CN111898746B - 一种中断航迹接续关联深度学习方法 - Google Patents
一种中断航迹接续关联深度学习方法 Download PDFInfo
- Publication number
- CN111898746B CN111898746B CN202010803926.XA CN202010803926A CN111898746B CN 111898746 B CN111898746 B CN 111898746B CN 202010803926 A CN202010803926 A CN 202010803926A CN 111898746 B CN111898746 B CN 111898746B
- Authority
- CN
- China
- Prior art keywords
- track
- model
- neural network
- vectors
- association
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种端到端的中断航迹接续关联深度学习方法，主要解决现有接续关联模型在实际工程应用中需要大量先验信息，难以直接应用的问题。该方法首先设计了中断航迹接续关联的深度学习网络模型，利用训练数据集中的海量航迹数据，对模型进行训练。接着利用测试数据集对关联模型进行测试，如果当前训练生成的中断航迹接续关联模型效果满足需求，直接输出该模型，用于同一信源的中断航迹接续关联，如果不满意，则考虑改变模型中的学习率等超参数，重新进行模型的训练测试。该方法可基于实测数据，自动训练生成中断航迹接续关联模型，具有关联速度快、实用效果好等优点，可直接用于解决实际工程中的同一信源中断航迹接续关联问题。
Description
技术领域
本发明隶属于雷达数据处理领域，涉及中断航迹接续关联模型的学习与生成，适用于雷达目标检测与跟踪系统和情报处理系统。
背景技术
在雷达对目标的跟踪过程中，受目标停等、目标机动、平台机动、长采样间隔、低探测概率、地物遮蔽和电磁干扰等多种因素影响，经常会出现目标航迹中断问题，即目标当前航迹突然暂时消失，一段时间后又在临近区域重新起始跟踪一条新的航迹。航迹中断会导致雷达对同一目标先后产生多条批号不同的航迹，虽然实时航迹数量并未受到明显影响，但其中新生成且属性未知的目标航迹所占比例将会增大，进而加重情报人员的目标属性分析判别任务，影响其工作效率。特别是在密集目标环境下，大量的航迹暂消和重起，极易造成局部态势混乱，严重干扰情报人员态势分析和判别。为使态势清晰准确，减轻情报人员不必要的工作负担，有必要对中断航迹进行接续关联，以实现同一目标不同航迹段间批号统一。现有的中断航迹接续关联模型方法是研究人员在不同的目标运动模型和量测噪声假设下，通过采用模糊、证据、概率统计、概率估计等多种领域理论成果，并结合自身的启发式考虑推导得到的，在实际应用中存在假设不合理、模型不适用、门限无法确定等问题，需要人工利用实测数据对所采用的模型和门限参数进行反复的修改和调试。在缺乏标准化、自动化调试步骤和方法的情况下，中断航迹接续关联模型调试将耗费大量的时间和精力，并且调试后的最终接续效果也难以达到最优，因此现有的模型方法尚无法直接解决实际工程中的中断航迹接续关联问题，离实际需求还存在较大差距。
发明内容
随着人工智能的日益发展，深度学习技术在各个领域都发挥了极其重要的作用。例如图像检索、雷达目标检测、医学影像处理、自动驾驶等。受深度学习广泛应用的启发，本发明提出一种中断航迹接续关联深度学习方法，旨在利用深度学习强大的自我学习能力，解决现有中断航迹接续关联模型方法在实际应用中，各个模型的使用范围狭窄，需要人工利用实测数据进行反复修改和调试，且最终效果难以保证的问题。
本发明所述的一种中断航迹接续关联深度学习方法，具体包括以下技术措施：首先构建深度学习神经网络模型，选择深度学习中的孪生网络作为航迹相似性判别网络，损失函数选择Contrastive Loss，以减小同一目标航迹段在特征空间中的距离，增大不同目标航迹段在特征空间中的距离，提高模型的度量性能。神经网络参数更新采用梯度反向传播和随机梯度下降算法。利用训练数据集，对基于深度学习的中断航迹接续关联模型进行训练，生成中断航迹接续关联模型。接着利用测试数据集对关联模型进行测试，如果当前训练生成的中断航迹接续关联模型效果满足需求，直接输出中断航迹接续关联模型，用于同一信源的中断航迹接续关联，如果不满意，则考虑改变中断航迹接续关联的网络模型或选择不同的学习率等超参数，重新进行模型的训练测试。
本发明提出的一种中断航迹接续关联深度学习方法，可基于实测数据，自动训练生成中断航迹接续关联模型，完全避免了人工对运动模型的选取、目标运动参数的设置、目标运动先验信息的采集等大量调试操作，具有关联速度快、实用效果好、节省人力物力等优点，所生成的中断航迹接续关联模型可直接用于解决实际工程中的同一信源中断航迹接续关联问题。
附图说明
图1是一种中断航迹接续关联深度学习方法网络结构图；
具体实施方式
本发明提出的一种中断航迹接续关联深度学习方法包括以下步骤：
步骤1：采用循环神经网络、卷积神经网络、全连接层构建孪生网络航迹特征映射层，孪生网络包含两个航迹特征映射分支，各个分支结构共享参数和权重，由全连接层输出航迹高维特征向量。
步骤1.1：使用输入维数为2，输出维数为5的循环神经网络进行升维和时间信息提取，同时将航迹段向量变为5×5的矩阵，便于卷积神经网络的处理。
步骤1.2：循环神经网络后接卷积神经网络，提取航迹空间信息。
步骤1.3：卷积神经网络后接全连接层，将航迹原始向量映射为航迹高维特征向量。网络映射关系可以通过式3表示。
mapping＝f(Ii) (1)
其中f(·)表示RNN、CNN、FC的网络映射，Ii为编号为i的航迹段。
步骤2：设计损失函数，损失函数的输入为一对航迹高维特征向量及其标签，通过损失函数的度量使得来自同一目标的航迹段在高维空间中的向量相互靠近，来自不同目标的航迹段在高维空间中的向量相互远离。
步骤2.1：一种损失函数可以定义为：
其中l为标签；m>0表示边界损失；D＝||f(I1)-f(I2)||2表示高维空间的欧式距离。
步骤2.2：将一对航迹高维特征向量及其标签输入损失函数，其中标签为1代表一对航迹高维特征向量来自同一目标，为0代表一对航迹高维特征向量来自不同目标，由损失函数计算出一对航迹高维特征向量之间的损失值。
步骤2.3：将损失值通过误差反向传播更新孪生网络参数，使得来自同一目标的航迹段在高维空间中的向量相互靠近，来自不同目标的航迹段在高维空间中的向量相互远离。
步骤3：利用训练集中的海量航迹数据进行神经网络训练，训练完成后保存模型，利用航迹特征映射层输出的航迹高维特征向量进行中断航迹接续关联判决。
步骤3.1：从训练集中提取航迹坐标向量进行神经网络训练，当损失函数的输出损失达到较低水平并且不再明显下降，证明网络收敛到最优解，此时保存模型。
步骤3.2：将测试集中的航迹坐标向量通过孪生网络中的航迹特征映射层映射到高维空间后，通过比较高维空间中一个目标的断前航迹与所有目标的断后航迹之间的欧氏距离，选择欧氏距离最短的断前断后航迹对，该航迹对即为关联后的航迹对。
Claims (2)
1.一种中断航迹接续关联深度学习方法，其特征在于，包括以下步骤：
步骤1，采用循环神经网络、卷积神经网络、全连接层构建孪生网络航迹特征映射层，孪生网络包含两个航迹特征映射分支，各个分支结构共享参数和权重，由全连接层输出航迹高维特征向量；
所述步骤1具体包括以下子步骤：
步骤1.1，使用输入维数为2，输出维数为5的循环神经网络进行升维和时间信息提取，同时将航迹段向量变为5×5的矩阵，便于卷积神经网络的处理；
步骤1.2，循环神经网络后接卷积神经网络，提取航迹空间信息；
步骤1.3，卷积神经网络后接全连接层，将航迹原始向量映射为航迹高维特征向量；
步骤2，设计损失函数，损失函数的输入为一对航迹高维特征向量及其标签，通过损失函数的度量使得来自同一目标的航迹段在高维空间中的向量相互靠近，来自不同目标的航迹段在高维空间中的向量相互远离；
步骤3，利用训练集中的海量航迹数据进行神经网络训练，训练完成后保存模型，利用航迹特征映射层输出的航迹高维特征向量进行中断航迹接续关联判决；
所述步骤3具体包括以下子步骤：
步骤3.1，从训练集中提取航迹坐标向量进行神经网络训练，当损失函数的输出损失达到较低水平并且不再明显下降，证明网络收敛到最优解，此时保存模型；
步骤3.2，将测试集中的航迹坐标向量通过孪生网络中的航迹特征映射层映射到高维空间后，通过比较高维空间中一个目标的断前航迹与所有目标的断后航迹之间的欧氏距离，选择欧氏距离最短的断前断后航迹对，该航迹对即为关联后的航迹对。
2.如权利要求1所述的一种中断航迹接续关联深度学习方法，其特征在于所述步骤2具体包括以下子步骤：
步骤2.1，一种损失函数定义为：
其中l为标签，m>0表示边界损失，D＝||f(Ii)-f(Ij)||2表示高维空间的欧式距离，f(·)表示RNN、CNN、FC的网络映射，Ii为编号为i的航迹段，Ij为编号为j的航迹段；
步骤2.2，将一对航迹高维特征向量及其标签输入损失函数，其中标签为1代表一对航迹高维特征向量来自同一目标，为0代表一对航迹高维特征向量来自不同目标，由损失函数计算出一对航迹高维特征向量之间的损失值；
步骤2.3，将损失值通过误差反向传播更新孪生网络参数，使得来自同一目标的航迹段在高维空间中的向量相互靠近，来自不同目标的航迹段在高维空间中的向量相互远离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803926.XA CN111898746B (zh) | 2020-08-11 | 2020-08-11 | 一种中断航迹接续关联深度学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803926.XA CN111898746B (zh) | 2020-08-11 | 2020-08-11 | 一种中断航迹接续关联深度学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111898746A CN111898746A (zh) | 2020-11-06 |
| CN111898746B true CN111898746B (zh) | 2024-01-02 |
Family
ID=73229592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010803926.XA Active CN111898746B (zh) | 2020-08-11 | 2020-08-11 | 一种中断航迹接续关联深度学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111898746B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11526813B2 (en) * | 2018-11-29 | 2022-12-13 | Viettel Group | Method of automatic identification of flying targets by motion, time, and 3/A code information |
| CN116503042B (zh) * | 2023-03-15 | 2023-12-19 | 上海天方夜谭网络科技有限公司 | 适用于检维修人员培训数据处理方法及系统 |
| CN117893565A (zh) * | 2023-12-15 | 2024-04-16 | 厦门海兰寰宇海洋信息科技有限公司 | 一种海上目标的跟踪接续方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463967A (zh) * | 2017-08-25 | 2017-12-12 | 中国人民解放军海军航空工程学院 | 多源航迹关联机器学习系统 |
| CN107506444A (zh) * | 2017-08-25 | 2017-12-22 | 中国人民解放军海军航空工程学院 | 中断航迹接续关联机器学习系统 |
| CN109872342A (zh) * | 2019-02-01 | 2019-06-11 | 北京清帆科技有限公司 | 一种特定场景下的目标跟踪方法 |
| CN109934195A (zh) * | 2019-03-21 | 2019-06-25 | 东北大学 | 一种基于信息融合的反欺骗三维人脸识别方法 |
| WO2019238976A1 (en) * | 2018-06-15 | 2019-12-19 | Université de Liège | Image classification using neural networks |
| CN111199554A (zh) * | 2019-12-31 | 2020-05-26 | 中国船舶重工集团公司第七一七研究所 | 一种目标跟踪抗遮挡的方法及装置 |
| CN111292360A (zh) * | 2020-01-21 | 2020-06-16 | 四川省交通勘察设计研究院有限公司 | 一种用于船舶行驶航线推荐方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10019631B2 (en) * | 2015-11-05 | 2018-07-10 | Qualcomm Incorporated | Adapting to appearance variations when tracking a target object in video sequence |
| US11157771B2 (en) * | 2017-05-12 | 2021-10-26 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Method for correlation filter based visual tracking |
| US10902615B2 (en) * | 2017-11-13 | 2021-01-26 | Qualcomm Incorporated | Hybrid and self-aware long-term object tracking |
-
2020
- 2020-08-11 CN CN202010803926.XA patent/CN111898746B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463967A (zh) * | 2017-08-25 | 2017-12-12 | 中国人民解放军海军航空工程学院 | 多源航迹关联机器学习系统 |
| CN107506444A (zh) * | 2017-08-25 | 2017-12-22 | 中国人民解放军海军航空工程学院 | 中断航迹接续关联机器学习系统 |
| WO2019238976A1 (en) * | 2018-06-15 | 2019-12-19 | Université de Liège | Image classification using neural networks |
| CN109872342A (zh) * | 2019-02-01 | 2019-06-11 | 北京清帆科技有限公司 | 一种特定场景下的目标跟踪方法 |
| CN109934195A (zh) * | 2019-03-21 | 2019-06-25 | 东北大学 | 一种基于信息融合的反欺骗三维人脸识别方法 |
| CN111199554A (zh) * | 2019-12-31 | 2020-05-26 | 中国船舶重工集团公司第七一七研究所 | 一种目标跟踪抗遮挡的方法及装置 |
| CN111292360A (zh) * | 2020-01-21 | 2020-06-16 | 四川省交通勘察设计研究院有限公司 | 一种用于船舶行驶航线推荐方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Hyper-Siamese network for robust visual tracking;Yangliu Kuai, Gongjian Wen, Dongdong Li;《Signal, Image and Video Processing》;第35-42页 * |
| 基于先验信息的多假设模型中断航迹关联算法;齐林等;系统工程与电子技术(04);第732-739页 * |
| 基于广义绝对灰关联度的航迹关联算法;高峰等;《雷达科学与技术》;第第14卷卷(第第06期期);第642-647页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111898746A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898746B (zh) | 一种中断航迹接续关联深度学习方法 | |
| CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
| CN107506444B (zh) | 中断航迹接续关联机器学习系统 | |
| WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
| Lin et al. | E2EK: End-to-end regression network based on keypoint for 6D pose estimation | |
| CN103020989A (zh) | 一种基于在线场景特征聚类的多视角目标跟踪方法 | |
| CN109886356A (zh) | 一种基于三分支神经网络的目标追踪方法 | |
| CN110458096A (zh) | 一种基于深度学习的大规模商品识别方法 | |
| CN109239702B (zh) | 一种基于目标状态集的机场低空飞鸟数量统计方法 | |
| CN111161325A (zh) | 基于卡尔曼滤波与lstm的三维多目标跟踪方法 | |
| Narayana et al. | Intelligent visual object tracking with particle filter based on Modified Grey Wolf Optimizer | |
| CN107871315A (zh) | 一种视频图像运动检测方法和装置 | |
| Liu et al. | VSLAM method based on object detection in dynamic environments | |
| CN112465113A (zh) | 一种生成式中断航迹接续关联方法 | |
| CN109615641A (zh) | 基于kcf算法的多目标行人跟踪系统及跟踪方法 | |
| CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
| CN108520237A (zh) | 一种风险行为识别方法 | |
| Lai et al. | A survey of deep learning application in dynamic visual SLAM | |
| Li et al. | YVG‐SLAM: Dynamic Feature Removal SLAM Algorithm Without A Priori Assumptions Based on Object Detection and View Geometry | |
| CN107452001A (zh) | 一种基于改进fcm算法的遥感图像序列分割方法 | |
| CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
| Morsi et al. | Efficient hardware implementation of PSO-based object tracking system | |
| CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
| Li et al. | A moving object detection algorithm based on multiple judgments | |
| Wang et al. | A robust long-term pedestrian tracking-by-detection algorithm based on three-way decision |
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 |