CN109443343B - 一种目标跟踪系统 - Google Patents

一种目标跟踪系统 Download PDF

Info

Publication number
CN109443343B
CN109443343B CN201811067870.5A CN201811067870A CN109443343B CN 109443343 B CN109443343 B CN 109443343B CN 201811067870 A CN201811067870 A CN 201811067870A CN 109443343 B CN109443343 B CN 109443343B
Authority
CN
China
Prior art keywords
data center
family
time
perception
perception family
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
Application number
CN201811067870.5A
Other languages
English (en)
Other versions
CN109443343A (zh
Inventor
吕文君
杜晓冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Yousi Tiancheng Intelligent Technology Co ltd
Original Assignee
Anhui Yousi Tiancheng Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Yousi Tiancheng Intelligent Technology Co ltd filed Critical Anhui Yousi Tiancheng Intelligent Technology Co ltd
Priority to CN201811067870.5A priority Critical patent/CN109443343B/zh
Publication of CN109443343A publication Critical patent/CN109443343A/zh
Application granted granted Critical
Publication of CN109443343B publication Critical patent/CN109443343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种目标跟踪系统，由多个距离传感器与多个数据中心组成，其中，距离传感器可以感知其到目标的直线距离；每个数据中心可以获取其周围的距离传感器的数据，且可以与其周围的数据中心通信；每个数据中心及其可以通信的距离传感器组成一个感知族；跟踪算法在每个数据中心中执行。与已有的技术相比，本发明解决了传感器采样率不同、传输距离有限情况下的目标跟踪问题，具有功耗低、成本低的优点。

Description

一种目标跟踪系统
技术领域
本发明涉及检测技术，特别是涉及一种目标跟踪系统。
背景技术
目标跟踪是检测技术领域重要的研究内容之一，并在视频监控，车辆导航领域有着很广泛的应用。跟踪问题中最为核心的是滤波算法。在分布式传感系统当中，有很多传感器节点，而这些传感器往往是电池供电的。因此，这就限制了这些传感器的数据传输距离、采样频率等方面的性能。在专利“CN106934332A”、“CN103729861B”中，公开了基于图像的跟踪方法，其主要关注点在于如何从图像中识别跟踪目标。在专利“CN102750522A”中公开了一种目标跟踪的方法，采用了粒子滤波来提升跟踪性能。在专利“CN101770024B”公开了一种多目标跟踪方法，改进了传统的卡尔曼滤波来提升跟踪性能。值得说明的是，这些已有技术都没有考虑传输距离限制，采样率不统一等问题。
发明内容
为解决上述问题，本发明公开了一种目标跟踪系统，由多个距离传感器与γ个数据中心组成，其中，距离传感器可以感知其到目标的直线距离；每个数据中心可以获取其周围的距离传感器的数据，且可以与其周围的数据中心通信；每个数据中心及其可以通信的距离传感器组成一个感知族；跟踪算法在每个数据中心中执行，具体如下：
S1、令时间t＝0，根据实际情况确定每个感知族在时间t的状态后验估计向量
Figure GDA0002641377060000011
与后验误差协方差矩阵
Figure GDA0002641377060000012
的具体值，其中i∈{1,2,···,γ}表示感知族的序号，
Figure GDA0002641377060000013
为2行1列的向量，其第1个元素表示东向坐标的后验估计，第2个元素表示北向坐标的后验估计；根据实际情况确定过程噪声方差矩阵Q与观测噪声方差矩阵R；
S2、时间t自增1；
S3、计算每个感知族在时间t的状态先验估计向量
Figure GDA0002641377060000014
与先验误差协方差矩阵
Figure GDA0002641377060000015
如下：
Figure GDA0002641377060000016
Figure GDA0002641377060000017
其中，单引号上标表示矩阵的转置，T表示采样间隔，ut为2行1列的向量，其第1个元素表示东向速度，第2个元素表示北向速度，A＝[1,0；0,1]；
S4、每个感知族的数据中心从该族中的距离传感器读取信息，设有
Figure GDA0002641377060000018
个距离传感器检测出了目标距离信息；如果
Figure GDA0002641377060000019
则组建该感知族在时间t的观测向量
Figure GDA00026413770600000110
Figure GDA00026413770600000111
其中，
Figure GDA00026413770600000112
Figure GDA00026413770600000113
Figure GDA00026413770600000114
ai,p与bi,p分别表示第i个感知族在时间t第p个检测出了目标距离信息的距离传感器的输出、东向坐标与北向坐标，
Figure GDA0002641377060000021
ai,q与bi,q分别表示第i个感知族在时间t第q个检测出了目标距离信息的距离传感器的输出、东向坐标与北向坐标，p、q为
Figure GDA0002641377060000022
中的变量，表示距离传感器的序号；如果
Figure GDA0002641377060000023
则令
Figure GDA0002641377060000024
并跳至步骤S7；
S5、计算每个感知族在时间t的新息
Figure GDA0002641377060000025
新息理论方差
Figure GDA0002641377060000026
新息估计方差
Figure GDA0002641377060000027
弱化因子
Figure GDA0002641377060000028
如下：
Figure GDA0002641377060000029
Figure GDA00026413770600000210
Figure GDA00026413770600000211
Figure GDA00026413770600000212
其中，M为正整数，表示滑窗宽度，tr表示矩阵的迹，
Figure GDA00026413770600000213
具体为：
Figure GDA00026413770600000214
S5、计算每个感知族在时间t的增益矩阵
Figure GDA00026413770600000215
如下：
Figure GDA00026413770600000216
S6、计算每个感知族在时间t的后验估计向量
Figure GDA00026413770600000217
与后验误差协方差
Figure GDA00026413770600000218
如下：
Figure GDA00026413770600000219
Figure GDA00026413770600000220
其中，I表示单位阵；
S7、每个感知族数据中心收集其可通信的数据中心在时间t输出的
Figure GDA00026413770600000221
与
Figure GDA00026413770600000222
其中k∈Ni，Ni∈{1,2,···,γ}表示第i个感知族数据中心可以通信的数据中心所在感知族的序号；然后利用
Figure GDA00026413770600000223
进行融合，得到每个感知族在时间t的融合后验估计向量
Figure GDA00026413770600000224
与融合后验误差协方差
Figure GDA00026413770600000225
如下：
Figure GDA00026413770600000226
Figure GDA00026413770600000227
其中，
Figure GDA00026413770600000228
表示第k个感知族的权重，如下：
Figure GDA00026413770600000229
S8、重复步骤S2到S7，即可获得第i个感知族数据中心在时间t的融合后验估计向量
Figure GDA0002641377060000031
其第1、2个元素分别为目标的东向坐标与北向坐标的融合后验估计值。
与已有的技术相比，本发明解决了传感器采样率不同、传输距离有限情况下的目标跟踪问题，具有功耗低、成本低的优点。
附图说明
图1为本发明系统框图。
具体实施方式
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是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
如图1所示，实心圆表示距离传感器，空心正方形表示数据中心，虚线圆表示感知族的范围，本发明公开了一种目标跟踪系统，由多个距离传感器与γ个数据中心组成，其中，距离传感器可以感知其到目标的直线距离；每个数据中心可以获取其周围的距离传感器的数据，且可以与其周围的数据中心通信；每个数据中心及其可以通信的距离传感器组成一个感知族；跟踪算法在每个数据中心中执行，具体如下：
S1、令时间t＝0，根据实际情况确定每个感知族在时间t的状态后验估计向量
Figure GDA0002641377060000032
与后验误差协方差矩阵
Figure GDA0002641377060000033
的具体值，其中i∈{1,2,···,γ}表示感知族的序号，
Figure GDA0002641377060000034
为2行1列的向量，其第1个元素表示东向坐标的后验估计，第2个元素表示北向坐标的后验估计；根据实际情况确定过程噪声方差矩阵Q与观测噪声方差矩阵R；
S2、时间t自增1；
S3、计算每个感知族在时间t的状态先验估计向量
Figure GDA0002641377060000035
与先验误差协方差矩阵
Figure GDA0002641377060000036
如下：
Figure GDA0002641377060000037
Figure GDA0002641377060000038
其中，单引号上标表示矩阵的转置，T表示采样间隔，ut为2行1列的向量，其第1个元素表示东向速度，第2个元素表示北向速度，A＝[1,0；0,1]；
S4、每个感知族的数据中心从该族中的距离传感器读取信息，设有
Figure GDA0002641377060000039
个距离传感器检测出了目标距离信息；如果
Figure GDA00026413770600000310
则组建该感知族在时间t的观测向量
Figure GDA00026413770600000311
Figure GDA00026413770600000312
其中，
Figure GDA00026413770600000313
Figure GDA00026413770600000314
Figure GDA00026413770600000315
ai,p与bi,p分别表示第i个感知族在时间t第p个检测出了目标距离信息的距离传感器的输出、东向坐标与北向坐标，
Figure GDA00026413770600000316
ai,q与bi,q分别表示第i个感知族在时间t第q个检测出了目标距离信息的距离传感器的输出、东向坐标与北向坐标，p、q为
Figure GDA00026413770600000317
中的变量，表示距离传感器的序号；如果
Figure GDA00026413770600000318
则令
Figure GDA00026413770600000319
并跳至步骤S7；
S5、计算每个感知族在时间t的新息
Figure GDA0002641377060000041
新息理论方差
Figure GDA0002641377060000042
新息估计方差
Figure GDA0002641377060000043
弱化因子
Figure GDA0002641377060000044
如下：
Figure GDA0002641377060000045
Figure GDA0002641377060000046
Figure GDA0002641377060000047
Figure GDA0002641377060000048
其中，M为正整数，表示滑窗宽度，tr表示矩阵的迹，
Figure GDA0002641377060000049
具体为：
Figure GDA00026413770600000410
S5、计算每个感知族在时间t的增益矩阵
Figure GDA00026413770600000411
如下：
Figure GDA00026413770600000412
S6、计算每个感知族在时间t的后验估计向量
Figure GDA00026413770600000413
与后验误差协方差
Figure GDA00026413770600000414
如下：
Figure GDA00026413770600000415
Figure GDA00026413770600000416
其中，I表示单位阵；
S7、每个感知族数据中心收集其可通信的数据中心在时间t输出的
Figure GDA00026413770600000417
与
Figure GDA00026413770600000418
其中k∈Ni，Ni∈{1,2,···,γ}表示第i个感知族数据中心可以通信的数据中心所在感知族的序号；然后利用
Figure GDA00026413770600000419
进行融合，得到每个感知族在时间t的融合后验估计向量
Figure GDA00026413770600000420
与融合后验误差协方差
Figure GDA00026413770600000421
如下：
Figure GDA00026413770600000422
Figure GDA00026413770600000423
其中，
Figure GDA00026413770600000424
表示第k个感知族的权重，如下：
Figure GDA00026413770600000425
S8、重复步骤S2到S7，即可获得第i个感知族数据中心在时间t的融合后验估计向量
Figure GDA00026413770600000426
其第1、2个元素分别为目标的东向坐标与北向坐标的融合后验估计值。

Claims (1)

1.一种目标跟踪系统，其特征为：由多个距离传感器与γ个数据中心组成，其中，距离传感器可以感知其到目标的直线距离；每个数据中心可以获取其周围的距离传感器的数据，且可以与其周围的数据中心通信；每个数据中心及其可以通信的距离传感器组成一个感知族；跟踪算法在每个数据中心中执行，具体如下：
S1、令时间t＝0，根据实际情况确定每个感知族在时间t的状态后验估计向量
Figure FDA0002641377050000011
与后验误差协方差矩阵
Figure FDA0002641377050000012
的具体值，其中i∈{1,2,…,γ}表示感知族的序号，
Figure FDA0002641377050000013
为2行1列的向量，其第1个元素表示东向坐标的后验估计，第2个元素表示北向坐标的后验估计；根据实际情况确定过程噪声方差矩阵Q与观测噪声方差矩阵R；
S2、时间t自增1；
S3、计算每个感知族在时间t的状态先验估计向量
Figure FDA0002641377050000014
与先验误差协方差矩阵
Figure FDA0002641377050000015
如下：
Figure FDA0002641377050000016
Figure FDA0002641377050000017
其中，单引号上标表示矩阵的转置，T表示采样间隔，ut为2行1列的向量，其第1个元素表示东向速度，第2个元素表示北向速度，A＝[1,0；0,1]；
S4、每个感知族的数据中心从该族中的距离传感器读取信息，设有
Figure FDA0002641377050000018
个距离传感器检测出了目标距离信息；如果
Figure FDA0002641377050000019
则组建该感知族在时间t的观测向量
Figure FDA00026413770500000110
Figure FDA00026413770500000111
其中，
Figure FDA00026413770500000112
Figure FDA00026413770500000113
Figure FDA00026413770500000114
ai,p与bi,p分别表示第i个感知族在时间t第p个检测出了目标距离信息的距离传感器的输出、东向坐标与北向坐标，
Figure FDA00026413770500000115
ai,q与bi,q分别表示第i个感知族在时间t第q个检测出了目标距离信息的距离传感器的输出、东向坐标与北向坐标，p、q为
Figure FDA00026413770500000116
中的变量，表示距离传感器的序号；如果
Figure FDA00026413770500000117
则令
Figure FDA00026413770500000118
并跳至步骤S7；
S5、计算每个感知族在时间t的新息
Figure FDA00026413770500000119
新息理论方差
Figure FDA00026413770500000120
新息估计方差
Figure FDA00026413770500000121
弱化因子
Figure FDA00026413770500000122
如下：
Figure FDA00026413770500000123
Figure FDA00026413770500000124
Figure FDA00026413770500000125
Figure FDA00026413770500000126
其中，M为正整数，表示滑窗宽度，tr表示矩阵的迹，
Figure FDA00026413770500000127
具体为：
Figure FDA00026413770500000128
S5、计算每个感知族在时间t的增益矩阵
Figure FDA0002641377050000021
如下：
Figure FDA0002641377050000022
S6、计算每个感知族在时间t的后验估计向量
Figure FDA0002641377050000023
与后验误差协方差
Figure FDA0002641377050000024
如下：
Figure FDA0002641377050000025
Figure FDA0002641377050000026
其中，I表示单位阵；
S7、每个感知族数据中心收集其可通信的数据中心在时间t输出的
Figure FDA0002641377050000027
与
Figure FDA0002641377050000028
其中k∈Ni，Ni∈{1,2,…,γ}表示第i个感知族数据中心可以通信的数据中心所在感知族的序号；然后利用
Figure FDA0002641377050000029
进行融合，得到每个感知族在时间t的融合后验估计向量
Figure FDA00026413770500000210
与融合后验误差协方差
Figure FDA00026413770500000211
如下：
Figure FDA00026413770500000212
Figure FDA00026413770500000213
其中，
Figure FDA00026413770500000214
表示第k个感知族的权重，如下：
Figure FDA00026413770500000215
S8、重复步骤S2到S7，即可获得第i个感知族数据中心在时间t的融合后验估计向量
Figure FDA00026413770500000216
其第1、2个元素分别为目标的东向坐标与北向坐标的融合后验估计值。
CN201811067870.5A 2018-09-13 2018-09-13 一种目标跟踪系统 Active CN109443343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811067870.5A CN109443343B (zh) 2018-09-13 2018-09-13 一种目标跟踪系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811067870.5A CN109443343B (zh) 2018-09-13 2018-09-13 一种目标跟踪系统

Publications (2)

Publication Number Publication Date
CN109443343A CN109443343A (zh) 2019-03-08
CN109443343B true CN109443343B (zh) 2020-10-30

Family

ID=65532915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811067870.5A Active CN109443343B (zh) 2018-09-13 2018-09-13 一种目标跟踪系统

Country Status (1)

Country Link
CN (1) CN109443343B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11743678B2 (en) * 2020-08-24 2023-08-29 The Hong Kong University Of Science And Technology Generic signal fusion framework for multi-modal localization

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299271A (zh) * 2008-06-12 2008-11-05 复旦大学 一种机动目标状态方程的多项式预测模型及跟踪方法
US9175975B2 (en) * 2012-07-30 2015-11-03 RaayonNova LLC Systems and methods for navigation
CN103729861B (zh) * 2014-01-03 2016-06-22 天津大学 一种多目标跟踪方法
CN104075715B (zh) * 2014-07-07 2017-09-01 东南大学 一种结合地形和环境特征的水下导航定位方法
CN106447698B (zh) * 2016-09-28 2019-07-02 深圳市鸿逸达科技有限公司 一种基于距离传感器的多行人跟踪方法和系统
CN107991110B (zh) * 2017-11-29 2019-11-12 安徽省一一通信息科技有限公司 一种履带式机器人滑动参数检测方法

Also Published As

Publication number Publication date
CN109443343A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN104713560B (zh) 基于期望最大化的多源测距传感器空间配准方法
CN111780755A (zh) 一种基于因子图和可观测度分析的多源融合导航方法
CN111160210B (zh) 一种基于视频的水流速检测方法及系统
CN108089183B (zh) 一种用于异步多基地雷达系统的检测跟踪一体化方法
WO2019057173A1 (zh) 传感器数据处理的方法及装置
CN102023010B (zh) 基于mems的小波域多传感器信息融合系统及融合方法
CN107994885B (zh) 一种同时估计未知输入和状态的分布式融合滤波方法
CN106342175B (zh) 一种提高陀螺精度的数据融合方法
CN105717505A (zh) 利用传感网进行多目标跟踪的数据关联方法
CN107340517B (zh) 一种多传感器多帧检测前跟踪方法
CN107202989A (zh) 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法
Kugiumtzis Transfer entropy on rank vectors
CN101256715A (zh) 无线传感器网络中基于粒子滤波的多车辆声信号分离方法
CN111723624A (zh) 一种头部运动跟踪方法和系统
CN109443343B (zh) 一种目标跟踪系统
CN107064865A (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
CN102685772B (zh) 一种基于无线全向传感器网络的跟踪节点选择方法
CN107247257B (zh) 一种基于似然函数近似的分布式多传感器检测前跟踪方法
CN110376282B (zh) 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法
CN109190647B (zh) 一种有源无源数据融合方法
CN109996205A (zh) 传感器数据融合方法、装置、电子设备及存储介质
CN104318072B (zh) 基于qkf‑mmf的多传感器量化融合方法
CN104298650A (zh) 基于多方法融合的量化卡尔曼滤波方法
Georgy et al. Unconstrained underwater multi-target tracking in passive sonar systems using two-stage PF-based technique
CN109769206B (zh) 一种室内定位融合方法、装置、存储介质及终端设备

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