CN107402381B - 一种迭代自适应的多机动目标跟踪方法 - Google Patents
一种迭代自适应的多机动目标跟踪方法 Download PDFInfo
- Publication number
- CN107402381B CN107402381B CN201710558764.6A CN201710558764A CN107402381B CN 107402381 B CN107402381 B CN 107402381B CN 201710558764 A CN201710558764 A CN 201710558764A CN 107402381 B CN107402381 B CN 107402381B
- Authority
- CN
- China
- Prior art keywords
- target
- maneuvering
- model
- target tracking
- iteration
- 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 30
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005290 field theory Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种迭代自适应的多机动目标跟踪方法,针对多机动目标跟踪过程中的数据关联问题与目标机动问题,分别采用置信传播算法和跳变马尔科夫***固定区间平滑器,在变分贝叶斯的统一框架下,通过迭代机制对目标状态与关联矩阵进行联合优化,以提高对机动目标的跟踪精度。本发明相比于现有的多机动目标跟踪算法,在迭代反馈思想下,在统一的变分贝叶斯框架下联合处理数据关联问题和目标机动问题,对于目标跟踪领域具有一定的理论及实际工程意义。
Description
技术领域
本发明属于雷达数据处理领域中的目标跟踪子***技术,涉及一种迭代自适应的多机动目标跟踪方法,具体涉及一种基于变分贝叶斯算法(Variational Bayesian,VB)的迭代自适应多机动目标跟踪方法。
背景技术
现代航空学的快速发展,特别是各种战斗机和无人飞行器的机动性能的提高,使得多机动目标跟踪问题成为当前迫切解决的问题。杂波环境下的机动目标跟踪问题就是处理多个机动目标的状态估计问题,由于观测到的量测值可以源于被检测目标,也可以源于杂波,因此多机动目标跟踪要解决的问题主要有两个:一是确定量测与目标之间对应关系,即数据关联问题;二是确定每个目标的运动模型,即目标机动问题。传统方法一般直接将两类问题的经典算法进行简单组合,而忽略了二者之间的耦合关系以及信息的反馈,是一种开环处理方式,在密集杂波环境下,难以获得较高的估计精度。因此,如何发展出一种在闭环反馈机理下,统一框架下联合处理数据关联问题和目标机动问题的迭代自适应多机动目标跟踪算法,在目标跟踪领域具有一定的理论及实际工程意义。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种迭代自适应的多机动目标跟踪方法,解决在密集杂波环境下的多机动目标跟踪问题。基于变分贝叶斯框架,在平均场和迭代处理的机制下,将数据关联问题与目标机动问题联合处理,通过闭环反馈,得到目标的状态估计。
技术方案
一种迭代自适应的多机动目标跟踪方法,其特征在于步骤如下:
步骤1、初始化:令初始时间n=l,迭代次数r=0,累积l拍的雷达量测为Yn:n-l,结合交互式多模型算法和置信传播算法选择各个模型目标状态初始估计及其协方差其中:l为滑窗处理窗的长度,i表示目标索引标识,j表示目标运动模型索引标识;
步骤2、采用变分贝叶斯框架进行迭代优化:第r次迭代,对每一时刻t∈n-l:n,执行如下步骤:
步骤a、数据关联:使用第r-1次的迭代结果采用跟踪门技术,从t时刻量测集yk,t中划分出属于目标波门的量测子集,取各个运动模型量测子集的并集为最终波门,通过置信传播算法进行数据关联,更新当前时刻关联概率p(At(r)),并计算数据关联矩阵中各个元素的期望其中,k表示量测的索引标识,t表示时间索引标识;
关联矩阵At定义为(NT+1)×(Nt,E+1)的取值为0或1的二值随机矩阵,NT表示总目标数,Nt,E表示t时刻的回波个数,E指回波,所以有
步骤3、迭代终结判断:当相邻两次迭代的状态估计值之差小于设定的阈值δ或者迭代次数达到预设的最大迭代次数时,输出辨识结果,否则令r=r+1,返回步骤2;
步骤4、递推循环:令时间n=n+Nslide,迭代次数r=0,重新返回步骤1,从而进入目标跟踪的下一次迭代循环;其中:Nslide为滑窗处理滑动的长度。
所述各个模型是:匀速直线运动模型,转弯角速度为0.0873rad/s的协调转弯模型,转弯角速度为-0.0873rad/s的协调转弯模型。
所述阈值δ=10-4。
所述最大迭代次数为4次。
有益效果
本发明提出的一种迭代自适应的多机动目标跟踪方法,针对多机动目标跟踪过程中的数据关联问题与目标机动问题,分别采用置信传播算法和跳变马尔科夫***固定区间平滑器,在变分贝叶斯的统一框架下,通过迭代机制对目标状态与关联矩阵进行联合优化,以提高对机动目标的跟踪精度。本发明相比于现有的多机动目标跟踪算法,在迭代反馈思想下,在统一的变分贝叶斯框架下联合处理数据关联问题和目标机动问题,对于目标跟踪领域具有一定的理论及实际工程意义。
附图说明
图1为多机动目标跟踪图模型。
图2为基于变分贝叶斯的多机动目标跟踪方法技术方案图。
图3为目标真实轨迹仿真图。
图4为目标真实量测和单拍杂波图。
图5为各目标跟踪误差迭代次数对比图。
(a)、目标1各次迭代位置误差对比图;(b)、目标2各次迭代位置误差对比图;
(c)、目标3各次迭代位置误差对比图;(d)、目标4各次迭代位置误差对比图;
图6为各目标运动模式概率迭代次数对比图。
(a)、目标1各次迭代运动模式概率对比图;(b)、目标2各次迭代运动模式概率对比图;
(c)、目标3各次迭代运动模式概率对比图;(d)、目标4各次迭代运动模式概率对比图;
图7为50次蒙特卡洛仿真目标位置估计误差图。
(a)、目标1位置RMSE曲线图;(b)、目标2位置RMSE曲线图;
(c)、目标3位置RMSE曲线图;(d)、目标4位置RMSE曲线图;
具体实施方式
现结合实施例、附图对本发明作进一步描述:
图1是多机动目标全跟踪图模型,从图中我们可以看出,数据关联问题与机动目标的状态估计相互耦合。因此,采用迭代机制,利用信息之间的闭环反馈来联合优化关联矩阵、运动模式和目标状态。
图2是本发明一种多机动目标跟踪方法的技术方案图,各部分具体实施细节如下:
1.多机动目标跟踪问题描述
●状态预测模型
目标的离散时间状态方程为:
其中,状态转移函数和噪声控制阵是给定的,j=1,...,NM表示目标的运动模型,i=1,...,NT表示目标索引标识,过程噪声为零均值的高斯白噪声,其协方差为初始状态x0是已知均值和方差Σ0的高斯分布。
取跟踪窗长为t∈[n-l,n],根据状态方程,各目标运动状态服从一阶马尔科夫过程且相互独立:
●目标机动模型
目标各个时刻之间的机动模式共有NM个假设,模式之间的转换服从离散一阶马尔科夫过程,
●数据关联模型
数据关联矩阵的概率分布为:
其中,λ为杂波强度,NC表示杂波个数,pd(i)为目标i的检测概率,di表示目标在当前拍的检测结果:di=0表示目标漏检,di=1表示目标被检测到,关联矩阵A为(NT+1)×(Nt,E+1)的取值为0或1的二值随机矩阵,其中表示t时刻量测集中第k个量测yk,t为杂波,表示目标i在t时刻漏检,表示目标i与第k个量测量测yk,t关联。假设在t时刻,每个目标至多产生一个量测,同时每个量测至多由一个目标产生,则所有元素满足行和为1及列和为1的帧约束,即,
概率分布的参数化形式为:
●量测模型:目标i在t时刻被检测的目标回波的量测方程为:
其中,为量测信息,[·]'表示矩阵的转置,定义在雷达坐标系下,由径向距离rk和方位角组成,量测方程ht(·)是已知的,目标i在t时刻的模型为j,量测噪声vt为零均值的高斯白噪声,其噪声协方差Rt>0是已知的。初始状态x0是已知均值和方差Σ0的高斯分布,vt,和x0相互独立。
采用标准的均匀分布模型和泊松分布模型对杂波进行建模,在区域G相应体积为VG中,杂波的位置分布假设为均匀分布,杂波的个数满足泊松分布。
根据条件独立特性,量测似然函数可被分解为:
可进一步表示为:
解决途径:如图1所示,在最优贝叶斯推理的框架下,根据概率图模型构建多机动目标***的全概率分布,再基于平均场理论对隐变量(目标状态X、目标运动模式M)和参数(数据关联矩阵A)进行可分解假设,利用指数分布族构造隐变量和参数的共轭先验分布,并基于变分推理求解隐变量和参数的后验更新分布,从而得到目标航迹状态的估计。
2.基于变分贝叶斯的后验概率更新
根据平均场理论
由于上述公式是互相耦合的,因此需要迭代求解,各隐变量的具体表达式如下所示。
3.状态估计
状态的更新公式为:
因此,
其中,
最终的状态估计及状态协方差结果为:
4.数据关联
关联矩阵At定义为(NT+1)×(Nt,E+1)的取值为0或1的二值随机矩阵,NT表示总目标数,Nt,E表示t时刻的回波个数,E指回波,所以有
关联矩阵边缘概率的更新公式为:
因此,
参数的更新公式为:
具体来说
其中,是量测矩阵ht的雅各比矩阵,协方差可见对于数据关联的更新结果是在超参数空间进行的,参数化数据关联矩阵的分布位于指数分布族中,这一点简化了贝叶斯估计框架中先后验更新的计算问题,但该分布的边缘概率计算理论上却是随问题规模指数级增长的,因此置信传播算法进行近似,以提高计算效率。
将关联概率的后验更新公式改写为:
基于置信传播算法求解关联概率分为如下三步:消息起始,消息传播和置信提取。
消息起始:证据节点用来表示中各个关联变量的初始置信,即进行消息起始:
消息传播:行约束因子和列约束因子用于对消息进行更新。由于行约束因子和列约束因子均表示关联矩阵中存在的帧约束,即行变量和列变量相加为1。其约束形式和消息更新公式是相同的,因此下面基于和约束节点,统一给出其约束方程和消息更新规则,
置信提取:对于因子图中的任何一个变量,其边缘概率分布等于与之相连所有节点到其消息的乘积:
而对于任意一个二元数据关联变量,其期望计算公式为,
5.模式概率
模式概率更新公式为:
因此,
其中,
6.迭代终结判断
如果相邻两次迭代的状态更新值足够接近或者迭代次数达到最大迭代次数,则迭代终止,即
其中0<δ<<1为迭代终止阈值,rmax为最大迭代次数。
Claims (4)
1.一种迭代自适应的多机动目标跟踪方法,其特征在于步骤如下:
步骤1、初始化:令初始时间n=l,迭代次数r=0;
步骤3、采用变分贝叶斯框架进行迭代优化:第r次迭代,对每一时刻t∈n-l:n,执行如下步骤:
步骤a、数据关联:使用第r-1次的迭代结果采用跟踪门技术,从t时刻量测集yk,t中划分出属于目标波门的量测子集,取各个运动模型量测子集的并集为最终波门,通过置信传播算法进行数据关联,更新当前时刻关联概率p(At(r)),并计算数据关联矩阵中各个元素的期望其中,k表示量测的索引标识,t表示时间索引标识;
关联矩阵At定义为(NT+1)×(Nt,E+1)的取值为0或1的二值随机矩阵,NT表示总目标数,Nt,E表示t时刻的回波个数,E指回波,所以有
步骤4、迭代终结判断:当相邻两次迭代的状态估计值之差小于设定的阈值δ或者迭代次数达到预设的最大迭代次数时,输出辨识结果,否则令r=r+1,返回步骤3;
步骤5、递推循环:令时间n=n+Nslide,迭代次数r=0,重新返回步骤2,从而进入目标跟踪的下一次迭代循环;其中:Nslide为滑窗处理滑动的长度。
2.根据权利要求1所述迭代自适应的多机动目标跟踪方法,其特征在于:所述各个模型是:匀速直线运动模型,转弯角速度为0.0873rad/s的协调转弯模型,转弯角速度为-0.0873rad/s的协调转弯模型。
3.根据权利要求1所述迭代自适应的多机动目标跟踪方法,其特征在于:所述阈值δ=10-4。
4.根据权利要求1所述迭代自适应的多机动目标跟踪方法,其特征在于:所述最大迭代次数为4次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710558764.6A CN107402381B (zh) | 2017-07-11 | 2017-07-11 | 一种迭代自适应的多机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710558764.6A CN107402381B (zh) | 2017-07-11 | 2017-07-11 | 一种迭代自适应的多机动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107402381A CN107402381A (zh) | 2017-11-28 |
CN107402381B true CN107402381B (zh) | 2020-08-07 |
Family
ID=60405213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710558764.6A Expired - Fee Related CN107402381B (zh) | 2017-07-11 | 2017-07-11 | 一种迭代自适应的多机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107402381B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536794A (zh) * | 2018-04-02 | 2018-09-14 | 山东省计算中心(国家超级计算济南中心) | 符合泊松分布的有序多分类变量的数据规格化方法 |
CN109035323B (zh) * | 2018-06-28 | 2021-08-06 | 西安理工大学 | 基于自适应划分网格的iaa直线检测方法 |
CN109254271B (zh) * | 2018-08-30 | 2021-05-04 | 安徽四创电子股份有限公司 | 一种用于地面监视雷达***的静止目标抑制方法 |
CN114913334A (zh) * | 2018-09-28 | 2022-08-16 | 山东衡昊信息技术有限公司 | 肉制品加工生产线监控信息***的图像去噪分割识别方法 |
CN109858137B (zh) * | 2019-01-25 | 2022-07-01 | 哈尔滨工业大学 | 一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法 |
CN110764533A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种多水下机器人协同目标搜索方法 |
CN110852019A (zh) * | 2019-11-28 | 2020-02-28 | 上海无线电设备研究所 | 一种雷达目标的散射中心建模方法 |
CN111767639B (zh) * | 2020-05-25 | 2022-12-13 | 西北工业大学 | 一种多传感器航迹关联方法 |
CN111667513B (zh) * | 2020-06-01 | 2022-02-18 | 西北工业大学 | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 |
RU2760951C1 (ru) * | 2021-03-22 | 2021-12-01 | Федеральное государственное казённое военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации | Способ сопровождения крылатой ракеты при огибании рельефа местности в различных тактических ситуациях |
CN113324563B (zh) * | 2021-04-19 | 2022-12-02 | 陕西师范大学 | 一种用于多传感器多目标跟踪的自适应传感器管理方法 |
CN116794646B (zh) * | 2023-06-19 | 2024-04-19 | 哈尔滨工业大学 | 基于变分贝叶斯推理的混合体制高频雷达目标跟踪方法 |
CN117197491B (zh) * | 2023-09-25 | 2024-07-19 | 兰州理工大学 | 基于高斯过程的概率假设密度滤波多机动目标跟踪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345577A (zh) * | 2013-06-27 | 2013-10-09 | 江南大学 | 变分贝叶斯概率假设密度多目标跟踪方法 |
CN105701292A (zh) * | 2016-01-13 | 2016-06-22 | 西北工业大学 | 一种机动目标转弯角速度的解析辨识技术 |
-
2017
- 2017-07-11 CN CN201710558764.6A patent/CN107402381B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345577A (zh) * | 2013-06-27 | 2013-10-09 | 江南大学 | 变分贝叶斯概率假设密度多目标跟踪方法 |
CN105701292A (zh) * | 2016-01-13 | 2016-06-22 | 西北工业大学 | 一种机动目标转弯角速度的解析辨识技术 |
Non-Patent Citations (4)
Title |
---|
Variational bayesian approach for joint multitarget tracking of multiple detection systems;Hua Lan 等;《2016 19th International Conference on Information Fusion(FUSION)》;20160708;1-8 * |
一种改进的群目标自适应跟踪算法;李振兴 等;《哈尔滨工业大学学报》;20141031;第46卷(第10期);117-123 * |
基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法;杨威 等;《电子与信息学报》;20120229;第34卷(第2期);398-403 * |
基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究;李延秋 等;《战术导弹技术》;20050430(第2期);13-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN107402381A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107402381B (zh) | 一种迭代自适应的多机动目标跟踪方法 | |
CN106407677B (zh) | 一种测量数据丢失情况下的多目标跟踪方法 | |
CN108304612B (zh) | 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 | |
CN110503071B (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN105354860B (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN103985120A (zh) | 一种遥感图像多目标关联的方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN110780290B (zh) | 基于lstm网络的多机动目标跟踪方法 | |
CN111488552B (zh) | 基于高斯混合概率假设密度的紧邻多目标跟踪方法 | |
CN114626307B (zh) | 一种基于变分贝叶斯的分布式一致性目标状态估计方法 | |
CN108717702B (zh) | 基于分段rts的概率假设密度滤波平滑方法 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN116047498A (zh) | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 | |
CN107797106A (zh) | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 | |
García-Fernández et al. | A Gaussian filtering method for multitarget tracking with nonlinear/non-Gaussian measurements | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN109509207B (zh) | 一种对点目标和扩展目标进行无缝跟踪的方法 | |
CN116047494A (zh) | 通感一体背景下基于多距离划分的多扩展目标的跟踪方法 | |
CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
CN113344970B (zh) | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 | |
CN111262556B (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
Yun et al. | Variational Bayesian based adaptive PDA filter in scenarios with unknown detection probability and heavy-tailed process noise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200807 Termination date: 20210711 |