CN111007454B - 一种基于合作目标信息的扩展目标跟踪方法 - Google Patents
一种基于合作目标信息的扩展目标跟踪方法 Download PDFInfo
- Publication number
- CN111007454B CN111007454B CN201911031587.1A CN201911031587A CN111007454B CN 111007454 B CN111007454 B CN 111007454B CN 201911031587 A CN201911031587 A CN 201911031587A CN 111007454 B CN111007454 B CN 111007454B
- Authority
- CN
- China
- Prior art keywords
- target
- information
- model
- tracking
- measurement
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明请求保护一种基于合作目标信息的扩展目标跟踪方法。该方法中合作目标周期性地检测自身位置与姿态,并通过通信网络发布自身身份、位置与姿态信息;观测站接收合作目标发送的信息,与观测站传感器检测的目标信息融合进行多个扩展目标的跟踪。首先用一组运动模型描述目标的运动;再针对每个运动模型分别构造滤波器,根据扩展目标的位置与姿态信息,通过一个二重跟踪门对传感器的量测值进行筛选,对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波;最后根据目标处于不同模型的概率进行融合,以所有滤波器的滤波估计值的概率加权和作为目标状态估计。本发明能有效提高合作目标存在时扩展目标的跟踪精度。
Description
技术领域
本发明属于计算机和自动化技术,主要涉及目标跟踪技术领域,具体涉及一种基于合作目标信息的扩展目标跟踪方法。
背景技术
目标跟踪技术在军事领域和民用领域都有着很重要的应用价值,这项技术是工业界、学术界重点发展的方向。
中国专利申请:DSRC与车载传感器融合的智能车辆目标跟踪系统及方法(申请号:CN201610126332.3),公开了一种利用车间通信的方式获取被跟踪目标的运动状态和身份信息来进行目标跟踪的方法,该方法只是改善了传统方法未充分利用目标车辆发布的身份信息和姿态信息的问题。首先没有考虑被跟踪目标运动模型较为单一,无法跟踪运动状态较为复杂的目标的问题;其次没有考虑方法的通用性,应用场景较为单一。中国专利申请:一种具有最优运动模式切换参数的交互式多模型目标跟踪方法(申请号:CN201410234810.3),公开了一种利用线性最小方差理论推导得到了最优运动模式切换参数的交互式多模型目标跟踪方法,该方法考虑到运动模式之间的相关性问题,将运动模式间的协方差信息全部加以利用,避免了传统方法将相关性遗漏的问题,但是该方法没有考虑目标跟踪场景中即使目标只有一个也会引入量测噪声和杂波问题,没有利用数据关联方法建立目标与量测的对应关系,该方法也未考虑带有姿态特征的扩展目标的数据关联。
本发明针对合作目标存在的场景,提出一种基于合作目标信息的扩展目标跟踪方法,利用合作目标发送的身份、位置与姿态信息来改善观测站对多个扩展目标的跟踪精度。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能有效提高扩展目标的跟踪精度的基于合作目标信息的扩展目标跟踪方法。本发明的技术方案如下:
一种基于合作目标信息的扩展目标跟踪方法,其包括以下步骤:
合作目标周期性地检测自身位置与姿态,并通过通信网络把自身身份信息、位置与姿态信息发送给观测站;观测站接收合作目标发送的信息,与观测站传感器检测到的目标信息进行融合,并根据跟踪模型进行多个扩展目标的跟踪,所述跟踪过程包括:首先用一组运动模型来描述目标的运动;然后针对每个运动模型分别构造一个滤波器,根据扩展目标的位置与姿态信息,通过一个二重跟踪门对传感器的量测值进行筛选,对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波;最后根据目标处于不同运动模型的概率进行融合,以所有滤波器的滤波估计值的概率加权和作为目标的状态估计。
进一步的,所述运动模型的建立具体步骤如下:用一组运动模型来描述目标的运动,设计一个由多个运动模型构成的运动模型集合M:
M={m(i)},i=1,2,…,r
其中m(i)表示模型集中的第i个运动模型;r表示运动模型总数。
针对不同的运动模型,建立相应的运动方程和观测方程,其中任意第m(i)个运动模型满足以下离散时间方程:
πij=P(sk=m(j)|sk-1=m(i)),k∈N,i,j=1,2,…,r
然后针对每个模型进行跟踪滤波。
进一步的,所述根据扩展目标的位置与姿态信息,通过一个二重跟踪门对传感器的量测值进行筛选,具体包括:
考虑到被跟踪目标都为带姿态信息的扩展目标,设置一个二重跟踪门来对观测值进行筛选,首先利用被跟踪目标的姿态信息对观测状态zk进行筛选得到 (zk)′,然后在跟踪空间中利用其目标的位置信息设置矩形跟踪门,根据对应匹配的模型残差向量及残差协方差阵分别用表示,对于任意一个被跟踪的目标lk的残差向量分量量测值(zk)′的分量和预测量测向量跟踪门常数Kg,当观测量满足如下关系:
进一步的,所述对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波,其步骤包括:
目标量测重构:利用合作目标身份信息不变性,对一步预测值进行重构;
数据关联:根据重构的一步预测值和k时刻候选量测 (zk)″=[(zk,1)″ (zk,2)″ …(zk,l)″],以及直到k时刻的累计候选量测集 Zk=[(z1)″ (z2)″ … (zk)″]来计算表示在k时刻第m个量测来自目标这一事件的概率,表示为没有量测源于目标的概率,因此满足
进一步的,所述对一步预测值进行重构的具体步骤是:对于中每一个对应的目标的id信息和姿态角,如果中有对应目标的id信息和航向角信息γ与其相同,则用的分量去替换中的分量,同时也替换对应的误差的协方差矩阵,得到修正后的一步预测值和预测误差的协方差矩阵
进一步的,所述最后根据目标处于不同运动模型的概率进行融合,以所有滤波器的滤波估计值的概率加权和作为目标的状态估计,具体包括:
利用直到k时刻的累计确认量测Zk与上一时刻滤波结果进行模型改率更新:
估计融合:估计融合就是给出k时刻的总体估计和总体估计误差的协方差阵,分别为:
本发明的优点及有益效果如下:
本发明提出一种基于合作目标信息的扩展目标跟踪方法。首先利用交互式多模型的方法对被跟踪目标建模,更能详细的描述被跟踪目标的运动状态,提高了一步预测的准确性。然后利用合作目标提供的身份信息与姿态信息对预测值重构,既能改善被跟踪目标被遮挡时检测不准的问题,又能提高一步预测的准确性。最后在跟踪门和关联过程中有效的利用姿态特征,不仅提高了传感器检测信息的利用率,而且也提高了目标跟踪的精度。通过上述三个方面,本发明可以有效提高目标跟踪性能,对目标跟踪方面的研究具有重要意义。
附图说明
图1是本发明基于合作目标信息的扩展目标跟踪的场景;
图2本发明基于合作目标信息的扩展目标跟踪算法结构图;
图3本发明基于合作目标信息的扩展目标跟踪方法的数据关联与滤波流程图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
常规的目标跟踪方法仅利用zk进行跟踪,融合跟踪方法能利用zk与中的姿态和位置信息进行融合跟踪,但均无法利用中的合作目标身份信息,对合作目标信息的利用不充分,从而影响跟踪精度。如果有效利用合作目标身份信息改善跟踪过程中的数据关联准确性,就能够提高目标跟踪精度。
如图2所示为本发明基于合作目标信息的扩展目标跟踪算法结构图,该方法包括以下步骤:
(1)对被跟踪目标建模:
设计一个由多个模型构成的模型集合,本发明中用以下符号进行表示模型集:
M={m(i)},i=1,2,…,r
其中每个模型m(i)是对模型集中任意一种模型的描述。
针对不同的模型,建立相应的运动方程和观测方程,其中任意第m(i)个模型满足以下离散时间的目标运动状态方程:
与观测方程
(2)模型条件的重初始化过程:
对于模型j=1,2,…,r,根据混合概率利用混合估计的方式重新初始化状态与协方差矩阵:
(3)观测状态的筛选:
观测站传感器k时刻的观测状态为zk=[zk(1) zk(2) … zk(nk)]和观测误差的协方差矩阵以及观测站周期性获得的合作目标发出的自身份信息、位置信息和姿态信息和合作目标自身检测误差的协方差矩阵其中nk为k时刻传感器检测到的量测个数,mk为k时刻时本场景中合作目标存在的个数,此处默认所有量测数据均在同一个坐标系下。
考虑到被跟踪目标都为带姿态信息的扩展目标,设置一个二重跟踪门来对观测值进行筛选,首先利用被跟踪目标的姿态信息对观测状态zk进行筛选得到 (zk)′,然后在跟踪空间中利用其目标的位置信息设置矩形跟踪门,根据对应匹配的模型残差向量及残差协方差阵分别用表示。对于任意一个被跟踪的目标 lk的残差向量分量量测值(zk)′的分量和预测量测向量跟踪门常数Kg,当观测量满足如下关系:
(4)数据关联与滤波:
(5)模型概率更新:
利用直到k时刻的累计确认量测Zk与上一时刻滤波结果进行模型概 率更新:
(6)估计融合:
估计融合就是给出k时刻的总体估计和总体估计误差的协方差阵,分别为:
如图3所示为本发明基于合作目标信息的扩展目标跟踪方法的数据关联与滤波流程图。数据关联与滤波流程由以下步骤构成:
一步预测过程中由于合作目标提供相对于观测站传感器观测状态更为精准的自身的身份信息id和姿态信息,利用其身份信息不变性,对一步预测值进行重构。此处具体操作是:对于中每一个对应的目标的id信息和姿态角,如果中有对应目标的id信息和航向角信息γ与其相同,则用的分量去替换中的分量,同时也替换对应的误差的协方差矩阵,得到修正后的一步预测值和预测误差的协方差矩阵
(2)数据关联:根据重构的一步预测值和k时刻确认量测 (zk)″=[(zk,1)″(zk,2)″ … (zk,l)″],以及直到k时刻的累计确认量测集Zk=[(z1)″ (z2)″ … (zk)″]来计算表示在k时刻第m个量测来自目标这一事件的概率,表示为没有量测源于目标的概率,因此满足
其中
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于合作目标信息的扩展目标跟踪方法,其特征在于,包括以下步骤:
合作目标周期性地检测自身位置与姿态,并通过通信网络把自身身份信息、位置与姿态信息发送给观测站;观测站接收合作目标发送的信息,与观测站传感器检测到的目标信息进行融合,并根据运动模型进行多个扩展目标的跟踪,所述目标跟踪过程包括:首先用一组运动模型来描述目标的运动;然后针对每个运动模型分别构造一个滤波器,根据扩展目标的位置与姿态信息,通过一个二重跟踪门对传感器的量测值进行筛选,对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波;最后根据目标处于不同运动模型的概率进行融合,以所有滤波器的滤波估计值的概率加权和作为目标的状态估计。
2.根据权利要求1所述的一种基于合作目标信息的扩展目标跟踪方法,其特征在于,所述运动模型的建立具体步骤如下:用一组运动模型来描述目标的运动,设计一个由多个运动模型构成的运动模型集合M:
M={m(i)},i=1,2,…,r
其中m(i)表示模型集中的第i个运动模型;r表示模型集中的模型的总数目,针对不同的运动模型,建立相应的运动方程和观测方程,其中任意第m(i)个运动模型满足以下离散时间方程:
πj=P(sk=m(j)|sk-1=m(i)),k∈N,i,j=1,2,…,r
4.根据权利要求3所述的一种基于合作目标信息的扩展目标跟踪方法,其特征在于,所述对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波,其步骤包括:
目标量测重构:利用合作目标身份信息不变性,对一步预测值进行重构;
数据关联:根据重构的一步预测值和k时刻候选量测(zk)″=[(zk,1)″(zk,2)″…(zk,l)″],以及直到k时刻的累计候选量测集Zk=[(z1)″(z2)″…(zk)″]来计算表示在k时刻第m个量测来自目标这一事件的概率,表示为没有量测源于目标的概率,因此满足
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031587.1A CN111007454B (zh) | 2019-10-28 | 2019-10-28 | 一种基于合作目标信息的扩展目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031587.1A CN111007454B (zh) | 2019-10-28 | 2019-10-28 | 一种基于合作目标信息的扩展目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007454A CN111007454A (zh) | 2020-04-14 |
CN111007454B true CN111007454B (zh) | 2022-07-01 |
Family
ID=70110927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911031587.1A Active CN111007454B (zh) | 2019-10-28 | 2019-10-28 | 一种基于合作目标信息的扩展目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007454B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812637B (zh) * | 2020-06-02 | 2022-12-02 | 杭州电子科技大学 | 具有类型概率的l-rfs混合目标结构建模与估计方法 |
CN112415503B (zh) * | 2020-10-15 | 2023-10-20 | 杭州电子科技大学 | 一种基于目标重跟踪的多目标粒子滤波检测前跟踪方法 |
CN112748735B (zh) * | 2020-12-18 | 2022-12-27 | 重庆邮电大学 | 一种引入颜色特征的扩展目标跟踪方法 |
CN112731371B (zh) * | 2020-12-18 | 2024-01-23 | 重庆邮电大学 | 一种激光雷达与视觉融合的集成化目标跟踪系统及方法 |
CN113191427B (zh) * | 2021-04-29 | 2022-08-23 | 无锡物联网创新中心有限公司 | 一种多目标车辆跟踪方法及相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639535A (zh) * | 2009-08-28 | 2010-02-03 | 茂名学院 | 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法 |
US9199643B1 (en) * | 2014-09-25 | 2015-12-01 | GM Global Technology Operations LLC | Sensor odometry and application in crash avoidance vehicle |
CN106443622A (zh) * | 2016-09-13 | 2017-02-22 | 哈尔滨工程大学 | 一种基于改进联合概率数据关联的分布式目标跟踪方法 |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109557533A (zh) * | 2018-11-28 | 2019-04-02 | 中国人民解放军国防科技大学 | 一种基于模型的联合跟踪与识别方法 |
CN109633590A (zh) * | 2019-01-08 | 2019-04-16 | 杭州电子科技大学 | 基于gp-vsmm-jpda的扩展目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9255988B2 (en) * | 2014-01-16 | 2016-02-09 | GM Global Technology Operations LLC | Object fusion system of multiple radar imaging sensors |
-
2019
- 2019-10-28 CN CN201911031587.1A patent/CN111007454B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639535A (zh) * | 2009-08-28 | 2010-02-03 | 茂名学院 | 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法 |
US9199643B1 (en) * | 2014-09-25 | 2015-12-01 | GM Global Technology Operations LLC | Sensor odometry and application in crash avoidance vehicle |
CN106443622A (zh) * | 2016-09-13 | 2017-02-22 | 哈尔滨工程大学 | 一种基于改进联合概率数据关联的分布式目标跟踪方法 |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109557533A (zh) * | 2018-11-28 | 2019-04-02 | 中国人民解放军国防科技大学 | 一种基于模型的联合跟踪与识别方法 |
CN109633590A (zh) * | 2019-01-08 | 2019-04-16 | 杭州电子科技大学 | 基于gp-vsmm-jpda的扩展目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
A TRACK-BEFORE-DETECT ALGORITHM USING JOINT PROBABILISTIC DATA ASSOCIATION FILTER AND INTERACTING MULTIPLE MODELS;Mazzu,Andrea;《IEEE International Conference on Image Proceesing》;20140101;全文 * |
likehood-based Data Association for Extended Object Tracking Using Sampling Methods;Granstorm,Karl;《IEEE TRANSACTIONS ON INTELLIGENT VEHICLES》;20180301;全文 * |
一种结合交互多模型的多机动扩展目标跟踪算法;葛建良等;《小型微型计算机系统》;20180215(第02期);全文 * |
合作目标辅助的扩展目标跟踪方法研究;郁玲玲;《中国优秀硕士学位论文全文数据库信息科技辑》;20210215;全文 * |
雷达扩展目标跟踪算法研究;武江涛;《中国优秀硕士学位论文全文数据库信息科技辑》;20141115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111007454A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007454B (zh) | 一种基于合作目标信息的扩展目标跟踪方法 | |
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN109472418B (zh) | 基于卡尔曼滤波的机动目标状态预测优化方法 | |
CN112313477A (zh) | 一种车辆环境映射的方法以及相应的系统、车辆和计算机程序产品 | |
CN109709934B (zh) | 一种飞行控制系统故障诊断冗余设计方法 | |
CN109975798B (zh) | 一种基于毫米波雷达与摄像头的目标检测方法 | |
CN108882172B (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
CN109059907A (zh) | 轨迹数据处理方法、装置、计算机设备和存储介质 | |
CN116186643B (zh) | 一种多传感器协同目标跟踪方法、系统、设备及介质 | |
CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
CN112305915B (zh) | Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统 | |
Li et al. | A track-oriented approach to target tracking with random finite set observations | |
CN113723006B (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 | |
CN114705223A (zh) | 多移动智能体在目标跟踪中的惯导误差补偿方法及系统 | |
CN115220002A (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
Fong | Multi‐sensor track‐to‐track fusion via linear minimum variance sense estimators | |
Dagan et al. | Heterogeneous decentralized fusion using conditionally factorized channel filters | |
CN110334472B (zh) | 一种群运动趋势辅助的集势概率假设密度滤波方法 | |
JP6927161B2 (ja) | 学習装置、予測装置、方法、及びプログラム | |
CN109684771B (zh) | 基于交互式多模型的机动目标状态预测优化方法 | |
CN113628254A (zh) | 基于移动平台的目标轨迹确定方法及相关设备 | |
CN113511194A (zh) | 一种纵向避撞预警方法及相关装置 | |
CN112800889A (zh) | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 | |
Hao et al. | Structure identification and tracking of multiple resolvable group targets with circular formation |
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 |