CN111259332A - 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 - Google Patents

一种杂波环境下的模糊数据关联方法及多目标跟踪方法 Download PDF

Info

Publication number
CN111259332A
CN111259332A CN202010032204.9A CN202010032204A CN111259332A CN 111259332 A CN111259332 A CN 111259332A CN 202010032204 A CN202010032204 A CN 202010032204A CN 111259332 A CN111259332 A CN 111259332A
Authority
CN
China
Prior art keywords
target
probability
measurement
interconnection
tracking
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.)
Granted
Application number
CN202010032204.9A
Other languages
English (en)
Other versions
CN111259332B (zh
Inventor
张宏伟
张小虎
杨夏
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.)
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
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 National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN202010032204.9A priority Critical patent/CN111259332B/zh
Publication of CN111259332A publication Critical patent/CN111259332A/zh
Application granted granted Critical
Publication of CN111259332B publication Critical patent/CN111259332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种杂波环境下的模糊数据关联方法，包括以下步骤：步骤1，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵；步骤2，通过互联规则构建统计距离；步骤3，利用KL散度正则信息约束目标函数；步骤4，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率；步骤5，利用概率加权更新目标状态及协方差。本发明在多目标跟踪实时性方面得到了较大的改善，并且其多目标跟踪精度、有效跟踪率与经典的联合概率数据关联算法相近，能够达到有效跟踪目标的要求。相应地，本发明还提供一种多目标跟踪方法。

Description

一种杂波环境下的模糊数据关联方法及多目标跟踪方法
技术领域
本发明涉及目标跟踪技术领域，具体而言，涉及一种杂波环境下的模糊数据关联方法及多目标跟踪方法。
背景技术
多目标跟踪技术中最重要而又最困难的问题是如何进行有效的数据关联。目前主流的有效数据关联方法有：联合概率数据关联(JPDA)、简易联合概率数据关联(CJPDA)、多假设跟踪(MHT)、多概率假设(MPH)以及粒子滤波等。上述方法都是基于概率统计的思想，而在实际情况中，杂波环境下中存在虚警、漏检，实际的传感器系统总是不可避免的存在测量误差，跟踪环境的先验知识难以统计等问题，这些不确定性导致目标与其观测回波之间的对应关系存在模糊性，目标跟踪性能有待进一步改善。
经过大量检索发现一些典型的现有技术，如申请号201410317097.9的专利公开了一种基于动态规划的强杂波环境中弱小目标检测前跟踪方法，其具有提高检测跟踪性能的优点。又如申请号为201610835472.8的专利公开了一种低可观测高杂波条件下的多目标检测与跟踪方法，能有效减少相邻目标之间的影响。又如申请号为201610942027.1的专利公开了一种适用于杂波环境的多多目标跟踪方法及跟踪系统，其有效地解决了现有方法在新目标出现后的前几个时间步不能提供新目标状态估计的问题。
可见，对于杂波环境下的目标跟踪技术，其实际应用中的亟待处理的实际问题(如提高目标跟踪性能等)还有很多未提出具体的解决方案。
发明内容
为了克服现有技术的不足提供了一种杂波环境下的模糊数据关联方法及多目标跟踪方法，本发明的具体技术方案如下：
一种杂波环境下的模糊数据关联方法，包括以下步骤：
步骤1，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵；
步骤2，通过互联规则构建统计距离；
步骤3，利用KL散度正则信息约束目标函数；
步骤4，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率；
步骤5，利用概率加权更新目标状态及协方差。
可选的，在步骤1中，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵通过模糊数学的隶属度函数完成。
可选的，在步骤2中，统计距离通过以下公式计算而得：
Figure BDA0002364731140000021
其中，
Figure BDA0002364731140000022
为目标检测概率，
Figure BDA0002364731140000023
为门限，ni表示目标航迹确认区域中的量测数量，V为检测区域体积因子。
可选的，在步骤3中，利用KL散度正则信息约束目标函数的具体方法包括以下步骤：
步骤3a，采用KL散度正则约束，以最小无偏地描述数据点和类中心的隶属度，其表达式为：
Figure BDA0002364731140000031
步骤3b,通过拉格朗日乘子法，将目标函数定义为：
Figure BDA0002364731140000032
其中，权重uij满足约束条件
Figure BDA0002364731140000033
可选的，在步骤4中，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率的具体方法包括以下步骤：
步骤4a，最小化目标函数，得权重uij为：
Figure BDA0002364731140000034
步骤4b，归一化关联权重，得到量测与目标航迹的互联概率为：
Figure BDA0002364731140000035
可选的，在步骤5中，利用概率加权更新目标状态及协方差的具体方法包括以下步骤：
5a，通过概率加权融合得到第i个目标的状态及协方差更新值分别为：
Figure BDA0002364731140000036
以及
Figure BDA0002364731140000037
步骤5b，更新的状态估计对应的误差协方差为：
Pi,k＝φi0,kPi,k+[I-Ki,kHi,k]Pi,k；
其中，
Figure BDA0002364731140000041
表示量测zl,k对应的新息，I为与目标i状态同维数的单位矩阵，Ki,k表示与第i个目标的增益。
可选的，在步骤5a中，若没有一个量测是源于目标的正确量测，即l＝0时，状态更新值用预测值代替，其公式为
Figure BDA0002364731140000042
第i个目标的状态更新值为
Figure BDA0002364731140000043
其中，
Figure BDA0002364731140000044
表示组合新息。
与上述一种杂波环境下的模糊数据关联方法相对应的，本发明还提供一种多目标跟踪方法，其包括上述所述的一种杂波环境下的模糊数据关联方法。
本发明所取得的有益效果包括：在多目标跟踪实时性方面得到了较大的改善，并且其多目标跟踪精度、有效跟踪率与经典的JPDA(联合概率数据关联)算法相近，能够达到有效跟踪目标的要求。
附图说明
从以下结合附图的描述可以进一步理解本发明，将重点放在示出实施例的原理上。
图1是本发明实施例中一种杂波环境下的模糊数据关联方法的流程示意图；
图2是本发明实施例中在杂波密度为1时，杂波干扰下的目标轨迹图；
图3是本发明实施例中JPDA、CJPDA以及FJPDA三种方法在过程噪声标准差为Qii＝0.02时，目标1的跟踪均方误差对比图；
图4是本发明实施例中JPDA、CJPDA以及FJPDA三种方法在过程噪声标准差为Qii＝0.02时，目标2的跟踪均方误差对比图；
图5是本发明实施例中JPDA、CJPDA以及FJPDA三种方法在过程噪声标准差为Qii＝0.1时，目标1的跟踪均方误差对比图；
图6是本发明实施例中JPDA、CJPDA以及FJPDA三种方法在过程噪声标准差为Qii＝0.1时，目标2的跟踪均方误差对比图；
图7是本发明实施例中JPDA、CJPDA以及FJPDA三种方法在杂波密度λ＝2时，目标1的跟踪均方误差对比图；
图8是本发明实施例中JPDA、CJPDA以及FJPDA三种方法在杂波密度λ＝2时，目标2的跟踪均方误差对比图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明为一种杂波环境下的模糊数据关联方法及多目标跟踪方法，根据附图所示讲述以下实施例：
实施例一：
多目标跟踪技术中最重要而又最困难的问题是如何进行有效的数据关联。目前主流的有效数据关联方法有：联合概率数据关联(JPDA)、简易联合概率数据关联(CJPDA)、多假设跟踪(MHT)、多概率假设(MPH)以及粒子滤波等。
杂波环境下，联合概率数据关联方法对多目标跟踪具有良好的性能，然而，该方法中的联合事件数是所有候选回波数的指数函数，随着回波密度的增加，计算负荷呈几何级增长。简易联合概率数据关联通过粗略计算概率，设定阈值以构建新的简化确认矩阵，降低了计算量，由于概率之和不为零，会出现漏检情况。多假设跟踪由于综合考虑目标的维持、消失等情况，假设的组合数随目标个数的增加而急剧增大。近年来，序贯蒙特卡洛(又称粒子滤波器)也被广泛应用到多目标跟踪中来，该方法的跟踪性能较大依赖于粒子数目，计算量大，较难实现实时跟踪。
上述方法都是基于概率统计的思想，而在实际情况中，杂波环境下中存在虚警、漏检，实际的传感器系统总是不可避免的存在测量误差，跟踪环境的先验知识难以统计等问题，这些不确定性导致目标与其观测回波之间的对应关系存在模糊性。
假设跟踪区域中目标数量为nt，k+1时刻确认区域中的量测数量为mk+1，z(k+1)表示k+1时刻落入目标相关波门内的候选回波集合，即：Z(k+1)＝{z1(k+1),z2(k+1),…,zm(k+1)}。
定义目标i的状态方程为：Xi(k+1)＝Fi(k)Xi(k)+Gi(k)Vi(k)。式中，Xi(k)表示k时刻目标i的状态向量，Fi(k)表示k时刻目标i的状态转移矩阵，Gi(k)表示k时刻的过程噪声分布阵，Vi(k)表示均值为零、协方差为Qi(k)的高斯过程噪声序列。
定义目标i的量测向量为：zi(k+1)＝Hi(k)Xi(k)+Gi(k)Wi(k)。式中，Hi(k)表示k时刻目标i的量测矩阵，Wi(k)表示均值为零、协方差为Ri(k)的高斯过程噪声序列，且量测噪声序列与过程噪声序列不相关。
在噪声杂波环境中，每次扫描得到的确认量测数大于目标数量，即mk＞nt，这种情况在密集杂波环境下尤其明显。杂波环境下，k时刻扫描得到的每个候选量测可能来自目标，也可能来自杂波。每个目标的真实量测以一定的检测概率出现在每次扫描中，同时可能会漏测有些目标。由于确认区域内的量测之间空间距离很近，很难准确地直接将每个目标与其真实量测对应，模糊数学的隶属度函数可以用来表示量测-目标航迹互联判决中本身存在的不确定性，以此建立候选量测与目标的互联矩阵，然后通过计算得到候选量测源于不同目标或杂波的概率，最终利用概率加权得到目标的状态估计，可以实现对多目标的实时跟踪。
对于有效量测集Z(k+1)＝{z1(k+1),z2(k+1),…,zm(k+1)}，为了避免陷入局部最大值,根据目标跟踪的特点，采用c个目标的预测观测值作为聚类中心。多目标跟踪数据关联过程可以描述为优化模糊聚类，相应的代价函数为：
Figure BDA0002364731140000081
其中，uij服从如下约束：
Figure BDA0002364731140000082
d(xi,cj)表示点与聚类中心之间的欧式距离，归一化距离平方为：
Figure BDA0002364731140000083
其中，
Figure BDA0002364731140000084
表示新息，Si(k+1)表示目标在k+1时刻的新息协方差。
如图1所示，本实施例提供一种杂波环境下的模糊数据关联方法，其包括以下步骤：
步骤1，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵；
步骤2，通过互联规则构建统计距离；
步骤3，利用KL散度正则信息约束目标函数；
步骤4，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率；
步骤5，利用概率加权更新目标状态及协方差。
其中，在步骤1中，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵通过模糊数学的隶属度函数完成。
由于每个目标航迹确认区域内的候选量测来自该目标的概率可能性大于外部量测，其关联概率与目标检测概率
Figure BDA0002364731140000085
门限
Figure BDA0002364731140000086
成正比。若目标被检测到，定义修正统计距离Dij(k+1)应该考虑因子
Figure BDA0002364731140000087
反之，若目标未被检测到，考虑因子
Figure BDA0002364731140000088
特别地，当
Figure BDA0002364731140000089
且
Figure BDA00023647311400000810
表示所有的跟踪门对应全部的有效观测区域。同时，由于每次扫描中每个目标航迹至多只有1个量测与其关联，定义Dij(k+1)时应该考虑检测区域体积因子V。
由此，在步骤2中，统计距离通过以下公式计算而得：
Figure BDA0002364731140000091
式中ni表示目标航迹确认区域中的量测数量。
其
Figure BDA0002364731140000092
表示1个量测与目标航迹互联；
Figure BDA0002364731140000093
表示量测均来自与杂波，存在漏检；Dij(k+1)＝∞,ωij＝0,j≠0表示无量测落入确认区域。
作为一种优选的技术方案，在步骤3中，利用KL散度正则信息约束目标函数的具体方法包括以下步骤：
步骤3a，采用KL散度正则约束，以最小无偏地描述数据点和类中心的隶属度，其表达式为：
Figure BDA0002364731140000094
步骤3b,通过拉格朗日乘子法，将目标函数定义为：
Figure BDA0002364731140000095
其中，权重uij满足约束条件
Figure BDA0002364731140000096
作为一种优选的技术方案，在步骤4中，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率的具体方法包括以下步骤：
步骤4a，最小化目标函数，得隶属度，即权重uij为：
Figure BDA0002364731140000101
步骤4b，归一化关联权重，得到量测与目标航迹的互联概率为：
Figure BDA0002364731140000102
注意到，若量测位于目标航迹的确认区域外，即Dij(k+1)＝∞时，uij＝0，符合实际情况。
从上述表达式可以知道，uij的取值与权重指数P有关，权重指数P越大，隶属度越小。
若P＝2，uij的取值取决于公式
Figure BDA0002364731140000103
这与JPDA算法中联合事件概率的表达式相似.
作为一种优选的技术方案，在步骤5中，利用概率加权更新目标状态及协方差的具体方法包括以下步骤：
5a，通过概率加权融合得到第i个目标的状态及协方差更新值分别为：
Figure BDA0002364731140000104
以及
Figure BDA0002364731140000105
步骤5b，更新的状态估计对应的误差协方差为：
Pi,k＝φi0,kPi,k+[I-Ki,kHi,k]Pi,k；
其中，
Figure BDA0002364731140000106
表示量测zl,k对应的新息，I为与目标i状态同维数的单位矩阵，Ki,k表示与第i个目标的增益。
其中，在步骤5a中，若没有一个量测是源于目标的正确量测，即l＝0时，状态更新值用预测值代替，其公式为
Figure BDA0002364731140000111
第i个目标的状态更新值为
Figure BDA0002364731140000112
式中
Figure BDA0002364731140000113
表示组合新息。
实施例二：
与实施例一相对应，本实施例提供一种多目标跟踪方法，其包括如下步骤：
步骤1，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵；
步骤2，通过互联规则构建统计距离；
步骤3，利用KL散度正则信息约束目标函数；
步骤4，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率；
步骤5，利用概率加权更新目标状态及协方差，以实现对多目标的跟踪。
其中，在步骤1中，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵通过模糊数学的隶属度函数完成。
由于每个目标航迹确认区域内的候选量测来自该目标的概率可能性大于外部量测，其关联概率与目标检测概率
Figure BDA0002364731140000114
门限
Figure BDA0002364731140000115
成正比。若目标被检测到，定义修正统计距离Dij(k+1)应该考虑因子
Figure BDA0002364731140000116
反之，若目标未被检测到，考虑因子
Figure BDA0002364731140000117
特别地，当
Figure BDA0002364731140000118
且
Figure BDA0002364731140000119
表示所有的跟踪门对应全部的有效观测区域。同时，由于每次扫描中每个目标航迹至多只有1个量测与其关联，定义Dij(k+1)时应该考虑检测区域体积因子V。
由此，在步骤2中，统计距离通过以下公式计算而得：
Figure BDA0002364731140000121
式中ni表示目标航迹确认区域中的量测数量。
其
Figure BDA0002364731140000122
表示1个量测与目标航迹互联；
Figure BDA0002364731140000123
表示量测均来自与杂波，存在漏检；Dij(k+1)＝∞,ωij＝0,j≠0表示无量测落入确认区域。
作为一种优选的技术方案，在步骤3中，利用KL散度正则信息约束目标函数的具体方法包括以下步骤：
步骤3a，采用KL散度正则约束，以最小无偏地描述数据点和类中心的隶属度，其表达式为：
Figure BDA0002364731140000124
步骤3b,通过拉格朗日乘子法，将目标函数定义为：
Figure BDA0002364731140000125
其中，权重uij满足约束条件
Figure BDA0002364731140000126
作为一种优选的技术方案，在步骤4中，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率的具体方法包括以下步骤：
步骤4a，最小化目标函数，得隶属度，即权重uij为：
Figure BDA0002364731140000131
步骤4b，归一化关联权重，得到量测与目标航迹的互联概率为：
Figure BDA0002364731140000132
注意到，若量测位于目标航迹的确认区域外，即Dij(k+1)＝∞时，uij＝0，符合实际情况。
从上述表达式可以知道，uij的取值与权重指数P有关，权重指数P越大，隶属度越小。
若P＝2，uij的取值取决于公式
Figure BDA0002364731140000133
这与JPDA算法中联合事件概率的表达式相似.
作为一种优选的技术方案，在步骤5中，利用概率加权更新目标状态及协方差的具体方法包括以下步骤：
5a，通过概率加权融合得到第i个目标的状态及协方差更新值分别为：
Figure BDA0002364731140000134
以及
Figure BDA0002364731140000135
步骤5b，更新的状态估计对应的误差协方差为：
Pi,k＝φi0,kPi,k+[I-Ki,kHi,k]Pi,k；
其中，
Figure BDA0002364731140000136
表示量测zl,k对应的新息，I为与目标i状态同维数的单位矩阵，Ki,k表示与第i个目标的增益。
其中，在步骤5a中，若没有一个量测是源于目标的正确量测，即l＝0时，状态更新值用预测值代替，其公式为
Figure BDA0002364731140000141
第i个目标的状态更新值为
Figure BDA0002364731140000142
式中
Figure BDA0002364731140000143
表示组合新息。
为验证本发明所述的一种杂波环境下的模糊数据关联方法及多目标跟踪方法的关联性能，并与现有方法进行比较，本发明采用两个目标交叉运动的例子。设置MonteCarlo仿真次数为100次，分析比较JPDAF，CJPDAF与FJPDAF的位置均方根误差(RMS)，MC仿真运行时间、航迹丢失率及正确关联率。
运动目标的系统模型为
Figure BDA0002364731140000144
转换量测后的量测模型为
Figure BDA0002364731140000145
其中，T表示观测的时间间隔，T＝1s，目标矢量表示为位置和速度
Figure BDA0002364731140000146
观测噪声为0均值、协方差为
Figure BDA0002364731140000147
的高斯噪声,Rii＝0.015km，过程噪声Q为4*4的矩阵，杂波数量服从参数为λ的泊松分布。
图2给出了在杂波密度为1时，杂波干扰下的目标轨迹图。两个目标的初始位置为
Figure BDA0002364731140000148
及
Figure BDA0002364731140000149
检测概率Pd＝0.98，门限概率PG＝0.99，采样间隔T＝1，杂波密度λ＝1。
图3、图4、图5以及图6给出了JPDA,CJPDA及FJPDA三种方法在过程噪声标准差分别为Qii＝0.02和Qii＝0.1时的跟踪均方误差对比。可以看出，FJPDA(模糊联合概率数据关联)方法的多目标跟踪性能优于JPDA(联合概率数据关联)及CJPDA(简易联合概率数据关联)，且随着噪声增大，对比效果更为明显。
在实时性方面，在杂波密度λ＝1时，本发明所述的一种杂波环境下的模糊数据关联方法的运行速度，要明显高于JPDAF，但要劣于CJPDAF，其主要原因是随着杂波的增加，算法计算隶属度计算量增大。
图7以及图8给出了杂波密度λ＝2时，JPDA,CJPDA及FJPDA三种方法的跟踪均方误差对比。可以看出，随着杂波密度增加，本文所述的一种杂波环境下的模糊数据关联方法的跟踪性能优势更加明显。
综上所述，经过试验以及分析比较可以知道，本发明所述的一种杂波环境下的模糊数据关联方法在多目标跟踪实时性方面得到了较大的改善，并且其多目标跟踪精度、有效跟踪率与经典的JPDA(联合概率数据关联)算法相近，能够达到有效跟踪目标的要求。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法、系统和设备是示例，各种配置可以适当地省略、替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法和/或可以添加、省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本发明公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置,例如已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本发明公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。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 (8)

1.一种杂波环境下的模糊数据关联方法，其特征在于，包括以下步骤：
步骤1，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵；
步骤2，通过互联规则构建统计距离；
步骤3，利用KL散度正则信息约束目标函数；
步骤4，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率；
步骤5，利用概率加权更新目标状态及协方差。
2.如权利要求1所述的一种杂波环境下的模糊数据关联方法，其特征在于，在步骤1中，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵通过模糊数学的隶属度函数完成。
3.如权利要求2所述的一种杂波环境下的模糊数据关联方法，其特征在于，在步骤2中，统计距离通过以下公式计算而得：
Figure FDA0002364731130000011
其中，
Figure FDA0002364731130000012
为目标检测概率，
Figure FDA0002364731130000013
为门限，ni表示目标航迹确认区域中的量测数量，V为检测区域体积因子。
4.如权利要求3所述的一种杂波环境下的模糊数据关联方法，其特征在于，在步骤3中，利用KL散度正则信息约束目标函数的具体方法包括以下步骤：
步骤3a，采用KL散度正则约束，以最小无偏地描述数据点和类中心的隶属度，其表达式为：
Figure FDA0002364731130000021
步骤3b,通过拉格朗日乘子法，将目标函数定义为：
Figure FDA0002364731130000022
其中，权重uij满足约束条件uij∈[0,1]，
Figure FDA0002364731130000023
5.如权利要求4所述的一种杂波环境下的模糊数据关联方法，其特征在于，在步骤4中，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率的具体方法包括以下步骤：
步骤4a，最小化目标函数，得权重uij为：
Figure FDA0002364731130000024
步骤4b，归一化关联权重，得到量测与目标航迹的互联概率为：
Figure FDA0002364731130000025
6.如权利要求5所述的一种杂波环境下的模糊数据关联方法，其特征在于，在步骤5中，利用概率加权更新目标状态及协方差的具体方法包括以下步骤：
5a，通过概率加权融合得到第i个目标的状态及协方差更新值分别为：
Figure FDA0002364731130000026
以及
Figure FDA0002364731130000027
步骤5b，更新的状态估计对应的误差协方差为：
Pi,k＝φi0,kPi,k+[I-Ki,kHi,k]Pi,k；
其中，
Figure FDA0002364731130000031
表示量测zl,k对应的新息，I为与目标i状态同维数的单位矩阵，Ki,k表示与第i个目标的增益。
7.如权利要求6所述的一种杂波环境下的模糊数据关联方法，其特征在于，在步骤5a中，若没有一个量测是源于目标的正确量测，即l＝0时，状态更新值用预测值代替，其公式为
Figure FDA0002364731130000032
第i个目标的状态更新值为
Figure FDA0002364731130000033
其中，
Figure FDA0002364731130000034
表示组合新息。
8.一种多目标跟踪方法，其特征在于，包括以下步骤：
步骤1，根据确认区域内量测的分布情况建立候选量测与目标的互联矩阵；
步骤2，通过互联规则构建统计距离；
步骤3，利用KL散度正则信息约束目标函数；
步骤4，通过迭代优化算法计算出各候选量测与观测区域内不同目标之间的互联概率；
步骤5，利用概率加权更新目标状态及协方差，以实现对多目标的跟踪。
CN202010032204.9A 2020-01-13 2020-01-13 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 Active CN111259332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010032204.9A CN111259332B (zh) 2020-01-13 2020-01-13 一种杂波环境下的模糊数据关联方法及多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010032204.9A CN111259332B (zh) 2020-01-13 2020-01-13 一种杂波环境下的模糊数据关联方法及多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN111259332A true CN111259332A (zh) 2020-06-09
CN111259332B CN111259332B (zh) 2023-05-09

Family

ID=70948751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010032204.9A Active CN111259332B (zh) 2020-01-13 2020-01-13 一种杂波环境下的模糊数据关联方法及多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN111259332B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111722297A (zh) * 2020-07-03 2020-09-29 华人运通(上海)新能源驱动技术有限公司 目标存在概率的计算方法、装置、电子设备及存储介质
CN113095401A (zh) * 2021-04-12 2021-07-09 吉林大学 一种多传感器多目标关联跟踪方法
CN113239979A (zh) * 2021-04-23 2021-08-10 广州市祺能电子科技有限公司 一种物联网传感器数据采集的方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137418A (zh) * 2015-07-28 2015-12-09 中国人民解放军海军航空工程学院 基于全邻模糊聚类的多目标跟踪与数据互联方法
CN108303692A (zh) * 2018-01-30 2018-07-20 哈尔滨工业大学 一种解多普勒模糊的多目标跟踪方法
CN109002835A (zh) * 2018-06-19 2018-12-14 西安电子科技大学 一种基于最大熵模糊聚类的粒子滤波数据关联方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137418A (zh) * 2015-07-28 2015-12-09 中国人民解放军海军航空工程学院 基于全邻模糊聚类的多目标跟踪与数据互联方法
CN108303692A (zh) * 2018-01-30 2018-07-20 哈尔滨工业大学 一种解多普勒模糊的多目标跟踪方法
CN109002835A (zh) * 2018-06-19 2018-12-14 西安电子科技大学 一种基于最大熵模糊聚类的粒子滤波数据关联方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HONGWEI ZHANG 等: "Constrained Multiple Model Particle Filtering for Bearings-Only Maneuvering Target Tracking" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111722297A (zh) * 2020-07-03 2020-09-29 华人运通(上海)新能源驱动技术有限公司 目标存在概率的计算方法、装置、电子设备及存储介质
CN113095401A (zh) * 2021-04-12 2021-07-09 吉林大学 一种多传感器多目标关联跟踪方法
CN113239979A (zh) * 2021-04-23 2021-08-10 广州市祺能电子科技有限公司 一种物联网传感器数据采集的方法及装置
CN113239979B (zh) * 2021-04-23 2024-01-09 广州市祺能电子科技有限公司 一种物联网传感器数据采集的方法及装置

Also Published As

Publication number Publication date
CN111259332B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
Konatowski et al. Comparison of estimation accuracy of EKF, UKF and PF filters
Schulz et al. People tracking with anonymous and id-sensors using rao-blackwellised particle filters
CN109901153B (zh) 基于信息熵权和最近邻域数据关联的目标航迹优化方法
CN111259332A (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
Pak et al. Accurate and reliable human localization using composite particle/FIR filtering
CN110967690B (zh) 一种基于多伯努利分布式多传感器多目标跟踪方法
KR101402206B1 (ko) 운동학 및 형상 정보를 활용한 다중 표적 추적 방법
Baser et al. A novel auxiliary particle PHD filter
Liu et al. Multitarget state extraction for the PHD filter using MCMC approach
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
CN109581359A (zh) 一种esm无源信息与雷达有源信息关联的方法
CN111711432B (zh) 一种基于ukf和pf混合滤波的目标跟踪算法
CN111830501B (zh) Hrrp历史特征辅助的信号模糊数据关联方法及系统
CN111562571A (zh) 一种未知新生强度的机动多目标跟踪与航迹维持方法
CN115546705A (zh) 目标识别方法、终端设备及存储介质
CN109697438B (zh) 一种特殊群体聚集行为早期检测及聚集地预测方法和系统
CN117075097B (zh) 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统
CN116953692A (zh) 一种主动雷达和被动雷达协同跟踪下的航迹关联方法
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
CN112748735B (zh) 一种引入颜色特征的扩展目标跟踪方法
Ng et al. Tracking variable number of targets using sequential Monte Carlo methods
Coraluppi Seeing the forest through the trees: Multiple-hypothesis tracking and graph-based tracking extensions
Shi et al. Association using modified Global Nearest Neighbor in the presence of bias
Agate et al. Signature-aided tracking using association hypotheses

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