CN110007298B - 一种目标超前预测跟踪方法 - Google Patents
一种目标超前预测跟踪方法 Download PDFInfo
- Publication number
- CN110007298B CN110007298B CN201810006364.9A CN201810006364A CN110007298B CN 110007298 B CN110007298 B CN 110007298B CN 201810006364 A CN201810006364 A CN 201810006364A CN 110007298 B CN110007298 B CN 110007298B
- Authority
- CN
- China
- Prior art keywords
- target
- advance
- state
- value
- prediction
- 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
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
- 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
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)
Abstract
本发明公开一种目标超前预测跟踪方法,在观测噪声影响不大的情况下,可提前一步预测目标的运动状态。首先对运动目标建立运动模型,然后采用平方根容积卡尔曼滤波的方法对目标下一时刻的运动状态做出超前一步预测,即先验估计,通过统计当前时刻之前的先验预测值与观测值之间的误差序列,建立马尔科夫转移概率模型,由马尔科夫转移概率矩阵预测下一时刻的先验预测误差,并用此误差修正下一时刻的超前预测值。本发明的超前预测跟踪方法能提前一步预测目标的运动状态,为跟踪控制系统提前提供目标状态预测值,控制系统可根据超前预测值提前动作克服跟踪的滞后,并可在目标受到遮挡时按照超前预测值维持对目标的连续跟踪。
Description
技术领域
本发明涉及图像、雷达及声纳信号处理领域。
背景技术
目标跟踪是用信号处理的方法对图像、雷达、声纳等应用场合中存在的目标状态信息进行估计,广泛应用在雷达及视频跟踪、无线激光通信、天文观测、航空摄影等领域。
在目标跟踪系统中,对目标的观测信号进行传输、处理会造成目标信息的观测滞后,同时控制系统通过执行机构对移动目标动态跟踪时,会有一定的控制滞后。在很多情况下,噪声对目标跟踪效果的影响远远小于观测和控制滞后对整个跟踪系统的影响。如果能够超前预测目标的运动状态,就可以为跟踪控制系统提前提供目标状态预测值,控制系统可提前动作克服跟踪的滞后。当目标受到遮挡时,跟踪系统可以按照超前预测值维持对目标的连续跟踪。
现有的运动目标跟踪方法一般都是在取得目标运动状态观测值的情况下,应用滤波方法得到状态的最优估计值,滤波的目的主要是为了克服干扰噪声的影响,但却无法克服跟踪的滞后。当滤波用于目标状态预测跟踪时,预测精度依赖于干扰噪声的分布,且一步预测精度有限,无法满足预测跟踪的精度要求。
发明内容
本发明提供一种目标超前预测跟踪方法,在观测噪声影响不大的情况下,可提前一步预测目标的运动状态,实现目标状态的超前一步预测。首先对运动目标建立运动模型,然后采用平方根容积卡尔曼滤波的方法对目标下一时刻的运动状态做出超前一步预测,即先验估计,通过统计当前时刻之前的先验预测值与观测值之间的误差序列,建立马尔科夫转移概率模型,由马尔科夫转移概率矩阵预测下一时刻的先验预测误差,并用此误差修正下一时刻的目标状态预测值。本发明的超前预测跟踪方法能提前一步预测目标的运动状态,为跟踪控制系统提前提供目标状态预测值,控制系统可提前动作克服跟踪的滞后。当目标受到遮挡时,跟踪系统可以按照超前预测值维持对目标的连续跟踪。
为实现上述目的,本发明一种目标超前预测跟踪方法,具体步骤为:
步骤一,建立目标的运动模型和观测模型,其中f(·)是状态转移函数,h(·)是观测函数,系统噪声wk和测量噪声vk是相互独立的零均值高斯白噪声,方差分别为Q和R,xk和zk是k时刻的目标位置状态值和位置观测值;
步骤二,用平方根容积卡尔曼滤波超前预测目标的位置状态,具体过程如下:
传播容积点Zi,k|k-1=h(Xi,k|k-1),i=1,2,...,m;
步骤三,用马尔科夫预测模型修正超前预测值,具体过程如下:
令Δmin=min{Δk-l-1,Δk-l,…Δk-1}且Δmax=max{Δk-l-1,Δk-l,…Δk-1},将[Δmin,Δmax]范围分成n个区间,每个区间对应一个离散的状态,记作{E1,E2,…,En};
根据{E1,E2,…,En},由马尔科夫模型得到转移概率矩阵P(k),根据转移概率矩阵,计算Δk最可能处于的状态区间Ej,Ej区间的中心点作为马尔科夫估计值Δk;
步骤四,最终的目标位置一步超前预测值由平方根容积卡尔曼滤波先验估计值和马尔科夫预测值之和确定,即Ψ(xk)=ψ(xk)+Δk。
具体实施方式
为了进一步说明本发明的技术方案,下面对本发明进行详细的说明,但不是对本发明的限定。本发明一种目标超前预测跟踪方法,具体包括以下步骤:
步骤一,建立目标的运动模型和观测模型,其中f(·)是状态转移函数,h(·)是观测函数,系统噪声wk和测量噪声vk是相互独立的零均值高斯白噪声,方差分别为Q和R,xk和zk是k时刻的目标位置状态值和位置观测值;
步骤二,用平方根容积卡尔曼滤波超前预测目标的位置状态,具体过程如下:
传播容积点Zi,k|k-1=h(Xi,k|k-1),i=1,2,...,m;
步骤三,用马尔科夫预测模型修正超前预测值,具体过程如下:
令Δmin=min{Δk-l-1,Δk-l,…Δk-1}且Δmax=max{Δk-l-1,Δk-l,…Δk-1},将[Δmin,Δmax]范围分成n个区间,每个区间对应一个离散的状态,记作{E1,E2,…,En};
根据{E1,E2,…,En},由马尔科夫模型得到转移概率矩阵P(k),根据转移概率矩阵,计算Δk最可能处于的状态区间Ej,Ej区间的中心点作为马尔科夫估计值Δk;
步骤四,最终的目标位置一步超前预测值由平方根容积卡尔曼滤波先验估计值和马尔科夫预测值之和确定,即Ψ(xk)=ψ(xk)+Δk。
从上述步骤中可以看出,步骤二给出了位置的先验状态预测将被用作一步超前预测值,但该超前预测值精度不高,因此在步骤三中,利用已获得的当前时刻之前的误差序列求得马尔科夫转移概率矩阵,根据此转移概率矩阵预测当前时刻误差,从而修正一步超前预测值,在步骤四中得到最终的目标位置超前预测值。
综上,本发明给出了一种目标超前预测跟踪方法,可以为跟踪控制系统提前一步提供目标状态预测值,控制系统可提前动作克服跟踪的滞后,并可在目标受到遮挡时按照超前预测值维持对目标的连续跟踪。本发明将可应用于视频、雷达及声纳目标跟踪、机器人定位导航等领域,具有广泛的应用前景。
Claims (1)
1.一种目标超前预测跟踪方法,具体步骤为:
步骤一,建立目标的运动模型和观测模型,其中f(·)是状态转移函数,h(·)是观测函数,系统噪声wk和测量噪声vk是相互独立的零均值高斯白噪声,方差分别为Q和R,xk和zk是k时刻的目标位置状态值和位置观测值;
步骤二,用平方根容积卡尔曼滤波超前预测目标的位置状态,具体过程如下:
Sk-1|k-1=chol(Pk-1|k-1),chol(·)代表Cholesky分解;
传播容积点Zi,k|k-1=h(Xi,k|k-1),i=1,2,...,m;
步骤三,用马尔科夫预测模型修正超前预测值,具体过程如下:
令Δmin=min{Δk-l-1,Δk-l,…Δk-1}且Δmax=max{Δk-l-1,Δk-l,…Δk-1},将[Δmin,Δmax]范围分成n个区间,每个区间对应一个离散的状态,记作{E1,E2,…,En};
根据{E1,E2,…,En},由马尔科夫模型得到转移概率矩阵P(k),根据转移概率矩阵,计算Δk最可能处于的状态区间Ej,Ej区间的中心点作为马尔科夫估计值Δk;
步骤四,最终的目标位置一步超前预测值由平方根容积卡尔曼滤波先验估计值和马尔科夫预测值之和确定,即Ψ(xk)=ψ(xk)+Δk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810006364.9A CN110007298B (zh) | 2018-01-04 | 2018-01-04 | 一种目标超前预测跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810006364.9A CN110007298B (zh) | 2018-01-04 | 2018-01-04 | 一种目标超前预测跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110007298A CN110007298A (zh) | 2019-07-12 |
CN110007298B true CN110007298B (zh) | 2023-04-07 |
Family
ID=67164131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810006364.9A Active CN110007298B (zh) | 2018-01-04 | 2018-01-04 | 一种目标超前预测跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007298B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930015B (zh) * | 2020-09-16 | 2021-06-04 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
CN115589338A (zh) * | 2022-12-08 | 2023-01-10 | 深圳市永达电子信息股份有限公司 | 一种马尔可夫链的操作链建立方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
JP2012251904A (ja) * | 2011-06-03 | 2012-12-20 | Mitsubishi Electric Corp | 追尾装置 |
CN102999696A (zh) * | 2012-11-13 | 2013-03-27 | 杭州电子科技大学 | 噪声相关系统基于容积信息滤波的纯方位跟踪方法 |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
CN105699964A (zh) * | 2016-02-29 | 2016-06-22 | 无锡南理工科技发展有限公司 | 一种基于汽车防撞雷达的道路多目标跟踪方法 |
CN107015944A (zh) * | 2017-03-28 | 2017-08-04 | 南京理工大学 | 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法 |
-
2018
- 2018-01-04 CN CN201810006364.9A patent/CN110007298B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012251904A (ja) * | 2011-06-03 | 2012-12-20 | Mitsubishi Electric Corp | 追尾装置 |
CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
CN102999696A (zh) * | 2012-11-13 | 2013-03-27 | 杭州电子科技大学 | 噪声相关系统基于容积信息滤波的纯方位跟踪方法 |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
CN105699964A (zh) * | 2016-02-29 | 2016-06-22 | 无锡南理工科技发展有限公司 | 一种基于汽车防撞雷达的道路多目标跟踪方法 |
CN107015944A (zh) * | 2017-03-28 | 2017-08-04 | 南京理工大学 | 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法 |
Non-Patent Citations (1)
Title |
---|
运动目标的超前预测跟踪;左韬;《科技世界》;20151231;第78、157页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110007298A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7180443B1 (en) | Reduced state estimator for systems with physically bounded parameters | |
CN108255791B (zh) | 基于分布式传感器一致性的机动目标跟踪方法 | |
CN109508445A (zh) | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 | |
CN107688179B (zh) | 基于多普勒信息辅助的综合概率数据互联方法 | |
WO2008038889A1 (en) | Radar tracking device and method thereof | |
CN110572139B (zh) | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN110673148A (zh) | 一种主动声纳目标实时航迹解算方法 | |
CN110007298B (zh) | 一种目标超前预测跟踪方法 | |
CN108226887B (zh) | 一种观测量短暂丢失情况下的水面目标救援状态估计方法 | |
CN112986977B (zh) | 一种克服雷达扩展卡尔曼航迹滤波发散的方法 | |
JP3750859B2 (ja) | レーダ追尾装置及びレーダ追尾処理方法 | |
CN108680162B (zh) | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 | |
JP2002181926A (ja) | 目標追尾方法およびその装置 | |
CN113191427A (zh) | 一种多目标车辆跟踪方法及相关装置 | |
CN115047505B (zh) | 基于载波相位差分辅助的gnss定位方法及导航方法 | |
CN116883460A (zh) | 一种视觉感知定位方法、装置、电子设备及存储介质 | |
CN114637956B (zh) | 一种基于双卡尔曼滤波器实现目标位置预测的方法 | |
CN111624549A (zh) | 非共视条件下无源滤波跟踪方法 | |
CN113008239B (zh) | 一种多auv协同定位鲁棒延迟滤波方法 | |
CN112083410B (zh) | 机动目标跟踪方法 | |
CN114035154A (zh) | 一种运动参数辅助的单站射频信号定位方法 | |
Rahnama et al. | Comparison of extended and unscented Kalman smoother in deriving kinematic characteristics of a high maneuver flying target | |
CN112198504B (zh) | 一种主被动观测特征交织的融合滤波方法 | |
CN113514823B (zh) | 一种基于伪谱的多模型机动目标检测前跟踪方法 |
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 |