CN111077494A - 一种跟踪方法及装置 - Google Patents

Abstract

本发明公开了一种跟踪方法，所述方法包括：获取初始化参数；预测所述初始化参数，获取初始化参数的相应类别；对相应类别的初始化参数进行更新，获取更新后的参数；对所述更新后的参数进行混合提取，从而进行观测。不仅可以跟踪单一的单点目标或扩展目标，而且可以应对混合目标的处理，同时，可在不预设目标数量、是单点目标或扩展目标的情况下，正确跟踪目标。

Description

一种跟踪方法及装置

技术领域

本发明涉及一种跟踪技术，尤其涉及一种跟踪方法及装置。

背景技术

在传统的目标跟踪中，当所探测到的目标距离探测器很远时，目标被当 成一个点来进行处理，因为此时目标相对于探测器上很小，仅占据探测器的 一个分辨单元，这种目标我们称之为单点目标。当目标靠近探测器时，目标 留在探测器上的回波信号占据探测器的多个分辨单元，此时就不能将它等效 为一个点，同时目标可产生多个量测，这种目标我们称之为扩展目标。

传统方式GM-PHD，当用来描述集群状态时，会把一个目标产生的多个 量测当成多个目标来处理，精确度不高。ET-GM-PHD跟踪单点目标时，由于 单点目标产生的量测数过少，因此不能划分为一个量测集，进而ET-GM-PHD 跟踪不到，造成目标丢失的现象。

发明内容

为达到上述目的，本发明实施例的技术方案是这样实现的：

根据本发明实施例的一方面，提供一种监测方法及装置，所述方法包括： 获取初始化参数；预测所述初始化参数，获取初始化参数的相应类别；对相 应类别的初始化参数进行更新，获取更新后的参数；对所述更新后的参数进 行混合提取，从而进行观测。

上述方案中，预测所述初始化参数，获取初始化参数的相应类别，包括： 对所述初始化参数的状态进行预测，获取预测结果；如果所述预测结果满足 第一预设条件，则确定为第一类别；如果所述预测结果满足第二预设条件， 则确定为第二类别。

上述方案中，还包括：所述第一类别的初始化参数，采用GM-PHD；所 述第二类别的初始化参数，采用ET-GM-PHD。

上述方案中，所述观测后还包括：获取预设时间内的观测结果；如果所 述观测结果不满足观测条件，则重新对所述初始化参数进行预测。

上述方案中，获取初始化参数包括：设初始目标状态ξ₀＝{m₀,P₀}，其中m₀为目标的位置，P₀为目标运动噪声协方差。并假定Q和R分别为状态噪声的协 方差和量测噪声的协方差，设定参数

其中

为同一扩展目标产生量测间的 最大距离。

上述方案中，预测所述初始化参数，获取初始化参数的相应类别包括： 当k≥1时，对量测集Z_k进行预处理；对于在k时刻所产生的量测集Z_k，将距 离近的量测聚为一类；若某量测类

满足

则

否则

其中|·|集合的元素数，Z_k,T表示可能的点目标的量测集，Z_k,ET表示可能的扩展 目标的量测集。

上述方案中，对所述更新后的参数进行混合提取，从而进行观测，还包 括：对于单点目标和扩展目标状态集中每一个高斯分量，若权重小于给定阈 值则舍去，若不同高斯分量间马氏距离小于给定阈值则以加权平均规则合并 状态。

上述方案中，对所述更新后的参数进行混合提取，从而进行观测，还包 括：若权重大于0.5则进行状态提取，***输出为探测到的目标

根据本发明实施例的另一方面，提供一种跟踪装置，所述装置包括：获 取单元，用于获取初始化参数；预测所述初始化参数，获取初始化参数的相 应类别；更新单元，用于对相应类别的初始化参数进行更新，获取更新后的 参数；提取单元，用于对所述更新后的参数进行混合提取，从而进行观测。

根据本发明实施例的另一方面，提供一种跟踪装置，所述装置包括：存 储器、处理器以及存储在存储器被处理器运动的可响应程序，所述处理器运 行所述可响应程序时响应上述任一项所述的跟踪方法的步骤。

本发明所提供的一种跟踪方法和装置，获取初始化参数；预测所述初始 化参数，获取初始化参数的相应类别；对相应类别的初始化参数进行更新， 获取更新后的参数；对所述更新后的参数进行混合提取，从而进行观测。不 仅可以跟踪单一的单点目标或扩展目标，而且可以应对混合目标的处理，同 时，可在不预设目标数量、是单点目标或扩展目标的情况下，正确跟踪目标。

附图说明

图1为本发明实施例提供的一种监测方法的实现流程示意图；

图2为本发明实施例提供的另一实现流程示意图；

图3为本发明实施例提供的另一实现流程示意图；

图4为本发明实施例提供的另一实现流程示意图

图5为本发明实施例中监测装置的结构组成示意图；

图6为本发明实施例C-GM-PHD对混合目标跟踪的效果图；

图7为本发明实施例C-GM-PHD对混合目标跟踪的数目对比图。

具体实施方式

为了能够更加详尽地了解本发明的特点与技术内容，下面结合附图对本 发明的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发 明。

图1为本发明实施例提供的一种信跟踪方法的实现流程示意图，如图1 所示，所述方法包括：

步骤S101，获取初始化参数；

在本申请中，令初始时刻k＝0，单点目标初始化参数m_0,T,w_0,T,P_0,T，扩展 目标初始化参数m_0,ET,w_0,ET,P_0,ET。

步骤S102，预测所述初始化参数，获取初始化参数的相应类别；

在本申请中，当k≥1时，对状态进行并行预测；

(2.1)预测单点目标对应分量下一时刻PHD：

其中，

其中，J_k-1表示预测的目标数，F_k-1表示状态转移矩阵。

(2.2)预测扩展目标对应分量下一时刻PHD：

其中，

其中，d是物理空间维度，I是d维单位矩阵，符号

代表左边矩阵所有元素 乘右边矩阵后得到的新矩阵。

对量测集进行预处理，生成单点目标量测集Z_k,T和扩展目标量测集Z_k,ET；

(3.1)对于在k时刻所产生的量测集Z_k，从中任取两个量测

和

计 算他们之间的距离，若

则将其聚为一类

若对于 此类中任意量测有Z_k中其它量测满足上述关系，则继续此聚类过程，直到这 一时刻所有的量测都已聚类完成；

(3.2)若某量测类

满足

则

否则

其中|· 集合的元素数，Z_k,T表示可能的点目标的量测集，Z_k,ET表示可能的扩展目标的 量测集。

步骤S103，对相应类别的初始化参数进行更新，获取更新后的参数。

本申请中，(4.1)更新单点目标的状态，

其中，

权重更新为

其中，c_k是场景的杂波概率，

是高斯概率密度函数，p_D是传感器检测 概率。

(4.2)更新扩展点目标的状态；

(4.2a)对Z_k,ET进行划分，给定距离阈值集合为

对于每个阈值的聚类 过程与步骤3(3.1)相同，划分子集表示为W；

(4.2b)扩展目标更新的PHD为：

其中，

其中,

权重更新为

其中，γ^(j)是扩展目标的量测率。

步骤S104，对所述更新后的参数进行混合提取，从而进行观测。

本申请中，分量剪枝，状态提取：

(5.1)对于单点目标和扩展目标状态集中每一个高斯分量，若权重小于给 定阈值则舍去，若不同高斯分量间马氏距离小于给定阈值则以加权平均规则 合并状态；若权重大于0.5则进行状态提取，***输出为探测到的目标。

(5.2)对于单点目标和扩展目标状态集中每一个高斯分量，若权重大于0.5 则进行状态提取，***输出为探测到的目标。

在另一实施例中，如图2所示，预测所述初始化参数，获取初始化参数 的相应类别，包括：

对所述初始化参数的状态进行预测，获取预测结果；如果所述预测结果 满足第一预设条件，则确定为第一类别；如果所述预测结果满足第二预设条 件，则确定为第二类别。

在另一实施例中，还包括：所述第一类别的初始化参数，采用GM-PHD； 所述第二类别的初始化参数，采用ET-GM-PHD。

在另一实施例中，如图3所示，所述观测后还包括：获取预设时间内的 观测结果；如果所述观测结果不满足观测条件，则重新对所述初始化参数进 行预测。

在另一实施例中，获取初始化参数包括：

设初始目标状态ξ₀＝{m₀,P₀}，其中m₀为目标的位置，P₀为目标运动噪声 协方差。并假定Q和R分别为状态噪声的协方差和量测噪声的协方差，设定参 数

其中

为同一扩展目标产生量测间的最大距离。

在另一个实施例中，预测所述初始化参数，获取初始化参数的相应类别 包括：

当k≥1时，对量测集Z_k进行预处理；对于在k时刻所产生的量测集Z_k， 将距离近的量测聚为一类；若某量测类

满足

则

否则

其中|·|集合的元素数，Z_k,T表示可能的点目标的量测集，Z_k,ET表示 可能的扩展目标的量测集。

在另一个实施例中，对所述更新后的参数进行混合提取，从而进行观测， 还包括：

对于单点目标和扩展目标状态集中每一个高斯分量，若权重小于给定阈 值则舍去，若不同高斯分量间马氏距离小于给定阈值则以加权平均规则合并 状态。

在另一个实施例中，对所述更新后的参数进行混合提取，从而进行观测， 还包括：

若权重大于0.5则进行状态提取，***输出为探测到的目标。

在另一个实施例中，如图4所示，是整个方法的详细流程图，也就是 GM-PHD跟踪单点和扩展目标混合场景。

在另一个实施例中，所述装置包括：获取单元，用于获取初始化参数； 预测所述初始化参数，获取初始化参数的相应类别；更新单元，用于对相应 类别的初始化参数进行更新，获取更新后的参数；提取单元，用于对所述更 新后的参数进行混合提取，从而进行观测。

在另一个实施例中，所述装置包括：存储器、处理器以及存储在存储器 被处理器运动的可响应程序，其特征在于，所述处理器运行所述可响应程序 时响应所述的跟踪方法的步骤。

需要说明的是：上述实施例提供的数据处理装置在进行程序开发时，仅 以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上 述处理分配由不同的程序模块完成，即将数据处理装置的内部结构划分成不 同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提 供的数据处理装置与上述数据处理方法实施例属于同一构思，其具体实现过 程详见方法实施例，这里不再赘述。

图5为本发明实施例中数据处理装置的结构示意图二，如图5所示，数 据处理装置500可以是手柄、鼠标、轨迹球、手机、智能笔、智能手表、智 能戒指、智能手环、智能手套等。图3所示的数据处理装置500包括：至少 一个处理器501、存储器502、至少一个网络接口504和用户接口503。数据 处理装置500中的各个组件通过总线***505耦合在一起。可理解，总线系 统505用于实现这些组件之间的连接通信。总线***505除包括数据总线之 外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见， 在图5中将各种总线都标为总线***505。

其中，用户接口503可以包括显示器、键盘、鼠标、轨迹球、点击轮、 按键、按钮、触感板或者触摸屏等。

可以理解，存储器502可以是易失性存储器或非易失性存储器，也可包 括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器 (ROM，Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM， Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器 (FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、 磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可 以是随机存取存储器(RAM，RandomAccess Memory)，其用作外部高速缓 存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存 取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储 器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存 储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储 器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速 率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器 (ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步 连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器302旨在包括但不限于这些和 任意其它适合类型的存储器。

本发明实施例中的存储器502用于存储各种类型的数据以支持数据处理 装置500的操作。这些数据的示例包括：用于在数据处理装置500上操作的 任何计算机程序，如操作***5021和应用程序5022；音乐数据；动漫数据； 图书信息；视频、绘图信息等。其中，操作***5021包含各种***程序，例 如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件 的任务。应用程序5022可以包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施 例方法的程序可以包含在应用程序5022中。

上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器 501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实 现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路 或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号 处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门 或者晶体管逻辑器件、分立硬件组件等。处理器501可以实现或者执行本发 明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器 或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直 接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块 组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器502， 处理器501读取存储器302中的信息，结合其硬件完成前述方法的步骤。

在示例性实施例中，数据处理装置500可以被一个或多个应用专用集成 电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件 (PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、 微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。

具体所述处理器501运行所述计算机程序时，执行：获取初始化参数； 预测所述初始化参数，获取初始化参数的相应类别；对相应类别的初始化参 数进行更新，获取更新后的参数；对所述更新后的参数进行混合提取，从而 进行观测。

所述处理器501运行所述计算机程序时，还执行：预测所述初始化参数， 获取初始化参数的相应类别，包括：对所述初始化参数的状态进行预测，获 取预测结果；如果所述预测结果满足第一预设条件，则确定为第一类别；如 果所述预测结果满足第二预设条件，则确定为第二类别。

所述处理器501运行所述计算机程序时，还执行：还包括：所述第一类 别的初始化参数，采用GM-PHD；所述第二类别的初始化参数，采用 ET-GM-PHD。

所述处理器501运行所述计算机程序时，还执行：所述观测后还包括： 获取预设时间内的观测结果；如果所述观测结果不满足观测条件，则重新对 所述初始化参数进行预测。

所述处理器501运行所述计算机程序时，还执行：获取初始化参数包括： 设初始目标状态ξ₀＝{m₀,P₀}，其中m₀为目标的位置，P₀为目标运动噪声协方 差。并假定Q和R分别为状态噪声的协方差和量测噪声的协方差，设定参数

其中

为同一扩展目标产生量测间的最大距离。

所述处理器501运行所述计算机程序时，还执行：预测所述初始化参数， 获取初始化参数的相应类别包括：当k≥1时，对量测集Z_k进行预处理；对于 在k时刻所产生的量测集Z_k，将距离近的量测聚为一类；若某量测类

满足

则

否则

其中|·|集合的元素数，Z_k,T表示可能的 点目标的量测集，Z_k,ET表示可能的扩展目标的量测集。

所述处理器501运行所述计算机程序时，还执行：对所述更新后的参数 进行混合提取，从而进行观测，还包括：对于单点目标和扩展目标状态集中 每一个高斯分量，若权重小于给定阈值则舍去，若不同高斯分量间马氏距离 小于给定阈值则以加权平均规则合并状态。

所述处理器501运行所述计算机程序时，还执行：对所述更新后的参数 进行混合提取，从而进行观测，还包括：若权重大于0.5则进行状态提取，系 统输出为探测到的目标。

在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质， 例如包括计算机程序的存储器502，上述计算机程序可由数据处理装置500的 处理器501执行，以完成前述方法所述步骤。计算机可读存储介质可以是 FRAM、ROM、PROM、EPROM、EEPROM、FlashMemory、磁表面存储器、 光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各 种设备，如移动电话、计算机、平板设备、个人数字助理等。

一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处 理器运行时，执行：获取初始化参数；预测所述初始化参数，获取初始化参 数的相应类别；对相应类别的初始化参数进行更新，获取更新后的参数；对 所述更新后的参数进行混合提取，从而进行观测。

该计算机程序被处理器运行时，还执行：预测所述初始化参数，获取初 始化参数的相应类别，包括：对所述初始化参数的状态进行预测，获取预测 结果；如果所述预测结果满足第一预设条件，则确定为第一类别；如果所述 预测结果满足第二预设条件，则确定为第二类别。

该计算机程序被处理器运行时，还执行：还包括：所述第一类别的初始 化参数，采用GM-PHD；所述第二类别的初始化参数，采用ET-GM-PHD。

该计算机程序被处理器运行时，还执行：所述观测后还包括：获取预设 时间内的观测结果；如果所述观测结果不满足观测条件，则重新对所述初始 化参数进行预测。

该计算机程序被处理器运行时，还执行：获取初始化参数包括：设初始 目标状态ξ₀＝{m₀,P₀}，其中m₀为目标的位置，P₀为目标运动噪声协方差。并 假定Q和R分别为状态噪声的协方差和量测噪声的协方差，设定参数

其中

为同一扩展目标产生量测间的最大距离。

该计算机程序被处理器运行时，还执行：预测所述初始化参数，获取初 始化参数的相应类别包括：当k≥1时，对量测集Z_k进行预处理；对于在k时 刻所产生的量测集Z_k，将距离近的量测聚为一类；若某量测类

满足

则

否则

其中|·|集合的元素数，Z_k,T表示可能的点目标的 量测集，Z_k,ET表示可能的扩展目标的量测集。

该计算机程序被处理器运行时，还执行：对所述更新后的参数进行混合 提取，从而进行观测，还包括：对于单点目标和扩展目标状态集中每一个高 斯分量，若权重小于给定阈值则舍去，若不同高斯分量间马氏距离小于给定 阈值则以加权平均规则合并状态。

该计算机程序被处理器运行时，还执行：对所述更新后的参数进行混合 提取，从而进行观测，还包括：若权重大于0.5则进行状态提取，***输出为 探测到的目标。

在其中一实施例中，如图6所示，是C-GM-PHD对混合目标跟踪的效果 图。其中，红色线代表真实轨迹，蓝色的圈代表估计的目标坐标，黑色的点 代表量测。可以看出，在用C-GM-PHD来跟踪混合目标时，算法能较好地跟 踪该场景目标，性能优于单独使用GM-PHD和ET-GM-PHD算法。

在其中一实施例中，如图7所示，是C-GM-PHD对混合目标跟踪的数目 对比图。其中黑色的实线代表目标的真实数量，圆圈代表预估的目标的数量， 可以看出，提出算法目标数估计性能优于单独使用GM-PHD和ET-GM-PHD 算法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限 于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易 想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护 范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种跟踪方法，其特征在于，所述方法包括：

获取初始化参数；

预测所述初始化参数，获取初始化参数的相应类别；

对相应类别的初始化参数进行更新，获取更新后的参数；

对所述更新后的参数进行混合提取，从而进行观测。

2.根据权利要求1所述的方法，其特征在于，预测所述初始化参数，获取初始化参数的相应类别，包括：

对所述初始化参数的状态进行预测，获取预测结果；

如果所述预测结果满足第一预设条件，则确定为第一类别；

如果所述预测结果满足第二预设条件，则确定为第二类别。

3.根据权利要求2所述的方法，其特征在于，还包括：

所述第一类别的初始化参数，采用GM-PHD；

所述第二类别的初始化参数，采用ET-GM-PHD。

4.根据权利要求3所述的方法，其特征在于，所述观测后还包括：

获取预设时间内的观测结果；

如果所述观测结果不满足观测条件，则重新对所述初始化参数进行预测。

5.根据权利要求1所述的方法，其特征在于，获取初始化参数包括：

设初始目标状态ξ₀＝{m₀,P₀}，其中m₀为目标的位置，P₀为目标运动噪声协方差。并假定Q和R分别为状态噪声的协方差和量测噪声的协方差，设定参数

其中

为同一扩展目标产生量测间的最大距离。

6.根据权利要求1所述的方法，其特征在于，预测所述初始化参数，获取初始化参数的相应类别包括：

当k≥1时，对量测集Z_k进行预处理；对于在k时刻所产生的量测集Z_k，将距离近的量测聚为一类；若某量测类

满足

则

否则

其中|·|集合的元素数，Z_k,T表示可能的点目标的量测集，Z_k,ET表示可能的扩展目标的量测集。

7.根据权利要求1所述的方法，其特征在于，对所述更新后的参数进行混合提取，从而进行观测，还包括：

对于单点目标和扩展目标状态集中每一个高斯分量，若权重小于给定阈值则舍去，若不同高斯分量间马氏距离小于给定阈值则以加权平均规则合并状态。

8.根据权利要求1所述的方法，其特征在于，对所述更新后的参数进行混合提取，从而进行观测，还包括：

若权重大于0.5则进行状态提取，***输出为探测到的目标。

9.一种跟踪装置，其特征在于，所述装置包括：

获取单元，用于获取初始化参数；预测所述初始化参数，获取初始化参数的相应类别；

更新单元，用于对相应类别的初始化参数进行更新，获取更新后的参数；

提取单元，用于对所述更新后的参数进行混合提取，从而进行观测。

10.一种跟踪装置，其特征在于，所述装置包括：存储器、处理器以及存储在存储器被处理器运动的可响应程序，其特征在于，所述处理器运行所述可响应程序时响应如权利要求1至8任一项所述的跟踪方法的步骤。

Images