机动目标跟踪方法及装置
技术领域
本发明涉及目标跟踪技术领域,尤其涉及一种机动目标跟踪方法及装置。
背景技术
目标跟踪是根据目标的过去状态和观测,精确地预测和估计目标的未来轨迹。为了获取目标的精确位置、速度和加速度,设计目标的精确模型是非常关键的。其中,交互多模型(Interacting Multiple Model,IMM)算法选择多个并行模型,并根据马尔可夫概率转移矩阵在各并行模型之间进行切换来有效地预测和估计目标的轨迹。然而,由于模型切换机制的存在,使得IMM算法在切换过程中容易造成较大的误差。特别是对于不确定性模型的估计,标准的IMM算法更加降低了模型匹配和状态估计的精度。因此,IMM算法的关键是滤波方法的选择。
近年来,为了提高IMM算法的估计精度,基于非线性滤波的多模型算法是目前应用最广泛的多模型算法,比较流行的非线性滤波方法是扩展卡尔曼滤波(Extended KalmanFilter,EKF)。然而,随着动态***非线性的加剧,EKF的性能急剧下降,这就存在目标跟踪的精确度较低的问题。
发明内容
本发明实施例的主要目的在于提供机动目标跟踪方法及装置,可提高目标跟踪的精确度。
本发明实施例第一方面提供了一种机动目标跟踪方法,所述方法包括:将机动目标的目标特征信息表示为多个语义模糊集,并根据多个所述语义模糊集构建T-S语义模糊多模型,所述T-S语义模糊多模型包括多个子模型;基于无迹卡尔曼滤波算法进行后件参数辨识,确定各所述子模型的目标状态和目标状态协方差;基于模糊C回归聚类算法进行前件参数辨识,确定各所述子模型的前件参数的目标模糊隶属度函数;根据各所述子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数,得到所述机动目标的状态估计和协方差估计;根据所述机动目标的状态估计和所述协方差估计,预测所述机动目标的轨迹。
本发明实施例第二方面提供了一种机动目标跟踪装置,所述装置包括:构建模块,用于将机动目标的目标特征信息表示为多个语义模糊集,并根据多个所述语义模糊集构建T-S语义模糊多模型,所述T-S语义模糊多模型包括多个子模型;确定模块,用于基于无迹卡尔曼滤波算法进行后件参数辨识,确定各所述子模型的目标状态和目标状态协方差;所述确定模块,还用于基于模糊C回归聚类算法进行前件参数辨识,确定各所述子模型的前件参数的目标模糊隶属度函数;计算模块,用于根据各所述子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数,得到所述机动目标的状态估计和协方差估计;预测模块,用于根据所述机动目标的状态估计和所述协方差估计,预测所述机动目标的轨迹。
从上述实施例可知,通过利用多个语义模糊集对目标特征信息进行模糊表示,构建T-S语义模糊多模型,从而高精度地逼近动态模型。另外,在T-S语义模糊多模型中,利用基于模糊C回归聚类算法实现对前件参数的辨识,同时,为了实现非线性特征,引入无迹卡尔曼滤波算法辨识后件参数,进而有效地对目标进行精确跟踪。
附图说明
图1是本发明提供的第一实施例中的机动目标跟踪方法的实现流程示意图;
图2是本发明提供的第二实施例中的机动目标跟踪方法的实现流程示意图;
图3是本发明提供的第二实施例中的步骤202的细化步骤的流程示意图;
图4是本发明提供的第二实施例中的步骤203的细化步骤的流程示意图;
图5是本发明提供的第二实施例中的机动目标跟踪方法的框架图;
图6是本发明提供的第二实施例中的机动目标跟踪方法的应用轨迹对比图;
图7是本发明提供的第二实施例中的机动目标跟踪方法的应用均方根误差对比图;
图8是本发明提供的第三实施例中的机动目标跟踪装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明提供的第一实施例中的机动目标跟踪方法的实现流程示意图。如图1所示,该方法主要包括以下步骤:
101、将机动目标的目标特征信息表示为多个语义模糊集,并根据多个该语义模糊集构建T-S语义模糊多模型,该T-S语义模糊多模型包括多个子模型。
具体的,为了获得精确的目标跟踪性能,模糊逻辑作为动态***参数辨识和综合控制规律的一种通用技术而被广泛应用开来。其中,Takagi–Sugeno(T-S)模糊模型是由一组“IF-THEN”模糊规则来描述非线性***的模型,每条模糊规则对应一个子模型,T-S模糊模型可利用多个线性子模型来表示任意精度的非线性***。
在实际应用过程中,机动目标的目标特征信息可包括距离、速度、新息或航向角差。示例性的,新息表示可表示为两个语义模糊集(Small,Large),航向角差可表示为三个语义模糊集(Negative Large,Small,Positive Large)。
其中,设定模糊规则的总数目,每条模糊规则定义如下:
上式中,表示k时刻机动目标的第G个目标特征信息,表示第G个目标特征信息的模糊隶属度函数,表示k时刻第i个子模型的状态转移矩阵,表示k时刻第i个子模型的观测函数,表示第i个子模型的过程噪声和观测噪声,表示k-1时刻第i个子模型的状态,表示k时刻第i个子模型的状态,表示k时刻第i个子模型的观测,Nf表示模糊规则总数目。
其中,状态方程为线性模型,观测方程为非线性模型。
102、基于无迹卡尔曼滤波算法进行后件参数辨识,确定各该子模型的目标状态和目标状态协方差。
具体的,无迹变换是通过对一定的已知随机变量统计特性后求其函数随机量的统计特性而得出。首先通过非线性状态方程来估算状态向量的概率密度函数,取出一组确定的采样点,然后根据无迹变换计算采样点,并通过非线性计算得到相应后验统计特征,最后用线性回归的方法得到后验统计。其中,无迹卡尔曼滤波(Unscented Kalman Filter,UKF)不需要对非线性***进行线性化,并便于地应用于非线性***的状态估计。其中,UKF主要是利用无迹变换获取带有不同权值的Sigma粒子。
103、基于模糊C回归聚类算法进行前件参数辨识,确定各该子模型的前件参数的目标模糊隶属度函数。
具体的,为了识别前件参数,通常使用模式识别中的无监督学***面状态,因此,采用适用于超平面聚类算法的模糊C回归聚类(Fuzzy C-Recursive Model,FCRM)算法,来确定各子模型的前件参数的目标模糊隶属度函数。
104、根据各该子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数,得到该机动目标的状态估计和协方差估计。
105、根据该机动目标的状态估计和该协方差估计,预测该机动目标的轨迹。
具体的,目标跟踪是指根据目标的过去状态和观测,精准地预测和估计目标的未来轨迹的技术,因此根据辨识得到的各子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数,对机动目标的状态进行估计,得到机动目标的状态估计和协方差估计,进而进行轨迹预测。
在本发明实施例中,通过利用多个语义模糊集对目标特征信息进行模糊表示,构建T-S语义模糊多模型,从而高精度地逼近动态模型。另外,在T-S语义模糊多模型中,利用FCRM算法实现对前件参数的辨识,同时,为了实现非线性特征,引入UKF算法辨识后件参数,进而有效地对目标进行精确跟踪。
请参阅图2,图2是本发明提供的第二实施例中的机动目标跟踪方法的实现流程示意图。如图2所示,该方法主要包括以下步骤:
201、将机动目标的目标特征信息表示为多个语义模糊集,并根据多个该语义模糊集构建T-S语义模糊多模型,该T-S语义模糊多模型包括多个子模型。
202、基于无迹卡尔曼滤波算法进行后件参数辨识,确定各该子模型的目标状态和目标状态协方差。
具体的,如图3所示,步骤202具体包括:
301、基于离散动态***,确定各该子模型的初始状态和初始观测。
其中,考虑离散动态***,各子模型的初始状态和初始观测为:
上式中,和是已知函数,表示k时刻第i个子模型的状态,表示k时刻第i个子模型的观测,和时刻第i个子模型的过程噪声和测量噪声。
302、根据预设采样规则,从各该子模型的初始状态中确定多个第一采样点及各该第一采样点的加权值。
其中,根据采样规则,确定2nX+1个采样点以及相应的加权值。
W0=λ/(nX+λ)j=0
Wj=1/2(nX+λ)j=1,…,nX。
上式中,λ表示尺度参数,可以为nX+λ≠0的任意值,为均方根的第j列,及分别表示第0列、1~nX列及nX+1~2nX+1列对应的第一采样点,W0、Wj及分别表示第0列、1~nX列及nX+1~2nX+1列对应的第一采样点的加权值,nX为状态向量x的维数。
303、根据各该第一采样点及各该第一采样点的加权值进行一步预测,得到各该子模型的更新状态和更新状态协方差。
其中,通过如下公式,根据各该第一采样点及各该第一采样点的加权值进行一步预测,得到各该子模型的更新状态和更新状态协方差:
上式中,Q表示过程噪声的协方差,表示k时刻第i个模型的更新状态,表示k时刻第i个模型的更新状态协方差。
304、根据该采样规则,从各该子模型的更新状态中确定多个第二采样点及各该第二采样点的加权值。
305、根据该初始状态、各该子模型的更新状态和更新状态协方差以及各该第二采样点及各该第二采样点的加权值,得到更新观测和更新观测方差。
其中,通过如下公式,实施步骤304和305:
W0=λ/(nX+λ)j=0
Wj=1/2(nX+λ)j=1,…,nX;
上式中,及分别表示第0列、1~nX列及nX+1~2nX+1列对应的第二采样点,W0、Wj及分别表示第0列、1~nX列及nX+1~2nX+1列对应的第二采样点的加权值,表示k时刻第i个模型的更新观测,和均表示k时刻第i个模型的更新观测方差,R表示过程噪声vk的协方差。
306、根据各该子模型的更新状态和更新状态协方差、以及该更新观测和该更新观测方差,确定各该子模型的目标状态和目标状态协方差。
其中,通过如下公式,根据各该子模型的更新状态和更新状态协方差、以及该更新观测和该更新观测方差,确定各该子模型的目标状态和目标状态协方差:
上式中,zk表示机动目标的预设观测集,表示k时刻第i个模型的目标状态,表示k时刻第i个模型的目标状态协方差。
203、基于模糊C回归聚类算法进行前件参数辨识,确定各该子模型的前件参数的目标模糊隶属度函数。
具体的,如图4所示,步骤203具体包括如下步骤:
401、根据预设观测集、预设预测观测集和各该子模型的目标状态,构建距离测量函数。
其中,预设观测集zk表示为:
预设预测观测集表示为:
上式中,zk,l表示lth观测,同时表示k时刻基于模糊规则ith的预测观测。
距离测量函数表述如下:
上式中,为距离测量函数,表示给定目标状态的观测zk,l似然函数,表示新息协方差矩阵。
402、根据该距离测量函数和各该子模型的前件参数的模糊隶属度函数的约束条件,定义目标函数。
其中,FCRM算法的通用目标函数为:
上式中,m是指权重指数,一般情况下为2,表示模糊规则ith的观测与输出之间的距离测量函数,表示第i个模型k时刻l观测的模糊隶属度函数。
各子模型的模糊隶属度函数的约束条件为:
定义的目标函数为:
上式中,λk为拉格朗日乘子向量,为距离测量函数。
403、根据该目标函数对各该子模型的前件参数的模糊隶属度函数求偏导,得到各该子模型的前件参数的更新模糊隶属度函数。
其中,各该子模型的前件参数的更新模糊隶属度函数表示为:
404、根据各该子模型的前件参数的更新模糊隶属度函数,得到隶属度矩阵。
其中,对观测l在时刻k上的模糊隶属度为:
根据uk,l确定隶属度矩阵U。
405、将该子模型的前件参数的模糊隶属度函数设定为高斯型函数,并根据该隶属度矩阵确定各该子模型的前件参数的目标模糊隶属度函数。
其中,将该子模型的前件参数的模糊隶属度函数设定为高斯型函数:
上式中,为高斯型函数的均值,为高斯型函数的均方根误差。
通过如下公式,根据该隶属度矩阵确定参数识别表达式:
根据上述参数识别表达式确定该子模型的前件参数的目标模糊隶属度函数:
204、根据各该子模型的前件参数的目标模糊隶属度函数,得到各该子模型的模型概率。
具体的,通过如下公式,根据各该子模型的前件参数的目标模糊隶属度函数,得到各该子模型的模型概率:
205、根据各该子模型的模型概率,计算得到各该子模型的标准化模型概率。
具体的,通过如下公式,根据各该子模型的模型概率,计算得到各该子模型的标准化模型概率:
206、根据各该子模型的目标状态和标准化模型概率,得到该机动目标的状态估计。
具体的,通过如下公式,根据各该子模型的目标状态和标准化模型概率,得到机动目标的状态估计:
207、根据各该子模型的目标状态协方差和标准化模型概率,得到该机动目标的协方差估计。
具体的,通过如下公式,根据各该子模型的目标状态协方差和标准化模型概率,得到该机动目标的协方差估计:
208、根据该机动目标的状态估计和该协方差估计,预测该机动目标的轨迹。
在实际应用过程中,本实施例中的算法实施框架如图5所示,主要包括三部分:基于UKF的后件参数辨识,基于FRCM的前件参数辨识以及T-S模糊模型的各子模型的融合。
示例性地,为验证本实施例中算法的跟踪性能,对一种仿真雷达机动目标跟踪问题进行分析。该问题对于防控应用具有一定的指导意义,本实施例中算法同时对比于传统的IMM算法、IMM-UKF算法,所有实验进行100次蒙特卡洛仿真。
本实施例中算法中机动目标的状态方程和测量方程如下所示:
其中,Nf表示模糊规则的总数目,表示状态向量,xk表示目标x轴坐标,yk表示目标y轴坐标,和分别表示目标在x轴和y轴坐标对应的速度。假设过程噪声ek是服从零均值和均方根为σi,e的高斯噪声,其中过程噪声协方差矩阵Q是一个4×4矩阵(Qij=0,for i≠j,Q=diag(σi,e,σi,e))。本次实验中假设观测噪声vk为非高斯分布噪声,仿真中的非高斯噪声主要有两个高斯噪声叠加产生,其中R类似于高斯噪声的协方差矩阵:
初始状态x0由目标初始位置决定x0=[2km,0.15km/s,8km,0.26km/s]T,主要描述目标的位置和速度,假设先验概率密度函数服从高斯分布,其中x0|0=x0,P0|0=diag(0.152,0.01,0.152,0.01)。
在本示例中选择新息和航向角差作为目标特征信息是因为这些信息能够有效地体现出目标的运动状态,比如新息可反映出目标运动模型是否合适,当新息较大时,说明目标运动模型不太符合当前的运动状态,根据新息对每个模型的权值进行一定的调整,从而得到一个更加准确的运动模型。新息两个模糊集(Small,Large)和航向角差三个模糊集(Negative Large,Small,Positive Large)隶属函数的均值初始值分别为初始的协方差为同时传感器的位置在坐标原点。是状态转移矩阵,它的表示方法如下:
其中,转弯率ωi由T-S模糊模型决定,表1给出了对于不同输入变量和Δνk的的转弯率ωi和过程噪声标准差
过程噪声标准差设置为0时是一种理想状态,在实际情况下,过程噪声设置为0存在概率是非常低的,但是为了模拟更多的运动场景,因此将其考虑进来,如果真正的实验环境噪声不为0,那么这条规则的权重则会很低。另外,如果ωi=0,模糊线性模型就变成了常速度线性模型。
表1
对于IMM和IMM-UKF都采样三个运动模型:一个常速度运动模型和两个转弯模型(转弯率分别是w=0.0325&-0.0325)。图6给出了目标运动轨迹和TS-UKF算法的估计轨迹图。如图6所示,本实施例中的算法跟踪效果和模拟仿真的轨迹基本一致,没有出现明显的跟丢现象,尤其是在目标机动的情况下,表现出很好的鲁棒性,说明该算法在非线性***中能够高效地处理不确定信息。
图7(a-c)分别描述了目标的位置均方根误差,x轴方向的均方根误差和y轴方向的均方根误差,如图7所示,本实施例中的算法在目标机动时跟踪效果优于其他两种算法,表现出相对稳定的跟踪性能。而IMM和IMM-UKF算法在目标转弯时误差较大,主要原因是IMM算法中使用的模型集可能不够大。当目标机动时,所选择的模型集不能有效地匹配目标的运动状态。而TS-UKF算法可以根据目标的空间特征信息表示的多个语义信息构建目标运动模型,同时,利用T-S模糊模型中前件参数的隶属函数自适应地调整各规则的权重,最终目标运动模型的准确率得到更进一步的提升。并且使用无迹卡尔曼滤波算法对后件参数进行识别,提高了滤波精度。
表2给出了三种算法的均方根误差统计结果。从表中数据得出,TS-UKF的跟踪精度在位置均方根误差上比IMM和IMM-UKF分别提高了30.32%和2.17%,体现了更精确的跟踪效果。
表2
在本发明实施例中,通过利用多个语义模糊集对目标特征信息进行模糊表示,构建T-S模糊多模型,从而高精度地逼近动态模型。另外,利用T-S模糊多模型中前件参数的隶属函数自适应地调整各规则的权重,进一步提升目标运动模型的准确率,进而提高目标跟踪的精确度。同时,为了实现非线性特征,引入UKF算法辨识后件参数,提高了滤波精度。
请参阅图8,图8是本发明提供的第三实施例中的机动目标跟踪装置的结构示意图。如图8所示,该装置主要包括:
构建模块501,用于将机动目标的目标特征信息表示为多个语义模糊集,并根据多个语义模糊集构建T-S语义模糊多模型,T-S语义模糊多模型包括多个子模型。
确定模块502,用于基于无迹卡尔曼滤波算法进行后件参数辨识,确定各子模型的目标状态和目标状态协方差。
确定模块502,还用于基于模糊C回归聚类算法进行前件参数辨识,确定各子模型的前件参数的目标模糊隶属度函数。
计算模块503,用于根据各子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数,得到机动目标的状态估计和协方差估计。
预测模块504,用于根据机动目标的状态估计和协方差估计,预测机动目标的轨迹。
进一步地,计算模块503,还用于根据各子模型的前件参数的目标模糊隶属度函数,计算得到各子模型的标准化模型概率。
计算模块503,还用于根据各子模型的目标状态和标准化模型概率,得到机动目标的状态估计。
计算模块503,还用于根据各子模型的目标状态协方差和标准化模型概率,得到机动目标的协方差估计。
进一步地,确定模块502,还用于基于离散动态***,确定各子模型的初始状态和初始观测。
确定模块,还用于根据预设采样规则,从各子模型的初始状态中确定多个第一采样点及各第一采样点的加权值。
确定模块502,还用于根据各第一采样点及各第一采样点的加权值进行一步预测,得到各子模型的更新状态和更新状态协方差。
确定模块502,还用于根据采样规则,从各子模型的更新状态中确定多个第二采样点及各第二采样点的加权值。
确定模块502,还用于根据初始状态、各子模型的更新状态和更新状态协方差以及各第二采样点及各第二采样点的加权值,得到更新观测和更新观测方差。
确定模块502,还用于根据各子模型的更新状态和更新状态协方差、以及更新观测和更新观测方差,确定各子模型的目标状态和目标状态协方差。
进一步地,确定模块502,还用于根据预设观测集、预设预测观测集和各子模型的目标状态,构建距离测量函数。
确定模块502,还用于根据距离测量函数和各子模型的前件参数的模糊隶属度函数的约束条件,定义目标函数。
确定模块502,还用于根据目标函数对各子模型的前件参数的模糊隶属度函数求偏导,得到各子模型的前件参数的更新模糊隶属度函数。
确定模块502,还用于根据各子模型的前件参数的更新模糊隶属度函数,得到隶属度矩阵。
确定模块502,还用于将子模型的前件参数的模糊隶属度函数设定为高斯型函数,并根据隶属度矩阵确定各子模型的前件参数的目标模糊隶属度函数。
进一步地,计算模块503,还用于根据各子模型的前件参数的目标模糊隶属度函数,得到各子模型的模型概率。
计算模块503,还用于根据各子模型的模型概率,计算得到各子模型的标准化模型概率。
在本发明实施例中,通过利用多个语义模糊集对目标特征信息进行模糊表示,构建T-S模糊多模型,从而高精度地逼近动态模型。另外,利用T-S模糊多模型中前件参数的隶属函数自适应地调整各规则的权重,进一步提升目标运动模型的准确率,进而提高目标跟踪的精确度。同时,为了实现非线性特征,引入UKF算法辨识后件参数,提高了滤波精度。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上为本发明所提供的机动目标跟踪方法及装置的描述,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均有改变之处,综上,本说明书内容不应理解为对本发明的限制。