CN116047494A - 通感一体背景下基于多距离划分的多扩展目标的跟踪方法 - Google Patents
通感一体背景下基于多距离划分的多扩展目标的跟踪方法 Download PDFInfo
- Publication number
- CN116047494A CN116047494A CN202211709881.5A CN202211709881A CN116047494A CN 116047494 A CN116047494 A CN 116047494A CN 202211709881 A CN202211709881 A CN 202211709881A CN 116047494 A CN116047494 A CN 116047494A
- Authority
- CN
- China
- Prior art keywords
- target
- expansion
- measurement
- moment
- expansion target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 105
- 238000013138 pruning Methods 0.000 claims abstract description 14
- 238000000638 solvent extraction Methods 0.000 claims abstract description 13
- 238000005192 partition Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 239000012535 impurity Substances 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 17
- 239000000203 mixture Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013316 zoning Methods 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法,包括:构建通感一体化背景下多扩展目标跟踪场景;获得第k时刻扩展目标状态向量和扩展目标的量测模型;获取扩展目标运动模型;获取第k时刻的量测集合,将量侧集合分区;获取扩展目标集合概率密度一阶矩;更新预测到但未检测到的扩展目标集合概率密度一阶距;更新已检测到的扩展目标集合概率密度一阶矩;得到高斯分量;对权值较小的高斯分量进行剪枝,得到第k时刻扩展目标状态的估计结果;对相距较小的高斯分量进行合并、剪枝,提取扩展目标状态,得到第k时刻扩展目标状态的估计结果;获取扩展目标所有时刻的估计结果,作为跟踪结果。本发明可以提升紧邻扩展目标下的跟踪精度。
Description
技术领域
本发明属于雷达目标跟踪技术领域,具体涉及一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法。
背景技术
随着宽带雷达的应用普及,多扩展目标跟踪技术起着越来越重要的作用,其中,多扩展目标跟踪问题是目标跟踪技术中的重点难点。
现有技术中,多扩展目标量测数量巨大,传统数据关联算法存在计算复杂度高以及通感一体背景下多紧邻目标存在量测重叠的问题。
因此,亟需改善现有技术中的缺陷。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法,包括:
构建通感一体化背景下多扩展目标跟踪场景,该场景包括雷达基站和多个扩展目标;
根据雷达基站接收到的扩展目标的量侧,获得第k时刻扩展目标状态向量、以及扩展目标的量测模型;
根据第k时刻扩展目标状态向量,获取扩展目标运动模型;
获取第k时刻的量测集合,并将量侧集合进行分区;其中,量测集合为雷达基站接收到扩展目标的量测值;
根据已分区好的所述量侧集合,获取扩展目标集合概率密度一阶矩;更新预测到但未检测到的扩展目标集合概率密度一阶距;更新已检测到的扩展目标集合概率密度一阶矩;得到高斯分量;
对权值小于第一阈值的高斯分量进行剪枝,得到第k时刻扩展目标状态的估计结果;对相距小于第二阈值的高斯分量进行合并,提取扩展目标状态,得到第k时刻扩展目标状态的估计结果;估计结果包括扩展目标的数目估计值、状态估计值和状态估计值协方差;
获取扩展目标第1时刻至第K时刻的估计结果,作为跟踪结果。
本发明的有益效果:
本发明提供的一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法,通过使用随机有限集贝叶斯框架跟踪多扩展目标,利用带权值的高斯分量来近似表示扩展目标集合概率密度的一阶矩,通过预测,更新高斯分量传递集合后验概率密度的一阶矩,进而得到扩展目标集合当中的扩展目标数目和扩展目标状态,进而实现多距离划分量测集合,可以提升紧邻扩展目标下的跟踪精度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的通感一体背景下基于多距离划分的多扩展目标的跟踪方法的一种流程图;
图2是本发明实施例提供的通感一体化背景下多扩展目标跟踪场景的一种示意图;
图3是本发明实施例提供的量测分区的一种示意图;
图4是本发明实施例提供的量测分区的另一种示意图;
图5是本发明实施例提供的仿真实验的一种示意图;
图6是本发明实施例提供的扩展目标的真实轨迹与估计轨迹的一种对比图;
图7是本发明实施例提供的对扩展目标量测进行点迹凝聚进而将其视为点目标的滤波方法的OSPA距离的一种对比图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
针对传统数据关联算法存在计算复杂度高以及通感一体背景下多紧邻目标存在量测重叠的问题,本发明提出一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法,进行了多距离划分量测,形成了多个距离下的单元格,利用单元格中的量测去更新预测到的目标,以提升目标跟踪的精度。
请参见图1,图1是本发明实施例提供的通感一体背景下基于多距离划分的多扩展目标的跟踪方法的一种流程图,本发明所提供的一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法,包括:
S101、构建通感一体化背景下多扩展目标跟踪场景,该场景包括雷达基站和多个扩展目标;
S102、根据雷达基站接收到的扩展目标的量侧,获得第k时刻扩展目标状态向量、以及扩展目标的量测模型;
S103、根据第k时刻扩展目标状态向量,获取扩展目标运动模型;
S104、获取第k时刻的量测集合,并将量侧集合进行分区;其中,量测集合雷达基站接收到的扩展目标的量测值;
S105、根据已分区好的所述量侧集合,获取扩展目标集合概率密度一阶矩;更新预测到但未检测到的扩展目标集合概率密度一阶距;更新已检测到的扩展目标集合概率密度一阶矩;得到高斯分量;
S106、对权值小于第一阈值的高斯分量进行剪枝,得到第k时刻扩展目标状态的估计结果;对相距小于第二阈值的高斯分量进行合并、剪枝,提取扩展目标状态,得到第k时刻扩展目标状态的估计结果;所述估计结果包括扩展目标的数目估计值、状态估计值和状态估计值协方差;
S107、获取扩展目标第1时刻至第K时刻的估计结果,作为跟踪结果。
具体而言,请继续参见图1所示,本发明提供的一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法,使用随机有限集贝叶斯框架跟踪多扩展目标,利用带权值的高斯分量来近似表示扩展目标集合概率密度的一阶矩,通过预测,更新高斯分量传递集合后验概率密度的一阶矩,进而得到扩展目标集合当中的扩展目标数目和扩展目标状态,进而实现多距离划分量测集合,可以提升紧邻扩展目标下的跟踪精度。
在本发明的一种可选地实施例中,所述扩展目标的量测模型为:
在本发明的一种可选地实施例中,所述扩展目标运动模型为:
xi,k=Fk-1xi,k-1+Gk-1wi,k-1;
其中,xi,k为第k时刻扩展目标状态向量,wi,k-1为高斯白噪声,xi,k-1为第k-1时刻扩展目标状态向量,Fk-1为第一状态转移矩阵,Gk-1为第二状态转移矩阵。
在本发明的一种可选地实施例中,量测集合的分区方式为:基于多距离划分所述量测集合;
在本发明的一种可选地实施例中,所述扩展目标集合概率密度一阶矩为:
其中,Dk|k-1(xk|Z1:k-1)为先验集合概率密度一阶矩即先验集合概率假设密度,Jk|k-1为高斯分量的个数,为第i个高斯分量的权值,高斯分量的形式为 为第i个高斯分量的均值;为第i个高斯分量的协方差。
在本发明的一种可选地实施例中,预测到但未检测到的扩展目标集合概率密度一阶距为:
在本发明的一种可选地实施例中,已检测到的扩展目标集合概率密度一阶矩为:
Rk=blkdiag(Rk,Rk,Rk);
其中,为分区的权值,δi,j为克罗内克算子,W为单元格W中量测的数目,φz(x)=φ(zx)为量测值的空间分布,λk为每帧的杂波数的泊松率,ck(z)为杂波量测值的空间分布,d为空间维数,I为单位矩阵,分别为高斯分量的均值和方差,Γ(i)为计算高斯分量权值的中间变量,dW为计算分区权值的第一中间变量,为计算分区权值的第二中间变量,Πz∈W为相乘符号,φZ为量测的空间分布,λk为每帧的杂波数的泊松率,ck(z)为杂波量测值的空间分布,z为量测,I为单位矩阵,为卡尔曼增益,为观测矩阵的转置,为高斯分量协方差,Rk为观测噪声协方差。
在本发明的一种可选地实施例中,通过以下详细说明本发明的实施过程。
步骤S101、构建通感一体化背景下多扩展目标跟踪场景,该场景包括雷达基站和多个扩展目标。
具体而言,通感一体化背景下多扩展目标跟踪场景包括一个雷达基站和多个扩展目标,其中,扩展目标的数目为N,N为大于0的正整数,雷达基站向其探测区域内的扩展目标发射信号,并收到回波信号,再将回波信号进行处理,得到扩展目标的量测。
请参见图2所示,图2是本发明实施例提供的通感一体化背景下多扩展目标跟踪场景的一种示意图,在通感一体化背景下多扩展目标跟踪场景中,雷达基站探测区域内存在多个扩展目标,扩展目标是指在每个采样时刻中可能产生多个测量值的目标,探测区域为40m×400m的十字路口车道通行场景,在该雷达探测的车道通行场景内,雷达基站检测到扩展目标的概率pD,k与扩展目标的存活概率ps,k均较大,几乎与扩展目标的状态无关;设置扩展目标的存活概率ps,k=0.99,扩展目标被检测到的概率为pD,k=0.9;假设10个扩展目标以恒定的4m/s的速度分别在十个车道中并排移动,将雷达基站的采样间隔设置为T=1s,并利用100个采样间隔支持本实施例的仿真,即K=100,K为预先设定的最大跟踪时刻,K为大于0的正整数,另k为第k时刻,k的初始值为1,k∈{1,2,…,K}。本实施例中,为符合实际场景,设置车道宽度为4m,扩展目标的过程噪声σw=1m/s2,扩展目标的观测噪声为σe=1m,以场景中雷达基站的位置为原点o,东西方向为x轴,南北方向为y轴,建立平面直角坐标系,获取扩展目标的状态向量,其表达式为其中,和为第k时刻第i个扩展目标的平面位置,单位为m,和为第k时刻第i个扩展目标的速度,单位为m/s。
步骤S102、根据所述雷达基站接收到的所述扩展目标的量侧,获得第时刻扩展目标状态向量、以及扩展目标的量测模型。
雷达基站接收信号传感器的量测值以笛卡尔坐标获得,其表达式为:
需要说明的是,扩展目标状态与扩展目标的量测相互独立,并无已知关联。
步骤S103、根据所述第k时刻扩展目标状态向量,获取扩展目标运动模。
xi,k=Fk-1xi,k-1+Gk-1wi,k-1;
S104、获取第k时刻的量测集合,并将所述量侧集合进行分区;其中,量测集合为雷达基站接收到扩展目标的量测值。
具体而言,第i个扩展目标在第时刻采样得到的量测数目为Mi,k,该参数为服从泊松分布的随机变量,随机变量的均值为βD,与雷达基站的带宽和扩展目标的大小无关。
需要说明的是,设置雷达基站带宽为B=150M,车辆大小为2m×4m,此时,βD=4;由于一个扩展目标在一个采样时刻内可以产生多个量测,那么,至少一个量测被检测到的概率为一个扩展目标的量测被检测到的概率为pD,那么有效检测概率为在每一个采样时刻,产生量测的同时也会产生杂波,记每个采样时刻杂波的个数为Mc,k,该参数为服从泊松分布的随机变量,且杂波率为βFA;如果监测区域面积为Vs,那么每个采样时刻该区域的杂波个数的均值为VsβFA,杂波的量测值在检测区域空间中分布是均匀的,例如,在一个采样时刻k内,一个扩展目标产生两个量测和此时,传感器接收到一个杂波量测如此,传感器获得的量测集合为:
此时,并不能分辨哪个量测由扩展目标产生,哪个量测为杂波量测。
为了区分杂波量测和来自于同一扩展目标的量测,需要进行量测集合的划分;本实施例中利用高斯混合(GM)概率假设密度(PHD)滤波器跟踪扩展目标,定义分区p为完整划分第k时刻量测集合Zk为单元格W的一种分区方式,本实施例中,以采样得到三个量测值为例说明,如果第k个采样时刻得到量测为:则量测集合的分区方式为:
随着量测数目的增多,分区方式变得多种多样,如果利用穷举的方法进行量测集合的划分会产生计算量大,运算效率低的问题,有鉴于此,本实施例采用一种基于多距离划分量测集合的方式,首先要确定最大距离与最小距离。
在通感一体背景下建立的十字路口交叉场景中,车道中的一个车辆被认为是一个扩展目标,车辆的最大宽度为2m,因此最大距离为2m;而最小距离与量测噪声和量测来自于同一个扩展目标的概率有关。
对于量测值为和的协方差均为且I2是2×2的单位矩阵。则下式:为自由度为2的χ2分布,上式是两个测量值之间的马氏距离,可以看作是两个量测值之间是否“接近”的度量;设定一个概率PG(此概率为两个量测来自于同一个目标的概率),使用逆χ2分布,可以计算出无单位距离门限,给定距离门限后,则有:由于上式可以简化为:因此,对于不同概率PG,可以计算得不同的距离门限通过多次实验发现,使用与大于且小于2m所对应的距离门限可以产生良好的分区集合,其中,距离集合表达式为:
其中,Nd的大小通过第k时刻传感器接收到的所有量测之间的距离决定。
S105、根据已分区好的所述量侧集合,获取扩展目标集合概率密度一阶矩;更新预测到但未检测到的扩展目标集合概率密度一阶距;更新已检测到的扩展目标集合概率密度一阶矩;得到高斯分量。
具体而言,首先,介绍高斯混合概率假设密度滤波器算法,高斯混合概率假设密度滤波算法的运动模型和观测模型都是线性的,过程噪声和量测噪声都是高斯分布;基本思想是将多目标状态集合概率密度一阶矩表示成多个高斯分布和的形式,递推集合概率密度高斯分布的均值,方差以及权值;高斯分布的模型表示为其中,分别为k时刻第i个高斯分布的权值、期望和方差,Jk为该时刻高斯分布的个数。
由上述实施例可知,扩展目标的运动模型和传感器的量测模型都是线性高斯的,在随机有限集贝叶斯框架下将其表示成高斯混合形式:
fk|k-1(xk|xk-1)=N(x;Fk-1xk-1,Qk-1);
gk(zk|xk)=N(z;Hkxk,Rk);
其中,N(·;m,P)为密度均值为m,方差为P的高斯分布,Fk-1为状态转移矩阵,Qk-1为过程噪协方差矩阵,Hk为观测矩阵,Rk为测量噪声协方差矩阵。
新生目标随机集和衍生目标随机集的后验概率密度一阶矩均为高斯混合形式:
其中,Jγ,k,i=1,2,...,Jγ,k等参数决定了新生目标随机集后验概率密度一阶矩的大小,为新生目标随机集后验概率密度一阶矩的第i个高斯成分的权值、均值和协方差,Jγ,k是k时刻新生目标高斯成分的个数;同理,Jβ,k,i=1,2,...,Jβ,k等参数决定了由目标xk-1衍生的目标随机集后验概率密度一阶矩的大小,为衍生目标随机集后验概率密度一阶矩的第i个高斯成分的权值、均值和协方差,Jβ,k是k时刻衍生目标高斯分量的个数。
若k-1时刻的目标集合后验概率密度的一阶矩为高斯混合形式:
其中,上式中的等号右边第一项表示第k时刻中由第k-1时刻存活的目标集合的后验概率密度一阶矩;第二项表示其中第k时刻中由第k-1时刻存活的目标集合衍生出的目标集合后验概率密度一阶矩;第三项表示第k时刻新生的目标集合的后验概率密度的一阶矩。
具体形式如下式所示:
由上述步骤可以得出扩展目标集合概率密度一阶矩的高斯混合形式,其表达式为:
那么第k时刻目标集合后验概率密度一阶矩可以表示为如下的形式
其中,上式等号右侧第一项表示的是未被检测到的目标集合后验概率密度一阶矩的高斯混合形式,第二项表示的是被检测到的目标集合后验概率密度一阶矩的高斯混合形式。其中,符号p∠Zk表示将测量集Zk利用第p种分区方式划分为单元格W。首先,针对预测到但未检测到的目标,进行目标集合后验概率密度一阶矩的更新,即有:
更新已检测到的目标集合概率密度一阶矩;针对量测集合,一个距离产生一种分区方式,总共产生Nd种分区方式;在第p(p=1:Nd)种分区方式中有单元格W,计算单元格内每个量测更新预测目标得到的高斯分量(权值,均值和方差)并依次计算单元格W和分区p的权值,并将分区p权值归一化,修正产生的所有高斯分量的权值,实现方式图如图4所示,图4是本发明实施例提供的量测分区的另一种示意图。对于每个分区p,每个单元格W中的量测值可以解释为来自相同的扩展目标。在一个单元格内的所有量测中每一个量测可能来自目标也可能来自杂波。具体实施方式如下:
检测到的目标集合后验概率密度一阶矩的高斯混合形式如下:
其中:
求和表示第k时刻该式涵盖了量测Zk的所有种类的分区;相乘表示上式涵盖了属于这种分区方式下所有单元格。
其中,δi,j为克罗内克算子,W为是单元格W中量测的数目。
克罗内克算子表达式如下所示:
φz(x)=φ(zx)表示量测值的空间分布,杂波分布被建模为:λkck(z)。λk是每帧的杂波数的泊松率,ck(z)是杂波量测值的空间分布。相乘表示上式涵盖了属于该单元格内的所有量测。即有:
最后使用标准卡尔曼滤波方法来更新预测到的目标集合后验概率密度的高斯分量均值和协方差:
如果当前的单元格W中包含3个量测,则有:
Rk=blkdiag(Rk,Rk,Rk)。
以上过程具体请参考图1所示。
图1流程表
S105、对权值小于第一阈值的高斯分量进行剪枝,得到第k时刻扩展目标状态的估计结果;对相距小于第二阈值的高斯分量进行合并、剪枝,提取扩展目标状态,得到第k时刻扩展目标状态的估计结果;估计结果包括扩展目标的数目估计值、状态估计值和状态估计值协方差。
具体而言,对权值较低的高斯分量进行剪枝,对相距较近的高斯分量进行合并,剪枝合并后提取目标状态;由上述步骤可知更新得到的目标集合后验概率密度一阶矩的高斯混合形式为:
随着时间的递推,高斯混合项会不断地增长;设置最低权重阈值T,通过丢弃那些权重低于预设阈值高斯分量实现剪枝;设置最大合并距离U,通过组合距离较近的高斯分量实现合并;上述方法表示请参见表2所示。
表2剪枝合并算法
通过高斯混合项的权值获取监视区域内的扩展目标数,即:
其中,提取扩展目标状态算法如表3所示。
表3提取扩展目标状态算法
S107、获取扩展目标第1时刻至第k时刻扩展目标的估计结果,作为跟踪结果
具体而言,令k加1,返回步骤S102,直到获得第1时刻扩展目标数目估计值至第K时刻目标数目估计值第1时刻目标状态估计值至第K时刻目标状态估计值以及第1时刻目标状态估计值的协方差至第K时刻目标状态估计值的协方差并记为一种通感一体背景下基于多距离划分的多扩展目标跟踪结果。
在本发明的一种可选地实施例中,通过以下仿真实验进行进一步说明。
仿真条件:仿真条件是在一台2.9GHz英特尔(R)酷睿(TM)i7-4790CPU和安装了MATLAB9.8.0(2020a)的计算机上进行的。
仿真内容和结果分析:扩展目标个数N=10,10个目标分别位于10个车道以4m/s的速度在10个车道内并排行驶,车头方向与车道方向一致;雷达在通行场景内的监测区域为:40m×400m。在雷达监测区域内我们认为目标的存活概率与目标的检测概率很大分别为:pS,k=0.99,pD,k=0.9。设置监测区域内雷达的带宽为150M,车辆大小为2m×4m,那么一个扩展目标(车辆)在每一个采样时刻的平均扩展数目为4个。将采样间隔设置为T=1s,并利用100个采样间隔来支持我们的仿真。为了符合实际场景,车道宽度设置为4m,场景设计请参见图2所示。
其协方差均为Pb=diag([1 1 2 2]),其权值均为衍生目标参数:设置βD=4,βFAVs=6;剪枝合并时修剪参数T=1e-5,合并参数U=4,最大高斯分量数Jmax=100。在10个新生目标的位置上存在10个目标做平行直线运动,x方向上的速度为0,y方向上的速度为4m/s。请参见图5,图5是本发明实施例提供的仿真实验的一种示意图,图5为在十字路口通行场景下,每个时刻采用本发明提供的方法得到的目标个数与真实目标对比图,从图中可以看出:在第36,65个时刻存在了目标数目的漏估,其余时刻真实目标数目与估计目标数目一致。请参见图6,图6是本发明实施例提供的扩展目标的真实轨迹与估计轨迹的一种对比图,从图中可以看出在杂波存在的情况下,可以得到较好的跟踪结果。请参见图7,图7是本发明实施例提供的对扩展目标量测进行点迹凝聚进而将其视为点目标的滤波方法的OSPA距离的一种对比图,算法一为本发明所提供的方法,算法二为对比方法,OSPA距离是衡量两个集合之间距离的一种方式,在本发明的背景下,两个集合分别是每个时刻真实目标集合与估计目标集合;由OSPA距离对比图可以看出本文方法优越性。
综上所述,仿真实验验证了本发明的正确性,有效性和可靠性。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种通感一体背景下基于多距离划分的多扩展目标的跟踪方法,其特征在于,包括:
构建通感一体化背景下多扩展目标跟踪场景,该场景包括雷达基站和多个扩展目标;
根据所述雷达基站接收到的所述扩展目标的量侧,获得第k时刻扩展目标状态向量、以及扩展目标的量测模型;
根据所述第k时刻扩展目标状态向量,获取扩展目标运动模型;
获取第k时刻的量测集合,并将所述量侧集合进行分区;其中,所述量测集合为雷达基站接收到扩展目标的量测值;
根据已分区好的所述量侧集合,获取扩展目标集合概率密度一阶矩;更新预测到但未检测到的扩展目标集合概率密度一阶距;更新已检测到的扩展目标集合概率密度一阶矩;得到高斯分量;
对权值小于第一阈值的高斯分量进行剪枝,得到第k时刻扩展目标状态的估计结果;对相距小于第二阈值的高斯分量进行合并,提取扩展目标状态,得到第k时刻扩展目标状态的估计结果;所述估计结果包括扩展目标的数目估计值、状态估计值和状态估计值协方差;
获取扩展目标第1时刻至第K时刻的估计结果,作为跟踪结果。
3.根据权利要求1所述的通感一体背景下基于多距离划分的多扩展目标的跟踪方法,其特征在于,所述扩展目标运动模型为:
xi,k=Fk-1xi,k-1+Gk-1wi,k-1;
其中,xi,k为第k时刻扩展目标状态向量,wi,k-1为高斯白噪声,xi,k-1为第k-1时刻扩展目标状态向量,Fk-1为第一状态转移矩阵,Gk-1为第二状态转移矩阵。
7.根据权利要求1所述的通感一体背景下基于多距离划分的多扩展目标的跟踪方法,其特征在于,所述已检测到的扩展目标集合概率密度一阶矩为:
Rk=blkdiag(Rk,Rk,Rk);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709881.5A CN116047494A (zh) | 2022-12-29 | 2022-12-29 | 通感一体背景下基于多距离划分的多扩展目标的跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709881.5A CN116047494A (zh) | 2022-12-29 | 2022-12-29 | 通感一体背景下基于多距离划分的多扩展目标的跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116047494A true CN116047494A (zh) | 2023-05-02 |
Family
ID=86115780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211709881.5A Pending CN116047494A (zh) | 2022-12-29 | 2022-12-29 | 通感一体背景下基于多距离划分的多扩展目标的跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047494A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075097A (zh) * | 2023-10-12 | 2023-11-17 | 武汉理工大学三亚科教创新园 | 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统 |
CN117784115A (zh) * | 2023-12-26 | 2024-03-29 | 兰州理工大学 | 高斯过程回归模型多扩展目标pmbm跟踪方法 |
-
2022
- 2022-12-29 CN CN202211709881.5A patent/CN116047494A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075097A (zh) * | 2023-10-12 | 2023-11-17 | 武汉理工大学三亚科教创新园 | 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统 |
CN117075097B (zh) * | 2023-10-12 | 2023-12-22 | 武汉理工大学三亚科教创新园 | 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统 |
CN117784115A (zh) * | 2023-12-26 | 2024-03-29 | 兰州理工大学 | 高斯过程回归模型多扩展目标pmbm跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116047494A (zh) | 通感一体背景下基于多距离划分的多扩展目标的跟踪方法 | |
CN107402381B (zh) | 一种迭代自适应的多机动目标跟踪方法 | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
CN105354860B (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN103729859A (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
CN111352087B (zh) | 基于dbscan的被动mimo雷达多目标定位方法 | |
CN106932771A (zh) | 一种雷达仿真目标航迹跟踪方法及系统 | |
CN101975575A (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
CN108802722A (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
CN110824467A (zh) | 一种多目标跟踪数据关联方法及系统 | |
CN104459661B (zh) | 检测快速火炮类微弱目标的方法 | |
CN111257865B (zh) | 一种基于线性伪量测模型的机动目标多帧检测跟踪方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN109460539A (zh) | 一种基于简化容积粒子滤波的目标定位方法 | |
CN107797106A (zh) | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN115119142A (zh) | 一种基于传感器网络的分布式直接定位方法 | |
CN106054167A (zh) | 基于强度滤波器的多扩展目标跟踪方法 | |
CN106707272A (zh) | 一种基于随机集理论的多目标跟踪方法 | |
CN104777465A (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
CN116437290A (zh) | 一种基于csi指纹定位的模型融合方法 | |
CN114814776B (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
Yang et al. | Multiple extended target tracking algorithm based on Gaussian surface matrix | |
CN113835064B (zh) | 一种协同校正源观测信息的加权多维标度tdoa定位方法 | |
CN104850856A (zh) | 近邻传播观测聚类的多扩展目标跟踪方法 |
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 |