CN105699977B - 一种运动蛙人的跟踪方法 - Google Patents

Abstract

本发明涉及一种运动蛙人的跟踪方法，所述方法包括：步骤1)接收t_k+1时刻蛙人状态的观测值；步骤2)建立t_k时刻蛙人多方向运动的运动模型集；步骤3)根据所述运动模型集计算t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值；步骤4)将t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值输入若干个滤波器，结合t_k+1时刻蛙人状态的观测值计算每个运动模型的蛙人状态估计及其协方差估计；步骤5)根据的t_k+1时刻每个运动模型的蛙人状态估计及其协方差估计更新t_k+1时刻每个运动模型的概率；步骤6)根据更新后的每个运动模型的概率对蛙人状态进行融合估计，得到t_k+1时刻蛙人状态的估计及其协方差的估计。本发明的方法具有精度高，稳定性强的特点。

Description

一种运动蛙人的跟踪方法

技术领域

本发明属于一种目标状态估计方法，具体来说涉及一种运动蛙人的跟踪方法。

背景技术

冷战时期，各国处在战争警戒状态，海上探测和防御的对象主要是敌对国家的舰船和潜艇等大型目标。随着冷战的结束，特别是前苏联解体后，水下潜水技术发展迅速，蛙人部队应运而生，所谓的蛙人(Diver)，就是担负着水下侦察、***和执行特殊作战任务的军人，因他们携带的装备中有形似青蛙脚形状的游泳工具，所以称之为“蛙人”。由于蛙人目标散射强度较弱，再加上蛙人的破坏活动具有显著的“非对称”优势，目前，利用蛙人进行恐怖袭击成为***分子进行恐怖活动的重要方式。

近年来，国内外学者对水下蛙人的探测及识别进行了大量的研究；文献1(AndersYaakov Bar-Shalom.Tracking of Divers in a Noisy Background Using aBubble Model[C].Signal and Data Processing of Small Targets,2007)针对开式蛙人呼吸形成气泡造成的干扰对数据关联的影响，对传统的概率数据关联(PDA)算法进行了改进，但蛙人状态估计的运动模型采用的是传统的运动模型。文献2(Dietmar Stiller,BerndNützel.Detection and tracking of divers[C].Underwater Defenc Technology.2009)和文献3(Liu Xinke,Xiong Zhengxiang.Underwater Small Target Tracking AlgorithmBased On Diver Detection Sonar Image Sequences[C].International Conference onIndustrial Control and Electronics Engineering:727-730.2012)是借鉴载有机械推进装置的航行器类目标的运动模型估计蛙人目标状态。上述方法建立的运动模型由于没有准确反映蛙人的运动特点，存在跟踪精度低、稳定性差等缺点。

文献4(Ralf Siegfried.Ships’ Protection against Diver Attacks[C].Underwater Defence Technology.2005)分析了蛙人目标与其他机械类目标在运动方式的不同点：蛙人目标可在极短时间内实现运动方向的转换，且运动速度较低；机械类目标在一段时间内基本上按照在某一方向进行较高速度的运动，且不会在较短时间进行速度切换。文献5(陈旸.水下运动小目标探测与跟踪技术研究[D].中国科学院声学研究所硕士学位论文：32-33，2011.)得到了水下蛙人具有“运动速率低、方向变化率高”的运动特点。

发明内容

本发明的目的在于克服现有蛙人跟踪方法存在的跟踪精度低、稳定性差的缺点，利用水下蛙人的“低运动速率、高方向变化率”的运动特点，提出了针对蛙人这一特定目标的基于多运动方向模型的交互式融合的跟踪方法，实现蛙人目标状态更高精度、更稳定的估计。

为了实现上述目标，本发明提出了一种运动蛙人的跟踪方法，所述方法包括：

步骤1)接收t_k+1时刻蛙人状态的观测值；

步骤2)建立t_k时刻蛙人多方向运动的运动模型集；

步骤3)根据所述运动模型集计算t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值；

步骤4)将t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值输入若干个滤波器，结合t_k+1时刻蛙人状态的观测值计算每个运动模型的蛙人状态估计及其协方差估计；

步骤5)根据的t_k+1时刻每个运动模型的蛙人状态估计及其协方差估计更新t_k+1时刻每个运动模型的概率；

步骤6)根据更新后的每个运动模型的概率对蛙人状态进行融合估计，得到t_k+1时刻蛙人状态的估计及其协方差的估计。

上述技术方案中，所述步骤2)进一步包括：

t_k时刻蛙人状态包括位置和速度，表示为X(k)＝[x(k),y(k),v_x(k),v_y(k)]，则t_k时刻蛙人的运动速度为(v_x(k),v_y(k))；在[t_k,t_k+1]时间区间内，蛙人运动可用8个方向、16个匀速直线运动模型描述；所述8个方向中的每个方向的运动都包括了两个不同速度的匀速直线运动，且两个速度值满足下式：

其中，

运动模型1,3,5,7,9,11,13,15的运动速度大小为v_{k min}，运动模型2,4,6,8,10,12,14,16的运动速度大小为v_{k max}；运动模型j对应的速度方向的角度值为θ_j。

上述技术方案中，所述步骤3)进一步包括：

步骤301)计算t_k+1时刻运动模型j(j＝1…16)的预测概率；

t_k+1时刻运动模型j(j＝1…16)的预测概率为：

其中，π_ij为t_k时刻运动模型i在t_k+1时刻切换到运动模型j的概率：

μ_i(k)为t_k时刻运动模型i的概率；

步骤302)计算运动模型j(j＝1…16)切换到其它运动模型i(i＝1…16)的输入交互权重；

μ_ij(k+1|k)＝π_ijμ_i(k)/μ_j(k+1|k) (3)

步骤303)计算t_k+1时刻运动模型j对应的蛙人状态估计初值；

已知t_k时刻对应于16个运动模型的16个蛙人状态估计为：

对应的协方差估计是P_i(k)；

t_k+1时刻运动模型j对应的蛙人状态估计初值表示为：

计算公式为：

步骤304)根据上述建立的t_k时刻蛙人多方向运动的运动模型集，预测运动模型j在t_k+1时刻的速度；

运动模型j(j＝1…16)在t_k+1时刻的速度为：

j为偶数； (7)

j为奇数； (8)

步骤305)修正t_k+1时刻运动模型j对应的蛙人状态估计初值；

将公式(7)或(8)中的两个速度值替换蛙人状态估计初值中的两个速度分量，修正t_k+1时刻每个运动模型的蛙人状态估计初值，修正后的为：

t_k+1时刻模型j对应的蛙人状态的协方差估计初值为：

上述技术方案中，所述步骤4)中的滤波器为标准卡尔曼滤波器。

上述技术方案中，所述步骤4)中滤波器的个数等于所述运动模集中运动模型的个数。

本发明的优点在于：

1、本发明的方法提出了利用8个方向、16个运动模型组成的多方向运动模型集描述蛙人运动，能够更加准确、稳健地反映蛙人这一特定目标的“低运动速率、高方向变化率”的运动特点；

2、本发明的方法根据蛙人运动“低速率”的特点，利用当前时刻速度的大小和方向自适应地建立多方向运动模型，改善了运动模型集的适应性；

3、本发明的方法在多方向运动模型的基础上，通过并行的滤波算法进行每个运动模型下的蛙人状态估计，提高了滤波算法的运行速度，缩短了蛙人状态估计的时间，降低了***的复杂性；

4、本发明的运动蛙人的跟踪方法具有跟踪精度高，稳定性强的特点。

附图说明

图1为本发明的运动蛙人的跟踪方法的流程图；

图2为本发明建立的蛙人多方向运动模型示意图；

图3为本发明的方法与传统的基于单方向运动模型的交互跟踪算法的蛙人状态估计对比图；

图4为本发明的方法与传统的基于单方向运动模型的交互跟踪算法的蛙人状态估计均方根误差对比图。

具体实施方式

本发明在综合分析蛙人运动特点的基础上，建立了描述蛙人运动的多方向运动模型集，并将该运动模型集融入到交互式多模型(IMM)算法，利用多组并行的滤波估计方法实现多方向运动模型下的蛙人状态估计，最后根据更新后的模型概率对各模型的估计结果进行融合处理完成蛙人状态的估计。

下面结合附图和具体实施例对本发明做进一步的说明。

本发明的方法基于以下假设：忽略高度信息，蛙人在二维平面内运动。

如图1所示，一种运动蛙人的跟踪方法，所述方法包括：

步骤1)通过声纳***接收t_k+1时刻蛙人状态的观测值；

所述t_k+1时刻蛙人状态的观测值为

步骤2)建立t_k时刻蛙人多方向运动的运动模型集；

基于蛙人的“低运动速率、高方向变化率”的运动特点，对蛙人的运动进行了如下假设：在两相邻时刻之间，蛙人做匀速直线运动；而且蛙人向各个方向运动的切换概率相等；

t_k时刻蛙人状态包括位置和速度，表示为X(k)＝[x(k),y(k),v_x(k),v_y(k)]，则t_k时刻蛙人的运动速度为(v_x(k),v_y(k))；X(k)的初始值为t_k时刻蛙人状态的观测值Z(k)；

如图2所示，在[t_k,t_k+1]时间区间内，蛙人运动可用8个方向、16个匀速直线运动模型描述；所述8个方向中的每个方向的运动都包括了两个不同速度的匀速直线运动，且两个速度值满足下式：

其中，

运动模型1,3,5,7,9,11,13,15的运动速度大小为v_{k min}，运动模型2,4,6,8,10,12,14,16的运动速度大小为v_{k max}；以逆时针角度为正，运动模型j对应的速度方向的角度值θ_j如表1所示：

表1

步骤3)计算t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值，包括：

步骤301)计算t_k+1时刻运动模型j(j＝1…16)的预测概率；

t_k+1时刻运动模型j(j＝1…16)的预测概率为：

其中，π_ij为t_k时刻运动模型i在t_k+1时刻切换到运动模型j的概率：

μ_i(k)为t_k时刻运动模型i的概率；初始值为：

步骤302)计算运动模型j(j＝1…16)切换到其它运动模型i(i＝1…16)的输入交互权重；

μ_ij(k+1|k)＝π_ijμ_i(k)/μ_j(k+1|k) (3)

步骤303)计算t_k+1时刻运动模型j对应的蛙人状态估计初值；

已知t_k时刻对应于16个运动模型的16个蛙人状态估计为：

对应的协方差估计是P_i(k)；

X_i(k)的初始值为：

X_i(k)＝X(k)，i＝1,…16；

对应的协方差估计为：

P_i(k)＝I，i＝1,…16；

t_k+1时刻运动模型j对应的蛙人状态估计初值表示为：

计算公式为：

步骤304)根据上述建立的t_k时刻蛙人多方向运动的运动模型集，预测运动模型j在t_k+1时刻的速度；

运动模型j(j＝1…16)在t_k+1时刻的速度为：

j为偶数； (7)

j为奇数； (8)

步骤305)修正t_k+1时刻运动模型j对应的蛙人状态估计初值；

将公式(7)或(8)中的两个速度值替换蛙人状态估计初值中的两个速度分量，修正t_k+1时刻每个运动模型的蛙人状态估计初值，修正后的为：

t_k+1时刻模型j对应的蛙人状态的协方差估计初值为：

步骤4)将t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值输入若干个滤波器，结合t_k+1时刻蛙人状态的观测值计算每个运动模型的蛙人状态估计及其协方差估计；

为提高16个运动模型状态估计的计算效率，所述滤波器为标准卡尔曼滤波器；所述滤波器的个数等于所述运动模集中运动模型的个数；在本实施例中，所述滤波器的个数为16。

将t_k+1时刻的运动模型j(j＝1…16)的蛙人状态估计初值及其协方差估计初值输入第j(j＝1…16)个滤波器，16个滤波器并行进行状态滤波并输出各自的蛙人状态估计X_j(k+1)及其协方差估计P_j(k+1)，j＝1,2,…,16。

利用标准卡尔曼滤波器完成各运动模型状态估计包括预测和更新两个过程。

状态一步预测：

其中，F_j为运动模型j对应的状态转移矩阵：

其中，T＝t_k+1-t_k；

协方差一步预测：

其中，Q_j表示运动模型j对应的***噪声协方差；

量测的预测为：

Z_j(k+1|k)＝H_jX_j(k+1|k) (13)

其中，H_j为运动模型j对应的量测矩阵：

新息为：

v_j(k+1)＝Z(k+1)-Z_j(k+1|k) (14)

新息的协方差为：

其中，R表示观测噪声协方差；

第j个滤波器增益为：

t_k+1时刻运动模型j的蛙人状态估计及其协方差估计为5

X_j(k+1)＝X_j(k+1|k)+K_j(k+1)v_j(k+1) (17)

步骤5)根据的t_k+1时刻每个运动模型的蛙人状态估计及其协方差估计更新t_k+1时刻每个运动模型的概率；

根据步骤4)中计算出的运动模型j(j＝1…16)的新息v_j(k+1)及其协方差S_j(k+1)，计算运动模型j(j＝1…16)的似然函数：

L_j(k+1)＝N(v_j(k+1),0,S_j(k+1)),j＝1,2,…,16 (19)

式中，N(x,μ,σ²)表示随机变量x服从均值为μ、方差为σ²的正态分布。

运动模型j的概率更新为：

步骤6)根据更新后的每个运动模型的概率对蛙人状态进行融合估计，得到t_k+1时刻蛙人状态的估计及其协方差的估计。

根据更新后的运动模型j(j＝1…16)的概率μ_j(k+1)，计算t_k+1时刻蛙人的状态估计为：

对应的协方差估计为：

下面对本发明的方法进行实验，在实验中，主动式蛙人探测声纳采用中心频率70kHz，带宽8kHz，脉冲长度为6ms的线性调频信号LFM信号，对水下蛙人目标进行探测；并对蛙人探测声纳的接收数据进行了带通采样、降采样等预处理，通过本发明的方法得到蛙人目标的状态估计。

t_k时刻蛙人状态估计的均方根误差公式如下：

其中，表示t_k时刻第m次蒙特卡罗仿真后的蛙人位置状态估计，M为蒙特卡罗仿真次数，(x_k,y_k)表示t_k时刻目标的观测值。

如图3和图4所示，与传统的基于单运动方向模型的交互式跟踪算法相比，本发明提出的基于多运动方向模型的交互式融合跟踪算法具有精度高，跟踪稳定的优势。

Claims (5)

1.一种运动蛙人的跟踪方法，其特征在于，所述方法包括：

步骤1)接收t_k+1时刻蛙人状态的观测值；k为整数，

步骤2)建立t_k时刻蛙人多方向运动的运动模型集；

步骤3)根据所述运动模型集计算t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值；

步骤4)将t_k+1时刻每个运动模型的蛙人状态估计初值和协方差估计初值输入若干个滤波器，结合t_k+1时刻蛙人状态的观测值计算每个运动模型的蛙人状态估计及其协方差估计；

步骤5)根据t_k+1时刻每个运动模型的蛙人状态估计及其协方差估计更新t_k+1时刻每个运动模型的概率；

步骤6)根据更新后的每个运动模型的概率对蛙人状态进行融合估计，得到t_k+1时刻蛙人状态的估计及其协方差的估计。

2.根据权利要求1所述的运动蛙人的跟踪方法，其特征在于，所述步骤2)进一步包括：

t_k时刻蛙人状态包括位置和速度，表示为X(k)＝[x(k),y(k),v_x(k),v_y(k)]，x(k)为x方向的位置，y(k)为y方向的位置；v_x(k)为x方向的速度，v_y(k)为y方向的速度；则t_k时刻蛙人的运动速度为(v_x(k),v_y(k))；[t_k,t_k+1]时间区间内，蛙人运动用8个方向、16个匀速直线运动模型描述；所述8个方向中的每个方向的运动都包括了两个不同速度的匀速直线运动，且两个速度值满足下式：

其中，

运动模型1,3,5,7,9,11,13,15的运动速度大小为v_kmin，运动模型2,4,6,8,10,12,14,16的运动速度大小为v_kmax；运动模型j对应的速度方向的角度值为θ_j。

3.根据权利要求2所述的运动蛙人的跟踪方法，其特征在于，所述步骤3)进一步包括：

步骤301)计算t_k+1时刻运动模型j，j＝1…16的预测概率；

t_k+1时刻运动模型j，j＝1…16的预测概率为：

其中，π_ij为t_k时刻运动模型i在t_k+1时刻切换到运动模型j的概率：

μ_i(k)为t_k时刻运动模型i的概率；

步骤302)计算运动模型j，j＝1…16切换到其它运动模型i，i＝1…16的输入交互权重；

μ_ij(k+1|k)＝π_ijμ_i(k)/μ_j(k+1|k) (3)

步骤303)计算t_k+1时刻运动模型j对应的蛙人状态估计初值；

已知t_k时刻对应于16个运动模型的16个蛙人状态估计为：

X_i(k)＝[x_i(k),y_i(k),v_xi(k),v_yi(k)]，i＝1,…16； (4)

对应的协方差估计是P_i(k)；x_i(k)为蛙人在第i个运动模型上的x方向的位置，y_i(k)为蛙人在第i个运动模型上的y方向的位置；v_xi(k)为蛙人在第i个运动模型上的x方向的速度，v_yi(k)为蛙人在第i个运动模型上的y方向的速度；

t_k+1时刻运动模型j对应的蛙人状态估计初值表示为：

为t_k+1时刻蛙人在第j个运动模型上的x方向的位置的初值，为t_k+1时刻蛙人在第j个运动模型上的y方向的位置的初值；为t_k+1时刻蛙人在第j个运动模型上的x方向的速度的初值，为t_k+1时刻蛙人在第j个运动模型上的y方向的速度的初值；

计算公式为：

步骤304)根据上述建立的t_k时刻蛙人多方向运动的运动模型集，预测运动模型j在t_k+1时刻的速度；

运动模型j，j＝1…16在t_k+1时刻的速度为：

步骤305)修正t_k+1时刻运动模型j对应的蛙人状态估计初值；

将公式(7)或(8)中的两个速度值替换蛙人状态估计初值中的两个速度分量，修正后的为：

t_k+1时刻模型j对应的蛙人状态的协方差估计初值为：

4.根据权利要求1所述的运动蛙人的跟踪方法，其特征在于，所述步骤4)中的滤波器为标准卡尔曼滤波器。

5.根据权利要求1所述的运动蛙人的跟踪方法，其特征在于，所述步骤4)中的滤波器的个数等于所述运动模集中运动模型的个数。