CN113721237A - 一种多隶属度的目标智能匹配算法 - Google Patents
一种多隶属度的目标智能匹配算法 Download PDFInfo
- Publication number
- CN113721237A CN113721237A CN202111287161.XA CN202111287161A CN113721237A CN 113721237 A CN113721237 A CN 113721237A CN 202111287161 A CN202111287161 A CN 202111287161A CN 113721237 A CN113721237 A CN 113721237A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- model
- backup
- probability
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Abstract
本发明公开的一种多隶属度的目标智能匹配算法,包括:雷达跟踪目标过程中,配置以跟踪目标为中心的邻域空间;在雷达当前扫描周期中,利用交互式多模型算法对跟踪目标进行点迹‑航迹关联;利用卡尔曼滤波模型对邻域空间中的备份目标进行点迹‑航迹关联;对邻域空间中的备份目标进行裁决,保留真实目标航迹;计算跟踪目标的检测概率且当小于等于目标检测丢失概率时,在备份目标选择最优的邻域目标作为跟踪目标,并对跟踪目标完成状态估计更新;在雷达当前扫描周期中,对邻域空间中的非目标关联点迹创建备份目标。本发明通过分析目标跟踪环境实现目标运动态势感知,对目标进行智能匹配,提高目标跟踪连续性,降低目标跟踪错误概率。
Description
技术领域
本发明涉及雷达检测目标跟踪技术领域,具体涉及一种多隶属度的目标智能匹配算法。
背景技术
雷达检测跟踪目标过程中,受地物遮挡、多目标遮挡或者目标高速机动等多种因素影响,易出现目标回波丢失现象,导致目标跟踪连续性和稳定性下降。传统的雷达数据处理技术,一种方法采用调整预测协方差矩阵的方法,扩大目标波门实现目标搜索关联。在多目标或者杂波干扰的条件下,该方法增加了目标跟踪错误或者跟踪丢失的概率;另一种多假设关联算法可提高目标跟踪性能,但是该方法具有延迟特性,不适合实时目标跟踪阶段。
发明内容
发明目的:本发明目的在于针对现有技术的不足,提供一种多隶属度的目标智能匹配算法,通过分析目标跟踪环境实现目标运动态势感知,以时间、空间等多隶属度参数关系对目标进行智能匹配,在多目标、遮挡、高机动等场景下提高目标跟踪连续性,降低目标跟踪错误概率,减少人工干预,提升了雷达跟踪系统的智能化水平。
技术方案:本发明所述的多隶属度的目标智能匹配算法,包括如下步骤:
匀速运动跟踪模型和机动跟踪模型的目标量测方程为:
匀速运动跟踪模型和机动跟踪模型的初始转移概率为:
匀速运动跟踪模型和机动跟踪模型初始化模型概率为:
进一步地,所述交互式多模型计算流程如下:
预测误差协方差:
预测误差协方差更新:
S23:模型概率更新
S24、输出融合,
协方差估计:
进一步地,所述步骤S3中卡尔曼滤波模型的计算流程如下:
预测阶段:
更新阶段:
进一步地,所述步骤S4的具体过程如下:
进一步地,所述步骤S5的具体过程如下:
S51是时间约束条件,S52采用出现概率描述进行空间约束。
进一步地,点迹只要不满足下面公式,就可以创建备份目标,所述步骤S6的具体过程如下:
则距离差和方位差在保护空间范围内,该点迹不创建备份目标;
有益效果:与现有技术相比,本发明的优点在于:本发明通过分析目标跟踪环境实现目标运动态势感知,以时间、空间多隶属度参数关系对跟踪目标进行智能匹配,提高了目标跟踪的连续性,与传统的调整协方差法和多假设法,降低了目标跟踪错误概率,减少了人工干预,提高了目标跟踪实时性。
附图说明
图1是本发明的智能匹配算法处理流程图;
图2是本发明目标裁决处理流程图;
图3是目标丢失匹配算法流程图;
图4是目标跟踪滑窗的示意图;
图5是目标丢失回波场景下的目标自动匹配示意图;
图6是目标机动丢失回波场景下的目标自动匹配示意图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示的多隶属度的目标智能匹配算法,包括:
S6:当雷达当前扫描周期中,对邻域空间中的非目标关联点迹起始备份目标;
S7:重复S2~S6。
具体地,步骤S1:邻域空间可设置成以跟踪目标为圆心的圆空间或者以跟踪目标为中心的矩形空间,可利用配置参数进行切换。
定义邻域空间参数NbSpaceCfg数据结构如下:
NbSpaceCfg.Type; //目标邻域空间类别: 1表示圆空间,2表示矩形空间
NbSpaceCfg.radius; //圆空间半径距离
NbSpaceCfg.xMaxDis; //在笛卡尔系下,矩形空间到跟踪目标中心的X方向最大距离
NbSpaceCfg.yMaxDis; //在笛卡尔系下,矩形空间到跟踪目标中心的Y方向最大距离。
匀速运动跟踪模型和机动跟踪模型的目标量测方程为:
匀速运动跟踪模型和机动跟踪模型的初始转移概率为:
匀速运动跟踪模型和机动跟踪模型初始化模型概率为:
交互式多模型计算流程包括如下步骤:
预测误差协方差:
预测误差协方差更新:
S23:模型概率更新
S24、输出融合,
协方差估计:
预测阶段:
更新阶段:
则距离差和方位差在保护空间范围内,该点迹不创建备份目标;
S7:重复步骤2~步骤6。
如图5所示,对跟踪目标采用匀速运动跟踪模型进行跟踪和状态估计,雷达量测点迹与目标轨迹在目标丢失回波场景下的目标自动匹配;如图6所示,对跟踪目标采用机动跟踪模型,雷达量测点迹与目标轨迹在机动丢失回波场景下自动匹配。与传统的调整协方差法和多假设法,降低了目标跟踪错误概率,减少了人工干预,提高了目标跟踪实时性。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (9)
1.一种多隶属度的目标智能匹配算法,其特征在于,包括如下步骤:
3.根据权利要求2所述的多隶属度的目标智能匹配算法,其特征在于:所述步骤S2中交
互式多模型算法的模型数,分别为匀速运动跟踪模型和机动跟踪模型,匀速运动跟踪模
型的状态转移矩阵为,机动跟踪模型的状态转移矩阵为:
匀速运动跟踪模型和机动跟踪模型的目标量测方程为:
匀速运动跟踪模型和机动跟踪模型的初始转移概率为:
匀速运动跟踪模型和机动跟踪模型初始化模型概率为:
6.根据权利要求5所述的多隶属度的目标智能匹配算法,其特征在于:所述步骤S4的具体过程如下:
其中,为备份目标 至时刻的关联点迹量测集合,表示假设备份目标来
源于真实目标事件,表示假设备份目标来源于真实目标的归一化概率,
表示假设备份目标来源于杂波事件,表示假设备份目标来源于杂波的归
一化概率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111287161.XA CN113721237B (zh) | 2021-11-02 | 2021-11-02 | 一种多隶属度的目标智能匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111287161.XA CN113721237B (zh) | 2021-11-02 | 2021-11-02 | 一种多隶属度的目标智能匹配算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113721237A true CN113721237A (zh) | 2021-11-30 |
CN113721237B CN113721237B (zh) | 2022-02-08 |
Family
ID=78686414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111287161.XA Active CN113721237B (zh) | 2021-11-02 | 2021-11-02 | 一种多隶属度的目标智能匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113721237B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030200065A1 (en) * | 2001-04-20 | 2003-10-23 | Li Luo Wen | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
CN101614817A (zh) * | 2009-06-24 | 2009-12-30 | 北京航空航天大学 | 一种基于地面动目标指示雷达系统的多目标跟踪方法 |
CN103853908A (zh) * | 2012-12-04 | 2014-06-11 | 中国科学院沈阳自动化研究所 | 一种自适应交互式多模型的机动目标跟踪方法 |
CN106249232A (zh) * | 2016-08-24 | 2016-12-21 | 中国电子科技集团公司第二十八研究所 | 基于目标运动态势信息数据关联策略的目标跟踪方法 |
CN106980114A (zh) * | 2017-03-31 | 2017-07-25 | 电子科技大学 | 无源雷达目标跟踪方法 |
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 |
CN112233145A (zh) * | 2020-10-23 | 2021-01-15 | 湖南工程学院 | 一种基于rgb-d时空上下文模型的多目标遮挡跟踪方法 |
-
2021
- 2021-11-02 CN CN202111287161.XA patent/CN113721237B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030200065A1 (en) * | 2001-04-20 | 2003-10-23 | Li Luo Wen | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
CN101614817A (zh) * | 2009-06-24 | 2009-12-30 | 北京航空航天大学 | 一种基于地面动目标指示雷达系统的多目标跟踪方法 |
CN103853908A (zh) * | 2012-12-04 | 2014-06-11 | 中国科学院沈阳自动化研究所 | 一种自适应交互式多模型的机动目标跟踪方法 |
CN106249232A (zh) * | 2016-08-24 | 2016-12-21 | 中国电子科技集团公司第二十八研究所 | 基于目标运动态势信息数据关联策略的目标跟踪方法 |
CN106980114A (zh) * | 2017-03-31 | 2017-07-25 | 电子科技大学 | 无源雷达目标跟踪方法 |
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 |
CN112233145A (zh) * | 2020-10-23 | 2021-01-15 | 湖南工程学院 | 一种基于rgb-d时空上下文模型的多目标遮挡跟踪方法 |
Non-Patent Citations (5)
Title |
---|
KEJUN LIN等: "Kalman Filter-based Multi-Object Tracking Algorithm by Collaborative Multi-Feature", 《2017 IEEE 2ND ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC)》 * |
侯磊: "机动目标跟踪算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
廖圣龙 等: "基于特征匹配的机场场面目标跟踪", 《ELECTRONICS WORLD・探索与观察》 * |
高洁 等: "一种基于动态规划的机动目标检测前跟踪方法", 《测控技术与仪器仪表》 * |
黄鑫: "分布式穿墙雷达目标跟踪技术", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113721237B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633589A (zh) | 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 | |
US7079991B2 (en) | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms | |
CN109946671B (zh) | 一种基于双门限判决的水下机动弱目标检测跟踪方法 | |
CN109298725B (zh) | 一种基于phd滤波的群体机器人分布式多目标跟踪方法 | |
Lan et al. | An EM algorithm for multipath state estimation in OTHR target tracking | |
CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
CN107064865B (zh) | 基于深度聚类的极坐标动态规划无源协同定位方法 | |
CN113671481B (zh) | 一种基于毫米波雷达的3d多目标跟踪处理方法 | |
CN108010066B (zh) | 基于红外目标灰度互相关和角度信息的多假设跟踪方法 | |
CN114049382A (zh) | 一种智能网联环境下目标融合跟踪方法、系统和介质 | |
Wang et al. | An adaptive particle swarm optimization for underwater target tracking in forward looking sonar image sequences | |
Wang et al. | Greedy algorithm-based track-before-detect in radar systems | |
Xia et al. | Extended object tracking with automotive radar using learned structural measurement model | |
CN113721237B (zh) | 一种多隶属度的目标智能匹配算法 | |
Yoo et al. | Alpha–beta-tracking index (α–β–Λ) tracking filter | |
CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
Coraluppi et al. | Recent advances in multi-INT track fusion | |
CN116184386A (zh) | 一种目标跟踪方法、设备和存储介质 | |
Seget et al. | Multi-hypothesis tracking and fusion techniques for multistatic active sonar systems | |
CN114325686B (zh) | 基于smc-phd滤波器的多目标跟踪方法 | |
Baek et al. | Grid-based target estimation scheme for passive coherent location system | |
Yang | Review of Target Tracking Algorithms Based on Bayes Filtering | |
Perera et al. | A gm-phd filter with estimation of probability of detection and survival for individual targets | |
CN116299254B (zh) | 一种被动雷达寻的器的目标跟踪方法 | |
Zhang et al. | Multisensor management method for ground moving target tracking based on Doppler blind zone information |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province Patentee after: Nanjing Thunderbolt Information Technology Co.,Ltd. Address before: 210000 15 Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province Patentee before: NANJING LEADING INFORMATION TECHNOLOGY Co.,Ltd. |