CN111812638A - 一种imm-mht多目标跟踪方法 - Google Patents
一种imm-mht多目标跟踪方法 Download PDFInfo
- Publication number
- CN111812638A CN111812638A CN202010693910.8A CN202010693910A CN111812638A CN 111812638 A CN111812638 A CN 111812638A CN 202010693910 A CN202010693910 A CN 202010693910A CN 111812638 A CN111812638 A CN 111812638A
- Authority
- CN
- China
- Prior art keywords
- track
- hypothesis
- target
- child node
- tracked
- 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
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
- 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
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Abstract
本发明提供一种IMM‑MHT多目标跟踪方法,基于自适应参数的假设树管理优化,从限制假设树生成以及加速冗余假设树的剪枝两个方面入手,减少运算量,降低系统的运算时间,同时本发明融合了多模型跟踪算法,能够在提高跟踪的稳定性的同时减少murty算法的计算复杂度,从而使得计算速度更快。
Description
技术领域
本发明属于雷达技术领域,尤其涉及一种IMM-MHT多目标跟踪方法。
背景技术
随着科学技术的发展,军事装备也在不停的更新升级,在空中目标跟踪领域,由于空中目标在飞行过程时常会伴有诱饵和干扰机等设备的影响使得雷达会接受到密集的杂波干扰,再加上空中目标灵活的机动能力,使得传统的雷达跟踪方法在此种情况下经常产生漏跟与误跟的现象,最终导致系统无法准确地估计出目标的运动信息并且对目标进行识别。
传统MHT算法中为了保证目标跟踪的成功率通常需要维持较大的假设树深度,然而这一做法在杂波较为密集的情况下会为系统带来庞大的计算量,为系统带来巨大的负担,甚至无法满足实时性的要求
为了解决杂波密集情况下的多机动目标跟踪问题,本文提出了一种基于改进的IMM-MHT多目标跟踪算法。
发明内容
为解决上述问题,本发明提供一种IMM-MHT多目标跟踪方法,解决杂波密集情况下的多机动目标跟踪问题,提高运算效率。
一种IMM-MHT多目标跟踪方法,包括以下步骤:
S1:假设每个待跟踪目标对应一棵由真实航迹和可能航迹构成的假设树,其中,真实航迹和可能航迹均由各时刻待跟踪目标周围的雷达量测构成,待跟踪目标的雷达量测作为假设树中的子节点,其中,雷达量测信息包括待跟踪目标与雷达之间的径向距离、水平角以及俯仰角;
S2:获取当前k时刻的回波信号,并将其作为雷达量测,其中,回波信号包括待跟踪目标的真实量测和杂波量测;
S3:分别获取各待跟踪目标在k-1时刻得到的假设树中的末级子节点对应的波门的中心点坐标以及波门的大小,其中,波门定义为当前k时刻每个待跟踪目标的理论量测可能出现的区域;
S4:采用murty算法获取落入各末级子节点对应波门概率最大的两个雷达量测,其中,落入波门的雷达量测为各待跟踪目标在当前k时刻最有可能出现的位置,同时,将落入波门概率最大的两个雷达量测记为备选航迹点;
S5:对于所有已有的假设树,将其末级子节点分别作为父节点,再将各自波门内的备选航迹点与之关联作为自身的下一级子节点,得到延续假设树;将所有雷达量测作为新发现目标的航迹的起点,得到起点假设树;同时,将存在共享雷达量测的假设树合并成一个聚类,没有共享雷达量测的假设树单独作为一个聚类;
S6:分别在每个聚类中获取每个末级节点对应的航迹,并选取不包含相同雷达量测的若干条航迹构建相容的航迹组合,得到每个聚类对应的由所有可能航迹组合构成的航迹集合;
S7:对于每一个航迹集合,计算其包含的每一个航迹组合的正确概率,将正确概率最大者对应的航迹组合作为最终假设;
S8:根据最终假设中的设定,确定每个备选航迹点是否为k-1时刻的末级节点的延续节点,如果是,则使用自适应参数法对该备选航迹点所属的假设树进行剪枝,其中,剪枝包括以下步骤:
获取步骤S7中确定的最终假设中的末级子节点,以该末级节点往回溯源,得到第k-L+1级子节点,然后将所述第k-L+1级子节点的父节点的其他子节点分支切除,完成剪枝,其中,L为设定的剪枝深度;
S9:获取各待跟踪目标对应的剪枝后的假设树后,将同一聚类内的假设树进行两两对比,得到各待跟踪目标当前k时刻的最终航迹,实现目标跟踪,其中,所述两两对比的方法为:
分别获取各假设树上k时刻的航迹点的运动状态,其中,运动状态包括航位置、速度以及加速度;
将k时刻得到的各个航迹点的运动状态对应作差,若所述差值小于设定值且两个航迹点所在的假设航迹有相同的历史量测,则将两个假设航迹视为同一条航迹,并将k-L时刻保留的航迹作为最终航迹输出。
进一步地,分别将各待跟踪目标在k-1时刻得到的假设树中的末级子节点作为当前子节点执行步骤S31~S35,得到每一个当前子节点对应的波门的中心点坐标以及波门的大小:
S31:将待跟踪目标与雷达之间的径向距离、水平角以及俯仰角进行三维坐标系转换,得到待跟踪目标的真实量测在三维坐标系下的坐标;
S32:设置状态变量为和观测变量为z(k-1)=[x,y,z],状态变量x(k-1)表示当前子节点对应的待跟踪目标在k-1时刻的运动状态,观测变量z(k-1)表示k-1时刻的雷达观测量,其中,x,y,z分别为当前子节点在三维坐标系下的三轴坐标,分别为当前子节点在三维坐标系下的三轴速度,分别为当前子节点在三维坐标系下的三轴加速度;
其中,f(·)与h(·)均表示预设函数,w(k-1)为k-1时刻状态变量的高斯白噪声,v(k-1)为k-1时刻观测变量的高斯白噪声;
S34:采用IMM滤波算法根据k-1时刻的状态变量x(k-1)求解状态方程,得到当前子节点对应的波门的中心点坐标z(k|k-1);
S35:计算当前子节点对应的波门的大小Rk:
其中,Vk为当前子节点在k时刻设定的基础关联波门的大小,Sn为当前子节点对应的航迹在k-1时刻的假设评分,Sa为同一个假设树中k-1时刻的所有末级子节点对应的航迹的假设评分的最大值。
进一步地,步骤S35中的假设评分Sn的计算公式如下:
Sn=Pk-1+Sk-1
其中,Sk-1表示当前子节点对应的航迹在k-1时刻的航迹分值,Pk-1表示当前子节点与其连接的父节点的关联概率;
其中,Sk-1的计算公式如下:
Sk-1=Sk-2+ΔSk-2
S1=ln(λnew/λfa)
Sk-2为当前子节点对应的航迹在k-2时刻时得到的分值,ΔSk-2为辅助变量,λnew为设定的新目标出现的概率,λfa为虚警杂波密度,PD(k-1)为当前子节点对应的航迹所表征的待跟踪目标能被雷达探测到的概率,f(zk-1,jt)为当前子节点属于其所在的航迹的概率密度值,jt为与当前子节点连接同一个父节点的节点数量。
进一步地,步骤S8中剪枝深度L的设定方法为:
对于每个已存在的假设树,从最底层节点往回溯源,得到第k-L+1层子节点,获取第k-L+1层子节点所在的两个分支中各末级子节点的假设评分,得到两个分支的假设评分最大值;判断假设评分最大值的差值绝对值是否大于阈值,若大于则L=3,若不大于,则L=4。
有益效果:
本发明提供一种IMM-MHT多目标跟踪方法,基于自适应参数的假设树管理优化,从限制假设树生成以及加速冗余假设树的剪枝两个方面入手,减少运算量,降低系统的运算时间,同时本发明融合了多模型跟踪算法,能够在提高跟踪的稳定性的同时减少murty算法的计算复杂度,从而使得计算速度更快。
附图说明
图1为本发明提供的一种IMM-MHT多目标跟踪方法的流程图;
图2为本发明提供的某待跟踪目标的假设树示意图;
图3为本发明提供的某待跟踪目标的假设树的重构示意图;
图4为本发明提供的剪枝示意图;
图5为本发明提供的杂波密度FR=3情况下的多机动目标跟踪结果示意图;
图6为本发明提供的杂波密度FR=3情况下剔除杂波后的跟踪效果示意图;
图7为本发明提供的杂波密度FR=5情况下的多机动目标跟踪结果示意图;
图8为本发明提供的杂波密度FR=5情况下剔除杂波后的跟踪效果。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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。
如图1所示,一种改进的IMM-MHT多目标跟踪方法,包括以下步骤:
S1:假设每个待跟踪目标对应一棵由真实航迹和可能航迹构成的假设树,其中,真实航迹和可能航迹均由各时刻待跟踪目标周围的雷达量测构成,待跟踪目标的真实量测作为假设树中的子节点,其中,雷达量测信息包括待跟踪目标与雷达之间的径向距离、水平角以及俯仰角。
S2:获取当前k时刻的回波信号,其中,回波信号包括待跟踪目标的真实量测和杂波量测。
S3:分别获取各待跟踪目标在k-1时刻得到的假设树中的末级子节点对应的波门的中心点坐标以及波门的大小,其中,波门定义为当前k时刻每个待跟踪目标的理论量测可能出现的区域。
进一步地,波门的中心点坐标以及波门的大小的获取方法包括以下步骤:
分别将各待跟踪目标在k-1时刻得到的假设树中的末级子节点作为当前子节点执行步骤S31~S35,即可得到每一个当前子节点对应的波门的中心点坐标以及波门的大小:
S31:将待跟踪目标与雷达之间的径向距离、水平角以及俯仰角进行三维坐标系转换,得到待跟踪目标的真实量测在三维坐标系下的坐标。
S32:设置状态变量为和观测变量为z(k-1)=[x,y,z],状态变量x(k-1)表示当前子节点对应的待跟踪目标在k-1时刻的运动状态,观测变量z(k-1)表示k-1时刻的雷达观测量,其中,x,y,z分别为当前子节点在三维坐标系下的三轴坐标,分别为当前子节点在三维坐标系下的三轴速度,分别为当前子节点在三维坐标系下的三轴加速度。
其中,f(·)与h(·)均表示预设函数,w(k-1)为k-1时刻状态变量的高斯白噪声,v(k-1)为k-1时刻观测变量的高斯白噪声。
S34:采用IMM滤波算法根据k-1时刻的状态变量x(k-1)求解状态方程,得到当前子节点对应的波门的中心点坐标z(k|k-1)。
S35:计算当前子节点对应的波门的大小Rk:
其中,Vk为当前子节点在k时刻设定的基础关联波门的大小,Sn为当前子节点对应的航迹在k-1时刻的假设评分,Sa为同一个假设树中k-1时刻的所有末级子节点对应的航迹的假设评分的最大值。
假设评分Sn的计算公式如下:
Sn=Pk-1+Sk-1
其中,Sk-1表示当前子节点对应的航迹在k-1时刻的航迹分值,Pk-1表示当前子节点与其连接的父节点的关联概率。
其中,Sk-1的计算公式如下:
Sk-1=Sk-2+ΔSk-2
S1=ln(λnew/λfa)
Sk-2为当前子节点对应的航迹在k-2时刻时得到的分值,ΔSk-2为辅助变量,λnew为设定的新目标出现的概率,λfa为虚警杂波密度,PD(k-1)为当前子节点对应的航迹所表征的待跟踪目标能被雷达探测到的概率,f(zk-1,jt)为当前子节点属于其所在的航迹的概率密度值,jt为与当前子节点连接同一个父节点的节点数量。
S4:采用murty算法获取落入各末级子节点对应波门概率最大的两个雷达量测(包括真实量测和杂波量测,因为现在还不能区分杂波和真实量测),其中,落入波门的雷达量测为各待跟踪目标在当前k时刻最有可能出现的位置,同时,将落入波门概率最大的两个雷达量测记为备选航迹点。
如图2所示,为某一待跟踪目标的在k-1时刻得到的假设树,三角形为待跟踪目标得到的雷达量测,空心圆表示波门,实心五角星表示波门中心点,末级子节点为T2和T3,则以T3为例,根据波门大小和波门中心点坐标确定待跟踪目标的理论量测可能出现的区域后,落入波门的真实量测有Z1、Z2和Z3,根据murty算法获取Z1、Z2和Z3的概率,则将概率最大的真实量测Z1和Z2作为备选航迹点。
S5:对于所有已有的假设树,将其末级子节点分别作为父节点,再将各自波门内的备选航迹点与之关联作为自身的下一级子节点,得到延续假设树;将所有雷达量测作为新发现目标的航迹的起点,得到起点假设树;同时,将存在共享雷达量测的假设树合并成一个聚类,没有共享雷达量测的假设树单独作为一个聚类。
例如,如图3所示,一共有四颗假设树,第一棵为延续假设树,后面三个单个节点的为起点假设树,真实量测Z1和Z2为T3波门中概率最大的两个量测;需要说明的是,对于每个落入波门的真实量测都有三种可能:1、它是已存在航迹的延续;2、它是新航迹的起始;3、它是虚警;落入波门外的真实量测是第2、3种可能。
S6:分别在每个聚类中获取每个末级节点对应的航迹,并选取不包含相同雷达量测的若干条航迹构建相容的航迹组合,得到每个聚类对应的由所有可能航迹组合构成的航迹集合。
也就是说,在一条航迹组合里,如果k-1时刻的末级子节点已经选定某个备选航迹点作为其下一级子节点,即作为新的末级节点,那么其它备选航迹点只能作为新发现的目标对应的航迹的起点。
需要说明的是,如果两个航迹在k-1时刻是不相容的,则这两个航迹在k时刻也是不相容的;如果在当前k时刻两个航迹关联同一个真实量测,则这两个航迹不相容。
S7:对于每一个航迹集合,计算其包含的每一个航迹组合的正确概率,将正确概率最大者对应的航迹组合作为最终假设。
S8:根据最终假设中的设定,确定每个备选航迹点是否为k-1时刻的末级节点的延续节点,如果是,则使用自适应参数法对该备选航迹点所属的假设树进行剪枝,其中,剪枝包括以下步骤:
获取步骤S7中确定的最终假设中的末级子节点,以该末级节点往回溯源,得到第k-L+1级子节点,然后将所述第k-L+1级子节点的父节点的其他子节点分支切除,完成剪枝,其中,L为设定的剪枝深度。
例如,如图4所示,假设L=3,左边分支中的Z1已经确定为k-1时刻的末级节点的延续节点,则将第k-2级子节点的父节点的右边分支剪掉。
进一步地,剪枝深度L的设定方法为:
对于每个已存在的假设树,从最底层节点往回溯源,得到第k-L+1层子节点,获取第k-L+1层子节点所在的两个分支中各末级子节点的假设评分,得到两个分支的假设评分最大值;判断假设评分最大值的差值绝对值是否大于阈值,若大于则L=3,若不大于,则L=4。
需要说明的是,由于步骤S4中的murty算法设定为只选择概率最大的两个真实量测作为备选航迹点进行关联,所以在假设树中,每个父节点均只有两个子节点,例如,第k-L+1层的子节点,其父节点为第k-L层的一个子节点,那么对于第k-L+1层的子节点及其连接的后续子节点,则属于位于第k-L层的父节点的两个分支。
也就是说,所有的假设树都要剪枝,只有k-L时刻之前的节点保持不变;此外,如果k-1时刻的末级节点当前k时刻没有延续的话,先保留这个航迹,如果L个时刻后还是没有延续的话或者其后验概率小于门限,该分支就会被剪掉。
S9:获取各待跟踪目标对应的剪枝后的假设树后,将同一聚类内的假设树进行两两对比,得到各待跟踪目标当前k时刻的最终航迹,实现目标跟踪,其中,所述两两对比的方法为:
分别获取各假设树上k时刻的航迹点的运动状态,其中,运动状态包括航位置、速度以及加速度。
将k时刻得到的各个航迹点的运动状态对应作差,若所述差值小于设定值且两个航迹点所在的假设航迹有相同的历史量测,则将两个假设航迹视为同一条航迹,并将k-L时刻保留的航迹作为最终航迹输出。
下面利用Matlab对上述方法进行仿真验证其有效性。通过在三维场景中生成不同密度的杂波以及随机机动的多个空中目标从而测试算法在不同情况下的跟踪效果与计算时间,并将改进后的算法与传统的多假设跟踪算法进行比较,验证所提出的优化算法在时间上的优势。
杂波在量测区域范围内随机均匀分布其密度为FR,当FR=3时单次蒙特卡洛的仿真结果如图5所示。仿真实验中共有8个目标,其中的线条表示目标真实航迹,圆点表示雷达量测值,包括了目标航迹和虚警杂波。
去除杂波后的跟踪结果如图6所示,其中浅灰色圆形线表示真实航迹点迹,深灰色实线表示改进后IMM-MHT多机动目标跟踪结果。
从图6中可以看出,在仿真的过程中,即便是在真实目标产生的回波量测点附近也存在着大量杂波的情况下,改进后的IMM-MHT算法依然能够剔除杂波干扰的影响进行正确的数据关联。
当FR=5时,单次蒙特卡洛仿真的效果如图7所示。本次仿真实验中共生成了8个目标,其中图7中的实线表示目标真实航迹,圆点表示雷达量测值,包括了目标航迹和虚警杂波。
图8表示的是剔除杂波后的跟踪效果。其中浅灰色圆形线表示真实航迹点迹,深灰色实线表示改进后IMM-MHT多机动目标跟踪结果。
从图8中可以看出,在仿真的过程中,FR=5时的杂波密集程度下改进后的IMM-MHT算法依然能够对多个机动目标进行正确的跟踪。
各个杂波密度下跟踪误差的标准差如表1所示。
表1各杂波密度下误差标准差
通过分析误差标准差之间的差距可以发现,无论在何种杂波密度情况下目标跟踪产生的误差基本保持不变,说明了改进后的IMM-MHT在密集杂波情况下也能几乎做到对所有数据进行正确关联。
仿真实验表明改进的IMM-MHT算法可以在密集杂波的情况下对多个机动目标进行正确数据关联与跟踪。
表2
表2对比了不同杂波密度情况下假设树深度参数不同的IMM-MHT算法与改进后IMM-MHT算法之间的运行时间。通过对比两个算法的运算时间和跟踪成功率可以发现,在同样的杂波分布条件下,航迹管理树的深度越深,跟踪的成功率越高,但是同时也会大大增加运行的时间,从而印证了航迹树深度是IMM-MHT多目标跟踪算法计算量大且耗时的重要因素,这是因为MHT要判断量测信息的来源到底是虚警、已有目标或者是新目标,算法在假设树允许的范围内最大限度的保存所有的可能性,因此航迹管理树N的值越大,算法执行时间越长。而改进后的IMM-MHT算法在运行时间均值上有一定优势并且该优势随着杂波密度的不断增加而变得更加明显。
表3
表3为普通IMM-MHT算法以及改进后IMM-MHT算法经过200次蒙特卡洛仿真,比较了不同算法在不同杂波密度条件且假设树深度参数不同下的目标跟踪成功率,可以看出,本发明所提出的改进后的IMM-MHT跟踪算法与假设航迹树深度为4时的传统IMM-MHT算法基本相同,然而在运算时间上却相较于改进前的算法有着很大的减少。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种IMM-MHT多目标跟踪方法,其特征在于,包括以下步骤:
S1:假设每个待跟踪目标对应一棵由真实航迹和可能航迹构成的假设树,其中,真实航迹和可能航迹均由各时刻待跟踪目标周围的雷达量测构成,待跟踪目标的雷达量测作为假设树中的子节点,其中,雷达量测信息包括待跟踪目标与雷达之间的径向距离、水平角以及俯仰角;
S2:获取当前k时刻的回波信号,并将其作为雷达量测,其中,回波信号包括待跟踪目标的真实量测和杂波量测;
S3:分别获取各待跟踪目标在k-1时刻得到的假设树中的末级子节点对应的波门的中心点坐标以及波门的大小,其中,波门定义为当前k时刻每个待跟踪目标的理论量测可能出现的区域;
S4:采用murty算法获取落入各末级子节点对应波门概率最大的两个雷达量测,其中,落入波门的雷达量测为各待跟踪目标在当前k时刻最有可能出现的位置,同时,将落入波门概率最大的两个雷达量测记为备选航迹点;
S5:对于所有已有的假设树,将其末级子节点分别作为父节点,再将各自波门内的备选航迹点与之关联作为自身的下一级子节点,得到延续假设树;将所有雷达量测作为新发现目标的航迹的起点,得到起点假设树;同时,将存在共享雷达量测的假设树合并成一个聚类,没有共享雷达量测的假设树单独作为一个聚类;
S6:分别在每个聚类中获取每个末级节点对应的航迹,并选取不包含相同雷达量测的若干条航迹构建相容的航迹组合,得到每个聚类对应的由所有可能航迹组合构成的航迹集合;
S7:对于每一个航迹集合,计算其包含的每一个航迹组合的正确概率,将正确概率最大者对应的航迹组合作为最终假设;
S8:根据最终假设中的设定,确定每个备选航迹点是否为k-1时刻的末级节点的延续节点,如果是,则使用自适应参数法对该备选航迹点所属的假设树进行剪枝,其中,剪枝包括以下步骤:
获取步骤S7中确定的最终假设中的末级子节点,以该末级节点往回溯源,得到第k-L+1级子节点,然后将所述第k-L+1级子节点的父节点的其他子节点分支切除,完成剪枝,其中,L为设定的剪枝深度;
S9:获取各待跟踪目标对应的剪枝后的假设树后,将同一聚类内的假设树进行两两对比,得到各待跟踪目标当前k时刻的最终航迹,实现目标跟踪,其中,所述两两对比的方法为:
分别获取各假设树上k时刻的航迹点的运动状态,其中,运动状态包括航位置、速度以及加速度;
将k时刻得到的各个航迹点的运动状态对应作差,若所述差值小于设定值且两个航迹点所在的假设航迹有相同的历史量测,则将两个假设航迹视为同一条航迹,并将k-L时刻保留的航迹作为最终航迹输出。
2.如权利要求1所述的一种IMM-MHT多目标跟踪方法,其特征在于,分别将各待跟踪目标在k-1时刻得到的假设树中的末级子节点作为当前子节点执行步骤S31~S35,得到每一个当前子节点对应的波门的中心点坐标以及波门的大小:
S31:将待跟踪目标与雷达之间的径向距离、水平角以及俯仰角进行三维坐标系转换,得到待跟踪目标的真实量测在三维坐标系下的坐标;
S32:设置状态变量为和观测变量为z(k-1)=[x,y,z],状态变量x(k-1)表示当前子节点对应的待跟踪目标在k-1时刻的运动状态,观测变量z(k-1)表示k-1时刻的雷达观测量,其中,x,y,z分别为当前子节点在三维坐标系下的三轴坐标,分别为当前子节点在三维坐标系下的三轴速度,分别为当前子节点在三维坐标系下的三轴加速度;
其中,f(·)与h(·)均表示预设函数,w(k-1)为k-1时刻状态变量的高斯白噪声,v(k-1)为k-1时刻观测变量的高斯白噪声;
S34:采用IMM滤波算法根据k-1时刻的状态变量x(k-1)求解状态方程,得到当前子节点对应的波门的中心点坐标z(k|k-1);
S35:计算当前子节点对应的波门的大小Rk:
其中,Vk为当前子节点在k时刻设定的基础关联波门的大小,Sn为当前子节点对应的航迹在k-1时刻的假设评分,Sa为同一个假设树中k-1时刻的所有末级子节点对应的航迹的假设评分的最大值。
3.如权利要求2所述的一种IMM-MHT多目标跟踪方法,其特征在于,步骤S35中的假设评分Sn的计算公式如下:
Sn=Pk-1+Sk-1
其中,Sk-1表示当前子节点对应的航迹在k-1时刻的航迹分值,Pk-1表示当前子节点与其连接的父节点的关联概率;
其中,Sk-1的计算公式如下:
Sk-1=Sk-2+ΔSk-2
S1=ln(λnew/λfa)
Sk-2为当前子节点对应的航迹在k-2时刻时得到的分值,ΔSk-2为辅助变量,λnew为设定的新目标出现的概率,λfa为虚警杂波密度,PD(k-1)为当前子节点对应的航迹所表征的待跟踪目标能被雷达探测到的概率,f(zk-1,jt)为当前子节点属于其所在的航迹的概率密度值,jt为与当前子节点连接同一个父节点的节点数量。
4.如权利要求1所述的一种IMM-MHT多目标跟踪方法,其特征在于,步骤S8中剪枝深度L的设定方法为:
对于每个已存在的假设树,从最底层节点往回溯源,得到第k-L+1层子节点,获取第k-L+1层子节点所在的两个分支中各末级子节点的假设评分,得到两个分支的假设评分最大值;判断假设评分最大值的差值绝对值是否大于阈值,若大于则L=3,若不大于,则L=4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010693910.8A CN111812638B (zh) | 2020-07-17 | 2020-07-17 | 一种imm-mht多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010693910.8A CN111812638B (zh) | 2020-07-17 | 2020-07-17 | 一种imm-mht多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812638A true CN111812638A (zh) | 2020-10-23 |
CN111812638B CN111812638B (zh) | 2022-07-29 |
Family
ID=72865878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010693910.8A Active CN111812638B (zh) | 2020-07-17 | 2020-07-17 | 一种imm-mht多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812638B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112181667A (zh) * | 2020-10-30 | 2021-01-05 | 中国科学院计算技术研究所 | 一种用于目标跟踪的多假设树虚拟化管理方法 |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
CN113589252A (zh) * | 2021-08-03 | 2021-11-02 | 东风汽车集团股份有限公司 | 一种基于mht算法的多雷达传感器多目标跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160054430A1 (en) * | 2014-08-25 | 2016-02-25 | Princeton Satellite Systems, Inc. | Multi-sensor target tracking using multiple hypothesis testing |
CN106934324A (zh) * | 2015-12-30 | 2017-07-07 | 南京理工大学 | 基于简化多假设算法的雷达数据关联方法 |
CN107193012A (zh) * | 2017-05-05 | 2017-09-22 | 江苏大学 | 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法 |
CN109508000A (zh) * | 2018-12-16 | 2019-03-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 异构多传感器多目标跟踪方法 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
CN110659559A (zh) * | 2019-08-02 | 2020-01-07 | 浙江省北大信息技术高等研究院 | 一种监控场景多目标跟踪方法及系统 |
-
2020
- 2020-07-17 CN CN202010693910.8A patent/CN111812638B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160054430A1 (en) * | 2014-08-25 | 2016-02-25 | Princeton Satellite Systems, Inc. | Multi-sensor target tracking using multiple hypothesis testing |
CN106934324A (zh) * | 2015-12-30 | 2017-07-07 | 南京理工大学 | 基于简化多假设算法的雷达数据关联方法 |
CN107193012A (zh) * | 2017-05-05 | 2017-09-22 | 江苏大学 | 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法 |
CN109508000A (zh) * | 2018-12-16 | 2019-03-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 异构多传感器多目标跟踪方法 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
CN110659559A (zh) * | 2019-08-02 | 2020-01-07 | 浙江省北大信息技术高等研究院 | 一种监控场景多目标跟踪方法及系统 |
Non-Patent Citations (4)
Title |
---|
刘威 等: "基于m-MHT的主动声呐野点剔除方法研究", 《舰船科学技术》 * |
张旭东 等: "一种改进的多目标跟踪算法", 《声学与电子工程》 * |
陈杭 等: "关联深度自适应的多假设跟踪研究", 《系统工程与电子技术》 * |
饶世钧 等: "基于结构多假设目标跟踪算法优化与仿真", 《计算机仿真》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112181667A (zh) * | 2020-10-30 | 2021-01-05 | 中国科学院计算技术研究所 | 一种用于目标跟踪的多假设树虚拟化管理方法 |
CN112181667B (zh) * | 2020-10-30 | 2023-08-08 | 中国科学院计算技术研究所 | 一种用于目标跟踪的多假设树虚拟化管理方法 |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
CN113589252A (zh) * | 2021-08-03 | 2021-11-02 | 东风汽车集团股份有限公司 | 一种基于mht算法的多雷达传感器多目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111812638B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812638B (zh) | 一种imm-mht多目标跟踪方法 | |
CN109100714B (zh) | 一种基于极坐标系的低慢小目标跟踪方法 | |
CN108256577B (zh) | 一种基于多线激光雷达的障碍物聚类方法 | |
CN109509210B (zh) | 障碍物跟踪方法和装置 | |
CN110320512A (zh) | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 | |
CN108303684B (zh) | 基于径向速度信息的地基监视雷达多目标跟踪方法 | |
CN111781608B (zh) | 一种基于fmcw激光雷达的运动目标检测方法及系统 | |
CN110780269B (zh) | 自适应新生强度下基于gm-phd滤波器的显式多目标跟踪方法 | |
CN113671481B (zh) | 一种基于毫米波雷达的3d多目标跟踪处理方法 | |
CN110376582B (zh) | 自适应gm-phd的机动目标跟踪方法 | |
CN110208789B (zh) | 一种多帧联合目标航迹识别方法 | |
CN111161325A (zh) | 基于卡尔曼滤波与lstm的三维多目标跟踪方法 | |
CN102901961A (zh) | 一种基于杂波信息图的最优多航迹分支目标跟踪实现方法 | |
Wlodarczyk-Sielicka et al. | Selection of SOM parameters for the needs of clusterization of data obtained by interferometric methods | |
CN111427341B (zh) | 一种基于概率地图的机器人最短预期时间目标搜索方法 | |
CN115201799A (zh) | 一种用于声呐的时变卡尔曼滤波跟踪方法 | |
CN115372995A (zh) | 一种基于欧式聚类的激光雷达目标检测方法及系统 | |
CN108490429B (zh) | Tws雷达多目标跟踪方法及系统 | |
CN107561506B (zh) | 一种多级虚警概率联合递推目标检测方法 | |
CN113340308B (zh) | 一种基于自报点的修正逻辑法航迹起始方法 | |
KR102361816B1 (ko) | 표적 탐지 방법 및 기록 매체 | |
CN115657008A (zh) | 一种机载太赫兹雷达多目标跟踪方法和装置 | |
CN114660566A (zh) | 虚假目标剔除方法、装置、计算机设备及存储介质 | |
CN111325229B (zh) | 一种基于激光雷达的单线数据分析对物体空间封闭的聚类方法 | |
Grimmett et al. | Specsweb post-tracking classification method |
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 |