ja) * | 2011-10-11 | 2013-05-09 | Ntn Corp | レーザートラッカー |
US9329269B2 (en) * | 2012-03-15 | 2016-05-03 | GM Global Technology Operations LLC | Method for registration of range images from multiple LiDARS |
-
2015
- 2015-02-13 CN CN201510080015.8A patent/CN104730537B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697006A (zh) * | 2009-09-18 | 2010-04-21 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
CN103492903A (zh) * | 2011-03-01 | 2014-01-01 | 丰田自动车株式会社 | 状态推定装置 |
CN102798867A (zh) * | 2012-09-10 | 2012-11-28 | 电子科技大学 | 一种机载雷达与红外传感器航迹关联方法 |
CN103499818A (zh) * | 2013-10-10 | 2014-01-08 | 中国科学院上海技术物理研究所 | 一种红外与激光复合探测*** |
Non-Patent Citations (2)
Title |
---|
基于UKPF的雷达与红外传感器融合跟踪算法;曾昭博等;《现代防御技术》;20091031;第37卷(第5期);136-140 * |
张高煜等;采用序贯滤波的红外/ 雷达机动目标跟踪;《控制理论与应用》;20071031;第24卷(第5期);811-814,824 * |
Also Published As
Publication number | Publication date |
---|---|
CN104730537A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104730537B (zh) | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 | |
CN104237879B (zh) | 一种雷达***中的多目标跟踪方法 | |
CN107832575A (zh) | 基于伪测量的带反馈机动目标异步航迹融合算法 | |
CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
CN101982732B (zh) | 一种基于esoqpf和ukf主从滤波的微小卫星姿态确定方法 | |
KR101628154B1 (ko) | 수신 신호 세기를 이용한 다중 표적 추적 방법 | |
CN108333569A (zh) | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 | |
CN112051568B (zh) | 一种两坐标雷达的俯仰测角方法 | |
CN101975575A (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN113091738A (zh) | 基于视觉惯导融合的移动机器人地图构建方法及相关设备 | |
CN106403953B (zh) | 一种用于水下自主导航与定位的方法 | |
CN106199580A (zh) | 一种基于模糊推理***的Singer模型改进算法 | |
CN112146648A (zh) | 一种基于多传感器数据融合的多目标跟踪方法 | |
CN110532621A (zh) | 一种飞行器气动参数在线辨识方法 | |
CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
CN107133555B (zh) | 识别8字运动轨迹目标的方法 | |
CN114608568A (zh) | 一种基于多传感器信息即时融合定位方法 | |
CN110888142B (zh) | 基于mems激光雷达测量技术的航天器隐藏目标点测量方法 | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
Mallick et al. | Comparison of measures of nonlinearity for bearing-only and GMTI filtering | |
CN114091180B (zh) | 基于飞行数据的扰动风定制化建模和大气数据估计方法 | |
CN104931932A (zh) | 一种改进的去偏坐标转换卡尔曼滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170426 Termination date: 20220213 |
|
CF01 | Termination of patent right due to non-payment of annual fee |