CN109521420B

CN109521420B - 基于多特征匹配的多目标跟踪方法

Info

Publication number: CN109521420B
Application number: CN201811577747.8A
Authority: CN
Inventors: 水鹏朗; 廖沫
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2018-12-20
Filing date: 2018-12-20
Publication date: 2022-10-04
Anticipated expiration: 2038-12-20
Also published as: CN109521420A

Abstract

一种基于多特征匹配的多目标跟踪算法，其步骤是：首先，针对量测点与目标关联时，匹配特征数量过少的问题，建立了所有目标的特征矩阵，特征矩阵包含了所有目标的检验统计量特征和多普勒频率特征；其次，在寻找最佳关联点时，将所有关联点的特征与目标的特征矩阵进行比对，找出与目标匹配度最高的关联点；最后，确定目标在当前跟踪时刻的运动状态估计值、检验统计量和多普勒频率特征，用于对目标在当前跟踪时刻之后运动状态的估计。本发明通过建立特征矩阵，并寻找与目标特征矩阵最匹配的关联点，解决了当多目标轨迹交叉重叠时目标轨迹跟踪不准确的问题。

Description

基于多特征匹配的多目标跟踪方法

技术领域

本发明属于雷达技术领域，更进一步涉及雷达目标跟踪技术领域中的一种基于多特征匹配的多目标跟踪方法。本发明可用于复杂场景下地面雷达对于多个目标运动轨迹的跟踪。

背景技术

多目标跟踪一直是雷达技术领域的重要问题之一。在雷达技术领域中，多目标跟踪技术的主要任务是从雷达接收机接收到的连续时间的多帧数据中检测出多目标的运动轨迹，进而在每一帧数据中分别确定这些目标的位置。多目标跟踪的核心部分是数据关联和状态估计。由于实际观测场景和待观测目标较为复杂，存在很多不确定因素，易导致多目标数据关联出现模糊，使得跟踪航迹容易拉偏，因此复杂场景下的多目标跟踪技术具有重要的研究意义。传统的用于数据关联的方法为最近邻域法，该方法容易受到其他目标和强噪声、杂波的影响，造成关联精度的显著下降，从而导致目标跟踪的准确性大大降低。

西北工业大学在其申请的专利文献“一种基于模糊聚类的概率最近邻域多目标跟踪方法”(专利申请号201310751067.4，申请日2013.12.30，申请公布号CN103729859A，申请公布日2014.04.16)中公开了一种利用基于最近邻分类器和均值漂移的目标跟踪方法。该方法实现的具体步骤是，(1)根据k-1时刻目标t的状态估计及其协方差矩阵得到k时刻目标t的状态预测值；(2)计算有效量测与目标t之间的最大关联概率；(3)对于M个传感器，反复执行步骤1和步骤2，依次求得M个传感器的各有效量测j与目标t之间的最大关联概率，得到各传感器观测下的相对应的M个局部状态估计值及其相应的估计均方误差阵；(4)依据步骤3中求得的各传感器的局部状态估计及其相应的估计均方误差阵，对各传感器局部航迹信息进行加权平均求和，得到状态融合更新，估计均方误差融合更新，得到所有目标的全局状态融合估计，实现多目标跟踪。该方法存在两点不足之处：其一，当多个目标的航迹发生交叉或重叠时，当前正在跟踪目标的量测点、其它目标的量测点和虚警点同时落入待跟踪目标在当前时刻跟踪波门的概率大大提升，由于该方法仅根据跟踪波门内所有量测点的坐标来求出这些量测点与目标之间的关联概率，所以这种只通过单一特征进行关联的方法有较大几率导致属于其它目标的量测点或者虚警点与当前跟踪目标关联，从而使得对当前跟踪目标运动状态的估计和未来轨迹的跟踪出现偏差。其二，该方法利用隶属度计算公式计算所有有效量测点与目标轨迹的关联概率，计算方法较为复杂，计算量较大，降低了工程实现效率。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多特征匹配的多目标跟踪方法，用于改善多个目标的航迹发生交叉时，当前正在跟踪目标的量测点、其它目标的量测点和虚警点同时落入待跟踪目标在当前时刻跟踪波门的情况下雷达量测点的关联精度，从而提升了对每个目标轨迹的跟踪准确性。

实现本发明目的的思路是：首先，针对量测点与当前跟踪目标关联时，匹配特征数量过少的问题，建立了所有目标的特征矩阵，特征矩阵包含了所有目标的历史检验统计量特征和历史多普勒频率特征；其次，在寻找最佳关联点时，将所有关联点的特征与当前跟踪目标在当前时刻的特征矩阵进行比对，从而找出与当前跟踪目标的匹配度最高的关联点；最后，确定每个目标在当前跟踪时刻的运动状态估计值、检验统计量和多普勒频率特征，用于对每个目标在当前跟踪时刻之后运动状态的估计。

本发明的具体步骤如下：

(1)从当前跟踪时刻存在的多个目标中，选择一个未跟踪的目标，作为当前跟踪目标；

(2)预测运动状态：

将当前跟踪目标在当前跟踪时刻上一时刻的运动状态的估计值，代入状态方程，得到当前跟踪目标在当前跟踪时刻运动状态的预测值；

(3)建立当前跟踪目标的特征矩阵：

(3a)寻找与当前跟踪时刻最近的5个时刻；

(3b)从当前跟踪目标的历史数据中，提取当前跟踪目标在这5个时刻的检验统计量和多普勒频率；

(3c)将5个时刻当前跟踪目标的检验统计量，作为2×5的特征矩阵的第1行元素；

(3d)将5个时刻当前跟踪目标的多普勒频率，作为2×5的特征矩阵的第2行元素；

(4)从雷达接收机在当前跟踪时刻接收到的所有量测点中，找出符合关联条件的所有量测点；

(5)判断符合关联条件的量测点的数量是否等于0，若是，则将当前跟踪目标在当前跟踪时刻的关联状态设定为“无关联点”后，执行步骤(6)，否则，将当前跟踪目标在当前跟踪时刻的关联状态设定为“有关联点”后，执行步骤(7)；

(6)确定“无关联点”状态下的运动状态估计值和特征：

(6a)将当前跟踪目标在当前跟踪时刻运动状态的预测值，作为当前跟踪目标在当前跟踪时刻的运动状态估计值；

(6b)利用特征提取方法，从特征矩阵中得到当前跟踪目标在当前跟踪时刻的检验统计量、多普勒频率；

(6c)将得到的当前跟踪目标在当前跟踪时刻的运动状态估计值、检验统计量和多普勒频率加入历史数据后，执行步骤(9)；

(7)确定“有关联点”状态下与当前跟踪目标特征最匹配的关联点：

(7a)从所有关联点中，任选一个未被选过的关联点；

(7b)利用匹配值计算方法，计算所选关联点特征与目标特征矩阵的匹配值；

(7c)判定是否选完所有关联点：若是，则执行步骤(7d)；否则，执行步骤(7a)；

(7d)找出所有匹配值中的最小值，将该最小值所对应的关联点，作为与当前跟踪目标最匹配的量测点后执行步骤(8)；

(8)确定“有关联点”状态下的运动状态估计值和特征：

(8a)利用卡尔曼滤波公式，计算当前跟踪目标在当前跟踪时刻运动状态的估计值；

(8b)将最匹配量测点数据中包含的检验统计量、多普勒频率信息，分别作为当前跟踪目标在当前跟踪时刻的检验统计量、多普勒频率；

(8c)将得到的当前跟踪目标在当前跟踪时刻的运动状态估计值、检验统计量和多普勒频率加入历史数据后，执行步骤(9)；

(9)判断是否已选完当前跟踪时刻存在的所有目标；若是，执行步骤(10)；否则，执行步骤(1)；

(10)完成对当前跟踪时刻存在的所有目标在当前跟踪时刻的跟踪。

本发明与现有的技术相比具有以下优点：

第一，由于本发明对每一个目标建立了包含多个特征的特征矩阵，并在有关联点的状态下，将所有关联点的多个特征与特征矩阵进行匹配，克服了现有技术将属于其它目标的量测点或虚警点与当前跟踪目标关联，导致对当前跟踪目标运动状态的估计和未来轨迹的跟踪出现偏差的问题，使得本发明提高了量测点与待跟踪目标的关联准确率，进而能够对多个目标的轨迹实现更精确的跟踪。

第二，由于本发明通过计算所有关联点与特征矩阵匹配程度的方式，选择与目标最匹配的关联点，克服了现有技术计算方法较为复杂、计算量较大的问题，使得本发明在实际工程中实现更加容易，提高了工程效率。

附图说明

图1为本发明的流程图；

图2为本发明的仿真图。

具体实施方式

下面结合附图对本发明做进一步的描述。

结合附图1中，对本发明的具体步骤进一步的描述。

步骤1，从当前跟踪时刻存在的多个非机动目标中，选择一个未跟踪的目标，作为当前跟踪目标。

步骤2，预测运动状态。

将当前跟踪目标在当前跟踪时刻上一时刻的运动状态的估计值，代入状态方程，得到当前跟踪目标在当前跟踪时刻运动状态的预测值。

所述的运动状态，包括目标所处位置的直角坐标、目标在x轴方向的速度、目标在y轴方向的速度。

所述的状态方程如下：

其中，

表示根据当前跟踪目标在第k-1时刻运动状态的估计值得到的当前跟踪目标在第k时刻运动状态的预测值，k的取值范围为大于等于1、小于等于雷达接收机工作时间的整数，A_k表示状态方程在k时刻的状态转移矩阵，

表示当前跟踪目标在第k-1时刻的运动状态的估计值，W_k-1表示第k-1时刻环境中产生的动态噪声。

步骤3，建立当前跟踪目标的特征矩阵。

寻找与当前跟踪时刻最近的5个时刻。

从当前跟踪目标的历史数据中，提取当前跟踪目标在这5个时刻的检验统计量和多普勒频率。

所述的当前跟踪目标的历史数据，包含了当前跟踪目标从开始运动到当前跟踪时刻上一时刻的所有运动状态估计值、检验统计量和多普勒频率。

将5个时刻当前跟踪目标的检验统计量，作为2×5的特征矩阵的第1行元素。

将5个时刻当前跟踪目标的多普勒频率，作为2×5的特征矩阵的第2行元素。

步骤4，从雷达接收机在当前跟踪时刻接收到的所有量测点中，找出符合关联条件的所有量测点。

所述的关联条件为：

其中，z_k表示待判断是否符合关联条件量测点的直角坐标，

表示根据当前跟踪目标在k-1时刻运动状态的估计值得到的目标在k时刻量测点的预测直角坐标，S_k表示当前跟踪目标在k时刻的新息协方差矩阵，^-1表示矩阵求逆操作，^T表示矩阵转置操作，g表示跟踪波门的大小。

所述的新息协方差矩阵的计算步骤如下：

第1步，按照下式，计算当前跟踪目标在k时刻运动状态的协方差矩阵预测值：

P_k|k-1＝A_kP_k-1A_k ^T+Q_k-1

其中，P_k|k-1表示根据当前跟踪目标在k-1时刻运动状态的协方差矩阵估计值，得到的当前跟踪目标在k时刻运动状态的协方差矩阵预测值，A_k表示状态方程在k时刻的状态转移矩阵，P_k-1表示当前跟踪目标在k-1时刻运动状态的协方差矩阵估计值，Q_k-1表示k-1时刻环境中产生的动态噪声协方差矩阵。

第2步，按照下式，计算当前跟踪目标在k时刻的新息协方差矩阵：

S_k＝C_kP_k|k-1C_k ^T+R_k

其中，S_k表示当前跟踪目标在k时刻的新息协方差矩阵，C_k表示量测方程在k时刻的状态转移矩阵，P_k|k-1表示根据当前跟踪目标在k-1时刻运动状态的协方差矩阵估计值，得到的当前跟踪目标在k时刻运动状态的协方差矩阵预测值，^T表示矩阵转置操作，R_k表示k时刻量测点的量测误差矩阵。

步骤5，判断符合关联条件的量测点的数量是否等于0，若是，则将当前跟踪目标在当前跟踪时刻的关联状态设定为“无关联点”后执行步骤6，否则，将当前跟踪目标在当前跟踪时刻的关联状态设定为“有关联点”后，执行步骤7。

步骤6，确定“无关联点”状态下的运动状态估计值和特征。

将当前跟踪目标在当前跟踪时刻运动状态的预测值，作为当前跟踪目标在当前跟踪时刻的运动状态估计值。

利用特征提取方法，从特征矩阵中得到当前跟踪目标在当前跟踪时刻的检验统计量、多普勒频率。

将得到的当前跟踪目标在当前跟踪时刻的运动状态估计值、检验统计量和多普勒频率加入历史数据后，执行步骤9。

所述的特征提取方法的具体步骤如下：

第1步，提取当前跟踪目标特征矩阵的第1行元素，作为目标历史检验统计量矩阵。

第2步，提取当前跟踪目标特征矩阵的第2行元素，作为目标历史多普勒频率矩阵。

第3步，将目标历史检验统计量矩阵的期望值、目标历史多普勒频率矩阵的期望值，分别作为当前跟踪目标在当前跟踪时刻的检验统计量、多普勒频率。

步骤7，确定“有关联点”状态下与当前跟踪目标特征最匹配的关联点。

(7.1)从所有关联点中，任选一个未被选过的关联点。

(7.2)利用匹配值计算方法，计算所选关联点特征与目标特征矩阵的匹配值。

所述的匹配值计算方法的具体步骤如下：

第3步，按照下式，分别计算所选关联点与目标历史检验统计量矩阵元素的相似度、所选关联点与目标历史多普勒频率矩阵元素的相似度：

其中，l表示所选关联点与目标历史检验统计量矩阵元素或者与目标历史检验统计量矩阵元素的相似度，||表示求绝对值操作，c表示所选关联点的检验统计量或者多普勒频率，E表示目标历史检验统计量矩阵或者目标历史多普勒频率矩阵的期望值，σ表示目标历史检验统计量矩阵或者目标历史多普勒频率矩阵的标准差值。

第4步，计算每个关联点到当前跟踪目标在当前跟踪时刻预测位置的距离，从所有的距离值中选出最大值，作为归一化标准值。

第5步，按照下式，计算所选关联点到当前跟踪目标在当前跟踪时刻预测位置的归一化距离：

其中，

表示所选关联点到当前跟踪目标在当前跟踪时刻预测位置的归一化距离，d表示所选关联点到当前跟踪目标在当前跟踪时刻预测位置的距离，D表示归一化标准值。

第6步，按照下式，计算所选量测点与目标特征矩阵的匹配值：

其中，M表示所选量测点与目标历史特征的匹配值，p_std表示特征匹配时检验统计量的参考权值，l_std表示所选量测点与目标历史检验统计量矩阵元素的相似度，p_dpl表示特征匹配时多普勒频率的参考权值，l_dpl表示所选量测点与目标历史多普勒频率矩阵元素的相似度，p_d表示特征匹配时归一化距离的参考权值，

表示所选量测点到当前跟踪目标在当前跟踪时刻运动状态预测值包含的直角坐标点的归一化距离。

(7.3)判定是否选完所有关联点：若是，则执行本步骤的(7.4)；否则，执行本步骤的(7.1)。

(7.4)找出所有匹配值中的最小值，将该最小值所对应的关联点，作为与当前跟踪目标最匹配的量测点后执行步骤8。

步骤8，确定“有关联点”状态下的运动状态估计值和特征。

利用卡尔曼滤波公式，计算当前跟踪目标在当前跟踪时刻运动状态的估计值。

所述的卡尔曼滤波公式如下：

其中，

表示目标在k时刻的运动状态，A_k表示状态方程在k时刻的状态转移矩阵，

表示目标在k-1时刻的运动状态，H_k表示k时刻的卡尔曼滤波增益矩阵，y_k表示k时刻与目标关联的量测点直角坐标，C_k表示量测方程在k时刻的状态转移矩阵。

所述的卡尔曼滤波增益矩阵的计算公式如下：

H_k＝P_k|k-1C_k ^T(C_kP_k|k-1C^T+R_k)^-1

其中，H_k表示k时刻的卡尔曼滤波增益矩阵，P_k|k-1表示根据当前跟踪目标在k-1时刻运动状态的协方差矩阵估计值，得到的当前跟踪目标在k时刻运动状态的协方差矩阵预测值，C_k表示量测方程在k时刻的状态转移矩阵，T表示矩阵转置操作，R_k表示k时刻量测点的量测误差矩阵，^-1表示矩阵求逆操作。

按照下式，计算当前跟踪目标在k时刻运动状态的协方差矩阵估计值，给k+1时刻跟踪使用：

P_k＝P_k|k-1-H_kS_kH_k ^T

其中，P_k表示当前跟踪目标在k时刻运动状态的协方差矩阵估计值，P_k|k-1表示根据当前跟踪目标在k-1时刻运动状态的协方差矩阵估计值，得到的当前跟踪目标在k时刻运动状态的协方差矩阵预测值，H_k表示k时刻的卡尔曼滤波增益矩阵，S_k表示当前跟踪目标在k时刻的新息协方差矩阵，^T表示矩阵转置操作。

将最匹配量测点数据中包含的检验统计量、多普勒频率信息，分别作为当前跟踪目标在当前跟踪时刻的检验统计量、多普勒频率。

步骤9，判断是否已选完当前跟踪时刻存在的所有目标；若是，将当前跟踪时刻的下一时刻设为当前跟踪时刻，并执行步骤10；否则，执行步骤1。

步骤10，完成对当前跟踪时刻存在的所有目标在当前跟踪时刻的跟踪。

下面结合仿真实验对本发明的效果做进一步说明。

1.仿真实验条件：

本发明仿真实验的硬件测试平台是：CPU为intel Core i7 8700，主频为3.2GHz，内存16GB，软件平台是：Windows10专业版，64位操作系统，matlab r2018b。

2.仿真内容与仿真结果分析：

本发明的仿真实验是分别采用现有技术中的最近邻关联方法和本发明方法，对两个运动轨迹交叉的目标进行跟踪。

两个目标在第1秒时的初始状态：目标1的初始位置直角坐标为(0,6)，初始x轴方向速度为1，初始y轴方向速度为-1，检验统计量为10，并加上分布范围为[-1,1]的均匀噪声；目标2的初始位置直角坐标为(0,3.5)，初始x轴方向速度为1，初始y轴方向速度为-0.8，检验统计量为15，并加上分布范围为[-1,1]的均匀噪声。两个目标均作30秒的匀速直线运动，并将这两个目标在第2到第30秒位置的直角坐标转换为极坐标、x和y方向的速度分别转换为多普勒速度和切向速度。

状态噪声为方差等于0.001²的高斯噪声，径向距离和方位角的量测噪声均为方差等于0.05²的高斯噪声。

第2秒到第30秒的虚警点位置分布服从泊松分布，虚警点x轴坐标取值范围为(-30,30)，y轴坐标分布范围为(-30,30)，设定每一秒在该范围内出现的个数期望值为100个；每一个虚警点的检验统计量为5，并加上分布范围为[0,2]的均匀噪声；每一个虚警点的多普勒速度为1，并加上分布范围为[-0.5,0.5]的均匀噪声。

本发明的仿真实验的结果如图2所示。其中，图2(a)为利用现有技术的最近邻关联方法对目标1、目标2方位角的跟踪结果图，图2(b)为利用本发明方法对目标1、目标2方位角的跟踪结果图；图2(c)为利用现有技术的最近邻关联方法对目标1、目标2径向距离的跟踪结果图，图2(d)为利用本发明方法对目标1、目标2径向距离的跟踪结果图。其中，图2(a)、图2(b)中的横坐标表示运动时刻，单位为秒，纵坐标表示方位角弧度值。图2(c)、图2(d)中的横坐标表示运动时刻，单位为秒，纵坐标表示径向距离，单位为千米。图2(a)、图2(b)、图2(c)、图2(d)中以“---”标示的曲线表示目标1在每个运动时刻方位角弧度真实值的变化曲线，以圆圈标示的曲线表示目标1在每个运动时刻方位角弧度量测值的变化曲线，以五角星标示的曲线表示目标1在每个运动时刻方位角弧度跟踪估计值的变化曲线，以“……”标示的曲线表示目标2在每个运动时刻径向距离真实值的变化曲线，以正方形标示的曲线表示目标2在每个运动时刻径向距离量测值的变化曲线，以星号标示的曲线表示目标2在每个运动时刻径向距离跟踪估计值的变化曲线。

从图2(a)、图2(c)可以看出，当两个目标的轨迹发生交叉时，现有技术的最近邻关联方法不仅不能将两个目标的轨迹分离，反而会使两个目标的跟踪轨迹发生重合。

而从图2(b)、图2(d)可以看出，当两目标轨迹发生交叉时，本发明方法依然能有较好的跟踪效果，正确分离两条重合的轨迹。

综上所述，本发明的仿真实验证明了在目标轨迹交叉的情况下，本发明能够对目标运动轨迹进行有效、准确的跟踪。