CN113945207A - 一种基于目标三状态建模的遮挡目标多帧跟踪方法 - Google Patents
一种基于目标三状态建模的遮挡目标多帧跟踪方法 Download PDFInfo
- Publication number
- CN113945207A CN113945207A CN202111049998.0A CN202111049998A CN113945207A CN 113945207 A CN113945207 A CN 113945207A CN 202111049998 A CN202111049998 A CN 202111049998A CN 113945207 A CN113945207 A CN 113945207A
- Authority
- CN
- China
- Prior art keywords
- target
- probability
- track component
- track
- state
- 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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明一种基于目标三状态建模的遮挡目标多帧跟踪方法,属于目标自动跟踪领域,在高目标漏检、高杂波密度的复杂环境下,针对遮挡目标的鲁棒自动跟踪问题,对现有的综合航迹分裂方法进行改进,通过对目标存在事件进行三状态描述,考虑目标存在但无法被观测到的可能性,对目标存在三状态的时域演变规律进行一阶马尔科夫链建模,通过保存每一时刻每条航迹每个关联假设的历史信息,利用后续观测信息来加强前期关联假设的可信度,以提升对遮挡目标跟踪性能的鲁棒性,具体体现在航迹维持、虚假航迹剔除等方面。
Description
技术领域
本发明属于目标自动跟踪领域,具体涉及一种基于目标三状态建模的遮挡目标多帧跟踪方法。
背景技术
多帧自动跟踪方法被广泛应用于目标自动跟踪领域中,在跟踪过程中会保存每一时刻每条航迹每个关联假设的历史信息,不断通过后续观测信息来加强前期关联假设的可信度。现有的综合航迹分裂(Integrated Track Splitting:ITS)就是通过保留历史航迹,形成航迹分量树的方式以减少虚假航迹的出现,同时引入航迹存在概率(Probability ofTarget Existence:PTE)进行航迹管理,实现目标的自动跟踪。因此,在高目标漏检、密集杂波的复杂环境下,ITS在航迹维持、虚假航迹剔除等方面均优于传统的单帧自动跟踪方法。然而当目标被遮挡时,现有的ITS由于未对目标存在但不可观测的状态进行建模,导致其在目标遮挡区域的跟踪性能急剧恶化。现有的基于马尔可夫二链的综合概率数据关联(Integrated Probabilistic Data Association-Markov Chain 2:IPDA-MC2)是处理遮挡目标跟踪的一种有效的单帧自动跟踪方法,然而目标处于长时间遮挡时,其跟踪的鲁棒性会急剧下降。如何提升遮挡目标跟踪性能的鲁棒性,是本发明要解决的主要问题。
发明内容
本发明针对现有技术的不足,提出了一种基于目标三状态建模的遮挡目标多帧跟踪方法。
本发明一种基于目标三状态建模的遮挡目标多帧跟踪方法,具体包括以下步骤:
(1)k时刻的输入:
传感器产生的量测集Yk;
(2)k时刻,目标航迹的存在概率预测;
(3)k时刻,目标航迹的航迹分量ck-1存在概率预测;
其中,M′为航迹分量的三状态状态转移矩阵,目标的三状态状态转移矩阵与航迹分量的三状态状态转移矩阵取值相同;
航迹分量ck-1存在概率预测,采用标准的卡尔曼滤波预测;
KFP表示标准的卡尔曼滤波预测,具体公式如下:
Pk|k-1(ck-1)=FPk-1|k-1(ck-1)FT+Q
F表示k时刻目标状态转移矩阵,Q为目标运动过程噪声误差协方差矩阵;
(4)观测选择
Sk(ck-1)=H*Pk|k-1(ck-1)*H′+R;
H为量测转移矩阵,R为传感器误差协方差矩阵;
卡尔曼增益K(ck-1):
K(ck-1)=Pk|k-1(ck-1)HSk -1(ck-1)
目标航迹分量ck-1进行观测选择,选择准则如下:
(5)似然值计算
计算各个航迹分量的似然值pk(i,ck-1):
计算目标航迹的似然值pk(i):
(6)目标航迹状态更新
计算似然比:
其中,ρk为杂波密度,PD表示传感器检测概率,mk为量测落入门限的个数;令δk=PDPG;当mk=0时,即没有量测落入门限,则Λk=1-δk;
目标存在概率P(χk|Yk)更新:
关联概率的计算:
目标存在且可见关联概率:
其中,i表示量测落入门限的第i个量测,i=0时,即没有量测落入门限。
目标存在但不可见关联概率:
航迹分量第i个目标存在且可见概率:
航迹分量第i个目标存在但不可见概率:
航迹分量动力学状态的更新:
i=0航迹分量不进行更新,航迹分量的状态值等于航迹分量的预测值;
i>0,航迹分量状态进行卡尔曼滤波更新:
I表示4*4单位矩阵;
(7)航迹分量管理
Pk|k(ck)=Pk|k(ck′)
整理得到k时刻的航迹分量ck:
(8)目标动力学状态输出:
k时刻目标动力学状态输出:
重复(1)~(8)进行时域迭代计算,最终获取各个时刻目标动力学状态估计。
作为优选,所述传感器产生的量测集Yk为起始时刻到k时刻的所有量测集,即
Yk={Yk-1,Yk}
k时刻的量测集Yk由下式得到:
Yk=HXk+wk
其中仿真中PD取值0.9,H为量测转移矩阵,传感器的测量形式是线性的,测量噪声wk为零均值、协方差为R的高斯白噪声;Xk表示k时刻目标动力学状态;目标不存在或者目标被遮挡时,那么传感器无法探测到目标量测。
作为优选,所述的k时刻目标动力学状态Xk得表达式为:
Xk=FXk-1+vk
4、根据权利要求1所述的一种基于目标三状态建模的遮挡目标多帧跟踪方法,其特征在于:所述的目标三状态状态转移矩阵M以及的航迹分量的三状态状态转移矩阵M′取值;
作为优选,若k时刻当航迹刚起始得到或目标航迹只有一条航迹分量时,p(ck-1)=1。
作为优选,所述的裁剪门限τc取值为0.05。
本发明相对于现有技术具有的效果:本发明通过对目标存在事件进行三状态描述,考虑目标存在但无法被观测到的可能性,对目标存在三状态的时域演变规律进行一阶马尔科夫链建模,通过保留历史航迹,形成航迹分量树的方式以减少虚假航迹的出现,利用后续观测信息来加强前期关联假设的可信度,同时引入航迹存在概率PTE的概念进行航迹管理,在高目标漏检、密集杂波的复杂环境下,提升对遮挡目标跟踪性能的鲁棒性,同时在航迹维持、虚假航迹剔除以及目标状态估计性能上均有所提升。
附图说明
图1是杂波环境下的目标运动轨迹;
图2是ITS-MC2和IPDA-MC2的平均位置RMSE比较图;
图3是ITS-MC2和IPDA-MC2的CTT平均个数比较图;
图4是ITS-MC2和IPDA-MC2的航迹占比率比较图;
具体实施方案
以下结合技术方案和附图,详细叙述本发明的具体实施方式。
假设:1)假设传感器的分辨率无限大且目标为点目标,即:每个量测有且仅有一个来源(杂波或目标);2)在监控区域内,杂波量测的状态在空间上服从均匀分布,时间上杂波个数服从泊松分布;3)目标做近似匀速直线运动目标,目标初始位置、运动状态以及某时刻杂波的分布情况等见图1。
结合上述假设,进行本发明实施步骤的描述:
在二维平面内k时刻动力学状态时域演变模型表达式为:
Xk=FXk-1+vk
其中,Xk表示k时刻目标动力学状态, 分别表示目标在二位笛卡尔坐标系中x、y方向上的位置、速度状态信息;F表示k时刻目标状态转移矩阵;vk为零均值、协方差为Q的高斯白噪声,Q为目标运动过程噪声误差协方差矩阵。
目标量测值yk以及杂波以传感器一定检测概率PD探测得到,表达式为:
Yk=HXk+wk
其中H为量测转移矩阵,传感器的量测形式是线性的,量测噪声wk为零均值、协方差为R的高斯白噪声;目标不存在或者目标被遮挡时,那么传感器无法探测到目标量测,目标量测值yk返回一个空量测。
一种基于目标三状态建模的遮挡目标多帧跟踪方法,该方法具体包括以下步骤:
(1)k时刻的输入:
传感器产生的量测集Yk。
(2)k时刻,目标航迹的存在概率预测。
(3)k时刻,目标航迹的航迹分量ck-1存在概率预测。
其中,M′为航迹分量的三状态状态转移矩阵,目标的三状态状态转移矩阵与航迹分量的三状态状态转移矩阵取值相同。
航迹分量ck-1存在概率预测,采用标准的卡尔曼滤波预测。
KFP表示标准的卡尔曼滤波预测,具体公式如下:
Pk|k-1(ck-1)=FPk-1|k-1(ck-1)FT+Q
(4)观测选择
Sk(ck-1)=H*Pk|k-1(ck-1)*H′+R
航迹分量卡尔曼增益K(ck-1):
K(ck-1)=Pk|k-1(ck-1)HSk -1(ck-1)
目标航迹分量ck-1进行观测选择,选择准则如下:
(5)似然值计算
计算各个航迹分量的似然值pk(i,ck-1):
计算目标航迹的似然值pk(i):
(6)目标航迹状态更新
计算似然比:
其中,ρk为杂波密度。当mk=0时,即没有量测落入门限,令δk=PDPG,则Λk=1-δk。
目标存在概率P(χk|Yk)更新:
关联概率的计算:
第i个目标存在且可见关联概率:
第i个目标存在但不可见关联概率:
航迹分量第i个目标且存在且可见概率:
航迹分量第i个目标存在但不可见概率:
航迹分量动力学状态的更新:
i=0航迹分量不进行更新,航迹分量的状态值等于航迹分量的预测值。
i>0,航迹分量状态进行卡尔曼滤波更新:
(7)航迹分量管理
Pk|k(ck)=Pk|k(ck′)
整理得到k时刻的航迹分量ck:
(8)目标动力学状态输出:
k时刻目标动力学状态输出:
重复(1)~(8)进行时域迭代计算,最终获取各个时刻目标动力学状态估计。
算法仿真比较
以目标状态估计均方根误差(Root Mean Square Error:RMSE)、CTT(ConfirmedTrue Target:CTT)平均个数、航迹占比率以及航迹零碎度作为衡量算法的性能指标。将本发明所提方法与IPDA-MC2进行比较,共进行100次蒙特卡洛仿真实验。
100次蒙特卡洛实验下,平均目标位置RMSE、CTT平均个数、航迹占比率的性能比较分别见图2、3、4,航迹零碎度见表1;
表1 航迹零碎度
由图知:相比IPDA-MC2,在密集杂波、目标漏检的背景下,本发明所设计的ITS-MC2针对遮挡目标在目标长时间被遮挡区域的跟踪精度以及CTT的平均个数明显优于现有的IPDA-MC2;ITS-MC2提高了遮挡目标跟踪的航迹占比率,同时降低了航迹零碎度;增强目标跟踪性能的鲁棒性,同时在航迹维持、虚假航迹剔除上均有所提升。
Claims (6)
1.一种基于目标三状态建模的遮挡目标多帧跟踪方法,其特征在于,该方法具体包括以下步骤:
(1)k时刻的输入:
传感器产生的量测集Yk;
(2)k时刻,目标航迹的存在概率预测;
(3)k时刻,目标航迹的航迹分量ck-1存在概率预测;
其中,M′为航迹分量的三状态状态转移矩阵,目标的三状态状态转移矩阵与航迹分量的三状态状态转移矩阵取值相同;
航迹分量ck-1存在概率预测,采用标准的卡尔曼滤波预测;
KFP表示标准的卡尔曼滤波预测,具体公式如下:
Pk|k-1(ck-1)=FPk-1|k-1(ck-1)FT+Q
F表示k时刻目标状态转移矩阵,Q为目标运动过程噪声误差协方差矩阵;
(4)观测选择
Sk(ck-1)=H*Pk|k-1(ck-1)*H′+R;
H为量测转移矩阵,R为传感器误差协方差矩阵;
卡尔曼增益K(ck-1):
K(ck-1)=Pk|k-1(ck-1)HSk -1(ck-1)
目标航迹分量ck-1进行观测选择,选择准则如下:
(5)似然值计算
计算各个航迹分量的似然值pk(i,ck-1):
计算目标航迹的似然值pk(i):
(6)目标航迹状态更新
计算似然比:
其中,ρk为杂波密度,PD表示传感器检测概率,mk为量测落入门限的个数;令δk=PDPG;当mk=0时,即没有量测落入门限,则Λk=1-δk;
目标存在概率P(χk|Yk)更新:
关联概率的计算:
目标存在且可见关联概率:
其中,i表示量测落入门限的第i个量测,i=0时,即没有量测落入门限;
目标存在且不可见关联概率:
航迹分量第i个目标存在且可见概率:
航迹分量第i个测量目标存在且不可见概率:
航迹分量动力学状态的更新:
i=0航迹分量不进行更新,航迹分量的状态值等于航迹分量的预测值;
i>0,航迹分量状态进行卡尔曼滤波更新:
I表示4*4单位矩阵;
(7)航迹分量管理
Pk|k(ck)=Pk|k(ck′)
整理得到k时刻的航迹分量ck:
(8)目标动力学状态输出:
k时刻目标动力学状态输出:
重复(1)~(8)进行时域迭代计算,最终获取各个时刻目标动力学状态估计。
2.根据权利要求1所述的一种基于目标三状态建模的遮挡目标多帧跟踪方法,其特征在于:所述传感器产生的量测集Yk为起始时刻到k时刻的所有量测集,即
Yk={Yk-1,Yk}
k时刻的量测集Yk由下式得到:
Yk=HXk+wk
其中仿真中PD取值0.9,H为量测转移矩阵,传感器的测量形式是线性的,测量噪声wk为零均值、协方差为R的高斯白噪声;Xk表示k时刻目标动力学状态;目标不存在或者目标被遮挡时,那么传感器无法探测到目标量测。
5.根据权利要求1所述的一种基于目标三状态建模的遮挡目标多帧跟踪方法,其特征在于:若k时刻当航迹刚起始得到或目标航迹只有一条航迹分量时,p(ck-1)=1。
6.根据权利要求1所述的一种基于目标三状态建模的遮挡目标多帧跟踪方法,其特征在于:所述的裁剪门限τc取值为0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049998.0A CN113945207B (zh) | 2021-09-08 | 2021-09-08 | 一种基于目标三状态建模的遮挡目标多帧跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049998.0A CN113945207B (zh) | 2021-09-08 | 2021-09-08 | 一种基于目标三状态建模的遮挡目标多帧跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113945207A true CN113945207A (zh) | 2022-01-18 |
CN113945207B CN113945207B (zh) | 2023-11-24 |
Family
ID=79327943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111049998.0A Active CN113945207B (zh) | 2021-09-08 | 2021-09-08 | 一种基于目标三状态建模的遮挡目标多帧跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113945207B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN101894381A (zh) * | 2010-08-05 | 2010-11-24 | 上海交通大学 | 动态视频序列中多目标跟踪系统 |
CN104021292A (zh) * | 2014-06-06 | 2014-09-03 | 中国航空无线电电子研究所 | 一种基于编队有源组网的弱目标检测与跟踪方法 |
CN104537692A (zh) * | 2014-12-30 | 2015-04-22 | 中国人民解放军国防科学技术大学 | 基于时空上下文信息辅助的关键点稳定跟踪方法 |
CN107688179A (zh) * | 2017-08-07 | 2018-02-13 | 上海无线电设备研究所 | 基于多普勒信息辅助的综合概率数据互联方法 |
CN107993245A (zh) * | 2017-11-15 | 2018-05-04 | 湖北三江航天红峰控制有限公司 | 一种空天背景多目标检测和跟踪方法 |
-
2021
- 2021-09-08 CN CN202111049998.0A patent/CN113945207B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN101894381A (zh) * | 2010-08-05 | 2010-11-24 | 上海交通大学 | 动态视频序列中多目标跟踪系统 |
CN104021292A (zh) * | 2014-06-06 | 2014-09-03 | 中国航空无线电电子研究所 | 一种基于编队有源组网的弱目标检测与跟踪方法 |
CN104537692A (zh) * | 2014-12-30 | 2015-04-22 | 中国人民解放军国防科学技术大学 | 基于时空上下文信息辅助的关键点稳定跟踪方法 |
CN107688179A (zh) * | 2017-08-07 | 2018-02-13 | 上海无线电设备研究所 | 基于多普勒信息辅助的综合概率数据互联方法 |
CN107993245A (zh) * | 2017-11-15 | 2018-05-04 | 湖北三江航天红峰控制有限公司 | 一种空天背景多目标检测和跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113945207B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Panta et al. | Novel data association schemes for the probability hypothesis density filter | |
CN112308881A (zh) | 一种基于遥感图像的舰船多目标跟踪方法 | |
CN105182291B (zh) | 自适应目标新生强度的phd平滑器的多目标跟踪方法 | |
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 | |
CN109508000A (zh) | 异构多传感器多目标跟踪方法 | |
CN110320512A (zh) | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 | |
CN113064155B (zh) | 一种空中雷达多目标跟踪下航迹关联的优化方法 | |
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN109791200B (zh) | 基于轨迹跟踪的导线和塔架分类 | |
Zong et al. | Improved multi-Bernoulli filter for extended stealth targets tracking based on sub-random matrices | |
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 | |
CN113326616A (zh) | 抗慢变量测粗差的容错卡尔曼滤波方法 | |
CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
CN110992396A (zh) | 一种基于K-means++聚类算法的多扩展目标跟踪方法 | |
CN113486300A (zh) | 一种无人驾驶车辆多目标跟踪方法 | |
CN113945207A (zh) | 一种基于目标三状态建模的遮挡目标多帧跟踪方法 | |
CN116520311A (zh) | 一种基于glmb的自适应航迹起始方法 | |
KR101426290B1 (ko) | 레이더 시스템 및 이를 이용한 표적 추적 방법 | |
CN113671482B (zh) | 基于多维筛选并行Hough变换的航迹起始方法 | |
WO2016000487A1 (zh) | 一种基于变系数α-β滤波器的目标跟踪方法与跟踪系统 | |
KR102361816B1 (ko) | 표적 탐지 방법 및 기록 매체 | |
CN111340853A (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
CN116774211A (zh) | 一种基于毫米波的多目标实时定位方法 | |
CN109031278A (zh) | 一种基于幅度的对海雷达多目标融合跟踪方法 | |
CN115544425A (zh) | 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 |
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 |