CN115508824A - 多目标大数据关联融合跟踪方法及系统 - Google Patents
多目标大数据关联融合跟踪方法及系统 Download PDFInfo
- Publication number
- CN115508824A CN115508824A CN202211282410.0A CN202211282410A CN115508824A CN 115508824 A CN115508824 A CN 115508824A CN 202211282410 A CN202211282410 A CN 202211282410A CN 115508824 A CN115508824 A CN 115508824A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- radar
- fusion
- difference
- 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.)
- Pending
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
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种多目标大数据关联融合跟踪方法及系统,属于多雷达多目标跟踪技术领域,首先利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;然后对多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;并通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵;最后采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计;本发明可有效实现在杂波和多目标环境下的目标跟踪。
Description
技术领域
本发明属于多雷达多目标跟踪技术领域,尤其涉及一种多目标大数据关联融合跟踪方法及系统。
背景技术
目前,在集中式融合结构下多目标跟踪中,为了实现多个目标精准跟踪,数据融合和数据关联起着重要作用。数据融合技术可以充分发挥多雷达的信息优势,数据关联技术可以准确地找出目标与量测之间的关联概率,可以有效提升跟踪系统的有效性和可靠性。因此针对复杂环境下的多站雷达多目标跟踪问题,需要考虑如何选取合适的数据融合、数据关联算法等关键技术使其能获得最佳的跟踪结果。
目前,关于目标数据关联融合跟踪方法的相关工作已经取得了一些的成果。景博等人提出了一种基于集中式最优加权算法的多传感器数据融合方法,通过各个雷达的量测噪声方差给每个雷达分配加权系数,通过仿真表明经过集中式最优加权融合估计的虚拟量测的方差比任何一个雷达的量测方差都要小(景博,孙勇.基于集中式最优加权算法的多传感器数据融合[J].电子测量与仪器学报,2004(z2):5)。Q.Zhang等人(Q.Zhang,J.Gao andH.Sun,"The Unscented Kalman Filter Based Fusion Tracking Method with Multi-error Model,"2021IEEE International Conference on Signal Processing,Communications and Computing(ICSPCC),2021,pp.01-05,doi:10.1109/ICSPCC52875.2021.9564471.)针对具有多观测噪声的运动目标跟踪问题,提出了一种基于无迹卡尔曼滤波的多误差模型融合跟踪方法,与传统方法相比,该方法更适合于实际跟踪场景,且精度明显提高。R.Su等人提出了一种基于鲁棒卡尔曼滤波的最近邻数据关联算法,该方法结合鲁棒卡尔曼滤波和最近邻思想,大大降低了最近邻方法目标误跟的几率(R.Su,J.Tang,J.Yuan and Y.Bi,"Nearest Neighbor Data Association Algorithm Based onRobust Kalman Filtering,"2021 2nd International Symposium on ComputerEngineering and Intelligent Communications(ISCEIC),2021,pp.177-181,doi:10.1109/ISCEIC53685.2021.00044.)。X.Huang等人提出了一种基于简化关联概率序贯概率比检验的JPDA算法,这个算法不仅没有损失关联正确率,而且大大减少了多目标跟踪过程中轨迹关联算法的计算量,有效提高了密集杂波环境下多目标跟踪数据关联算法的实时性(X.Huang,W.Wang,D.Pan and J.Yuan,"An Improved Multi-target TrackingTrajectory Association Algorithm in Dense Clutter Environment,"2021 7thInternational Conference on Computer and Communications(ICCC),2021,pp.763-769,doi:10.1109/ICCC54389.2021.9674576.)。陈科冠.等人将IMM模型与改进的概率数据关联算法相结合,通过实验说明了该方法的跟踪性能(陈科冠.目标跟踪时的多传感器数据融合算法研究[D].江苏:江苏科技大学,2020.)。
综上,现有技术存在的缺点为:(1)目标数据关联融合跟踪方法大多考虑多雷达单目标和单雷达多目标的情况,鲜有提及多目标大数据关联融合跟踪方法。(2)通过部署多部雷达同时对空中多个目标进行跟踪,如果不能设计合适的数据融合和数据关联算法,会使得现有的目标跟踪方法的性能急剧下降。
发明内容
针对现有技术存在的问题,本发明的目的在于提供了一种多目标大数据关联融合跟踪方法及系统,构建基于卷积神经网络的数据融合模型以及基于卷积长短时记忆网络的数据关联模型,实现稳健准确的多目标大数据关联融合跟踪技术,为智能目标跟踪提供技术支撑,不仅可以扩展目标跟踪应用场景范围,而且可以有效提升目标跟踪的实时性和准确性。
为了达到上述目的,本发明采取的技术方案为:
一种多目标大数据关联融合跟踪方法,包括以下步骤:
步骤一,利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据{Z1,Z2,…,ZT}进行处理,得到k时刻多雷达多目标融合点迹数据Y(k)={(xf1,yf1),(xf2,yf2),…,(xfT,yfT)},其中,xfi,yfi分别表示雷达i对f目标融合点迹;
步骤二,对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征{vi,ai,hθi}和空间特征{di,dθi,ci},其中,vi为速度特征,ai为加速度特征,hθi为航向角特征,di为距离特征,dθi为偏航角特征,ci为曲率特征;
步骤三,通过利用雷达量测和目标预测的时序特征和空间特征之间的差异{Δvi,Δai,Δhθi}和{Δdi,Δdθi,Δci}设计二维差异矩阵,其中,Δvi为速度特征差异,Δai为加速度特征差异,Δhθi为航向角特征差异,Δdi为距离特征差异,Δdθi为偏航角特征差异,Δci为曲率特征差异;
所述的步骤一具体为:
基于卷积神经网络的数据融合模型的输入是在k时刻经过时空对准以及点迹匹配的聚类点迹记为{Z1,Z2,…,ZT},且第i类Zi有N个点迹数据,记为:{(x1,y1),(x2,y2),…,(xN,yN)},其中,xi,yi分别表示雷达i对目标的量测;将T类聚类点迹按照x轴和y轴的顺序进行排列,拼接成N×(2×T)的二维数据矩阵M;卷积神经网络的输入表示为X(k)=M;多雷达量测数据进行预处理后,需要对其进行训练样本和标签,在输入基于卷积神经网络的数据融合模型之前还需要对多雷达多目标融合点迹数据进行归一化处理;
基于卷积神经网络的数据融合模型通过一维卷积提取不同雷达之间误差差异参数特征,过程如下:将聚类点迹数据矩阵M首先经过一个一维卷积层,进行雷达误差特征提取,然后经过池化层,采用的是最大池化,提取到不同雷达误差差异参数λ={λ1,λ2,…,λN},然后将差异参数展开为一维数据输送到全连接层,利用全连接层强大的函数逼近能力输出融合点迹;
基于卷积神经网络的数据融合模型的输出是在k时刻多雷达点迹的融合结果,包含多个点迹的x轴和y轴信息,表示为Y(k)={(xf1,yf1),(xf2,yf2),…,(xfT,yfT)};根据输出的融合点迹进行后续的跟踪滤波操作;计算过程表示为:
Y(k)=f(Zi+s(Zi,λ));
式中,Zi为第i类点迹匹配的聚类点迹,λ表示卷积神经网络提取到的不同雷达之间误差差异参数,s(·)表示空间误差差异函数,用于估计不同雷达点迹数据到目标真实值的变换,f(·)则表示融合函数,将不同雷达的点迹数据融合为一个点迹。
所述的步骤二具体为:
时序特征{vi,ai,hθi}包括速度特征,加速度特征,航向角特征,分别为:
其中,对于k时刻包含M个量测以及目标t的状态预测得到目标t的M+1个速度特征vi,P表示时间间隔,vi表示量测速度特征,vp表示目标预测速度特征;ai表示量测加速度特征,目标预测加速度特征ap计算公式同ai计算公式一样;目标预测航向角特征hθp计算公式同hθi计算公式一样;
空间特征{di,dθi,ci}包括距离特征,偏航角特征,曲率特征,其中,di为距离特征,dθi为偏航角特征,ci为曲率特征,分别为:
式中,k-1时刻目标t的状态为k-2时刻目标t的状态为di表示量测距离特征,目标预测距离特征dp计算公式同di计算公式一样;dθi表示量测偏航角特征,目标预测偏航角特征dθp计算公式同dθi计算公式一样;ci表示量测曲率特征,目标预测偏航角特征cp计算公式同ci计算公式一样;且:
所述的步骤三具体为:
时序特征差异{Δvi,Δai,Δhθi},其中,Δvi为速度特征差异,Δai为加速度特征差异,Δh-i为航向角特征差异,分别为:
Δvi=|vi-vp|;
Δai=|ai-ap|;
Δhθi=|hθi-hθp|;
空间差异特征{Δdi,Δdθi,Δci},其中,Δdi为距离特征差异,Δdθi为偏航角特征差异,Δci为曲率特征差异,分别为:
Δdi=|di-dp|;
Δdθi=|dθi-dθp|;
Δci=|ci-cp|;
式中,{vp,ap,hθp}和{dp,dθp,cp}分别表示目标预测时序特征和空间特征。
步骤四中所述采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率βit,网络模型共由两个部分组成,其中第一部分是特征处理部分,将目标t的雷达量测数据的空间特征和时序特征进行处理拼接,输入到ConvLSTM网络中;第二部分包括ConvLSTM网络层和全连接层,属于关联概率预测部分;处理后的特征经过ConvLSTM网络输出目标t与M个量测的关联概率矩阵;
基于ConvLSTM的数据关联属于有监督学习,利用k-1、k-2时刻的目标状态以及k时刻的目标预测状态和量测数据,来获得目标与量测的关联概率;输入数据不仅要包含时间特征和空间特征,更要符合ConvLSTM神经网络对输入数据的要求;现对空间差异特征和时间差异特征进行拼接,组成了一个二维的张量,构成网络的输入。
一种多目标大数据关联融合跟踪系统,包括:
数据融合模块:用于利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;
雷达数据特征计算模块:用于对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;
二维差异矩阵构建模块:用于通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵;
数据关联跟踪估计模块:用于采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵;采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计。
一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得所述处理器执行如下步骤:利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵;采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计。
一种信息数据处理终端,用于实现所述的多目标大数据关联融合跟踪系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的多目标大数据关联融合跟踪方法效果较好,可以有效实现在集中式融合结构下的多目标跟踪。在杂波环境下,本发明数据融合方法的跟踪均方根误差低于集中式加权融合算法,数据融合方法的跟踪均方根误差低于最近邻数据关联算法以及联合概率数据互联方法。
附图说明
图1是本发明实施例提供的多目标大数据关联融合跟踪方法流程图。
图2是本发明实施例提供的多目标大数据关联融合跟踪系统结构框图。
图3是本发明实施例提供的多目标大数据关联融合跟踪数据融合性能示意图。
图4是本发明实施例提供的多目标大数据关联融合跟踪数据关联性能示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,一种多目标大数据关联融合跟踪方法,包括以下步骤:
S101,利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;
S102,对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;
S103,通过利用雷达量测和目标预测的时序特征和空间特征之间的差异和设计二维差异矩阵;
S104,采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计。
如图2所示,一种多目标大数据关联融合跟踪系统,包括:
数据融合模块1:用于利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据{Z1,Z2,…,ZT}进行处理,得到多雷达多目标融合点迹数据Y(k)={(xf1,yf1),(xf2,yf2),…,(xfT,yfT)};
雷达数据特征计算模块2:用于对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征{vi,ai,hθi}和空间特征{di,dθi,ci};
二维差异矩阵构建模块3:用于通过利用雷达量测和目标预测的时序特征和空间特征之间的差异{Δvi,Δai,Δhθi}和{Δdi,Δdθi,Δci}设计二维差异矩阵;
所述的一种多目标大数据关联融合跟踪方法,包括以下步骤:
步骤一,利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据{Z1,Z2,…,ZT}进行处理,得到k时刻多雷达多目标融合点迹数据Y(k)={(xf1,yf1),(xf2,yf2),…,(xfT,yfT)},其中,xfi,yfi分别表示雷达i对f目标融合点迹;
步骤二,对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征{vi,ai,hθi}和空间特征{di,dθi,ci},其中,vi为速度特征,ai为加速度特征,hθi为航向角特征,di为距离特征,dθi为偏航角特征,ci为曲率特征;
步骤三,通过利用雷达量测和目标预测的时序特征和空间特征之间的差异{Δvi,Δai,Δhθi}和{Δdi,Δdθi,Δci}设计二维差异矩阵,其中,Δvi为速度特征差异,Δai为加速度特征差异,Δhθi为航向角特征差异,Δdi为距离特征差异,Δdθi为偏航角特征差异,Δci为曲率特征差异;
所述的步骤一具体为:
基于卷积神经网络的数据融合模型的输入是在k时刻经过时空对准以及点迹匹配的聚类点迹记为{Z1,Z2,…,ZT},且第i类Zi有N个点迹数据,记为:{(x1,y1),(x2,y2),…,(xN,yN)},其中,xi,yi分别表示雷达i对目标的量测;将T类聚类点迹按照x轴和y轴的顺序进行排列,拼接成N×(2×T)的二维数据矩阵M;卷积神经网络的输入表示为X(k)=M;多雷达量测数据进行预处理后,需要对其进行训练样本和标签,在输入基于卷积神经网络的数据融合模型之前还需要对多雷达多目标融合点迹数据进行归一化处理;
基于卷积神经网络的数据融合模型通过一维卷积提取不同雷达之间误差差异参数特征,过程如下:将聚类点迹数据矩阵M首先经过一个一维卷积层,进行雷达误差特征提取,然后经过池化层,采用的是最大池化,提取到不同雷达误差差异参数λ={λ1,λ2,…,λN},然后将差异参数展开为一维数据输送到全连接层,利用全连接层强大的函数逼近能力输出融合点迹;
基于卷积神经网络的数据融合模型的输出是在k时刻多雷达点迹的融合结果,包含多个点迹的x轴和y轴信息,表示为Y(k)={(xf1,yf1),(xf2,yf2),…,(xfT,yfT)};根据输出的融合点迹进行后续的跟踪滤波操作;计算过程表示为:
Y(k)=f(Zi+s(Zi,λ));
式中,Zi为第i类点迹匹配的聚类点迹,λ表示卷积神经网络提取到的不同雷达之间误差差异参数,s(·)表示空间误差差异函数,用于估计不同雷达点迹数据到目标真实值的变换,f(·)则表示融合函数,将不同雷达的点迹数据融合为一个点迹。
所述的步骤二具体为:
时序特征{vi,ai,hθi}包括速度特征,加速度特征,航向角特征,分别为:
其中,对于k时刻包含M个量测以及目标t的状态预测得到目标t的M+1个速度特征vi,P表示时间间隔,vi表示量测速度特征,vp表示目标预测速度特征;ai表示量测加速度特征,目标预测加速度特征ap计算公式同ai计算公式一样;目标预测航向角特征hθp计算公式同hθi计算公式一样;
空间特征{di,dθi,ci}包括距离特征,偏航角特征,曲率特征,其中,di为距离特征,dθi为偏航角特征,ci为曲率特征,分别为:
式中,k-1时刻目标t的状态为k-2时刻目标t的状态为di表示量测距离特征,目标预测距离特征dp计算公式同di计算公式一样;dθi表示量测偏航角特征,目标预测偏航角特征dθp计算公式同dθi计算公式一样;ci表示量测曲率特征,目标预测偏航角特征cp计算公式同ci计算公式一样;且:
所述的步骤三具体为:
时序特征差异{Δvi,Δai,Δhθi},其中,Δvi为速度特征差异,Δai为加速度特征差异,Δhθi为航向角特征差异,分别为:
Δvi=|vi-vp|;
Δai=|ai-ap|;
Δhθi=|hθi-hθp|;
空间差异特征{Δdi,Δdθi,Δci},其中,Δdi为距离特征差异,Δdθi为偏航角特征差异,Δci为曲率特征差异,分别为:
Δdi=|di-dp|;
Δdθi=|dθi-dθp|;
Δci=|ci-cp|;
式中,{vp,ap,hθp}和{dp,dθp,cp}分别表示目标预测时序特征和空间特征。
步骤四中所述采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率βit,网络模型共由两个部分组成,其中第一部分是特征处理部分,将目标t的雷达量测数据的空间特征和时序特征进行处理拼接,输入到ConvLSTM网络中;第二部分包括ConvLSTM网络层和全连接层,属于关联概率预测部分;处理后的特征经过ConvLSTM网络输出目标t与M个量测的关联概率矩阵;
基于ConvLSTM的数据关联属于有监督学习,利用k-1、k-2时刻的目标状态以及k时刻的目标预测状态和量测数据,来获得目标与量测的关联概率;输入数据不仅要包含时间特征和空间特征,更要符合ConvLSTM神经网络对输入数据的要求;现对空间差异特征和时间差异特征进行拼接,组成了一个二维的张量,构成网络的输入。
下面结合仿真实验对本发明的技术效果作详细的描述。
为了评估本发明的性能,进行仿真验证。将本发明方法中数据融合方法与集中式加权融合方法对比,数据关联方法与最近邻方法和联合概率数据互联方法对比,仿真参数设置如下:
使用两部雷达组成融合系统对空中多个目标进行量测跟踪,两部雷达具有相同的检测概率和门概率,分别设置为0.98和0.997,扫描周期均为1s,在两部雷达的监测范围内存在三个目标均做匀速直线运动。
本发明数据融合方法与现有的集中式加权融合方法进行对分析,其仿真结果如图3所示,由图3可以看出,本发明方法相比于集中式加权融合方法无论在跟踪精度还是在收敛速度都有着明显的优势。本发明所提数据关联方法与现有的最近邻方法和联合概率数据互联方法进行对分析,由图4可以看出,当目标轨迹没有交叉时,3个方法的跟踪误差差别不大,但是随着仿真时间的增加,两个目标出现轨迹交叉,最近邻算法滤波结果逐渐偏离真实轨迹,均方根误差越来越大,即出现目标误跟的情况;而联合概率数据互联算法和本方法的均方根误差逐渐减小,并且稳定在很小的误差范围;而且本发明方法的均方根误差均值低于联合概率数据互联算法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种多目标大数据关联融合跟踪方法,其特征在于,包括以下步骤:
步骤一,利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据{Z1,Z2,…,ZT}进行处理,得到k时刻多雷达多目标融合点迹数据Y(k)={(xf1,yf1),(xf2,yf2),…,(xfT,yfT)},其中,xfi,yfi分别表示雷达i对f目标融合点迹;
步骤二,对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征{vi,ai,hθi}和空间特征{di,dθi,ci},其中,vi为速度特征,ai为加速度特征,hθi为航向角特征,di为距离特征,dθi为偏航角特征,ci为曲率特征;
步骤三,通过利用雷达量测和目标预测的时序特征和空间特征之间的差异{Δvi,Δai,Δhθi}和{Δdi,Δdθi,Δci}设计二维差异矩阵,其中,Δvi为速度特征差异,Δai为加速度特征差异,Δhθi为航向角特征差异,Δdi为距离特征差异,Δdθi为偏航角特征差异,Δci为曲率特征差异;
2.根据权利要求1所述的方法,其特征在于,所述的步骤一具体为:
基于卷积神经网络的数据融合模型的输入是在k时刻经过时空对准以及点迹匹配的聚类点迹记为{Z1,Z2,…,ZT},且第i类Zi有N个点迹数据,记为:{(x1,y1),(x2,y2),…,(xN,yN)},其中,xi,yi分别表示雷达i对目标的量测;将T类聚类点迹按照x轴和y轴的顺序进行排列,拼接成N×(2×T)的二维数据矩阵M;卷积神经网络的输入表示为X(k)=M;多雷达量测数据进行预处理后,需要对其进行训练样本和标签,在输入基于卷积神经网络的数据融合模型之前还需要对多雷达多目标融合点迹数据进行归一化处理;
基于卷积神经网络的数据融合模型通过一维卷积提取不同雷达之间误差差异参数特征,过程如下:将聚类点迹数据矩阵M首先经过一个一维卷积层,进行雷达误差特征提取,然后经过池化层,采用的是最大池化,提取到不同雷达误差差异参数λ={λ1,λ2,…,λN},然后将差异参数展开为一维数据输送到全连接层,利用全连接层强大的函数逼近能力输出融合点迹;
基于卷积神经网络的数据融合模型的输出是在k时刻多雷达点迹的融合结果,包含多个点迹的x轴和y轴信息,表示为Y(k)={(xf1,yf1),(xf2,yf2),…,(xfT,yfT)};根据输出的融合点迹进行后续的跟踪滤波操作;计算过程表示为:
Y(k)=f(Zi+s(Zi,λ));
式中,Zi为第i类点迹匹配的聚类点迹,λ表示卷积神经网络提取到的不同雷达之间误差差异参数,s(·)表示空间误差差异函数,用于估计不同雷达点迹数据到目标真实值的变换,f(·)则表示融合函数,将不同雷达的点迹数据融合为一个点迹。
3.根据权利要求2所述的方法,其特征在于,所述的步骤二具体为:
时序特征{vi,ai,hθi}包括速度特征,加速度特征,航向角特征,分别为:
其中,对于k时刻包含M个量测以及目标t的状态预测得到目标t的M+1个速度特征vi,P表示时间间隔,vi表示量测速度特征,vp表示目标预测速度特征;ai表示量测加速度特征,目标预测加速度特征ap计算公式同ai计算公式一样;目标预测航向角特征hθp计算公式同hθi计算公式一样;
空间特征{di,dθi,ci}包括距离特征,偏航角特征,曲率特征,其中,di为距离特征,dθi为偏航角特征,ci为曲率特征,分别为:
式中,k-1时刻目标t的状态为k-2时刻目标t的状态为di表示量测距离特征,目标预测距离特征dp计算公式同di计算公式一样;dθi表示量测偏航角特征,目标预测偏航角特征dθp计算公式同dθi计算公式一样;ci表示量测曲率特征,目标预测偏航角特征cp计算公式同ci计算公式一样;且:
4.根据权利要求3所述的方法,其特征在于,所述的步骤三具体为:
时序特征差异{Δvi,Δai,Δhθi},其中,Δvi为速度特征差异,Δai为加速度特征差异,Δhθi为航向角特征差异,分别为:
Δvi=|vi-vp|;
Δai=|ai-ap|;
Δhθi=|hθi-hθp|;
空间差异特征{Δdi,Δdθi,Δci},其中,Δdi为距离特征差异,Δdθi为偏航角特征差异,Δci为曲率特征差异,分别为:
Δdi=|di-dp|;
Δdθi=|dθi-dθp|;
Δci=|ci-cp|;
式中,{vp,ap,hθp}和{dp,dθp,cp}分别表示目标预测时序特征和空间特征。
5.根据权利要求1所述的方法,其特征在于,步骤四中所述采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率βit,网络模型共由两个部分组成,其中第一部分是特征处理部分,将目标t的雷达量测数据的空间特征和时序特征进行处理拼接,输入到ConvLSTM网络中;第二部分包括ConvLSTM网络层和全连接层,属于关联概率预测部分;处理后的特征经过ConvLSTM网络输出目标t与M个量测的关联概率矩阵;
基于ConvLSTM的数据关联属于有监督学习,利用k-1、k-2时刻的目标状态以及k时刻的目标预测状态和量测数据,来获得目标与量测的关联概率;输入数据不仅要包含时间特征和空间特征,更要符合ConvLSTM神经网络对输入数据的要求;现对空间差异特征和时间差异特征进行拼接,组成了一个二维的张量,构成网络的输入;
6.一种多目标大数据关联融合跟踪系统,其特征在于,包括:
数据融合模块:用于利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;
雷达数据特征计算模块:用于对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;
二维差异矩阵构建模块:用于通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵;
数据关联跟踪估计模块:用于采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计。
7.一种信息数据处理终端,其特征在于,用于实现权利要求6所述的多目标大数据关联融合跟踪系统。
8.一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,其特征在于,使得处理器执行如下步骤:利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵;采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计。
9.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,其特征在于,使得所述处理器执行如下步骤:利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理,得到多雷达多目标融合点迹数据;对所得到的多雷达多目标融合点迹数据进行计算,分别提取时序特征和空间特征;通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵;采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率,并利用目标的关联概率计算目标的状态估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282410.0A CN115508824A (zh) | 2022-10-19 | 2022-10-19 | 多目标大数据关联融合跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282410.0A CN115508824A (zh) | 2022-10-19 | 2022-10-19 | 多目标大数据关联融合跟踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115508824A true CN115508824A (zh) | 2022-12-23 |
Family
ID=84509430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211282410.0A Pending CN115508824A (zh) | 2022-10-19 | 2022-10-19 | 多目标大数据关联融合跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951325A (zh) * | 2023-03-15 | 2023-04-11 | 中国电子科技集团公司第十五研究所 | 基于BiGRU的多舰船目标跟踪方法、存储介质及产品 |
CN117788511A (zh) * | 2023-12-26 | 2024-03-29 | 兰州理工大学 | 基于深度神经网络的多扩展目标跟踪方法 |
-
2022
- 2022-10-19 CN CN202211282410.0A patent/CN115508824A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951325A (zh) * | 2023-03-15 | 2023-04-11 | 中国电子科技集团公司第十五研究所 | 基于BiGRU的多舰船目标跟踪方法、存储介质及产品 |
CN115951325B (zh) * | 2023-03-15 | 2023-06-02 | 中国电子科技集团公司第十五研究所 | 基于BiGRU的多舰船目标跟踪方法、存储介质及产品 |
CN117788511A (zh) * | 2023-12-26 | 2024-03-29 | 兰州理工大学 | 基于深度神经网络的多扩展目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
CN113777600B (zh) | 一种多毫米波雷达协同定位跟踪方法 | |
CN112230243A (zh) | 一种移动机器人室内地图构建方法 | |
CN113259837B (zh) | 基于角度估计和指纹定位算法的室内定位方法 | |
CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 | |
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 | |
Cao et al. | Correlation-based tracking of multiple targets with hierarchical layered structure | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
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 | |
CN115508824A (zh) | 多目标大数据关联融合跟踪方法及系统 | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
CN115930949A (zh) | 一种多传感器分布式协同探测方法、系统及电子设备 | |
CN115546705A (zh) | 目标识别方法、终端设备及存储介质 | |
CN111366900A (zh) | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 | |
CN112362042B (zh) | 一种基于智能船舶多传感设备的航迹关联判断方法 | |
CN113486960A (zh) | 基于长短时记忆神经网络的无人机跟踪方法、装置、存储介质及计算机设备 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN109600711B (zh) | 一种基于信道响应频域和空域联合处理的室内定位方法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN114488104B (zh) | 基于交互一致性的天波超视距雷达目标跟踪方法 | |
CN111427036A (zh) | 一种短基线多雷达信号级融合检测方法 | |
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 | |
Sun et al. | A real-time similarity measure model for multi-source trajectories | |
CN113390406B (zh) | 基于被动多传感器系统的多目标数据关联与定位方法 | |
Xiong et al. | HTG-TA: Heterogenous track graph for asynchronous track-to-track association |
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 |