CN112836354A - 一种目标跟踪定位方法、***、装置及可读存储介质 - Google Patents
一种目标跟踪定位方法、***、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112836354A CN112836354A CN202110038824.8A CN202110038824A CN112836354A CN 112836354 A CN112836354 A CN 112836354A CN 202110038824 A CN202110038824 A CN 202110038824A CN 112836354 A CN112836354 A CN 112836354A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- estimation value
- state estimation
- constraint
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 230000033001 locomotion Effects 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种目标跟踪定位方法、***、装置及可读存储介质,所述方法包括:构建目标的运动模型,并获取目标的跟踪初始状态;其中,所述运动模型包括约束条件、目标的状态更新方程以及目标的测量更新方程;利用有所述约束条件的卡尔曼滤波器对目标进行跟踪定位;其中,利用卡尔曼滤波器进行跟踪得到目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标状态估计值,实现目标跟踪。本发明利用所述方法可以实现利用道路约束信息来提高机动目标的跟踪精度。
Description
技术领域
本发明属于目标跟踪技术领域,具体涉及一种目标跟踪定位方法、***、装置及可读存储介质。
背景技术
目标跟踪与定位是通过测量数据获得对被跟踪目标的位置、速度和其他运动参数的实时估计过程。目标跟踪与定位问题在环境监测、网络安全、医疗诊断、军事侦察等诸多科学和工程领域都有所体现。其中,对机动目标的跟踪与定位,即跟踪道路上所行驶的车辆。比如公路上行驶的车辆受到公路形状的约束,这就是典型的有约束的机动目标跟踪问题。
卡尔曼滤波器是目标跟踪与定位领域中使用的主要工具之一,它包括两个阶段:预测与更新。在预测阶段,滤波器利用机动目标前一时刻的状态估计,做出对当前时刻的状态估计。在更新阶段,滤波器利用对机动目标当前状态的观测值,优化在预测阶段得到的预测值,得到一个更精确的新估计值。一般情况下,卡尔曼滤波器及其扩展在高斯噪声下对机动目标的跟踪表现良好,但在非高斯噪声情形下,性能会变得糟糕,尤其当***受到脉冲噪声干扰时更甚。在目标跟踪的真实场景中遇到非高斯噪声是普遍的。
近年来信息理论学习的优化准则得到了越来越多的关注,直接使用数据估计的信息理论量(熵)而不是通常的二阶统计测量(方差)。信息理论量可捕获高阶统计量,并在机器学习和信号处理的应用中显著提升其性能。相关熵与信息熵直接相关,定义了数据空间的度量,可表示两个随机变量相似度的测量。在监督学习(如回归)中,问题可表述为最大化模型输出和期望响应之间的相关熵。在信息理论学习中将此优化准则称为最大相关熵准则。最大相关熵准则已成功应用于卡尔曼滤波器,因此,如何将其应用于非高斯噪声下的机动目标的状态估计是具有非常重要的意义。
此外,在处理道路约束目标跟踪问题时,常规目标跟踪方法存在明显的缺陷:一、常规方法不包含道路约束条件的先验信息,导致信息的浪费;二、跟踪的结果难以满足约束条件,存在性能缺失。因此合理利用道路信息并提出相应的跟踪方法能够提高对机动目标跟踪的精度。而目前有一些约束目标跟踪方法,将约束条件纳入估计器解决状态估计问题,比较常见的有:模型降阶法、完美量测法、估计投影法。模型降阶法利用等式约束减少状态向量的维度,获得简单模型约束状态的最优估计,但是降阶后物理意义不清晰;完美量测法把等式约束作为没有噪声的伪量测引入,将有约束的状态估计问题转换为观测扩维的常规问题解决,但计算复杂,容易引起数值计算问题。
因此,如何合理的利用道路信息进行有效约束提高对机动目标跟踪的精度,研究出一种处理非高斯噪声下有道路约束的目标跟踪方法尤为重要。
发明内容
本发明的目的是提供一种目标跟踪定位方法、***及可读存储介质,利用道路约束信息提高机动目标的跟踪精度。
一方面,本发明提供的一种目标跟踪定位方法,包括如下步骤:
构建目标的运动模型,并获取目标的跟踪初始状态;其中,所述运动模型包括约束条件、目标的状态更新方程以及目标的测量更新方程;
利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位;
其中,利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下目标的状态估计值,实现目标跟踪。
本发明利用概率密度函数截断法将约束条件与最大相关熵准则卡尔曼滤波器结合,得到带有约束的最大相关熵准则卡尔曼滤波器算法,提高非高斯噪声下机动目标的跟踪性能。其中,利用概率密度函数截断法在约束的边界将目标的状态估计的概率密度函数截断,所得到的带约束的估计值更接近于真实值,进而提高了估计值的准确性,提高了追踪定位精度。以一种全新的技术手段来实现有约束条件的卡尔曼滤波器的跟踪定位问题。其中,构建运动模型中得到的目标的状态更新方程以及目标的测量更新方程为所述卡尔曼滤波器中的配置函数。
可选地,
所述基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下目标的状态估计值的过程中,状态约束服从线性等式约束,如下:
Mxk=m
式中,M为约束矩阵,m是约束值,xk为当前k时刻目标的状态值,目标的状态估计值满足所述线性等式约束;
初始化设置如下:
可选地,所述利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位的过
A:利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标在当前时刻对应的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标在当前时刻对应的状态估计值;
然后,再利用有约束下的目标在当前时刻对应的状态估计值以及最大相关熵准则卡尔曼滤波器得到下一时刻的目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标在下一时刻对应的状态估计值;
循环上述过程实现目标的跟踪定位。
从上表述可知,本发明将利用有约束条件修改的状态估计值作为下一时刻计算的相关数据,即将分别作为用于参与到下一时刻最大相关熵准则卡尔曼滤波器输出的状态估计值,将最大相关熵准则卡尔曼滤波器输出的状态估计值以及约束条件限定的状态估计值进行交叉迭代。
可选地,所述利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位的过程中,针对每一跟踪时刻,执行过程如下B:
B:针对每一跟踪时刻均利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标在每一跟踪时刻对应的状态估计值;然后再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标在每一跟踪时刻对应的状态估计值。
从上表述可知,本发明中每个时刻下最大相关熵准则卡尔曼滤波器输出的目标状态估计值均与上一时刻最大相关熵准则卡尔曼滤波器输出的目标状态估计值有关,与上一时刻有约束下的目标状态估计值无关。
可选地,所述最大相关熵准则卡尔曼滤波器对应的先验估计方程和后验估计方程如下:
先验估计方程:
Pk|k-1=FPk-1|k-1FT+Qk
后验估计方程:
式中,F和Hk分别是机动目标的状态转移矩阵和观测矩阵,Pk|k-1为针对k时刻滤波器在预测阶段的状态估计值和协方差,Pk|k为针对k时刻滤波器在更新阶段的状态估计值和协方差;Qk,Rk均为已知的协方差;T为矩阵转置符号,Gσ( )为高斯核函数,Zk为***观测量,Kk为滤波器增益,Lk为书写定义。
可选地,初始化所述最大相关熵准则卡尔曼滤波器时设置:
其中,X0对应目标的跟踪初始状态。
可选地,若所述目标为机动目标,目标的状态估计值表示所述机动目标在道路上的位置和速度,***观测量为传感器到机动目标位置的测量距离。
第二方面,本发明提供的一种基于约束条件下的卡尔曼滤波器的目标跟踪定位方法的***,包括:
运动模型构建模块:用于构建目标的运动模型,并获取目标的跟踪初始状态;
跟踪定位模块:用于利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位,其中,跟踪定位模块包括:最大相关熵准则卡尔曼滤波器跟踪单元以及约束单元;
其中,所述最大相关熵准则卡尔曼滤波器跟踪单元用于利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值;
所述约束单元用于基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标状态估计值。
第三方面,本发明提供一种电子终端,包括处理器和存储器,所述存储器存储了计算机程序,所述处理器调用所述计算机程序以执行:一种基于约束条件下的卡尔曼滤波器的目标跟踪定位方法的步骤。
第四方面,本发明提供一种可读存储介质,存储了计算机程序,所述计算机程序被处理器调用以执行一种基于约束条件下的卡尔曼滤波器的目标跟踪定位方法的步骤。
有益效果
本发明公开了一种基于约束条件下的卡尔曼滤波器的目标跟踪定位方法,选用的最大相关熵准则卡尔曼滤波器降低了非高斯噪声的干扰,所提出的目标跟踪方法针对非高斯噪声进行优化,并充分利用先验知识(如道路约束)的优点,解决了已有目标跟踪方法不能处理非高斯噪声干扰,跟踪精度不高等问题,其中,概率密度函数截断法在约束的边界将机动目标的状态估计的概率密度函数截断,所得到的带约束的估计值更接近于真实值,进而有效提高估计值的定位准确性
,并可广泛应用于非高斯噪声下的目标跟踪与定位。
附图说明
图1为本发明实例中基于带有约束条件的最大相关熵准则卡尔曼滤波器的目标跟踪与定位流程图。
图2为本发明实例中的模型图,(a)为场景示意图,(b)为坐标模型示意图。
图3为本发明实例中应用最大相关熵准则卡尔曼滤波器得到的估计值的图。
图4为本发明实例中应用带有状态约束的最大相关熵准则卡尔曼滤波器得到的估计值的图。
图5为本发明实例中最大相关熵准则卡尔曼滤波器、带有状态约束的最大相关熵准则卡尔曼滤波器的估计差值图。
具体实施方式
本发明提供的一种基于约束条件下的卡尔曼滤波器的目标跟踪定位方法,用于实现跟踪定位。下述具体阐述的实施例中,其主要是包含了以下两个方面,一方面,为了降低了非高斯噪声的干扰,本发明选用的最大相关熵准则卡尔曼滤波器;第二方面,本发明设定了约束条件,如道路约束条件,利用约束条件对卡尔曼滤波器的目标的状态估计值进行了进一步约束,提高了定位结果的准确性。因此,下述本发明将以同时具备上述两技术点的实施例为例进行说明。
实施例1:
首选对最大相关熵准则卡尔曼滤波器以及利用概率密度函数截断法对目标的状态估计值进行约束进行原理性说明:
1.最大相关熵准则卡尔曼滤波器
常规的卡尔曼滤波器的方程如下:
线性离散***中Xk和Zk分别是***状态量和观测量(在机动目标跟踪实际应用中Xk表示机动目标在道路x,y方向上的位置和速度,Zk表示传感器到机动目标位置的测量距离)。F和Hk分别是状态转移矩阵和观测矩阵,wk为过程噪声和vk为测量噪声,分别有已知的协方差Qk和Rk。
进一步求解有
化简可得:
由上述理论推理可知最大相关熵准则卡尔曼滤波算法如下:
(i)状态预测
(ii)协方差预测
Pk|k-1=FPk-1|k-1FT+Qk
(iii)滤波器增益
(iv)状态更新
(v)协方差更新
上述式中,F和Hk分别是机动目标的状态转移矩阵和观测矩阵,Pk|k-1为针对k时刻滤波器在预测阶段的状态估计值和协方差,Pk|k为针对k时刻滤波器在更新阶段的状态估计值和协方差,Qk,Rk均为已知的协方差,Zk为***观测量。
2.利用概率密度函数截断法对目标的状态估计值进行约束
若道路约束服从线性等式约束:
Mxk=m其中M为满秩,这里使用概率密度函数截断法去包含这个线性约束。
2)概率密度函数截断法
进行如下变换:
用Gram-Schmidt正交化求解矩阵ρ,并使其满足
由线性约束条件知:
定义
进一步有
[1 0…0]yki=cki
加入约束条件的变换后的状态估计yki的均值μ和方差σ为:
其中,加入约束条件的变换后的状态估计的均值μ和方差σ是利用依次加入前i个约束条件后变换的yki计算均值和方差。
得到符合约束条件的状态估计均值和方差:
针对有约束下的状态估计值,在一种实现方式中,将k时刻得到作为k时刻对应的和Pk|k,然后参与到下一时刻对应(i)状态预测-(v)协方差更新的5个公式,进而最大相关熵准则卡尔曼滤波器输出下一时刻的状态估计值。另一种实现方式中,针对每一时刻,均利用的(i)状态预测-(v)协方差更新的5个公式计算各个时刻的状态估计值,其中,公式中所应用的前一时刻的数据依旧是前一时刻利用所述5个公式计算出的状态估计值和协方差,而非约束下得到的状态估计值和协方差。
基于上述理论性的陈述,本实施例提供的一种基于约束条件下的卡尔曼滤波器的目标跟踪定位方法,包括如下步骤:
构建目标的运动模型,并获取目标的跟踪初始状态;其中,所述运动模型包括约束条件、目标的状态更新方程以及目标的测量更新方程;
利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位;
其中,利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标状态估计值,实现目标跟踪。
跟踪过程的公式如下:
(i)初始化:
(ii)先验估计:
Pk|k-1=FPk-1|k-1FT+Qk
(iii)后验估计:
(iv)状态约束:
Mxk=m
应用实例:
为了充分说明本发明所述方法的内容,本实施例中基于公路上行驶的车辆的实际问题进行建模,得到运动模型,其噪声模拟为非高斯噪声。运动模型内容如下:
(i)根据机动目标的运动情况建立状态更新方程
本实施例中,状态方程描述了车辆的动态位置和速度,机动目标的状态选择由四个元素组成,分别是向北的位置,向东的位置,向北的速度,向东的速度。应当理解,其他实施例中不局限与此,其他可以表征机动目标状态更新的方程均可应用于本发明所述方法中。本实施例中设定的机动目标的状态更新方程如下(下述方程对应了卡尔曼模型的方程:)。
Xk是机动目标状态,T是滤波器采样时间周期,θ是车辆行驶角度,uk-1是加速度的输入,qk-1是非高斯过程噪声。
(ii)根据传感器观测值建立测量更新方程
本模型中观测值指的是传感器到机动目标的测量距离。机动目标的测量更新方程:
Zk是传感器测量值,x1,x2分别是机动目标状态的向北、向东方向的坐标值,(pn1,pe1)是第一个传感器的坐标值,(pn2,pe2)是第二个传感器的坐标值,传感器的排布位置根据实际需求进行设置,譬如依据跟踪路段设置在起始点和终点。rk是非高斯测量噪声。
其中,采用的是混合高斯噪声作为非高斯测量噪声,如下:
qk-1=λN(μx1,Q1)+(1-λ)N(μx2,Q2),
rk=λN(μz1,R1)+(1-λ)N(μz2,R2)
μx1,μx2,μz1,μz2,Q1,Q2,R1,R2根据实际情况设置大小。λ为混合比例系数,取值范围0-1;N为xx。
(iii)采集机动目标的初始状态信息,如机动目标的初始位置和速度作为X0。
道路约束:
地面目标的运动往往会受到外部因素的制约,这些制约包括道路网或变化的地形,其中道路约束条件具有较大的吸引力。道路网通常会由一些路段表示,每个路段会由它的两个端点进行描述。相关的路段可以预先得到该路段的方向θ。对已知的道路利用等式约束方程建立等式,由前面的等式约束方程可知:
Mx=m
上述中道路约束矩阵M与运动目标沿道路行驶的角度θ相关,构建对应的M和m的表达式。本实施例中如下:
其中,道路约束矩阵M中每一行可以视为一个约束,m的维度q=2。
最后,基于道路约束以及运动模型并利用前述阐述的跟踪过程的公式进行目标跟踪。其中,得到的状态估计值如图5所示,图5所示为最大相关熵准则卡尔曼滤波器、带有状态约束的最大相关熵准则卡尔曼滤波器的估计差值图。
基于上述方法,本发明提供一种定位***,其包括:相互通信连接的运动模型构建模块和跟踪定位模块。
其中,运动模型构建模块:用于构建目标的运动模型,并获取目标的跟踪初始状态;跟踪定位模块:用于利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位。
进一步地,跟踪定位模块包括:最大相关熵准则卡尔曼滤波器跟踪单元以及约束单元;
其中,所述最大相关熵准则卡尔曼滤波器跟踪单元用于利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值;所述约束单元用于基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标状态估计值。
其中,各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解,上述单元模块的具体实现过程参照方法内容,本发明在此不进行具体的赘述,且上述功能模块单元的划分仅仅是一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。同时,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
基于上述方法,本发明提供一种装置,包括处理器和存储器,所述存储器存储了计算机程序,所述处理器调用所述计算机程序以执行:
构建目标的运动模型,并获取目标的跟踪初始状态;利用有所述约束条件的卡尔曼滤波器对目标进行跟踪定位;
其中,利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标状态估计值,实现目标跟踪。
各个步骤的具体实现过程请参照前述方法的阐述。
基于上述方法,本发明提供一种可读存储介质,存储了计算机程序,处理器调用所述计算机程序以执行:
构建目标的运动模型,并获取目标的跟踪初始状态;利用有所述约束条件的卡尔曼滤波器对目标进行跟踪定位;
其中,利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标状态估计值,实现目标跟踪。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
所述可读存储介质为计算机可读存储介质,其可以是前述任一实施例所述的控制器的内部存储单元,例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备,例如所述控制器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要强调的是,本发明所述的实例是说明性的,而不是限定性的,因此本发明不限于具体实施方式中所述的实例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,不脱离本发明宗旨和范围的,不论是修改还是替换,同样属于本发明的保护范围。
Claims (10)
1.一种目标跟踪定位方法,其特征在于:包括如下步骤:
构建目标的运动模型,并获取目标的跟踪初始状态;其中,所述运动模型包括约束条件、目标的状态更新方程以及目标的测量更新方程;
利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位;
其中,利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下目标的状态估计值,实现目标跟踪。
2.根据权利要求1所述的方法,其特征在于:所述基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下目标的状态估计值的过程中,状态约束服从线性等式约束,如下:
Mxk=m
式中,M为约束矩阵,m是约束值,xk为当前k时刻目标的状态值,目标的状态估计值满足所述线性等式约束;
初始化设置如下:
3.根据权利要求2所述的方法,其特征在于:所述利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位的过程中,针对每一跟踪时刻,执行过程如下A:
A:利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标在当前时刻对应的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标在当前时刻对应的状态估计值;
然后,再利用有约束下的目标在当前时刻对应的状态估计值以及最大相关熵准则卡尔曼滤波器得到下一时刻的目标的状态估计值,再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标在下一时刻对应的状态估计值;
循环上述过程实现目标的跟踪定位。
4.根据权利要求2所述的方法,其特征在于:所述利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位的过程中,针对每一跟踪时刻,执行过程如下B:
B:针对每一跟踪时刻均利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标在每一跟踪时刻对应的状态估计值;然后再基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标在每一跟踪时刻对应的状态估计值。
7.根据权利要求1所述的方法,其特征在于:若所述目标为机动目标,目标的状态估计值表示所述机动目标在道路上的位置和速度,***观测量为传感器到机动目标位置的测量距离。
8.一种基于权利要求1-7任一项所述方法的***,其特征在于:包括:
运动模型构建模块:用于构建目标的运动模型,并获取目标的跟踪初始状态;
跟踪定位模块:用于利用有所述约束条件的最大相关熵准则卡尔曼滤波器对目标进行跟踪定位,其中,跟踪定位模块包括:最大相关熵准则卡尔曼滤波器跟踪单元以及约束单元;
其中,所述最大相关熵准则卡尔曼滤波器跟踪单元用于利用最大相关熵准则卡尔曼滤波器进行跟踪得到目标的状态估计值;
所述约束单元用于基于概率密度函数截断法对目标的状态估计值进行约束得到有约束下的目标状态估计值。
9.一种电子终端,其特征在于:包括处理器和存储器,所述存储器存储了计算机程序,所述处理器调用所述计算机程序以执行:权利要求1-7任一项所述方法的步骤。
10.一种可读存储介质,其特征在于:存储了计算机程序,所述计算机程序被处理器调用以执行权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038824.8A CN112836354B (zh) | 2021-01-12 | 2021-01-12 | 一种目标跟踪定位方法、***、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038824.8A CN112836354B (zh) | 2021-01-12 | 2021-01-12 | 一种目标跟踪定位方法、***、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836354A true CN112836354A (zh) | 2021-05-25 |
CN112836354B CN112836354B (zh) | 2022-08-30 |
Family
ID=75927844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110038824.8A Expired - Fee Related CN112836354B (zh) | 2021-01-12 | 2021-01-12 | 一种目标跟踪定位方法、***、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836354B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5051751A (en) * | 1991-02-12 | 1991-09-24 | The United States Of America As Represented By The Secretary Of The Navy | Method of Kalman filtering for estimating the position and velocity of a tracked object |
FR2958096A1 (fr) * | 2010-03-29 | 2011-09-30 | Commissariat Energie Atomique | Procede et systeme de calibration, support d'enregistrement pour ce procede |
CN106487358A (zh) * | 2016-09-30 | 2017-03-08 | 西南大学 | 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法 |
KR20180105876A (ko) * | 2017-03-16 | 2018-10-01 | 한국전자통신연구원 | 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치 |
CN109856622A (zh) * | 2019-01-03 | 2019-06-07 | 中国人民解放军空军研究院战略预警研究所 | 一种约束条件下的单雷达直线航迹线目标状态估计方法 |
CN110061716A (zh) * | 2019-01-15 | 2019-07-26 | 河海大学 | 一种基于最小二乘和多重渐消因子的改进kalman滤波方法 |
CN111291471A (zh) * | 2020-01-17 | 2020-06-16 | 中山大学 | 一种基于l1正则无迹变换的约束多模型滤波方法 |
CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
US20200364472A1 (en) * | 2019-05-14 | 2020-11-19 | Neusoft Corporation | Vehicle tracking method, computer readable storage medium, and electronic device |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
-
2021
- 2021-01-12 CN CN202110038824.8A patent/CN112836354B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5051751A (en) * | 1991-02-12 | 1991-09-24 | The United States Of America As Represented By The Secretary Of The Navy | Method of Kalman filtering for estimating the position and velocity of a tracked object |
FR2958096A1 (fr) * | 2010-03-29 | 2011-09-30 | Commissariat Energie Atomique | Procede et systeme de calibration, support d'enregistrement pour ce procede |
CN106487358A (zh) * | 2016-09-30 | 2017-03-08 | 西南大学 | 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法 |
KR20180105876A (ko) * | 2017-03-16 | 2018-10-01 | 한국전자통신연구원 | 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치 |
CN109856622A (zh) * | 2019-01-03 | 2019-06-07 | 中国人民解放军空军研究院战略预警研究所 | 一种约束条件下的单雷达直线航迹线目标状态估计方法 |
CN110061716A (zh) * | 2019-01-15 | 2019-07-26 | 河海大学 | 一种基于最小二乘和多重渐消因子的改进kalman滤波方法 |
US20200364472A1 (en) * | 2019-05-14 | 2020-11-19 | Neusoft Corporation | Vehicle tracking method, computer readable storage medium, and electronic device |
CN111291471A (zh) * | 2020-01-17 | 2020-06-16 | 中山大学 | 一种基于l1正则无迹变换的约束多模型滤波方法 |
CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
Non-Patent Citations (3)
Title |
---|
YIQUN ZOU,LU LI,XIAFEI TANG,JINGTIAN YE,LINGLI YU: "Double Arc Path Tracking Control of Driverless Vehicle", 《CHINESE CONTROL CONFERENCE》 * |
王恒等: "基于最大相关熵的雷达扩展卡尔曼滤波算法研究", 《中国传媒大学学报(自然科学版)》 * |
许艳萍等: "具有状态约束的集员卡尔曼滤波器设计", 《福州大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836354B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950562B (zh) | 一种基于预测值量测转换的状态融合目标跟踪方法 | |
CN107677272B (zh) | 一种基于非线性信息滤波的auv协同导航方法 | |
EP3928123B1 (en) | System and method for tracking expanded state of an object | |
CN109141413B (zh) | 具有数据缺失uwb行人定位的efir滤波算法及*** | |
CN111077518B (zh) | 一种基于距离-多普勒量测的跟踪滤波方法及装置 | |
WO2021162018A1 (en) | System and method for tracking expanded state of moving object with model geometry learning | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及*** | |
Huang et al. | Consistent unscented incremental smoothing for multi-robot cooperative target tracking | |
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 | |
CN115457510A (zh) | 一种基于变分贝叶斯的自适应协同目标跟踪方法 | |
CN109542093B (zh) | 一种处理数据的方法和装置 | |
CN112836354B (zh) | 一种目标跟踪定位方法、***、装置及可读存储介质 | |
CN114139109A (zh) | 一种目标跟踪方法、***、设备、介质及数据处理终端 | |
CN113030945B (zh) | 一种基于线性序贯滤波的相控阵雷达目标跟踪方法 | |
CN107886058B (zh) | 噪声相关的两阶段容积Kalman滤波估计方法及*** | |
CN104614751A (zh) | 基于约束信息的目标定位方法 | |
CN109343013A (zh) | 一种基于重启机制的空间配准方法和*** | |
CN111998854B (zh) | 基于Cholesky分解计算的精确扩展Stirling插值滤波方法 | |
CN112256054B (zh) | 一种无人机轨迹规划方法及装置 | |
Lu et al. | Research on matching accuracy of underwater terrain matching algorithm based on state augmented unscented Kalman filter | |
Cheng et al. | Linear sequential filtering based on the debiased measurement matrix of the converted pseudo measurement for radar target tracking | |
Zhao | Covariance intersection fusion estimator for nonlinear system with correlated noise | |
Yu et al. | An improved Gaussian filter with asynchronously correlated noises | |
CN111796271B (zh) | 一种比例导引目的地约束下的目标跟踪方法及装置 | |
Cao et al. | Improved filtering-smoothing algorithm for GPS positioning |
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 |
Granted publication date: 20220830 |
|
CF01 | Termination of patent right due to non-payment of annual fee |