CN115097437A - 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 - Google Patents

一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 Download PDF

Info

Publication number
CN115097437A
CN115097437A CN202210628601.1A CN202210628601A CN115097437A CN 115097437 A CN115097437 A CN 115097437A CN 202210628601 A CN202210628601 A CN 202210628601A CN 115097437 A CN115097437 A CN 115097437A
Authority
CN
China
Prior art keywords
target
bernoulli
targets
parameter set
updated
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
Application number
CN202210628601.1A
Other languages
English (en)
Other versions
CN115097437B (zh
Inventor
齐滨
田金
王晋晋
付进
邹男
张光普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202210628601.1A priority Critical patent/CN115097437B/zh
Publication of CN115097437A publication Critical patent/CN115097437A/zh
Application granted granted Critical
Publication of CN115097437B publication Critical patent/CN115097437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于水下目标跟踪领域，公开了一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法。初始化多伯努利参数集；对水下目标分别建立运动模型和量测模型；对水下目标进行预测，得到多伯努利预测参数集；将多伯努利预测参数集，按存在概率排序后采用一种辅助门限进行选择性更新得到更新后的标签多伯努利参数集；通过剪枝以挑选存在概率大的有限个目标；基于有限个目标，进行重采样对存在概率大的粒子进行复制以进行目标和杂波的明显区分；对上述步骤处理后的目标进行跟踪形成跟踪轨迹。本发明用以解决水下密集目标方位角交叉导致跟踪轨迹合并产生偏差的问题。

Description

一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹 临近交叉解决方法
技术领域
本发明属于水下目标跟踪领域，具体涉及一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法。
背景技术
未来海洋战争将是高新技术条件下的战争，随着信息技术的发展和武器装备性能的不断提高，潜艇数量越来越多，机动性越来越强，战场环境越来越复杂。因此，海洋作战对潜艇目标跟踪的稳定性和跟踪精度提出了更高的要求。
21世纪以后，洛克希德马丁公司的Mahler等学者提出了一种新的基于随机有限集(Random Finite Sets，RFS)框架的概率假设密度滤波器。由于该算法由于在跟踪多目标时避开了复杂的数据关联，大大降低了计算复杂度，利用当前时刻得到的量测实时更新后验概率密度，能较为准确地估计得到多目标运动状态和目标数目等信息，受到了极大的关注。Ba-Ngu Vo和Ba-Tuong Vo在随机有限集统计理论下的多目标跟踪算法实现上做出了突出的贡献。由于随机有限集框架下的集值积分通常没有办法求解，一些采用等效近似策略的多目标滤波算法被提出，典型算法包括：基于一阶统计矩近似的概率假设密度滤波器，基于一阶统计矩和势近似的势概率假设密度滤波器，基于随机有限集密度近似的多目标多伯努利滤波器及其改进形式的势均衡多目标多伯努利滤波器。另外，为了估计目标形状，Malher给出了扩展目标的概率假设密度滤波的预测更新公式。在此基础上，
Figure BDA0003678915460000011
和Orguner等人把随机矩阵引入扩展目标概率假设密度滤波中，对目标的形状进行了估计，进一步推动了扩展目标技术的发展。
上述基于随机有限集理论的多目标跟踪算法，尽管能避免复杂的数据关联过从而大大降低算法复杂度，但在目标跟踪过程中却无法给出具体的目标航迹，目标仍不可区分。
发明内容
本发明提供一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，用以解决水下密集目标方位角交叉导致跟踪轨迹合并产生偏差的问题。
本发明通过以下技术方案实现：
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述水下目标跟踪轨迹临近交叉解决方法具体包括以下步骤：
步骤1：初始化多伯努利参数集；
步骤2：对水下目标分别建立运动模型和量测模型；
步骤3：基于步骤2的模型对水下目标进行预测，得到多伯努利预测参数集；
步骤4：将步骤3得到的多伯努利预测参数集，按存在概率进行更新得到更新后的标签多伯努利参数集；
步骤5：基于步骤4的更新后的标签多伯努利参数集，通过剪枝以挑选存在概率大的有限个目标；
步骤6：基于步骤5的有限个目标，进行重采样对存在概率大的粒子进行复制以进行目标和杂波的明显区分；
步骤7：基于步骤6区分后的目标，形成跟踪轨迹。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤1初始化多伯努利参数集具体为，在初始时刻，多伯努利参数集为
Figure BDA0003678915460000021
其中k为时刻，多伯努利参数集里的每一个状态分布p是由带权值的粒子组成。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤2对水下目标分别建立运动模型和量测模型具体为，目标运动模型设为
xk+1＝Fxk+wk+1
量测模型为
zk+1＝Hxk+1+Rk+1
其中的wk+1和Rk+1分别为预测过程和观测过程的噪声，均服从高斯分布，F和H均为状态转移矩阵，k为时刻。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤3基于步骤2的模型对水下目标进行预测，得到多伯努利预测参数集具体为，在预测步中，需要将LMB形式转换为δ-GLMB形式，标签多伯努利随机集滤波器滤波器与多目标多伯努利滤波器的形式与运算均相同，对于存活目标进行预测，得到参数集
Figure BDA0003678915460000031
和新生目标参数集
Figure BDA0003678915460000032
其中r为概率，p为概率分布，分别对存活目标与新生目标计算损失因子-ln(r(l)/(1-r(l)))，通过k-最短路径算法选出kS个存活假设与kB个新生假设组合成
Figure BDA0003678915460000033
个假设，分别记录存活目标标签以及参数集
Figure BDA0003678915460000034
对应的假设权重
Figure BDA0003678915460000035
由式下式得到
Figure BDA0003678915460000036
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤4将步骤3得到的多伯努利预测参数集，按存在概率进行更新得到更新后的标签多伯努利参数集具体为，在更新步中，需要将LMB滤波的多目标预测概率密度函数转换成δ-GLMB的形式进行更新，得到更新后的δ-GLMB形式的后验概率密度；为了使LMB滤波的贝叶斯递归闭合，最后再将δ-GLMB形式的后验概率密度近似为LMB形式。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，建立更新标识矩阵U，将预测参数集
Figure BDA0003678915460000037
中的目标按存在概率从大到小进行排序，依次进行更新；
Figure BDA0003678915460000038
是目标的状态分布，由权值粒子
Figure BDA0003678915460000039
组成；每个目标更新后对U进行更新，将之前更新的粒子所对应的角度区间置1；更新后对预测的假设权重进行更新，最后重新计算目标存在概率与概率分布，得到更新后标签多伯努利参数集
Figure BDA00036789154600000310
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述更新具体包括以下步骤：
步骤4.1：建立并初始化更新识别矩阵U；
步骤4.2：基于步骤4.1的更新识别矩阵U，预测参数集目标概率从大到小排序，依次更新；
步骤4.3：基于步骤4.2更新后的预测参数集目标，判断预测参数集目标是否存在概率大于门限rth，若是，则进行步骤4.4，若否则进行步骤4.8；
步骤4.4：计算中心角度且将更新识别矩阵U中对应的区间置1，然后进行更新；
步骤4.5：判断步骤4.4更新后的更新识别矩阵U是否为0；若为0，则进行步骤4.6，若不为0，则进行步骤4.7；
步骤4.6：正常进行更新后将对应的更新识别矩阵U的区间置1；
步骤4.7：粒子角度与中心角度差距过大，则用MUSIC空间谱的最小值作为似然比函数；
步骤4.8：判断步骤4.3更新后的更新识别矩阵U是否为0；若为0，则进行步骤4.9，若不为0，则进行步骤4.10
步骤4.9：正常进行更新后将对应的更新识别矩阵U的区间置1；
步骤4.10：粒子角度与中心角度差距过大，则用MUSIC空间谱的最小值作为似然比函数
步骤4.11：步骤4.6、步骤4.7、步骤4.9和步骤4.10均得到更新后标签多伯努利参数集。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤5基于步骤4的更新后的标签多伯努利参数集，通过剪枝以挑选存在概率大的有限个目标具体为，在步骤3预测步骤中不断地有新生目标出现，导致目标数不断增加，根据概率从大到小排序后，设置门限删去后面的存在概率小的目标；设置存在概率门限以及目标数门限，当存在概率小于门限时删去该目标，当目标数大于门限时按存在概率进行排序，只取门限内的目标。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，k时刻目标参数集为
Figure BDA0003678915460000041
对应的目标新生参数集为
Figure BDA0003678915460000042
k+1时刻预测的目标参数集如下式所示
Figure BDA0003678915460000043
由上式可知，预测参数集
Figure BDA0003678915460000044
分为两部分，一部分是已存在的目标，用S表示，其中
Figure BDA0003678915460000045
代表预测的k+1时刻目标存在概率，
Figure BDA0003678915460000046
表示对应的概率分布，k表示时刻，l为该目标的标签，
Figure BDA0003678915460000047
表示由l组成的离散可数空间；
在得到预测后的LMB参数集后，需要转换为δ-GLMB形式，设有nS个存活目标与nB个新生目标，则存在
Figure BDA0003678915460000051
种假设，选取权重最大的有限个假设进行保留：分别对存活目标与新生目标计算损失因子-ln(r(l)/(1-r(l)))，通过k-最短路径算法选出kS个存活假设与kB个新生假设组合成
Figure BDA0003678915460000052
个假设，分别根据以下两式计算对应假设的权重与概率分布：
Figure BDA0003678915460000053
Figure BDA0003678915460000054
ξ表示对应的假设，I为跟踪标签的集合。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤6：基于步骤5的有限个目标，进行重采样对存在概率大的粒子进行复制以进行目标个杂波的明显区分具体为，将目标存在概率从大到小排列，选出概率最大的门限内目标并进行重采样：对每个目标的粒子集根据粒子权重
Figure BDA0003678915460000055
重新采样得到等权值粒子集
Figure BDA0003678915460000056
L表示当前时刻存在的粒子数，然后计算势分布并从计算得到的势分布中估计目标数，根据下式计算势分布。
Figure BDA0003678915460000057
其中
Figure BDA0003678915460000058
为Mk+1个变量的n次初等对称函数。估计目标数方式如下
Figure BDA0003678915460000059
本发明的有益效果是：
本发明有效改善了传统算法目标存在着合并、分裂，难以维持稳定航迹的情况，提高了跟踪轨迹的精准度，连续性，降低了跟踪误差，减小了计算量。
本发明在方位角交叉的情况下也能实现对目标进行连续不间断的跟踪，无跟丢、误跟、误新生、轨迹跑偏和目标数估计错误的情况发生。
本发明形成的轨迹清晰完整且连续、目标数估计准确、响应速度快，可将其应用于被动声纳目标跟踪、探潜、探导等领域。
附图说明
图1是本发明的方法步骤流程图。
图2是本发明的跟踪滤波结果示意图。
图3是本发明的选择性更新示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先在预测阶段通过k-最短路径算法选出kS个存活假设与kB个新生假设组合成
Figure BDA0003678915460000061
个假设，然后在更新阶段建立更新标识矩阵U，将预测参数集
Figure BDA0003678915460000062
中的目标按存在概率从大到小进行排序，依次进行更新。
假定接收信号的声纳阵列为线阵，假设信号与噪声相互独立，对MUSIC谱估计结果固定门限进行搜峰，MUSIC谱估计结果为检测前跟踪算法的输入。可以得知在点迹测量下，标签多伯努利分布族不是共轭先验的，即后验分布不服从先验分布的形式，又已知广义标签多伯努利分布族已证明是共轭先验的，可以在预测后将LMB形式转换为GLMB形式，使用GLMB形式进行预测更新后再转换回LMB形式。相当于利用标签多伯努利滤波器逼近广义标签多伯努利滤波器。在进行轨迹更新时，考虑目标轨迹交叉时跟踪常出现的情况：跟丢、错跟、轨迹断裂等情况。不考虑目标A正好在目标B轨迹上新生而发生的交叉情况，量测方位角范围为[0,360)，设定最小区分角度Δθ，将量测范围分为nθ个区间，用长度为nθ的更新标识矩阵U表示，同时设定存在概率门限rth，在进行更新前将U清零，对所有目标
Figure BDA0003678915460000063
按存在概率r(l)排序，p(l)为概率分布，l为该目标标签。存在概率大于rth的目标先计算中心角度，在U中将对应的角度区间置为1，然后进行更新，整体流程图如图1所示。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述水下目标跟踪轨迹临近交叉解决方法具体包括以下步骤：
步骤1：初始化多伯努利参数集；
步骤2：对水下目标分别建立运动模型和量测模型；
步骤3：基于步骤2的模型对水下目标进行预测，得到多伯努利预测参数集；
步骤4：将步骤3得到的多伯努利预测参数集，按存在概率进行更新得到更新后的标签多伯努利参数集；
步骤5：基于步骤4的更新后的标签多伯努利参数集，通过剪枝以挑选存在概率大的有限个目标；
步骤6：基于步骤5的有限个目标，进行重采样对存在概率大的粒子进行复制以进行目标和杂波的明显区分；
步骤7：基于步骤6区分后的目标，形成跟踪轨迹。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤1初始化多伯努利参数集具体为，在初始时刻，多伯努利参数集为
Figure BDA0003678915460000071
其中k为时刻，多伯努利参数集里的每一个状态分布p是由带权值的粒子组成。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤2对水下目标分别建立运动模型和量测模型具体为，目标运动模型设为
xk+1＝Fxk+wk+1
量测模型为
zk+1＝Hxk+1+Rk+1
其中的wk+1和Rk+1分别为预测过程和观测过程的噪声，均服从高斯分布，F和H均为状态转移矩阵，k为时刻。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤3基于步骤2的模型对水下目标进行预测，得到多伯努利预测参数集具体为，在预测步中，需要将LMB形式转换为δ-GLMB形式，标签多伯努利随机集滤波器(LMB)滤波器与多目标多伯努利(multi-target multi-Bernoulli,MeMBer)滤波器的形式与运算均相同，对于存活目标进行预测，得到参数集
Figure BDA0003678915460000081
和新生目标参数集
Figure BDA0003678915460000082
其中r为概率，p为概率分布，分别对存活目标与新生目标计算损失因子-ln(r(l)/(1-r(l)))，通过k-最短路径算法选出kS个存活假设与kB个新生假设组合成
Figure BDA0003678915460000083
个假设，分别记录存活目标标签以及参数集
Figure BDA0003678915460000084
对应的假设权重
Figure BDA0003678915460000085
由式下式得到
Figure BDA0003678915460000086
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤4将步骤3得到的多伯努利预测参数集，按存在概率进行更新得到更新后的标签多伯努利参数集具体为，在更新步中，需要将LMB滤波的多目标预测概率密度函数转换成δ-GLMB的形式进行更新，得到更新后的δ-GLMB形式的后验概率密度；为了使LMB滤波的贝叶斯递归闭合，最后再将δ-GLMB形式的后验概率密度近似为LMB形式。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，建立更新标识矩阵U，将预测参数集
Figure BDA0003678915460000087
中的目标按存在概率从大到小进行排序，依次进行更新；
Figure BDA0003678915460000088
是目标的状态分布，由权值粒子
Figure BDA0003678915460000089
组成；每个目标更新后对U进行更新，将之前更新的粒子所对应的角度区间置1；更新后对预测的假设权重进行更新，最后重新计算目标存在概率与概率分布，得到更新后标签多伯努利参数集
Figure BDA00036789154600000810
具体步骤流程图如图3所示。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，提出的一个更新标识矩阵，也是本专利所提出的采用一种辅助性门限进行选择性更新方法的重点所在。传统的方法在目标靠近时会进行合并操作，本发明没有合并操作步骤，而是利用这个更新标识矩阵进行有选择的更新从而区分轨迹交叉时的不同目标。本发明中的步骤4.1—4.10步骤均是在看这个矩阵U中是1还是0从而进行操作；所述更新具体包括以下步骤：
步骤4.1：建立并初始化更新识别矩阵U；
步骤4.2：基于步骤4.1的更新识别矩阵U，预测参数集目标概率从大到小排序，依次更新；
步骤4.3：基于步骤4.2更新后的预测参数集目标，判断预测参数集目标是否存在概率大于门限rth，若是，则进行步骤4.4，若否则进行步骤4.8；
步骤4.4：计算中心角度且将更新识别矩阵U中对应的区间置1，然后进行更新；
步骤4.5：判断步骤4.4更新后的更新识别矩阵U是否为0；若为0，则进行步骤4.6，若不为0，则进行步骤4.7；
步骤4.6：正常进行更新后将对应的更新识别矩阵U的区间置1；
步骤4.7：粒子角度与中心角度差距过大，则用MUSIC空间谱的最小值作为似然比函数；
步骤4.8：判断步骤4.3更新后的更新识别矩阵U是否为0；若为0，则进行步骤4.9，若不为0，则进行步骤4.10
步骤4.9：正常进行更新后将对应的更新识别矩阵U的区间置1；
步骤4.10：粒子角度与中心角度差距过大，则用MUSIC空间谱的最小值作为似然比函数
步骤4.11：步骤4.6、步骤4.7、步骤4.9和步骤4.10均得到更新后标签多伯努利参数集。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤5基于步骤4的更新后的标签多伯努利参数集，通过剪枝以挑选存在概率大的有限个目标具体为，在步骤3预测步骤中不断地有新生目标出现，导致目标数不断增加，根据概率从大到小排序后，设置门限删去后面的存在概率小的目标；设置存在概率门限以及目标数门限，当存在概率小于门限时删去该目标，当目标数大于门限时按存在概率进行排序，只取门限内的目标。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，k时刻目标参数集为
Figure BDA0003678915460000091
对应的目标新生参数集为
Figure BDA0003678915460000092
k+1时刻预测的目标参数集如下式所示
Figure BDA0003678915460000093
由上式可知，预测参数集
Figure BDA0003678915460000101
分为两部分，一部分是已存在的目标，用S表示，其中
Figure BDA0003678915460000102
代表预测的k+1时刻目标存在概率，
Figure BDA0003678915460000103
表示对应的概率分布，k表示时刻，l为该目标的标签，
Figure BDA0003678915460000104
表示由l组成的离散可数空间。
在得到预测后的LMB参数集后，需要转换为δ-GLMB形式，设有nS个存活目标与nB个新生目标，则存在
Figure BDA0003678915460000105
种假设，为了避免这种指数增长的计算量，需要根据假设权重分别对存活假设和新生假设进行截断，选取权重最大的有限个假设进行保留：分别对存活目标与新生目标计算损失因子-ln(r(l)/(1-r(l)))，通过k-最短路径算法选出kS个存活假设与kB个新生假设组合成
Figure BDA0003678915460000106
个假设，分别根据以下两式计算对应假设的权重与概率分布。
Figure BDA0003678915460000107
Figure BDA0003678915460000108
ξ表示对应的假设，I为跟踪标签的集合。
一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，所述步骤6：基于步骤5的有限个目标，进行重采样对存在概率大的粒子进行复制以进行目标和杂波的明显区分具体为，将目标存在概率从大到小排列，选出概率最大的门限内目标并进行重采样：对每个目标的粒子集根据粒子权重
Figure BDA0003678915460000109
重新采样得到等权值粒子集
Figure BDA00036789154600001010
L表示当前时刻存在的粒子数，然后计算势分布并从计算得到的势分布中估计目标数，根据下式计算势分布。
Figure BDA00036789154600001011
其中
Figure BDA00036789154600001012
为Mk+1个变量的n次初等对称函数。估计目标数方式如下
Figure BDA00036789154600001013
下面对交叉轨迹进行跟踪。目标信号为窄带信号，频率为1450Hz。目标信号的输入信噪比恒定为-16dB，采样频率为20kHz。利用MUSIC谱估计方法得到探测结果。目标方位角轨迹发生两次交叉，然后用本发明基于标签多伯努利检测前跟踪算法的跟踪轨迹临近交叉解决方法对输入数据进行目标跟踪。
图1是本发明方法步骤流程图。
图2是本发明基于标签多伯努利检测前跟踪算法交叉轨迹跟踪滤波结果。红色直线表示真实目标方位角轨迹，上面不同颜色的点表示跟踪结果。基于本发明的算法即使在低信噪比也能连续的对目标进行有效的跟踪，并且轨迹清晰，目标数明确。
图3是本发明的选择性更新示意图，即图一中的“更新”部分具体步骤。综上所述，本发明提出的密集目标方位角轨迹交叉水下弱目标跟踪方法通过对目标进行选择性更新，减小计算量的同时实现了对目标标签的准确更新，对目标的探测和谱估计是基于MUSIC算法并采用粒子实现，通过搜峰和控制门限获得目标最大概率存在的位置，将实跟踪结果轨迹与理论实际结果轨迹对比即可验证本发明的跟踪算法的性能，进而形成可持续、准确、完整的多目标跟踪航迹。本发明合理利用每个时刻检测出的目标的概率，对目标的位置和个数进行高精度的估计，减少目标跟踪丢失次数，并实现目标轨迹的整体上完整性提高，实现对视频中的多目标进行的有效地检测和跟踪。

Claims (10)

1.一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述水下目标跟踪轨迹临近交叉解决方法具体包括以下步骤：
步骤1：初始化多伯努利参数集；
步骤2：对水下目标分别建立运动模型和量测模型；
步骤3：基于步骤2的模型对水下目标进行预测，得到多伯努利预测参数集；
步骤4：将步骤3得到的多伯努利预测参数集，按存在概率进行更新得到更新后的标签多伯努利参数集；
步骤5：基于步骤4的更新后的标签多伯努利参数集，通过剪枝以挑选存在概率大的有限个目标；
步骤6：基于步骤5的有限个目标，进行重采样对存在概率大的粒子进行复制以进行目标和杂波的明显区分；
步骤7：基于步骤6区分后的目标，形成跟踪轨迹。
2.根据权利要求1所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述步骤1初始化多伯努利参数集具体为，在初始时刻，多伯努利参数集为
Figure FDA0003678915450000011
其中k为时刻，多伯努利参数集里的每一个状态分布p是由带权值的粒子组成。
3.根据权利要求1所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述步骤2对水下目标分别建立运动模型和量测模型具体为，目标运动模型设为
xk+1＝Fxk+wk+1
量测模型为
zk+1＝Hxk+1+Rk+1
其中的wk+1和Rk+1分别为预测过程和观测过程的噪声，均服从高斯分布，F和H均为状态转移矩阵，k为时刻。
4.根据权利要求1所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述步骤3基于步骤2的模型对水下目标进行预测，得到多伯努利预测参数集具体为，在预测步中，需要将LMB形式转换为δ-GLMB形式，标签多伯努利随机集滤波器滤波器与多目标多伯努利滤波器的形式与运算均相同，对于存活目标进行预测，得到参数集
Figure FDA0003678915450000021
和新生目标参数集
Figure FDA0003678915450000022
其中r为概率，p为概率分布，分别对存活目标与新生目标计算损失因子-ln(r(l)/(1-r(l)))，通过k-最短路径算法选出kS个存活假设与kB个新生假设组合成
Figure FDA0003678915450000023
个假设，分别记录存活目标标签以及参数集
Figure FDA0003678915450000024
对应的假设权重
Figure FDA0003678915450000025
由式下式得到
Figure FDA0003678915450000026
5.根据权利要求2所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述步骤4将步骤3得到的多伯努利预测参数集，按存在概率进行更新得到更新后的标签多伯努利参数集具体为，在更新步中，需要将LMB滤波的多目标预测概率密度函数转换成δ-GLMB的形式进行更新，得到更新后的δ-GLMB形式的后验概率密度；为了使LMB滤波的贝叶斯递归闭合，最后再将δ-GLMB形式的后验概率密度近似为LMB形式。
6.根据权利要求5所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，建立更新标识矩阵U，将预测参数集
Figure FDA0003678915450000027
中的目标按存在概率从大到小进行排序，依次进行更新；
Figure FDA0003678915450000028
是目标的状态分布，由权值粒子
Figure FDA0003678915450000029
组成；每个目标更新后对U进行更新，将之前更新的粒子所对应的角度区间置1；更新后对预测的假设权重进行更新，最后重新计算目标存在概率与概率分布，得到更新后标签多伯努利参数集
Figure FDA00036789154500000210
7.根据权利要求5所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述更新具体包括以下步骤：
步骤4.1：建立并初始化更新识别矩阵U；
步骤4.2：基于步骤4.1的更新识别矩阵U，预测参数集目标概率从大到小排序，依次更新；
步骤4.3：基于步骤4.2更新后的预测参数集目标，判断预测参数集目标是否存在概率大于门限rth，若是，则进行步骤4.4，若否则进行步骤4.8；
步骤4.4：计算中心角度且将更新识别矩阵U中对应的区间置1，然后进行更新；
步骤4.5：判断步骤4.4更新后的更新识别矩阵U是否为0；若为0，则进行步骤4.6，若不为0，则进行步骤4.7；
步骤4.6：正常进行更新后将对应的更新识别矩阵U的区间置1；
步骤4.7：粒子角度与中心角度差距过大，则用MUSIC空间谱的最小值作为似然比函数；
步骤4.8：判断步骤4.3更新后的更新识别矩阵U是否为0；若为0，则进行步骤4.9，若不为0，则进行步骤4.10
步骤4.9：正常进行更新后将对应的更新识别矩阵U的区间置1；
步骤4.10：粒子角度与中心角度差距过大，则用MUSIC空间谱的最小值作为似然比函数
步骤4.11：步骤4.6、步骤4.7、步骤4.9和步骤4.10均得到更新后标签多伯努利参数集。
8.根据权利要求1所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述步骤5基于步骤4的更新后的标签多伯努利参数集，通过剪枝以挑选存在概率大的有限个目标具体为，在步骤3预测步骤中不断地有新生目标出现，导致目标数不断增加，根据概率从大到小排序后，设置门限删去后面的存在概率小的目标；设置存在概率门限以及目标数门限，当存在概率小于门限时删去该目标，当目标数大于门限时按存在概率进行排序，只取门限内的目标。
9.根据权利要求8所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，k时刻目标参数集为
Figure FDA0003678915450000032
对应的目标新生参数集为
Figure FDA0003678915450000033
k+1时刻预测的目标参数集如下式所示
Figure FDA0003678915450000031
由上式可知，预测参数集
Figure FDA0003678915450000034
分为两部分，一部分是已存在的目标，用S表示，其中
Figure FDA0003678915450000035
代表预测的k+1时刻目标存在概率，
Figure FDA0003678915450000036
表示对应的概率分布，k表示时刻，l为该目标的标签，
Figure FDA0003678915450000037
表示由l组成的离散可数空间；
在得到预测后的LMB参数集后，需要转换为δ-GLMB形式，设有nS个存活目标与nB个新生目标，则存在
Figure FDA0003678915450000045
种假设，选取权重最大的有限个假设进行保留：分别对存活目标与新生目标计算损失因子-ln(r(l)/(1-r(l)))，通过k-最短路径算法选出kS个存活假设与kB个新生假设组合成
Figure FDA0003678915450000046
个假设，分别根据以下两式计算对应假设的权重与概率分布：
Figure FDA0003678915450000041
Figure FDA0003678915450000042
ξ表示对应的假设，I为跟踪标签的集合。
10.根据权利要求2所述水下目标跟踪轨迹临近交叉解决方法，其特征在于，所述步骤6：基于步骤5的有限个目标，进行重采样对存在概率大的粒子进行复制以进行目标个杂波的明显区分具体为，将目标存在概率从大到小排列，选出概率最大的门限内目标并进行重采样：对每个目标的粒子集根据粒子权重
Figure FDA0003678915450000047
重新采样得到等权值粒子集
Figure FDA0003678915450000048
L表示当前时刻存在的粒子数，然后计算势分布并从计算得到的势分布中估计目标数，根据下式计算势分布。
Figure FDA0003678915450000043
其中
Figure FDA0003678915450000049
为Mk+1个变量的n次初等对称函数。估计目标数方式如下
Figure FDA0003678915450000044
CN202210628601.1A 2022-06-06 2022-06-06 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 Active CN115097437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210628601.1A CN115097437B (zh) 2022-06-06 2022-06-06 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210628601.1A CN115097437B (zh) 2022-06-06 2022-06-06 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法

Publications (2)

Publication Number Publication Date
CN115097437A true CN115097437A (zh) 2022-09-23
CN115097437B CN115097437B (zh) 2023-06-09

Family

ID=83289961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210628601.1A Active CN115097437B (zh) 2022-06-06 2022-06-06 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法

Country Status (1)

Country Link
CN (1) CN115097437B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724087A (zh) * 2024-02-07 2024-03-19 中国人民解放军海军航空大学 雷达多目标跟踪双标签多伯努利滤波算法
CN117724087B (zh) * 2024-02-07 2024-05-28 中国人民解放军海军航空大学 雷达多目标跟踪双标签多伯努利滤波算法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766320A (zh) * 2015-04-02 2015-07-08 西安电子科技大学 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法
CN109508444A (zh) * 2018-12-18 2019-03-22 桂林电子科技大学 区间量测下交互式多模广义标签多伯努利的快速跟踪方法
CN109991597A (zh) * 2019-04-04 2019-07-09 中国人民解放军国防科技大学 一种面向弱扩展目标的检测前跟踪方法
CN110390684A (zh) * 2019-07-16 2019-10-29 深圳大学 一种闪烁噪声下的多目标跟踪方法及系统
CN110532921A (zh) * 2019-08-21 2019-12-03 江南大学 基于ssd检测广义标签多伯努利视频多目标跟踪方法
JP2020008351A (ja) * 2018-07-04 2020-01-16 株式会社デンソーアイティーラボラトリ トラキング装置、方法及びプログラム
US20200064446A1 (en) * 2018-08-27 2020-02-27 The Hong Kong University Of Science And Technology Cooperative target tracking and signal propagation learning using mobile sensors
CN111580084A (zh) * 2020-05-13 2020-08-25 中国人民解放军国防科技大学 一种面向多距离扩展目标的多伯努利检测前跟踪方法
CN112328959A (zh) * 2020-10-14 2021-02-05 哈尔滨工程大学 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法
CN112328965A (zh) * 2020-10-14 2021-02-05 南京航空航天大学 使用声矢量传感器阵列的多机动信号源doa跟踪的方法
WO2021036367A1 (zh) * 2019-08-30 2021-03-04 深圳大学 一种基于测量分配的目标跟踪方法及装置
CN113391285A (zh) * 2021-05-25 2021-09-14 西安理工大学 一种量测随机延迟下带闪烁噪声的目标跟踪平滑方法
CN113673565A (zh) * 2021-07-16 2021-11-19 杭州电子科技大学 多传感器gm-phd自适应序贯融合多目标跟踪方法
CN113917449A (zh) * 2021-09-30 2022-01-11 中国船舶重工集团公司第七二四研究所 一种低检测概率下的多雷达标签多伯努利多目标跟踪方法
CN114089363A (zh) * 2021-11-16 2022-02-25 哈尔滨工程大学 一种基于随机有限集的异构传感器信息融合和多目标跟踪方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766320A (zh) * 2015-04-02 2015-07-08 西安电子科技大学 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法
JP2020008351A (ja) * 2018-07-04 2020-01-16 株式会社デンソーアイティーラボラトリ トラキング装置、方法及びプログラム
US20200064446A1 (en) * 2018-08-27 2020-02-27 The Hong Kong University Of Science And Technology Cooperative target tracking and signal propagation learning using mobile sensors
CN109508444A (zh) * 2018-12-18 2019-03-22 桂林电子科技大学 区间量测下交互式多模广义标签多伯努利的快速跟踪方法
CN109991597A (zh) * 2019-04-04 2019-07-09 中国人民解放军国防科技大学 一种面向弱扩展目标的检测前跟踪方法
CN110390684A (zh) * 2019-07-16 2019-10-29 深圳大学 一种闪烁噪声下的多目标跟踪方法及系统
CN110532921A (zh) * 2019-08-21 2019-12-03 江南大学 基于ssd检测广义标签多伯努利视频多目标跟踪方法
WO2021036367A1 (zh) * 2019-08-30 2021-03-04 深圳大学 一种基于测量分配的目标跟踪方法及装置
CN111580084A (zh) * 2020-05-13 2020-08-25 中国人民解放军国防科技大学 一种面向多距离扩展目标的多伯努利检测前跟踪方法
CN112328959A (zh) * 2020-10-14 2021-02-05 哈尔滨工程大学 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法
CN112328965A (zh) * 2020-10-14 2021-02-05 南京航空航天大学 使用声矢量传感器阵列的多机动信号源doa跟踪的方法
CN113391285A (zh) * 2021-05-25 2021-09-14 西安理工大学 一种量测随机延迟下带闪烁噪声的目标跟踪平滑方法
CN113673565A (zh) * 2021-07-16 2021-11-19 杭州电子科技大学 多传感器gm-phd自适应序贯融合多目标跟踪方法
CN113917449A (zh) * 2021-09-30 2022-01-11 中国船舶重工集团公司第七二四研究所 一种低检测概率下的多雷达标签多伯努利多目标跟踪方法
CN114089363A (zh) * 2021-11-16 2022-02-25 哈尔滨工程大学 一种基于随机有限集的异构传感器信息融合和多目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUN-YONG WU ET AL.: "DOA Tracking Based on Unscented Transform Multi-Bernoulli Filter in Impulse Noise Environment" *
徐悦: "基于多伯努利滤波分布式多传感器优化跟踪算法研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724087A (zh) * 2024-02-07 2024-03-19 中国人民解放军海军航空大学 雷达多目标跟踪双标签多伯努利滤波算法
CN117724087B (zh) * 2024-02-07 2024-05-28 中国人民解放军海军航空大学 雷达多目标跟踪双标签多伯努利滤波算法

Also Published As

Publication number Publication date
CN115097437B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN110320512A (zh) 一种基于带标签的gm-phd平滑滤波多目标跟踪方法
CN110967690B (zh) 一种基于多伯努利分布式多传感器多目标跟踪方法
CN112946624B (zh) 一种基于航迹管理方法的多目标跟踪方法
Pollard et al. Hybrid algorithms for multitarget tracking using MHT and GM-CPHD
Yazdian-Dehkordi et al. Competitive Gaussian mixture probability hypothesis density filter for multiple target tracking in the presence of ambiguity and occlusion
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
CN111739053B (zh) 一种复杂场景下的在线多行人检测跟踪方法
CN107861123A (zh) 一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法
Yi et al. Distributed sensor fusion for RFS density with consideration of limited sensing ability
CN111259332B (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
Gad et al. A comparison of data association techniques for target tracking in clutter
Turkmen et al. Cheap joint probabilistic data association with adaptive neuro-fuzzy inference system state filter for tracking multiple targets in cluttered environment
CN115097437A (zh) 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法
CN116500602A (zh) 一种基于无源分布式雷达系统的多目标跟踪航迹管理方法
CN114492583B (zh) 一种基于lstm的雷达搜索模式识别方法
Wakayama et al. Forecasting probability of target presence for ping control in multistatic sonar networks using detection and tracking models
CN115015908A (zh) 基于图神经网络的雷达目标数据关联方法
CN113484866A (zh) 一种基于被动声呐方位历程图的多目标检测跟踪方法
Wu et al. Multi-GMTI decentralized tracking via consensus LMB density fusion
CN112379366A (zh) 一种基于粒子群滤波的雷达目标跟踪算法
CN111523090B (zh) 基于高斯混合概率假设密度的数目时变多目标跟踪方法
CN113408422B (zh) 一种适用于微弱目标的多帧联合检测跟踪与分类方法
CN111965594B (zh) 一种基于特征值搜索的轻量级直接跟踪方法
Dezert et al. A comparative analysis of QADA-KF with JPDAF for multitarget tracking in clutter
Baek et al. Grid-based target estimation scheme for passive coherent location system

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