目标定位跟踪方法和装置
技术领域
本申请涉及定位跟踪技术领域,尤其涉及一种目标定位跟踪方法和装置。
背景技术
自主式水下机器人(Autonomous Underwater Vehicle,AUV)无人无缆,能够依靠自身携带的能源自主完成作业任务,具有安全、结构简单、造价低、作业范围广、无需水面支持系统等优点,凭借这些优势使得AUV在大范围雷区搜索、敌情侦察、海油工程、海上救援、海洋观测、海底调查等领域的应用越来越广泛。一方面,AUV可以避免人工探索水下环境,防止发生人员伤亡,处理人工所不能完成的任务。另一方面,AUV可以随意探测水下环境,获得人工探索和探测仪器无法观测的水下信息。AUV在进行水下工作时可能会发生意外导致无法正常工作,为了能够及时打捞并维修AUV,需要快速准确地定位并跟踪AUV在水下环境的具体位置。另外,AUV运动灵活性强,运动模型并非单一不变的,因此,亟需一种水下目标定位跟踪方法和装置,用于准确掌握AUV在水下环境的具体位置。
发明内容
为了解决上述技术问题,本申请提供了一种目标定位跟踪方法和装置。
第一方面,本申请提供了一种目标定位跟踪方法,所述方法包括:
接收多个待关联点的量测数据;
根据每个所述待关联点的量测数据确定对应的目标运动模型;
根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点;
根据多个所述目标确定点的量测数据生成目标移动轨迹。
可选地,所述待关联点的量测数据是根据所述待关联点到达多个检测节点之间的时间差预估待关联点的位置信息。
可选地,所述接收多个待关联点的量测数据之前,所述方法还包括:
在预设时间段内确定起始跟踪点或结尾跟踪点;
接收所述起始跟踪点或所述结尾跟踪点的量测数据。
可选地,所述接收多个待关联点的量测数据,包括:
接收所述起始跟踪点在预设时间段内结尾跟踪点、所述结尾跟踪点在预设时间段内起始跟踪点之间所有待关联点的量测数据。
可选地,所述根据每个所述待关联点的量测数据确定对应的目标运动模型,包括:
从获取起始跟踪点的量测数据至获取结尾跟踪点的量测数据的时间段内,按照接收量测数据的时间顺序或时间倒序选取一个待关联点作为待跟踪点;
根据所述待跟踪点的量测数据确定对应的目标运动模型。
可选地,所述根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点,包括:
根据所述目标运动模型生成待关联点的聚簇,所述聚簇用于指示以所述待跟踪点为参照点在预设范围内可检测到量测数据的点集;
根据所述聚簇生成与上一轮得出的目标确定点的假设关联集;
计算所述假设关联集中每个假设关联的概率值;
根据所述每个假设关联的概率值进行假设剪枝,得到概率值最高的假设关联;
根据概率值最高的假设关联确定目标确定点。
可选地,所述根据多个所述目标确定点的量测数据生成目标移动轨迹,包括:
将所述目标确定点与上一次得出的目标确定点进行关联;
根据所述目标确定点的量测数据更新所述目标运动模型;
按照接收量测数据的时间顺序或时间倒序重新选取一个待关联点作为待跟踪点;
当根据所有待关联点确定多个目标确定点,将所述起始跟踪点与所述结尾跟踪点关联在一起时,输出目标移动轨迹。
可选地,所述将所述目标确定点与上一轮得出的目标确定点进行关联,包括:
当所述目标确定点为与所述起始跟踪点或结尾跟踪点按照时间顺序选择的第一个待关联点时,将所述目标确定点与所述起始跟踪点或结尾跟踪点进行关联。
第二方面,本申请提供了一种目标定位跟踪的装置,所述装置包括:
量测数据接收单元,用于接收多个待关联点的量测数据;
确定模型单元,用于根据每个所述待关联点的量测数据确定对应的目标运动模型;
修正单元,用于根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点;
轨迹生成单元,用于根据多个所述目标确定点的量测数据生成目标移动轨迹。
可选地,所述装置还包括:
节点确定单元,用于在预设时间段内确定起始跟踪点或结尾跟踪点;
节点数据接收单元,用于接收所述起始跟踪点或所述结尾跟踪点的量测数据。
可选地,所述待关联点的量测数据是根据所述待关联点到达多个检测节点之间的时间差预估待关联点的位置信息。
可选地,所述量测数据接收单元包括:
收集数据单元,用于接收所述起始跟踪点在预设时间段内结尾跟踪点、所述结尾跟踪点在预设时间段内起始跟踪点之间所有待关联点的量测数据。
可选地,所述确定模型单元包括:
选择单元,用于从获取起始跟踪点的量测数据至获取结尾跟踪点的量测数据的时间段内,按照接收量测数据的时间顺序或时间倒序选取一个待关联点作为待跟踪点;
目标模型确定单元,用于根据所述待跟踪点的量测数据确定对应的目标运动模型。
可选地,所述修正单元包括:
聚簇单元,用于根据所述目标运动模型生成待关联点的聚簇,所述聚簇用于指示以所述待跟踪点为参照点在预设范围内可检测到量测数据的点集;
假设生成单元,用于根据所述聚簇生成与上一轮得出的目标确定点的假设关联集;
假设概率计算单元,用于计算所述假设关联集中每个假设关联的概率值;
剪枝单元,用于根据所述每个假设关联的概率值进行假设剪枝,得到概率值最高的假设关联;
确定点生成单元,用于根据概率值最高的假设关联确定目标确定点。
可选地,所述轨迹生成单元包括:
关联单元,用于将所述目标确定点与上一次得出的目标确定点进行关联;
模型更新单元,用于根据所述目标确定点的量测数据更新所述目标运动模型;
目标重选,用于按照接收量测数据的时间顺序或时间倒序重新选取一个待关联点作为待跟踪点;
轨迹输出单元,用于当根据所有待关联点确定多个目标确定点,将所述起始跟踪点与所述结尾跟踪点关联在一起时,输出目标移动轨迹。
可选地,所述关联单元包括:
准确关联单元,用于当所述目标确定点为与所述起始跟踪点或结尾跟踪点按照时间顺序选择的第一个待关联点时,将所述目标确定点与所述起始跟踪点或结尾跟踪点进行关联。
本发明的有益效果:
本发明公开了一种目标定位跟踪方法和装置,所述方法包括:接收多个待关联点的量测数据;根据每个所述待关联点的量测数据确定对应的目标运动模型;根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点;根据多个所述目标确定点的量测数据生成目标移动轨迹。根据上述方法对目标进行跟踪定位,所述目标可以为但不仅限于AUV,高效准确地掌握目标的位置。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中目标定位跟踪方法的流程示意图;
图2为一个实施例中对所述待关联点进行修正处理的流程示意图;
图3为一个实施例中目标轨迹与量测数据组成的聚簇的示意图;
图4为一个实施例中假设剪枝的原理示意图;
图5为一个实施例中一种目标定位跟踪装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为一个实施例中目标定位跟踪方法的流程示意图,在本发明实施例中,参照图1,本申请提供了一种目标定位跟踪方法,该方法可以应用于但不仅限于水下目标定位跟踪,所述方法包括:
步骤S110,接收多个待关联点的量测数据。
在本实施例中,接收在固定时间段内所有待关联点的量测数据,所述量测数据携带对应待关联点的位置信息,根据所述量测数据用于定位目标在固定时间段内的移动路径。
步骤S120,根据每个所述待关联点的量测数据确定对应的目标运动模型。
在本实施例中,水下目标的运动状态是复杂多变的,要结合多个模型共同表达机动目标的运动,采用交互多模算法(Interacting Multiple Model,IMM)对水下目标的运动模型进行建模,IMM算法用到的目标运动模型不是单一的而是多变的,它利用各个目标运动模型的出现概率以及其状态转移概率来自适应地调整每个模型的概率,然后根据相应的概率加权目标的状态估计,根据每个待关联点的量测数据确定该待关联点对应的目标运动模型,每个待关联点对应一个运动模型。
步骤S130,根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点。
在本实施例中,利用交互多模多假设跟踪算法先对待关联点的量测数据进行滤波,然后再进行多假设跟踪,根据多假设跟踪判断所述待关联点是否为准确的目标移动点,若不是则对所述待关联点进行修正处理,得到所述待关联点对应的目标确定点。
步骤S140,根据多个所述目标确定点的量测数据生成目标移动轨迹。
在本实施例中,根据每个待关联点对应的目标确定点关联在一起形成目标移动轨迹,可高效准确地确定目标在水下的位置。
具体地,接收在固定时间段内所有待关联点的量测数据,所述量测数据携带对应待关联点的位置信息,根据所述量测数据用于定位目标在固定时间段内的移动路径。水下目标的运动状态是复杂多变的,要结合多个模型共同表达机动目标的运动,采用交互多模算法(Interacting Multiple Model,IMM)对水下目标的运动模型进行建模,IMM算法用到的目标运动模型不是单一的而是多变的,它利用各个目标运动模型的出现概率以及其状态转移概率来自适应地调整每个模型的概率,然后根据相应的概率加权目标的状态估计,根据每个待关联点的量测数据确定该待关联点对应的目标运动模型,每个待关联点对应一个运动模型。利用交互多模多假设跟踪算法先对待关联点的量测数据进行滤波,然后再进行多假设跟踪,根据多假设跟踪判断所述待关联点是否为准确的目标移动点,若不是则对所述待关联点进行修正处理,得到所述待关联点对应的目标确定点。根据每个待关联点对应的目标确定点关联在一起形成目标移动轨迹,可高效准确地确定目标在水下的位置,所述目标可以为但不仅限于AUV。
在一个实施例中,所述待关联点的量测数据是根据所述待关联点到达多个检测节点之间的时间差预估待关联点的位置信息。
具体地,信号到达时间差定位水下目标,是利用目标信号到达两个检测节点之间的时间差来对目标的位置进行估计的方法,这能够降低对目标与基站之间时间同步的要求,此处一个检测节点对应一个基站。下面以4个水面基站为例,介绍利用信号到达时间差来定位水下目标的原理:
设置4个基站的位置分别为B1(x1,y1)、B2(x2,y2)、B3(x3,y3)和B4(x4,y4),目标位置为T(x,y)。目标信号到达4个基站的时间分别为t1、t2、t3和t4。根据距离公式可得到以下公式:
上述为两条双曲线公式,两条双曲线的交点就是联立式(1-1)、(1-2)和(1-3)的解,也就是目标位置,将信号到达时间差得到的目标位置作为量测数据。
在一个实施例中,所述接收多个待关联点的量测数据之前,所述方法还包括:
在预设时间段内确定起始跟踪点或结尾跟踪点;
接收所述起始跟踪点或所述结尾跟踪点的量测数据。
具体地,确定的起始跟踪点或结尾跟踪点用于在跟踪起始状态下与下一刻待关联点确定的目标确定点进行关联,并确定对目标跟踪的时间范围,用于后续确定在该时间范围内目标的移动路径,当确定起始跟踪点时,即后续确定从起始跟踪点起在预设时间段内所述目标的移动路径;当确定结尾跟踪点时,即后续确定从结尾跟踪点起往前推断所述目标在预设时间段内的移动路径。
在一个实施例中,接收所述起始跟踪点在预设时间段内结尾跟踪点、所述结尾跟踪点在预设时间段内起始跟踪点之间所有待关联点的量测数据。
具体地,接收在起始跟踪点至结尾跟踪点在预设时间段内的所有待关联点的量测数据,根据这个时间段内所有检测到的待关联点的量测数据推断所述目标的移动轨迹。
在一个实施例中,从获取起始跟踪点的量测数据至获取结尾跟踪点的量测数据的时间段内,按照接收量测数据的时间顺序或时间倒序选取一个待关联点作为待跟踪点;根据所述待跟踪点的量测数据确定对应的目标运动模型。
具体地,在预设时间段内接收的所有量测数据,按照时间顺序选取待关联点作为待跟踪点,当确定起始跟踪点的量测数据时,即按照从起始点至结尾跟踪点的时间顺序选取下一刻接收到量测数据的待关联点作为待跟踪点;当确定结尾跟踪点的量测数据时,即按照从结尾跟踪点至起始跟踪点的时间倒序选取下一刻接收到量测数据的待关联点作为待跟踪点。再根据所述待跟踪点的量测数据确定对应的目标运动模型,此处根据之前确认的目标确认点和由已知的目标确认点关联在一起的轨迹和上一轮更新后的目标运动模型,输入所述待跟踪点的量测数据得出与其对应的目标运动模型。
在一个实施例中,图2为一个实施例中对所述待关联点进行修正处理的流程示意图,参照图2,所述根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点,即步骤S130包括:
步骤S131,根据所述目标运动模型生成待关联点的聚簇,所述聚簇用于指示以所述待跟踪点为参照点在预设范围内可检测到量测数据的点集。
在本实施例中,在多假设跟踪算法(MHT算法)中,算法处理的声呐接收数据是以聚簇形式呈现的,所谓聚簇就是声呐在探测水下目标时,将声呐接收到的回波量测数据分组处理,分组后的每个聚簇内的量测数据都跟真实目标轨迹有相应的数据关联关系,即在以待关联点为参照点的预设范围内可检测到的其他量测数据,用于确定聚簇内最准确的目标确定点。这种分组处理方法减少了关联概率极小的数据关联,从而减少了计算量。聚簇中包含了可能的轨迹以及与这些轨迹相关联的量测数据。
不同的运动模型对应不同的状态估计值,导致相应的信息值也发生变化,导致基于MHT算法生成的聚簇也不同。产生的聚簇使目标被判断为某一个目标运动模型时,其状态的预测值会不同,这就会形成新的聚簇。但当声呐探测范围内的水下目标增多时,或水下目标运动模型更为复杂变化更多时,使交互多模多假设跟踪(IMM-MHT-TBD,InteractingMultiple Model-MHT-TBD)算法的计算量会急剧增加,因此在工程运用中生成新的聚簇时,为减小计算量默认运动模型是不变化的。
步骤S132,根据所述聚簇生成与上一轮得出的目标确定点的假设关联集。
在本实施例中,图3为一个实施例中目标轨迹与量测数据组成的聚簇的示意图,参照图2和图3,在MHT-TBD算法中,算法直接计算的就是各个聚簇中形成的假设,生成合理有效的假设也能够降低算法的计算量,假设代表的是声呐接收的目标量测与目标真实轨迹的关系,假设关联集中的每一个假设关联有3种数据关联的可能性:
(a)它是已存在的目标,确认轨迹的继续;
(b)它是新目标的量测数据,起始一条新轨迹;
(c)它是虚警。
利用MHT-TBD算法对水下目标进行跟踪时,真实的目标轨迹只能与一个量测数据关联。参照图3,以此为例详细说明假设的生成:
T1和T2分别为两个目标的轨迹,M1,M2以及M3是三组量测数据。根据假设生成原理,可以有以下关联处理:定义轨迹T3(T2,M2),假设量测数据M2是轨迹T2的延续;定义N2(M2),假设量测M2是一个新的目标轨迹的起始;定义F2(M2),假设M2是虚警。其中,T3、N2以及F2是互斥的。以此类推就可以定义T4(T1,M1),T5(T1,M3),T6(T2,M1),T7(T2,M3),N1(M1),N3(M3),F1(M1),F3(M3)。据此,有以下假设关联集:
H1:T1,T2,N1,N2,N3
H2:T1,T2,F1,F2,F3
H3:T1,T4,N3
H4:T1,T4,F3
H5:T3,T7,N1
H6:T3,T7,F1
……
如上例所示,当声呐扫描次数、声呐回波量测数量以及声呐观测范围内的目标个数都在增加的时候,所生成的假设数量会以指数的形式急剧增加,这会带来很大的计算量问题,会给算法带来很大的麻烦。这个时候就需要对生成的假设进行概率计算,然后根据计算结果对假设进行剪枝。
步骤S133,计算所述假设关联集中每个假设关联的概率值。
步骤S134,根据所述每个假设关联的概率值进行假设剪枝,得到概率值最高的假设关联。
在MHT算法中的假设生成步骤中会产生大量的假设,这就给MHT算法的结果带来很大的复杂性。为了简化MHT算法的结果,就要对已经产生的假设进行删减,剔出小概率假设,合并相同的假设。由于产生了大量的假设数目,那么在比较假设概率时进行的概率计算量也是非常大的,因此需要采用减小假设数量的剪枝算法,此处采用N-scan剪枝算法,该方法是通过延迟判决来减小假设数量降低假设计算量的,当生成的假设树深度为达到N时,就可以将k-N时刻产生的假设在k时刻剪枝。
图4为一个实施例中假设剪枝的原理示意图,参照图4,假设N=3,假设在k-3时刻T8的概率最高,那么就将假设树中T1、T2、T5、T8组成的分枝留存下来,将其他分枝删除。这时,就认为目标轨迹为T1、T2、T5、T8。在后面的假设管理中依此类推,需要注意的是要保证N=3。在此过程中,在k-1只留下M个与k时量测关联概率最大的假设,若在k-1时不仅只有T5与T8关联,此时将所有与T8关联的所有假设保留在后续过程中再进行延迟判决。
步骤S135,根据概率值最高的假设关联确定目标确定点。
在本实施例中,根据概率值最高的假设关联确定目标确定点,即可根据目标确定点确定目标从起始跟踪点或结尾跟踪点至该目标确定点的移动轨迹。
具体地,在多假设跟踪算法(Multiple Hypothesis Tracking,MHT算法)中,算法处理的声呐接收数据是以聚簇形式呈现的,所谓聚簇就是声呐在探测水下目标时,将声呐接收到的回波量测数据分组处理,分组后的每个聚簇内的量测数据都跟真实目标轨迹有相应的数据关联关系,即在以待关联点为参照点的预设范围内可检测到的其他量测数据,用于确定聚簇内最准确的目标确定点。这种分组处理方法减少了关联概率极小的数据关联,从而减少了计算量。聚簇中包含了可能的轨迹以及与这些轨迹相关联的量测数据。当声呐扫描次数、声呐回波量测数量以及声呐观测范围内的目标个数都在增加的时候,所生成的假设数量会以指数的形式急剧增加,这会带来很大的计算量问题,会给算法带来很大的麻烦。这个时候就需要对生成的假设进行概率计算,然后根据计算结果对假设进行剪枝。根据概率值最高的假设关联确定目标确定点,即可根据目标确定点确定目标从起始跟踪点或结尾跟踪点至该目标确定点的移动轨迹。
在一个实施例中,将所述目标确定点与上一次得出的目标确定点进行关联;根据所述目标确定点的量测数据更新所述目标运动模型;按照接收量测数据的时间顺序或时间倒序重新选取一个待关联点作为待跟踪点;当根据所有待关联点确定多个目标确定点,将所述起始跟踪点与所述结尾跟踪点关联在一起时,输出目标移动轨迹。
具体地,每一个目标确定点与上一轮得到的目标确定点进行关联,由于目标确定点经过了修正处理得出的,因此待关联点对应的目标运动模型也随之发生变化,用更新后的目标运动模型作为下一轮的起始运动模型,并将已经确定的有已知目标确定点关联在一起的轨迹和已知的目标确定点,作为下一轮待关联点重新确定对应目标运动模型的基础。当所有待关联点都确认了各自对应的目标确定点时,则输出所有目标确定点关联在一起形成的目标轨迹。
在一个实施例中,当所述目标确定点为与所述起始跟踪点或结尾跟踪点按照时间顺序选择的第一个待关联点时,将所述目标确定点与所述起始跟踪点或结尾跟踪点进行关联。
具体地,当所述目标确定点为与所述起始跟踪点或结尾跟踪点按照时间顺序选择的第一个待关联点时,将所述目标确定点与所述起始跟踪点或结尾跟踪点进行关联;当所述目标确定点不是与所述起始跟踪点或结尾跟踪点按照时间顺序选择的第一个待关联点时,则与上一轮确定的目标确定点进行关联。
图1为一个实施例中目标定位跟踪方法的流程示意图,图2为一个实施例中对所述待关联点进行修正处理的流程示意图。应该理解的是,虽然图1和图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1和图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,图5为一个实施例中一种目标定位跟踪装置的结构示意图,参照图5,本申请提供了一种目标定位跟踪的装置,所述装置包括:
量测数据接收单元210,用于接收多个待关联点的量测数据;
确定模型单元220,用于根据每个所述待关联点的量测数据确定对应的目标运动模型;
修正单元230,用于根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点;
轨迹生成单元240,用于根据多个所述目标确定点的量测数据生成目标移动轨迹。
具体地,通过量测数据接收单元210接收多个待关联点的量测数据;通过确定模型单元220根据每个所述待关联点的量测数据确定对应的目标运动模型;通过修正单元230根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点;通过轨迹生成单元240根据多个所述目标确定点的量测数据生成目标移动轨迹。根据上述装置实现对目标的准确跟踪定位。
在一个实施例中,所述装置还包括:
节点确定单元,用于在预设时间段内确定起始跟踪点或结尾跟踪点;
节点数据接收单元,用于接收所述起始跟踪点或所述结尾跟踪点的量测数据。
在一个实施例中,所述待关联点的量测数据是根据所述待关联点到达多个检测节点之间的时间差预估待关联点的位置信息。
在一个实施例中,所述量测数据接收单元210包括:
收集数据单元,用于接收所述起始跟踪点在预设时间段内结尾跟踪点、所述结尾跟踪点在预设时间段内起始跟踪点之间所有待关联点的量测数据。
在一个实施例中,所述确定模型单元220包括:
选择单元,用于从获取起始跟踪点的量测数据至获取结尾跟踪点的量测数据的时间段内,按照接收量测数据的时间顺序或时间倒序选取一个待关联点作为待跟踪点;
目标模型确定单元,用于根据所述待跟踪点的量测数据确定对应的目标运动模型。
在一个实施例中,所述修正单元230包括:
聚簇单元,用于根据所述目标运动模型生成待关联点的聚簇,所述聚簇用于指示以所述待跟踪点为参照点在预设范围内可检测到量测数据的点集;
假设生成单元,用于根据所述聚簇生成与上一轮得出的目标确定点的假设关联集;
假设概率计算单元,用于计算所述假设关联集中每个假设关联的概率值;
剪枝单元,用于根据所述每个假设关联的概率值进行假设剪枝,得到概率值最高的假设关联;
确定点生成单元,用于根据概率值最高的假设关联确定目标确定点。
在一个实施例中,所述轨迹生成单元240包括:
关联单元,用于将所述目标确定点与上一次得出的目标确定点进行关联;
模型更新单元,用于根据所述目标确定点的量测数据更新所述目标运动模型;
目标重选,用于按照接收量测数据的时间顺序或时间倒序重新选取一个待关联点作为待跟踪点;
轨迹输出单元,用于当根据所有待关联点确定多个目标确定点,将所述起始跟踪点与所述结尾跟踪点关联在一起时,输出目标移动轨迹。
在一个实施例中,所述关联单元包括:
准确关联单元,用于当所述目标确定点为与所述起始跟踪点或结尾跟踪点按照时间顺序选择的第一个待关联点时,将所述目标确定点与所述起始跟踪点或结尾跟踪点进行关联。
本发明公开了一种目标定位跟踪方法和装置,所述方法包括:接收多个待关联点的量测数据;根据每个所述待关联点的量测数据确定对应的目标运动模型;根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点;根据多个所述目标确定点的量测数据生成目标移动轨迹。根据上述方法对目标进行跟踪定位,所述目标可以为但不仅限于AUV,高效准确地掌握目标的位置。
所述装置包括:量测数据接收单元210,用于接收多个待关联点的量测数据;确定模型单元220,用于根据每个所述待关联点的量测数据确定对应的目标运动模型;修正单元230,用于根据所述目标运动模型对所述待关联点进行修正处理,得到对应的目标确定点;轨迹生成单元240,用于根据多个所述目标确定点的量测数据生成目标移动轨迹。根据上述装置对目标进行跟踪定位,所述目标可以为但不仅限于AUV,高效准确地掌握目标的位置。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。