CN106291498A - 一种基于粒子滤波的检测跟踪联合优化方法 - Google Patents
一种基于粒子滤波的检测跟踪联合优化方法 Download PDFInfo
- Publication number
- CN106291498A CN106291498A CN201610632856.XA CN201610632856A CN106291498A CN 106291498 A CN106291498 A CN 106291498A CN 201610632856 A CN201610632856 A CN 201610632856A CN 106291498 A CN106291498 A CN 106291498A
- Authority
- CN
- China
- Prior art keywords
- particle
- target
- probability
- detector unit
- particle filter
- 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
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
本发明公开了一种基于粒子滤波的检测跟踪联合优化方法。本发明提出的检测跟踪联合优化方法利用粒子滤波获取的目标预估状态对所有检测单元的分割阈值进行修正,提高对小弱目标检测能力的同时进一步剔除虚警。本方法包括检测和跟踪两部分,其中,检测部分包括检测单元相似度计算、检测阈值修正、目标检测三个步骤,跟踪部分包括数据关联、粒子滤波目标状态修正、粒子滤波目标状态预估三个步骤。本发明克服了传统方法中将检测与跟踪独立处理的缺点,将粒子滤波跟踪获取的目标状态信息反馈至检测部分,以修正相关检测单元的检测门限,实现检测与跟踪的联合优化。
Description
技术领域
本发明涉及一种基于粒子滤波的检测跟踪联合优化方法,属于雷达目标检测与跟踪技术领域,涉及概率统计与数据互联。
背景技术
在多目标跟踪中,通过量测估计几个目标的状态,量测一般通过雷达捕获。如果能够确定生成量测的目标,问题就简化成了单目标跟踪问题,可以采用标准的滤波方法(卡尔曼或扩展卡尔曼滤波)独立地估计目标状态。但是,该类信息很难获得,而且在很多情况下量测为虚警,因此必须首先解决数据关联问题。在估计出目标数目并将测量值与单个目标关联之后,就可采用标准滤波技术进行目标状态估计了。
数据关联方法主要分为两类:单邻域数据关联(如多假设跟踪方法(MHT))和全邻域数据关联(如联合概率数据关联方法(JPDA))。二者的区别在于前者将每个量测与一条先前生成的轨迹相关联,后者将所有量测用于更新所有轨迹。在MHT中,每个量测与一条已经存在的轨迹相关联,或是根据某些准则生成一条新轨迹。由于关联结果不是唯一的,往往同时构造多种假设,计算量测和假设后验概率的相似度,从而保存可能性最大的假设。
但是,以上算法将检测与跟踪独立处理,在检测的过程中未充分利用跟踪信息,当存在虚警干扰时,容易给小弱目标的检测造成困难。
发明内容
本发明的目的是为了解决上述问题,提出一种基于粒子滤波的检测跟踪联合优化方法,适用于复杂环境中的雷达多目标检测与跟踪,能够提升检测与跟踪效果。
一种基于粒子滤波的检测跟踪联合优化方法,将粒子滤波跟踪获取的目标状态信息反馈至检测部分,以修正相关检测单元的检测门限,实现检测与跟踪的联合优化,包括如下步骤:
步骤一、粒子滤波目标状态预估;
步骤二、检测单元相似度计算;
步骤三、检测门限修正;
步骤四、目标检测;
步骤五、数据关联;
步骤六、粒子滤波目标状态修正;
本发明的优点在于:
(1)将检测与跟踪联合处理,提升了目标的检测率与系统的跟踪性能;
(2)将检测跟踪联合优化方法与粒子滤波相结合,以粒子表示多种不同的数据关联假设,使算法的准确率和效率得以加强。
附图说明
图1是本发明的基于粒子滤波的检测跟踪联合优化方法的流程图;
图2是本发明实施例的某时刻的检测单元与粒子滤波目标状态预估位置示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种基于粒子滤波的检测跟踪联合优化方法,包括检测和跟踪两个部分,将粒子滤波跟踪获取的目标状态信息反馈至检测部分,以修正相关检测单元的检测门限,实现检测与跟踪的联合优化,流程如图1所示,包括如下步骤:
步骤一、粒子滤波目标状态预估;
以一组N个粒子表示目标的当前状态基于每个粒子i=1,...,N在k-1时刻的均值和协方差对k时刻的目标状态进行卡尔曼预估
式中,为数据关联指数,Ak-1和Qk-1为k-1时刻的转换矩阵和过程噪声矩阵,每个粒子的权重为和分别为粒子i在k时刻的预估均值和预估协方差。
步骤二、检测单元相似度计算;
基于高斯概率分布函数计算检测单元uk与每个粒子预估位置的空间相似度
式中,Hk和Rk为k时刻的量测模型矩阵和量测噪声矩阵,N(·)表示检测单元与粒子预估位置的相似度。结合每个粒子的权重,得到每个检测单元与所有粒子群预估位置的空间相似度为
步骤三、检测门限修正;
利用步骤二计算所得的每个检测单元与所有粒子群预估位置的空间相似度,对每个检测单元的固定检测门限θ进行修正,修正后的检测门限为
步骤四、目标检测;
根据步骤三计算所得的检测门限,由下式判断检测单元中是否存在目标:
式中,rcs(uk)为检测单元uk处的量测回波强度值,若该值大于或等于检测门限,则确认为目标(E(uk)=1),由yk表示,反之则无目标(E(uk)=0)。
步骤五、数据关联;
假设马尔科夫模型为m次,则关联指数ck取决于先前的m个关联结果ck-m:k-1,假设虚警在量测空间V中均匀分布,卡尔曼滤波的量测相似度计算如下
其中:j=1,...,T,T为目标数目,KFlh(·)代表卡尔曼滤波器测量相似度估计,Hj,k和Rj,k分别为目标j的量测模型矩阵和量测协方差矩阵。对于j=1,...,T有
其中:KFp(·)代表卡尔曼滤波的预估部分,为粒子i目标j的均值和协方差,Aj,k-1和Qj,k-1分别为动态模型的转移矩阵和目标j的过程噪声协方差矩阵。
数据关联结果由最优重要性分布决定,其概率分布结果计算如下:
1)计算非归一化噪声关联概率
其中:表示粒子i的归一化噪声关联概率,p(·|·)表示条件概率。
2)为每个目标j=1,...,T计算非归一化目标关联概率
其中:表示粒子i的归一化的目标j的关联概率。
3)归一化重要性分布:
4)概率j=0,...,T代表每个粒子中的离散概率分布,其中数据关联指数
i=1,...,N采样如下:
·的概率为
·的概率为
·的概率为
·...;
·的概率为
步骤六、粒子滤波目标状态修正;
基于数据关联结果对每个粒子进行卡尔曼滤波更新
其中,和分别为粒子i在k时刻更新后的均值和协方差,和为过程变量。
重新计算粒子权重并估计有效粒子数
如果有效粒子数过低(neff<N/4),则进行重采样。
实施例:
下面结合附图中二维空间中一个雷达目标在某时刻的检测与跟踪仿真结果对本发明提出的基于粒子滤波的检测跟踪联合优化方法进行图示和描述。
复杂环境中的雷达目标检测与跟踪通常会设定较低的检测门限,导致大量杂波或虚警的干扰,基于粒子滤波的检测跟踪联合优化方法,适用于复杂环境中的雷达小弱目标检测与跟踪,能够显著提升检测与跟踪效果。
图2是本发明实施例的一个雷达目标在某时刻的检测与跟踪仿真结果示意图,包括目标在k-1时刻的位置、所有粒子的预估位置、2个检测单元的位置以及修正后目标在k时刻的估计位置,以说明目标检测、数据关联与目标跟踪的全过程。
本发明的基于粒子滤波的检测跟踪联合优化方法,包括检测和跟踪两个部分,其特征在于,将粒子滤波跟踪获取的目标状态信息反馈至检测部分,以修正相关检测单元的检测门限,实现检测与跟踪的联合优化,流程如图1所示,包括如下步骤:
步骤一、粒子滤波目标状态预估;
以一组10个粒子表示目标的当前状态基于每个粒子i=1,...,10在k-1时刻的均值和协方差对k时刻的目标状态进行卡尔曼预估
式中,为数据关联指数,Ak-1和Qk-1为k-1时刻的转换矩阵和过程噪声矩阵,每个粒子的权重为本例中,
每个粒子的卡尔曼预估状态为
步骤二、检测单元相似度计算;
基于高斯概率分布函数计算检测单元uk与每个粒子预估位置的空间相似度
式中,Hk和Rk为k时刻的量测模型矩阵和量测噪声矩阵。本例中,检测单元1的位置为检测单元2的位置为Hk和Rk分别为
结合每个粒子的权重,得到每个检测单元与所有粒子群预估位置的空间相似度为
经计算,
步骤三、检测门限修正;
利用步骤二计算所得的每个检测单元与所有粒子群预估位置的空间相似度,对每个检测单元的固定检测门限θ进行修正,修正后的检测门限为
本例中,令θ=0.1,则
步骤四、目标检测;
根据步骤三计算所得的检测门限,由下式判断检测单元中是否存在目标
式中,rcs(uk)为检测单元uk处的量测回波强度值,若该值大于检测门限,则确认为目标(E(uk)=1),由yk表示,反之则无目标(E(uk)=0)。本例中,两个检测单元的量测回波强度值分别为可见,检测单元1位置为目标,检测单元2位置无目标,
步骤五、数据关联;
假设马尔科夫模型为5次,则关联指数ck取决于先前的5个关联结果ck-5:k-1,假设虚警在量测空间V:[-5:5,-5:5]中均匀分布,卡尔曼滤波的量测相似度计算如下
其中j=1,...,T,T为目标数目,KFlh(·)代表卡尔曼滤波器测量相似度估计,Hj,k和Rj,k分别为目标j的量测模型矩阵和量测协方差矩阵。对于j=1,...,T有
其中KFp(·)代表卡尔曼滤波的预估部分,为粒子i目标j的均值和协方差,Aj,k-1和Qj,k-1分别为动态模型的转移矩阵和目标j的过程噪声协方差矩阵。
数据关联结果由最优重要性分布决定,其概率分布结果计算如下:
5)计算非归一化噪声关联概率
6)为每个目标j=1,...,T计算非归一化目标关联概率
7)归一化重要性分布:
8)概率j=0,...,T代表每个粒子中的离散概率分布,其中数据关联指数本例中,T=1,i=1,...,10采样如下:
因此,对于量测yk,10个粒子的数据关联结果为i=1,...10。
步骤六、粒子滤波目标状态修正;
基于数据关联结果对每个粒子进行卡尔曼滤波更新
本例中,每个粒子的卡尔曼更新状态为
重新计算粒子权重并估计有效粒子数为
有效粒子数足够高(neff>2.5),无需进行重采样。
Claims (1)
1.一种基于粒子滤波的检测跟踪联合优化方法,包括以下几个步骤:
步骤一、粒子滤波目标状态预估;
设一组N个粒子表示目标的当前状态基于每个粒子i=1,...,N在k-1时刻的均值和协方差对k时刻的目标状态进行卡尔曼预估:
式中,为数据关联指数,Ak-1和Qk-1为k-1时刻的转换矩阵和过程噪声矩阵,每个粒子的权重为 和分别为粒子i在k时刻的预估均值和预估协方差,
步骤二、检测单元相似度计算;
基于高斯概率分布函数计算检测单元uk与每个粒子预估位置的空间相似度
式中,Hk和Rk为k时刻的量测模型矩阵和量测噪声矩阵,N(·)表示检测单元与粒子预估位置的相似度,结合每个粒子的权重,得到每个检测单元与所有粒子群预估位置的空间相似度为:
步骤三、检测门限修正;
利用每个检测单元与所有粒子群预估位置的空间相似度,对每个检测单元的固定检测门限θ进行修正,修正后的检测门限为:
步骤四、目标检测;
根据检测门限,判断检测单元中是否存在目标:
式中,rcs(uk)为检测单元uk处的量测回波强度值,若该值大于或等于检测门限,则目标E(uk)=1,由yk表示,反之则无目标E(uk)=0;
步骤五、数据关联;
假设马尔科夫模型为m次,则关联指数ck取决于先前的m个关联结果ck-m:k-1,假设虚警在量测空间V中均匀分布,卡尔曼滤波的量测相似度计算如下:
其中:j=1,...,T,T为目标数目,KFlh(·)代表卡尔曼滤波器测量相似度估计,Hj,k和Rj,k分别为目标j的量测模型矩阵和量测协方差矩阵,对于j=1,...,T有
其中:KFp(·)代表卡尔曼滤波的预估部分,为粒子i目标j的均值和协方差,Aj,k-1和Qj,k-1分别为动态模型的转移矩阵和目标j的过程噪声协方差矩阵;
数据关联结果由最优重要性分布决定,其概率分布结果计算如下:
1)计算非归一化噪声关联概率
其中:表示粒子i的归一化噪声关联概率,p(·|·)表示条件概率,
2)为每个目标j=1,...,T计算非归一化目标关联概率
其中:表示粒子i的归一化的目标j的关联概率;
3)归一化重要性分布:
4)概率j=0,...,T代表每个粒子中的离散概率分布,其中数据关联指数i=1,...,N采样为的概率为
步骤六、粒子滤波目标状态修正;
基于数据关联结果对每个粒子进行卡尔曼滤波更新:
其中,和分别为粒子i在k时刻更新后的均值和协方差,和为过程变量;
重新计算粒子权重并估计有效粒子数:
如果有效粒子数neff<N/4,则进行重采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610632856.XA CN106291498B (zh) | 2016-08-04 | 2016-08-04 | 一种基于粒子滤波的检测跟踪联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610632856.XA CN106291498B (zh) | 2016-08-04 | 2016-08-04 | 一种基于粒子滤波的检测跟踪联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106291498A true CN106291498A (zh) | 2017-01-04 |
CN106291498B CN106291498B (zh) | 2018-11-06 |
Family
ID=57665354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610632856.XA Active CN106291498B (zh) | 2016-08-04 | 2016-08-04 | 一种基于粒子滤波的检测跟踪联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106291498B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872971A (zh) * | 2017-03-16 | 2017-06-20 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
CN107247250A (zh) * | 2017-05-23 | 2017-10-13 | 中国民航大学 | 一种基于粒子滤波的相干分布源波达方向跟踪方法 |
CN107329131A (zh) * | 2017-08-08 | 2017-11-07 | 电子科技大学 | 一种利用粒子滤波的雷达微弱目标检测跟踪方法 |
CN108414995A (zh) * | 2018-03-12 | 2018-08-17 | 中国人民解放军国防科技大学 | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 |
CN108459310A (zh) * | 2018-02-06 | 2018-08-28 | 西安四方星途测控技术有限公司 | 一种重构空间目标三维形状参数的方法 |
CN110223329A (zh) * | 2019-05-10 | 2019-09-10 | 华中科技大学 | 一种多摄像机多目标跟踪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002090449A (ja) * | 2000-09-21 | 2002-03-27 | Mitsubishi Electric Corp | 目標相関装置 |
CN103116154A (zh) * | 2013-01-25 | 2013-05-22 | 西安电子科技大学 | 基于杂波环境下的发射与接收联合优化自适应滤波方法 |
-
2016
- 2016-08-04 CN CN201610632856.XA patent/CN106291498B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002090449A (ja) * | 2000-09-21 | 2002-03-27 | Mitsubishi Electric Corp | 目標相関装置 |
CN103116154A (zh) * | 2013-01-25 | 2013-05-22 | 西安电子科技大学 | 基于杂波环境下的发射与接收联合优化自适应滤波方法 |
Non-Patent Citations (4)
Title |
---|
SONGHWAI OH ET AL.: "Markov Chain Monte Carlo Data Association for General Multiple-Target Tracking Problems", 《43RD IEEE CONFERENCE ON DECISION AND CONTROL》 * |
刘红亮 等: "一种航迹恒虚警的目标检测跟踪一体化算法", 《电子与信息学报》 * |
陈唯实 等: "基于空域特性的低空空域雷达目标检测", 《航空学报》 * |
陈唯实: "基于时域特性的非相参雷达目标检测与跟踪", 《系统工程与电子技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872971A (zh) * | 2017-03-16 | 2017-06-20 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
CN106872971B (zh) * | 2017-03-16 | 2019-07-09 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
CN107247250A (zh) * | 2017-05-23 | 2017-10-13 | 中国民航大学 | 一种基于粒子滤波的相干分布源波达方向跟踪方法 |
CN107329131A (zh) * | 2017-08-08 | 2017-11-07 | 电子科技大学 | 一种利用粒子滤波的雷达微弱目标检测跟踪方法 |
CN107329131B (zh) * | 2017-08-08 | 2020-08-28 | 电子科技大学 | 一种利用粒子滤波的雷达微弱目标检测跟踪方法 |
CN108459310A (zh) * | 2018-02-06 | 2018-08-28 | 西安四方星途测控技术有限公司 | 一种重构空间目标三维形状参数的方法 |
CN108414995A (zh) * | 2018-03-12 | 2018-08-17 | 中国人民解放军国防科技大学 | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 |
CN108414995B (zh) * | 2018-03-12 | 2021-03-30 | 中国人民解放军国防科技大学 | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 |
CN110223329A (zh) * | 2019-05-10 | 2019-09-10 | 华中科技大学 | 一种多摄像机多目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106291498B (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106291498A (zh) | 一种基于粒子滤波的检测跟踪联合优化方法 | |
CN108802722B (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
CN105761276B (zh) | 基于迭代ransac自适应新生目标强度估计的gm-phd多目标跟踪方法 | |
CN106526585B (zh) | 基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法 | |
CN106054169A (zh) | 基于跟踪信息的多站雷达信号融合检测方法 | |
CN109782267B (zh) | 航迹关联方法及车载雷达 | |
CN105717505A (zh) | 利用传感网进行多目标跟踪的数据关联方法 | |
CN103745216B (zh) | 一种基于空域特性的雷达图像杂波抑制方法 | |
CN110501671A (zh) | 一种基于测量分配的目标跟踪方法及装置 | |
CN108734725A (zh) | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN104181524B (zh) | 一种自适应粒子数的多目标粒子滤波检测前跟踪方法 | |
CN107064865A (zh) | 基于深度聚类的极坐标动态规划无源协同定位方法 | |
CN108717174A (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
CN110187335A (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN109991597A (zh) | 一种面向弱扩展目标的检测前跟踪方法 | |
CN101582159A (zh) | 基于无监督核回归分析的红外图像背景抑制方法 | |
CN109471091A (zh) | 中重频pd雷达同时解模糊与检测跟踪方法 | |
CN104537384A (zh) | 一种结合似然比判决的sar目标鉴别方法 | |
CN104180801A (zh) | 基于ads-b系统航迹点的预测方法和系统 | |
CN114137526A (zh) | 基于标签的车载毫米波雷达多目标检测方法和系统 | |
CN105842686A (zh) | 基于粒子平滑的快速tbd检测方法 | |
CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN108072865A (zh) | 一种海面舰船目标检测前跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |