CN113095401A - 一种多传感器多目标关联跟踪方法 - Google Patents
一种多传感器多目标关联跟踪方法 Download PDFInfo
- Publication number
- CN113095401A CN113095401A CN202110386725.9A CN202110386725A CN113095401A CN 113095401 A CN113095401 A CN 113095401A CN 202110386725 A CN202110386725 A CN 202110386725A CN 113095401 A CN113095401 A CN 113095401A
- Authority
- CN
- China
- Prior art keywords
- target
- value
- sensor
- measurement
- modal
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/22—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring angles or tapers; for testing the alignment of axes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标关联跟踪技术领域,具体涉及一种多传感器多目标关联跟踪方法;以多传感器提供的多模态目标级量测信息作为算法的输入项,将多传感器的目标级的量测信息与上一时刻已跟踪到的目标进行互联匹配,从而对目标进行跟踪处理;充分考虑了目标状态值与量测值之间的模糊性,并根据此模糊性,采用模糊综合评价理论从目标状态数据与量测数据层面对目标进行数据级别的关联和跟踪,在目标关联过程中考虑传感器提供的多模态量测信息,增加了目标关联的可靠性,从而较好的对多目标进行关联及跟踪。
Description
技术领域
本发明属于目标关联跟踪技术领域,具体涉及一种多传感器多目标关联跟踪方法。
背景技术
多传感器多目标的关联跟踪问题是一个十分复杂的问题。采用传感器对环境进行全面的探测,由于传感器测量出环境中的目标信息不是目标真实状态值,而是受噪声污染的目标量测值。其次,传感器所提供的量测信息包含杂波信息即环境中的树木等障碍物的量测信息,即传感器所提供的量测信息是来自于环境中的目标还是障碍物以及来自于环境中的哪个目标或障碍物具有一定的模糊性及不确定性,所以,在采用传感器对多个目标进行跟踪时,需要进行目标关联这步,来判定传感器测得的这些特征不完全相同的量测信息是否源于同一目标,使用目标关联过程后源于同一目标的量测信息对目标进行本时刻状态的更新。目标关联过程中的模糊性是一种“亦此亦彼性”问题,由于我们不可能100%确定某个量测信息来源于某个目标,只是尽可能的设计目标关联算法,在传感器测得的多个量测中挑选最可能来源于某个目标的量测进行目标关联,尽可能的提高目标关联正确率。
目前,多传感器多目标关联跟踪算法有很多,大部分算法只利用了传感器对目标的位置量测信息,忽略了传感器所提供的目标其他信息,为了尽可能地提高目标关联及跟踪效果,如果可以在目标关联过程中将传感器所提供的目标的其他量测值例如方向角度、相对速度等信息考虑进来,那么必然会给目标关联结果增加可靠性。
发明内容
为了克服上述问题,本发明提供一种多传感器多目标关联跟踪方法,以多传感器提供的多模态目标级量测信息作为算法的输入项,将多传感器的目标级的量测信息与上一时刻已跟踪到的目标进行互联匹配,从而对目标进行跟踪处理;充分考虑了目标状态值与量测值之间的模糊性,并根据此模糊性,采用模糊综合评价理论从目标状态数据与量测数据层面对目标进行数据级别的关联和跟踪,在目标关联过程中考虑传感器提供的多模态量测信息,增加了目标关联的可靠性,从而较好的对多目标进行关联及跟踪。
一种多传感器多目标关联跟踪方法,包括如下步骤:
步骤一、多模态量测信息选取:
其中以传感器所在位置距离待测目标的横向距离、纵向距离和角度作为选取的多模态量测信息;
步骤二、多模态量测数据初步筛选:
分别计算各个传感器的多模态量测信息值与上一时刻对应传感器已跟踪到的历史目标的多模态量测预测值之间的马氏距离Vk;
将各马氏距离Vk分别与上一时刻对应传感器已跟踪到的历史目标的门限值γ进行比较,当马氏距离小于目标门限值即Vk<γ时,传感器的多模态量测值被判断为前一时刻相应目标的候选量测;当马氏距离大于目标门限值即Vk>γ时,将传感器的此多模态量测作为新目标生成;
步骤三、获取k时刻各传感器的各个候选量测的多模态量测信息与对应目标运动状态预测值之间的隶属程度μmj:
其中传感器测得候选量测的多模态量测信息值越接近对应目标运动状态预测值时,该候选量测来自于某个历史目标的隶属程度越大;当传感器测得候选量测的多模态量测信息值越远离某个历史目标运动状态预测值时,该候选量测来自于某个历史目标的隶属程度越小;
步骤四、根据各候选量测的多模态量测信息的各模态对关联评判的影响程度不同,采用主、客观赋权算法分别对k时刻候选量测的多模态量测信息的隶属程度μmj进行赋权:
采用客观赋权算法——熵权法计算k时刻各候选量测的多模态量测信息的隶属程度μmj的客观权重值q2j;
采用主观赋权算法——层次分析法计算各候选量测的多模态量测信息的权重,即构造判断矩阵,对判断矩阵的每一列进行归一化后得到的矩阵的每一行进行求和,再对此矩阵进行归一化,得到多模态量测信息的隶属程度的主观权重值q1j;
其中主观赋权算法——层次分析法计算出的各候选量测的多模态量测信息的隶属程度的权重值为q1j={q11,q12,…,q1n};客观赋权算法——熵权法计算出的各候选量测的多模态量测信息的隶属程度的权重值为q2j={q21,q22,…,q2n};各候选量测的第j个多模态量测信息的隶属程度的最优权重组合值为:
其中:
步骤六、综合相似度计算:
将各候选量测的多模态量测信息的隶属程度μmj与多模态量测信息的隶属程度的最优权重组合值归一化后的值相乘,得到各候选量测相似于第i个目标的综合相似度,选取与第i个目标中综合相似度最大的候选量测与此目标进行关联,其中综合相似度计算公式如下:
所述步骤二中各个传感器的多模态量测信息值与上一时刻对应传感器已跟踪到的历史目标的多模态量测预测值之间的马氏距离Vk按照下式计算:
其中,Z(k)代表传感器的多模态量测信息值;代表历史目标的多模态量测预测值,S(k)代表新息协方差矩阵,S(k)=CP(k|k-1)CT+R;C代表量测矩阵,T代表转置;R代表传感器多模态量测的噪声协方差矩阵;P(k|k-1)代表历史目标多模态量测预测值的协方差。
所述步骤三中通过构造正态隶属度函数表示k时刻候选量测的多模态量测信息来自目标的隶属程度μmj,计算公式如下;
其中,j代表各候选量测的第j个多模态量测信息,j=1,…,n;pm代表k时刻第m个传感器获取到的候选量测的总个数,Zmj(k)代表k时刻第m个传感器的各候选量测的第j个多模态量测信息;Xmj(k|k-1)代表k时刻第m个传感器的第j个多模态量测信息的预测值。
所述步骤四中k时刻各候选量测的多模态量测信息的隶属程度μmj的客观权重值q2j按照下式计算:
所述步骤四中采用CR值对构造的判断矩阵进行一致性检验,当CR值小于0.1则说明构造的判断矩阵通过一致性检验,反之则说明没有通过检验,需重新构造判断矩阵,直至CR值小于0.1;其中CR值按照下式计算:
CR=CI/ri
CI=(λmax-n)/(n-1)
其中,CI代表判断矩阵的一般一致性指标;n代表多模态量测信息的个数;λmax代表构造的判断矩阵的最大特征根的值;ri代表判断矩阵的随机一致性指标。
所述步骤一种以传感器所在位置距离待测目标的横向距离、纵向距离和角度具体是指:待测目标朝向传感器一侧的边缘距离传感器中心点之间的横向距离、纵向距离和角度。
本发明的有益效果:
本发明充分利用多类量测信息来实现目标数据关联,增加目标关联的可靠性,从而实现对目标的有效跟踪。
附图说明
图1为本方法步骤二中自由度为n'的卡方分布图表。
图2为仿真实验中得到的目标a,b的跟踪效果图。
具体实施方式:
原理:目前,多传感器多目标关联跟踪算法有很多,大部分算法只利用了传感器对目标的位置量测信息,忽略了传感器所提供的目标其他信息,为了尽可能地提高目标关联及跟踪效果,如果可以在目标关联过程中将传感器所提供的目标的其他量测值例如方向角度、相对速度等信息考虑进来,那么必然会给目标关联结果增加可靠性。
以下结合附图详细介绍本发明的技术方案:
本发明提供了一种多传感器多目标关联跟踪方法,具体包括以下几个步骤:
步骤一、多模态量测信息选取:
首先,为了便于进行目标关联,选取多模态量测信息中最能反应量测数据特点的多模态量测信息的种类,提高目标关联过程中各量测数据间的区分程度。本发明选取的多模态量测信息为影响目标关联的传感器的量测信息,其中选取的量测模态为:速度、距离和角度,这些信息是不同的量测模态,这些量测模态是能影响目标关联过程的量测模态信息,进行后续步骤。
其中以传感器所在位置的横向距离、纵向距离和角度作为本发明选取的多模态量测信息,其中以传感器所在位置的横向距离、纵向距离和角度是指:待测目标朝向传感器一侧的边缘距离传感器中心点之间的横向距离、纵向距离和角度;
步骤二、多模态量测数据初步筛选:
为了减少计算量以及便于跟踪目标,首先使用马氏距离对传感器的多模态量测数据进行初步筛选。分别计算各个传感器的多模态量测值与上一时刻对应传感器已跟踪到的历史目标的多模态量测预测值之间的马氏距离Vk:
其中,Z(k)代表传感器的多模态量测值;代表历史目标的多模态量测预测值,S(k)代表新息协方差矩阵,S(k)=CP(k|k-1)CT+R;C代表量测矩阵,T代表转置;R代表传感器多模态量测的噪声协方差矩阵;P(k|k-1)代表历史目标多模态量测预测值的协方差;也就是历史目标运动状态的一步提前预测值即历史目标的多模态运动信息状态值所对应的预测误差的协方差矩阵。
将各传感器的多模态量测值与上一时刻对应传感器已跟踪到的历史目标的多模态量测预测值之间的马氏距离Vk分别与上一时刻对应传感器已跟踪到的历史目标的门限值γ进行比较,当马氏距离小于目标门限值即Vk<γ时,传感器的多模态量测值被判断为前一时刻相应目标的候选量测;当马氏距离大于目标门限值即Vk>γ时,将传感器的此多模态量测值作为新目标生成;
γ代表各传感器已跟踪到的历史目标的门限值;参数γ可以由χ2分布表获得。若传感器获得的量测模态为n'个模态,则γ服从自由度为n'的χ2分布,γ值则可以查询自由度为n'的χ2分布表,如图1所示,从而获得门限值γ,图1中P代表传感器的真实量测落入目标跟踪门限内的概率。
目标的运动状态的更新。采用卡尔曼滤波技术对步骤六中关联成功的目标进行k时刻状态的更新;对步骤二中在目标跟踪门外的量测及关联失败的量测数据进行新目标的生成。
卡尔曼滤波使用匀速运动模型即CV模型,所以目标的运动状态方程与量测方程的表达式分别为
X(k+1)=AX(k)+G(k)v(k)
Z(k)=CX(k)+w(k)
其中w(k)代表传感器的量测噪声,w(k)~N(0,R),R代表传感器量测噪声的协方差矩阵;v(k)代表目标运动模型的噪声,v(k)~N(0,Q),Q代表目标运动模型的噪声协方差矩阵。
根据上述方程,采用卡尔曼滤波对关联成的目标进行k时刻状态的估计,估计过程如下:
K=P(k|k-1)CT(CP(k|k-1)CT+R)-1
P(k|k)=(I-KC)P(k|k-1)
其中,K代表卡尔曼增益矩阵;P(k|k)代表k时刻对关联成功的目标的运动状态的估计值及目标的多模态的运动信息状态值及相应的协方差矩阵;P(k|k-1)代表历史目标状态的一步提前预测值及相应的预测误差的协方差矩阵。
对目标的运动状态的预测:
把运用卡尔曼滤波进行状态更新的目标以及生成的新目标作为下一周期的历史目标,依据CV匀速运动模型对这些目标在下一时刻的多模态的运动状态值以及相应的协方差值P(k|k-1)进行预测,把预测结果再输入到下一时刻的目标关联及目标的运动状态的估计部分进行使用。P(k|k-1)的计算公式如下:
P(k|k-1)=AP(k-1|k-1)AT+Q
步骤三、获取k时刻各传感器的各个候选量测的多模态量测信息与对应目标运动状态预测值之间的隶属程度μmj:
其中传感器测得的多模态量测信息的值越接近目标运动状态预测值时,该候选量测来自于某个历史目标的隶属程度越大;当传感器测得的多模态量测信息的值越远离某个历史目标运动状态预测值时,该候选量测来自于某个历史目标的隶属程度越小;通过构造正态隶属度函数表示k时刻候选量测的多模态量测信息来自目标的隶属程度μmj,计算公式如下;
在模糊理论中,使用隶属度函数衡量量测来自目标的模糊性,当量测值处于正常范围偏差时,即进行完步骤一的量测数据初步筛选,滤除了一些严重偏离大部分数据点所构成的变化范围的数据点,这些点也被称为野值点,保留下的有可能是目标量测的数据点,这些量测数据的偏差在被容许的范围内也就是在正常范围偏差内,传感器的量测值以所跟踪目标的真实值为中心分布在其附近,并且量测误差近似服从正态分布;当传感器测得的量测值越接近目标状态预测值时,量测来自于某个目标的隶属程度越大;当传感器测得的量测值越远离目标状态预测值时,量测来自于某个目标的隶属程度越小。而正态隶属度函数的特性可以很好的表征传感器测得的量测值与目标状态预测值的关系,所以本发明采用正态隶属度函数来表示k时刻候选量测的多模态量测信息的隶属程度μmj。构造的正态隶属度函数如下:
其中,j代表各候选量测的第j个多模态量测信息,j=1,…,n;pm代表k时刻第m个传感器获取到的候选量测的总个数,Zmj(k)代表k时刻第m个传感器的各候选量测的第j个多模态量测信息;Xmj(k|k-1)代表k时刻第m个传感器的第j个多模态量测信息的预测值;
步骤四、根据各候选量测的多模态量测信息的各模态对关联评判的影响程度不同,采用主、客观赋权算法分别对k时刻候选量测的多模态量测信息的隶属程度μmj进行赋权:
由于各候选量测的多模态量测信息的各模态对关联评判的影响程度不同,应设法对不同的各候选量测的多模态量测信息的各模态给予不同的权重。主观赋权算法的缺点是仅仅依靠专家意见,人为因素强;客观赋权算法的缺点是仅依靠统计或数学的计算方法,不考虑评价指标主观上的定性分析。
这两类赋权算法都存在着信息缺损,采用组合赋权可以最大限度的减少相应信息的缺损,使计算出的权重值尽可能与实际情况相接近。所以本发明采用主、客赋权算法对多模态量测信息分别进行赋权。
本发明选取的客观赋权算法为熵权法,熵权法计算出的权重值精确度高,采用客观赋权算法——熵权法计算k时刻各候选量测的多模态量测信息的各模态的隶属程度μmj的权重值,公式如下:计算一个传感器的,其他传感器也按此方法计算。
1)数据归一化
其中,j代表各候选量测的第j个多模态量测信息,j=1,…,n,n代表多模态量测信息的个数;pm代表k时刻第m个传感器的候选量测的总个数;Xf代表第f个候选量测,f=1,…,pm;Xfj代表第f个候选量测的第j个多模态量测信息;Yfj代表Xfj归一化后的数值;
2)分别求第f个候选量测中第j个多模态量测信息所占比重pfj,公式如下:
其中,j代表各候选量测的第j个多模态量测信息,j=1,…,n;n代表多模态量测信息的个数。
3)计算各候选量测的多模态量测信息的各模态的信息熵Ej,即分别计算全部候选量测中的每一种多模态量测信息的信息熵,公式如下:
其中,-ln(pm)-1>0,pm代表k时刻第m个传感器的候选量测的总个数;Ej代表多模态量测信息的各模态的信息熵,Ej>0;
4)计算各候选量测的多模态量测信息的各模态的信息熵的冗余度vj,公式如下:
vj=1-Ej
5)计算各候选量测的多模态量测信息的各模态的隶属度的权重值,公式如下:
其中,q2j为各候选量测的多模态量测信息第j个模态的隶属度的权重值;
选取主观赋权算法——层次分析法计算各候选量测的多模态量测信息的权重,步骤如下:
本发明选取的主观赋权算法为层次分析法AHP,AHP主要是从评价者对评价问题的本质、要素的理解出发,比一般的权重计算方法更讲求定性的分析和判断。通过专家投票得出的各指标重要性大小,人为的通过经验主观确定指标权重,所以叫主观权重。
1)构造判断矩阵
表1.判断矩阵构造准则
标度 | 含义 |
1 | 具有同样的重要性的两因素比较 |
3 | 两因素比较,一因素比另一因素稍重要 |
5 | 两因素比较,一因素比另一因素显然重要 |
7 | 两个因素比较,一因素比另一因素非常重要 |
9 | 两个因素比较,一因素比另一因素极为重要 |
2,4,6,8 | 上述相邻结论中间重要性 |
a)s(i,ii)表示判断矩阵中的某个元素,表示i因素与ii因素相比,i因素的重要性。
b)i=ii,表示i因素与ii因素重要性相同。
c)i>ii,则表示i因素与ii因素相比,i因素重要。
判断矩阵构造说明:
i可以代表横向距离或纵向距离或方向角度,ii代表横向距离或纵向距离或方向角度,即i与ii可以选这个三个因素中的任何一个,S就代表构造的判断矩阵,s(i,ii)是一个矩阵,则i就代表这个判断矩阵的行向量,ii就代表这个矩阵的列向量,当i任意取一个因素例如i取横向距离时,ii也任意取一个因素例如ii取横向距离时,构造判断矩阵时,横向距离与横向距离是相同的因素,重要性相同,则ii与i所代表的因素同样重要,当i任意取一个因素即i取横向距离时,ii也任意取一个因素即ii取纵向距离时,构造判断矩阵时,横向距离与纵向距离主观认为纵向距离在评判事物中比横向距离重要,则判断矩阵s(i,ii)的数值就是依次进行,构造了判断矩阵。
本发明使用本领域的一位专家根据上述判断矩阵的构造准则所判定的多模态量测信息的重要程度,得到的判断矩阵如下:
表2.本发明构造的判断矩阵
多模态量测信息 | 横向距离 | 纵向距离 | 方向角度 |
横向距离 | 1 | 1/2 | 3 |
纵向距离 | 2 | 1 | 3 |
方向角度 | 1/3 | 1/3 | 1 |
对此矩阵每一列进行归一化得到矩阵再对矩阵的每一行进行求和,得到矩阵对此矩阵进行归一化得到矩阵把矩阵中的数写成小数形式并保留4位小数为:所以,我们可以得到的各候选量测的多模态量测信息即横向距离、纵向距离、方向角度的权重值分别为0.3337、0.5247、0.1416;
2)一致性检验
在构建判断矩阵时,有可能会出现逻辑性错误,因此需要使用一致性检验判断矩阵的构造是否出现逻辑错误的问题;一致性检验采用CR值即判断矩阵的随机一致性比率进行判断,CR值计算方法如下述公式所示:
CR=CI/ri
CI=(λmax-n)/(n-1)
当CR值小于0.1则说明判断矩阵的构造通过一致性检验,反之则说明没有通过检验,需重新构造判断矩阵;
其中,CI代表判断矩阵的一般一致性指标;n代表多模态量测信息的个数;λmax代表表2所构造的判断矩阵的最大特征根的值;ri代表判断矩阵的随机一致性指标,ri值通过查表3表而得;
表3.ri取值
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
ri | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 |
经计算检验,本发明构造的判断矩阵的CR值为0.0515,小于0.1,所以,本发明构造的判断矩阵通过一致性检验。
步骤五、立足于博弈论原理对各候选量测的多模态量测信息的各模态的主、客观权重值进行组合赋权并归一化,最终确定k时刻候选量测的多模态量测信息与对应目标运动状态预测值之间的隶属程度μmj的最优权重组合值归一化后的值:
将两种赋权算法分别计算出的各候选量测的多模态量测信息的各模态的权重值作为博弈论算法的输入,通过博弈理论求解各候选量测的多模态量测信息的各模态的最优权重组合值;
假设主观赋权算法——AHP方法计算出的各候选量测的多模态量测信息的各模态的隶属度的权重值为q1j={q11,q12,…,q1n},客观赋权算法——熵权法计算出的各候选量测的多模态量测信息的各模态的隶属度的权重值为q2j={q21,q22,…,q2n},其中,j代表各候选量测的第j种类的多模态量测信息,j=1,…,n,n代表多模态量测信息的个数;
两种赋权算法计算出的各候选量测的多模态量测信息的各模态的权重值的任意线性组合q为:
q=a1q1j+a2q2j
其中,a1代表主观赋权算法计算方法计算出的各候选量测的多模态量测信息的各模态的权重值的任意线性组合的系数;a2代表客观赋权算法计算出的各候选量测的多模态量测信息的各模态的权重值的任意线性组合的系数;对此线性组合中主、客观赋权算法的组合加权值a1和a2进行优化,求出各候选量测的第j个多模态量测信息的最优权重组合值所以为了求解最优的权重组合值,采用如下对策模型:
其中,qi代表第i种赋权算法中的一个权重向量,i=1,2,求此对策模型的一阶导数,并令其为零,可得:
根据此对策模型满足的约束条件,可得:
建立拉格朗日函数求解此不等式约束优化问题:
其中,σ代表拉格朗日乘子。
分别对a1,a2,σ求偏导数并令偏导数为零得:
可以推导出:
其中,j代表各候选量测的第j种类的多模态量测信息,j=1,…,n,n代表多模态量测信息的个数。
步骤六、综合相似度计算:
将各候选量测的多模态量测信息的隶属度μmj与归一化后的多模态量测信息的最优权重组合值相乘,得到各候选量测相似于第i个目标的综合相似度,选取与第i个目标中综合相似度最大的候选量测与此目标进行关联,其中综合相似度计算公式如下:
其中,代表归一化后的第j个多模态量测信息的最优权重组合值;μmj代表k时刻候选量测的多模态量测信息的隶属程度;j代表第j个多模态量测信息,j=1,…,n;Mmi(k)代表k时刻第m个传感器第i个目标的多个候选量测中综合相似度的最大值。
仿真场景介绍:
本方法模拟杂波环境下的两个轨迹交叉的匀速运动的目标,对其进行跟踪。模拟的杂波环境场景如下:
确定的目标跟踪门面积为其中,跟踪门门限值设置为γ=15.09,单位面积内虚假量测为0.004km/m2。目标a初始值(横向距离、相对横向速度、纵向距离、相对纵向速度)[12,5,4,6]T也称为目标a运动的真实值,目标b初始值(横向距离、相对横向速度、纵向距离、相对纵向速度)[4,6,12,5]T也称为目标b运动的真实值,采样次数为100次,采样间隔为0.2秒,横、纵向距离的观测标准差为[0.55m,0.55m],传感器初始协方差为做匀速运动的两个目标的状态转移矩阵为量测矩阵目标的横、纵向距离的观测协方差矩阵过程噪声协方差矩阵:对两个目标运动的真实值叠加高斯噪声作为传感器对目标的观测值。为排除偶然性对仿真结果的影响,本文对此方法进行100次蒙特卡罗实验,取各指标100次蒙特卡洛实验的平均值,仿真结果如图2、3、4、5所示。
仿真分析:
图2展示的为仿真中传感器观测到的两个匀速运动目标a和b以及周围环境的杂波值,传感器采用本方法对仿真场景的这两个目标进行观测与跟踪。首先求取目标滤波值与目标运动的真实值之间的误差S1,其中为k时刻对采用本方法关联成功的目标的运动状态的估计值,其次求取传感器对目标的量测值与目标运动的真实值之间的误差S2,若则表示目标滤波值相比于目标量测值更接近于目标运动的真实值。则说明本发明所提出的方法有效;若则表示目标量测值相比于目标滤波值更接近于目标运动的真实值。图3、4、5分别展示目标的径向距离、横向距离、纵向距离的值的大小,从图中可以看出,图3、4、5中的值均大于1,则表示目标滤波值相比于目标量测值更接近于目标运动的真实值。则说明本发明所提出的目标关联跟踪方法有效。
Claims (6)
1.一种多传感器多目标关联跟踪方法,其特征在于包括如下步骤:
步骤一、多模态量测信息选取:
其中以传感器所在位置距离待测目标的横向距离、纵向距离和角度作为选取的多模态量测信息;
步骤二、多模态量测数据初步筛选:
分别计算各个传感器的多模态量测信息值与上一时刻对应传感器已跟踪到的历史目标的多模态量测预测值之间的马氏距离Vk;
将各马氏距离Vk分别与上一时刻对应传感器已跟踪到的历史目标的门限值γ进行比较,当马氏距离小于目标门限值即Vk<γ时,传感器的多模态量测值被判断为前一时刻相应目标的候选量测;当马氏距离大于目标门限值即Vk>γ时,将传感器的此多模态量测作为新目标生成;
步骤三、获取k时刻各传感器的各个候选量测的多模态量测信息与对应目标运动状态预测值之间的隶属程度μmj:
其中传感器测得候选量测的多模态量测信息值越接近对应目标运动状态预测值时,该候选量测来自于某个历史目标的隶属程度越大;当传感器测得候选量测的多模态量测信息值越远离某个历史目标运动状态预测值时,该候选量测来自于某个历史目标的隶属程度越小;
步骤四、根据各候选量测的多模态量测信息的各模态对关联评判的影响程度不同,采用主、客观赋权算法分别对k时刻候选量测的多模态量测信息的隶属程度μmj进行赋权:
采用客观赋权算法——熵权法计算k时刻各候选量测的多模态量测信息的隶属程度μmj的客观权重值q2j;
采用主观赋权算法——层次分析法计算各候选量测的多模态量测信息的权重,即构造判断矩阵,对判断矩阵的每一列进行归一化后得到的矩阵的每一行进行求和,再对此矩阵进行归一化,得到多模态量测信息的隶属程度的主观权重值q1j;
其中主观赋权算法——层次分析法计算出的各候选量测的多模态量测信息的隶属程度的权重值为q1j={q11,q12,…,q1n};客观赋权算法——熵权法计算出的各候选量测的多模态量测信息的隶属程度的权重值为q2j={q21,q22,…,q2n};各候选量测的第j个多模态量测信息的隶属程度的最优权重组合值为:
其中:
步骤六、综合相似度计算:
将各候选量测的多模态量测信息的隶属程度μmj与多模态量测信息的隶属程度的最优权重组合值归一化后的值相乘,得到各候选量测相似于第i个目标的综合相似度,选取与第i个目标中综合相似度最大的候选量测与此目标进行关联,其中综合相似度计算公式如下:
5.根据权利要求4所述的一种多传感器多目标关联跟踪方法,其特征在于所述步骤四中采用CR值对构造的判断矩阵进行一致性检验,当CR值小于0.1则说明构造的判断矩阵通过一致性检验,反之则说明没有通过检验,需重新构造判断矩阵,直至CR值小于0.1;其中CR值按照下式计算:
CR=CI/ri
CI=(λmax-n)/(n-1)
其中,CI代表判断矩阵的一般一致性指标;n代表多模态量测信息的个数;λmax代表构造的判断矩阵的最大特征根的值;ri代表判断矩阵的随机一致性指标。
6.根据权利要求1所述的一种多传感器多目标关联跟踪方法,其特征在于步骤一种以传感器所在位置距离待测目标的横向距离、纵向距离和角度是指:待测目标朝向传感器一侧的边缘距离传感器中心点之间的横向距离、纵向距离和角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386725.9A CN113095401B (zh) | 2021-04-12 | 2021-04-12 | 一种多传感器多目标关联跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386725.9A CN113095401B (zh) | 2021-04-12 | 2021-04-12 | 一种多传感器多目标关联跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095401A true CN113095401A (zh) | 2021-07-09 |
CN113095401B CN113095401B (zh) | 2022-09-13 |
Family
ID=76676179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110386725.9A Active CN113095401B (zh) | 2021-04-12 | 2021-04-12 | 一种多传感器多目标关联跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095401B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115853A (zh) * | 2022-06-21 | 2022-09-27 | 重庆长安汽车股份有限公司 | 一种基于Kuhn_Munkras算法的目标关联方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120197856A1 (en) * | 2011-01-28 | 2012-08-02 | Cisco Technology, Inc. | Hierarchical Network for Collecting, Aggregating, Indexing, and Searching Sensor Data |
CN103218509A (zh) * | 2013-02-01 | 2013-07-24 | 北京航空航天大学 | 一种基于硬件的复合抗干扰数据关联方法 |
CN103729859A (zh) * | 2013-12-30 | 2014-04-16 | 西北工业大学 | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 |
US20140324339A1 (en) * | 2013-04-30 | 2014-10-30 | BASELABS GmbH | Method and apparatus for the tracking of multiple objects |
CN108151806A (zh) * | 2017-12-27 | 2018-06-12 | 成都西科微波通讯有限公司 | 基于目标距离的异类多传感器数据融合方法 |
US20190265714A1 (en) * | 2018-02-26 | 2019-08-29 | Fedex Corporate Services, Inc. | Systems and methods for enhanced collision avoidance on logistics ground support equipment using multi-sensor detection fusion |
CN111259332A (zh) * | 2020-01-13 | 2020-06-09 | 中山大学 | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 |
EP3671272A1 (en) * | 2018-12-20 | 2020-06-24 | Veoneer Sweden AB | Vehicle sensor fusion based on fuzzy sets |
CN111830501A (zh) * | 2020-06-28 | 2020-10-27 | 中国人民解放军战略支援部队信息工程大学 | Hrrp历史特征辅助的信号模糊数据关联方法及系统 |
CN112033429A (zh) * | 2020-09-14 | 2020-12-04 | 吉林大学 | 一种智能汽车的目标级多传感器融合方法 |
CN112098993A (zh) * | 2020-09-16 | 2020-12-18 | 中国北方工业有限公司 | 一种多目标跟踪数据关联方法及系统 |
-
2021
- 2021-04-12 CN CN202110386725.9A patent/CN113095401B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120197856A1 (en) * | 2011-01-28 | 2012-08-02 | Cisco Technology, Inc. | Hierarchical Network for Collecting, Aggregating, Indexing, and Searching Sensor Data |
CN103218509A (zh) * | 2013-02-01 | 2013-07-24 | 北京航空航天大学 | 一种基于硬件的复合抗干扰数据关联方法 |
US20140324339A1 (en) * | 2013-04-30 | 2014-10-30 | BASELABS GmbH | Method and apparatus for the tracking of multiple objects |
CN103729859A (zh) * | 2013-12-30 | 2014-04-16 | 西北工业大学 | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 |
CN108151806A (zh) * | 2017-12-27 | 2018-06-12 | 成都西科微波通讯有限公司 | 基于目标距离的异类多传感器数据融合方法 |
US20190265714A1 (en) * | 2018-02-26 | 2019-08-29 | Fedex Corporate Services, Inc. | Systems and methods for enhanced collision avoidance on logistics ground support equipment using multi-sensor detection fusion |
EP3671272A1 (en) * | 2018-12-20 | 2020-06-24 | Veoneer Sweden AB | Vehicle sensor fusion based on fuzzy sets |
CN111259332A (zh) * | 2020-01-13 | 2020-06-09 | 中山大学 | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 |
CN111830501A (zh) * | 2020-06-28 | 2020-10-27 | 中国人民解放军战略支援部队信息工程大学 | Hrrp历史特征辅助的信号模糊数据关联方法及系统 |
CN112033429A (zh) * | 2020-09-14 | 2020-12-04 | 吉林大学 | 一种智能汽车的目标级多传感器融合方法 |
CN112098993A (zh) * | 2020-09-16 | 2020-12-18 | 中国北方工业有限公司 | 一种多目标跟踪数据关联方法及系统 |
Non-Patent Citations (2)
Title |
---|
张国云等: "一种改进的人脸识别CNN结构研究", 《计算机工程与应用》 * |
胡炜薇等: "杂波环境下雷达组网的多目标聚类融合跟踪", 《哈尔滨工程大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115853A (zh) * | 2022-06-21 | 2022-09-27 | 重庆长安汽车股份有限公司 | 一种基于Kuhn_Munkras算法的目标关联方法 |
CN115115853B (zh) * | 2022-06-21 | 2024-06-18 | 重庆长安汽车股份有限公司 | 一种基于Kuhn_Munkras算法的目标关联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113095401B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yu et al. | Torsional capacity evaluation of RC beams using an improved bird swarm algorithm optimised 2D convolutional neural network | |
Dong et al. | Hidden semi-Markov model-based methodology for multi-sensor equipment health diagnosis and prognosis | |
Turner et al. | State-space inference and learning with Gaussian processes | |
CN115412301B (zh) | 一种网络安全的预测分析方法及系统 | |
Kumar et al. | Least square fitting for adaptive wavelet generation and automatic prediction of defect size in the bearing using Levenberg–Marquardt backpropagation | |
Kalakonas et al. | Seismic vulnerability modelling of building portfolios using artificial neural networks | |
CN114358192B (zh) | 一种多源异构滑坡数据监测融合方法 | |
CN113095401B (zh) | 一种多传感器多目标关联跟踪方法 | |
CN112668804A (zh) | 一种地波雷达船只断裂航迹预测方法 | |
Perera et al. | Identification of intermediate debonding damage in FRP-plated RC beams based on multi-objective particle swarm optimization without updated baseline model | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
US20190034786A1 (en) | System and Method for Making Nuclear Radiation Detection Decisions and/or Radionuclide Identification Classifications | |
Ferreira et al. | The use of Artificial Neural Networks to estimate seismic damage and derive vulnerability functions for traditional masonry | |
Tang et al. | Autoregressive model-based structural damage identification and localization using convolutional neural networks | |
Liu et al. | Gauss process based approach for application on landslide displacement analysis and prediction | |
Karimi Ghaleh Jough et al. | Uncertainty analysis through development of seismic fragility curve for an SMRF structure using an adaptive neuro-fuzzy inference system based on fuzzy C-means algorithm | |
EP3779808A1 (en) | Device and method for training a gaussian process regression model | |
KR20200058258A (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN113255963A (zh) | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 | |
Hamida et al. | Network-scale deterioration modelling of bridges based on visual inspections and structural attributes | |
Oh et al. | Multi-objective optimization method to search for the optimal convolutional neural network architecture for long-term structural health monitoring | |
CN112241811B (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 | |
Kumar | Measuring Pearson's correlation coefficient of fuzzy numbers with different membership functions under weakest t-norm | |
KR102214871B1 (ko) | 기업별 이벤트 식별 및 다범주 감성 분석 기반 주가 예측 방법 및 장치 |
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 |