CN107367718B - 一种多散射点量测下机动随机超曲面扩展目标建模方法 - Google Patents
一种多散射点量测下机动随机超曲面扩展目标建模方法 Download PDFInfo
- Publication number
- CN107367718B CN107367718B CN201710576183.5A CN201710576183A CN107367718B CN 107367718 B CN107367718 B CN 107367718B CN 201710576183 A CN201710576183 A CN 201710576183A CN 107367718 B CN107367718 B CN 107367718B
- Authority
- CN
- China
- Prior art keywords
- maneuvering
- target
- expansion
- random
- hypersurface
- 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.)
- Active
Links
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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
Description
技术领域
本发明涉及目标跟踪技术领域,具体的说是一种多散射点量测下机动随机超曲面扩展目标建模方法。
背景技术
随着现代高精度传感器分辨能力的大幅提升以及信息处理技术的飞速发展,所获取的回波中尺寸较大的目标以及长时间相干积累导致的距离走动都会使得目标占据传感器多个分辨单元,从而具有高分辨成像能力。相应地,每个观测时刻传感器会接收到来自同一个观测对象的多个散射点量测,同时还可以分辨出目标的形态轮廓和结构特征,利用这些信息可以有效地提高目标跟踪性能与识别精度。在这种情况下,被观测对象不再视作“点”目标,而是具有一定形态的扩展目标。
由于实际受限使得这些散射点并不是完全可分辨的,因此这种情况下的观测对象通常被建模成具有一定扩展形态(如随机超曲面)的目标。然而,受制于机动过程中目标跟自身所具有的不规则复杂形态特征,难以对机动随机超曲面扩展目标的扩展形态进行精确描述。特别地,跟踪过程中的目标机动会导致自身形态产生突变,因此难以对复杂不规则形态演化过程充分刻画。此外,扩展目标作为一个刚体,其运动状态和扩展形态具有紧密的耦合关系通常难以处理,这为高精度雷达多散射点量测下机动随机超曲面扩展目标跟踪带来了巨大困难。因此实现本发明的过程中,发明人从机动随机超曲面扩展目标本身具有的不规则形态特征入手,充分考虑不同机动模式下运动状态变化对形态演化的影响,建立能够充分刻画机动随机超曲面扩展目标整个机动过程动态演化的数学表达式,从而建立通用的随机超曲面机动扩展目标系统模型,最终能够有助于在此基础上推导出高效的非线性估计器,以精确估计出目标运动状态和扩展形态。
发明内容
为了解决现有技术中的不足,本发明提供一种多散射点量测下机动随机超曲面扩展目标建模方法,能够解决机动过程中目标运动状态和扩展形态的时间演化问题,还可以对兼顾处理二者之间的耦合关系,从而建立起能够描述整个机动过程的随机超曲面目标联合演化模型,最终有助于达到对其精确跟踪的目的。
为了实现上述目的,本发明采用的具体方案为:
一种多散射点量测下机动随机超曲面扩展目标建模方法,具体步骤如下:
步骤一、从多散射点量测中获取机动随机超曲面扩展目标的描述参数并对其进行预处理,
描述参数包括:
预处理过程包括:
步骤二、利用预处理后的描述参数得到机动随机超曲面扩展目标的形态描述;
步骤三、根据形态描述,利用机动随机超曲面扩展目标的轮廓线曲线的平移得到机动随机超曲面扩展目标的机动描述;
步骤四、利用机动随机超曲面扩展目标的运动状态转移矩阵Fm和扩展形态转移矩阵Fe求得系统转移矩阵F=diag(Fm,Fe);
步骤五、利用机动描述和系统转移矩阵F得到机动随机超曲面扩展目标的系统模型。
其中e(θk)=[cos(θk) sin(θk)]T是机动随机超曲面扩展目标的质心与边界点之间连线的单位向量,λk∈[0,1]为缩放因子,用于表示散射点量测在随机超曲面机动扩展目标上的位置。
其中φ是机动随机超曲面扩展目标在旋转机动过程中旋转的角度。
所述步骤三中的机动描述表示为:
随机超曲面目标扩展形态的演化模型为:
其中wk-1为k-1时刻的噪声,
所述步骤五中系统模型表示为:
其中wk-1为k-1时刻的噪声,运动状态转移矩阵Fm和扩展形态转移矩阵Fe分别为:
有益效果:本发明不但能够解决机动过程中目标运动状态和扩展形态的时间演化问题,还可以对兼顾处理二者之间的耦合关系,从而建立起能够描述整个机动过程的随机超曲面目标联合演化模型,最终有助于达到对其精确跟踪的目的。
附图说明
图1是本发明实施方式的流程图;
图2是机动随机超曲面扩展目标跟踪轨迹图;
图3是机动随机超曲面扩展目标位置的均方根误差结果;
图4是机动随机超曲面扩展目标速度的均方根误差结果;
图5是机动随机超曲面扩展目标形态的豪斯多夫距离对比结果图。
具体实施方式
下面根据附图具体说明本发明的实施方式。
如图1所示,一种多散射点量测下机动随机超曲面扩展目标建模方法,具体步骤如下:
步骤一、从多散射点量测中获取机动随机超曲面扩展目标的描述参数并对其进行预处理,
描述参数包括:
预处理过程包括:
步骤二、利用预处理后的描述参数得到机动随机超曲面扩展目标的形态描述;
步骤三、根据形态描述,利用机动随机超曲面扩展目标的轮廓线曲线的平移得到机动随机超曲面扩展目标的机动描述;
步骤四、利用机动随机超曲面扩展目标的运动状态转移矩阵Fm和扩展形态转移矩阵Fe求得系统转移矩阵F=diag(Fm,Fe);
步骤五、利用机动描述和系统转移矩阵F得到机动随机超曲面扩展目标的系统模型。
其中φ是机动随机超曲面扩展目标在旋转机动过程中旋转的角度。
所述步骤三中的机动描述表示为:
随机超曲面目标扩展形态的演化模型为:
其中wk-1为k-1时刻的噪声,
所述步骤五中系统模型表示为:
其中wk-1为k-1时刻的噪声,运动状态转移矩阵Fm和扩展形态转移矩阵Fe分别为:
设计如下仿真场景,机动随机超曲面扩展目标沿着如图2中所示的轨迹进行匀速直线运动,途中经历两次转弯机动,其转弯速率分别为和 为机动随机超曲面扩展目标的初始运动状态为,高精度雷达观测点始终位于二维笛卡尔坐标平面的原点(0,0),它提供目标的运动量测(径向距离,方位角),以及多散射点量测,采样周期T=1s。
附图2给出了此场景中该机动随机超曲面扩展目标的跟踪轨迹,此场景中的扩展目标跟踪的运动状态性能对比分别如附图3和图4所示。本发明中采用均方根误差作为指标来评估动随机超曲面扩展目标位置与速度的估计性能,此外,本发明使用豪斯多夫距离来评价所估计不规则形态与真实形态之间的差别,豪斯多夫距离越小,表明估计出的目标形态就越接近真实目标形态。如附图5如示,豪斯多夫距离的对比结果表明目标扩展形态得以精确估计。总的来说,仿真结果验证了本发明提供多散射点量测下机动随机超曲面扩展目标建模方法的有效性。
Claims (5)
1.一种多散射点量测下机动随机超曲面扩展目标建模方法,其特征在于:具体步骤如下:
步骤一、从多散射点量测中获取机动随机超曲面扩展目标的描述参数并对其进行预处理,描述参数包括:
预处理过程包括:
步骤二、利用预处理后的描述参数得到机动随机超曲面扩展目标的形态描述;
步骤三、根据形态描述,利用机动随机超曲面扩展目标的轮廓线曲线的平移得到机动随机超曲面扩展目标的机动描述;
步骤四、利用机动随机超曲面扩展目标的运动状态转移矩阵Fm和扩展形态转移矩阵Fe求得系统转移矩阵F=diag(Fm,Fe);
步骤五、首先由步骤四Fe可得随机超曲面目标扩展形态演化为:
Fe=diag(1,Fe,1,Fe,2,...,Fe,N);
相应地,机动随机超曲面扩展目标系统模型表示为:
其中wk-1为k-1时刻的噪声,运动状态转移矩阵Fm和扩展形态转移矩阵Fe分别为:
其中T表示为采样周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710576183.5A CN107367718B (zh) | 2017-07-14 | 2017-07-14 | 一种多散射点量测下机动随机超曲面扩展目标建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710576183.5A CN107367718B (zh) | 2017-07-14 | 2017-07-14 | 一种多散射点量测下机动随机超曲面扩展目标建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107367718A CN107367718A (zh) | 2017-11-21 |
CN107367718B true CN107367718B (zh) | 2020-05-19 |
Family
ID=60307287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710576183.5A Active CN107367718B (zh) | 2017-07-14 | 2017-07-14 | 一种多散射点量测下机动随机超曲面扩展目标建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107367718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727250B (zh) * | 2018-12-26 | 2020-10-27 | 北京化工大学 | 基于径向函数表示的ct图像序列肺动脉形态变化检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678949A (zh) * | 2014-01-09 | 2014-03-26 | 江南大学 | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 |
CN104730511A (zh) * | 2015-04-10 | 2015-06-24 | 西安电子科技大学 | 星凸模型下的势概率假设密度多扩展目标跟踪方法 |
CN106443661A (zh) * | 2016-09-08 | 2017-02-22 | 河南科技大学 | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9274221B2 (en) * | 2013-02-01 | 2016-03-01 | GM Global Technology Operations LLC | Method and apparatus for remote object sensing employing compressive sensing |
-
2017
- 2017-07-14 CN CN201710576183.5A patent/CN107367718B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678949A (zh) * | 2014-01-09 | 2014-03-26 | 江南大学 | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 |
CN104730511A (zh) * | 2015-04-10 | 2015-06-24 | 西安电子科技大学 | 星凸模型下的势概率假设密度多扩展目标跟踪方法 |
CN106443661A (zh) * | 2016-09-08 | 2017-02-22 | 河南科技大学 | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
An extended target particle probability hypothesis density filter based on the Star-Convex shape estimation;Zhuo Cao,et al;《5th International Conference on Machinery, Materials and Computing Technology (ICMMCT 2017)》;20170430;p1190-1196 * |
Extended Target Tracking Using Star-Convex Model with Nonlinear Inequality Constraints;Lifan Sun,et al;《Proceedings of the 31st Chinese control conference》;20120725;p3869-3874 * |
基于形状估计的随机集多扩展目标跟踪方法研究;刘远;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;全文 * |
基于改进豪斯多夫距离的扩展目标形态估计评估;孙力帆等;《CNKI》;20170415;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107367718A (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976353B (zh) | 基于模型和点云全局匹配的空间非合作目标位姿估计方法 | |
CN106443661B (zh) | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 | |
CN103886593B (zh) | 一种基于三维点云曲面圆孔检测方法 | |
CN109031219B (zh) | 基于相位测距的宽带雷达弹道目标微动几何参数估计方法 | |
CN109919984A (zh) | 一种基于局部特征描述子的点云自动配准方法 | |
CN113175929B (zh) | 一种基于upf的空间非合作目标相对位姿估计方法 | |
CN108225319B (zh) | 基于目标特征的单目视觉快速相对位姿估计系统及方法 | |
CN110503713B (zh) | 一种基于轨迹平面法向量和圆心结合的旋转轴估计方法 | |
WO2019161517A1 (zh) | 基于云端的轨迹地图生成方法、装置、设备及应用程序 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN105467370A (zh) | 一种复合双基地雷达进动目标isar图像横向定标方法 | |
CN105447867B (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN109724586B (zh) | 一种融合深度图和点云的航天器相对位姿测量方法 | |
CN108376411A (zh) | 一种基于双目视觉的非合作目标相对状态解算方法 | |
CN110007324A (zh) | 一种基于slam的故障卫星相对导航方法 | |
CN108876862B (zh) | 一种非合作目标点云位置姿态计算方法 | |
CN110209180A (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
Bender et al. | Trajectory estimation of bat flight using a multi-view camera system | |
CN107367718B (zh) | 一种多散射点量测下机动随机超曲面扩展目标建模方法 | |
CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
CN106097277B (zh) | 一种基于视觉测量的绳索物质点跟踪方法 | |
Chen et al. | A new pose estimation method for non-cooperative spacecraft based on point cloud | |
CN107292445A (zh) | 一种空间非合作目标位姿预测方法 | |
CN112407344A (zh) | 空间非合作目标的位姿预测方法和装置 | |
Liu et al. | The first attempt of SAR visual-inertial odometry |
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 |