CN116500575B - 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 - Google Patents
一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 Download PDFInfo
- Publication number
- CN116500575B CN116500575B CN202310527066.5A CN202310527066A CN116500575B CN 116500575 B CN116500575 B CN 116500575B CN 202310527066 A CN202310527066 A CN 202310527066A CN 116500575 B CN116500575 B CN 116500575B
- Authority
- CN
- China
- Prior art keywords
- target
- state
- expansion
- shape
- distribution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 50
- 230000033001 locomotion Effects 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004235 valence bond calculation Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013398 bayesian method Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明公开了一种基于变分贝叶斯理论的扩展目标跟踪方法和装置，包括：步骤S10、获取雷达量测的目标信息；步骤S20、对所述目标信息进行椭圆扩展目标状态初始化；步骤S30、根据椭圆扩展目标状态初始化结果，得到量测模型；步骤S40、根据量测模型，基于鲁棒性Student’st逆Wishart滤波器对目标的运动状态和形状扩展进行预测；步骤S50、根据预测结果，基于鲁棒性Student’st逆Wishart滤波器对目标状态进行更新。采用本发明技术方案，在厚尾噪声条件下实现目标的运动状态和形状扩展的联合跟踪，算法跟踪精度较高，能够较为准确的对目标的扩展状态进行跟踪。
Description
技术领域
本发明属于雷达信号处理技术领域，具体涉及一种复杂环境下基于变分贝叶斯理论的扩展目标跟踪方法和装置。
背景技术
随着电子技术和信息处理技术的快速发展，目标跟踪与识别技术也得到了显著发展，而随着传感器精度的不断提高，雷达目标不再仅仅局限于传统点目标，扩展目标跟踪成为雷达信号处理领域的研究热点。雷达目标跟踪一般由距离跟踪、方位角跟踪以及轮廓提取等几部分组成，通过上一时刻获得的目标量测源信息，依据相应的目标跟踪模型，预测出下一时刻目标的最优状态信息。针对雷达稀疏量测集，Koch提出将目标量测源假设为椭圆，采用服从逆Wishart分布的随机矩阵模型对椭圆大小和方向建模。Lan等进一步研究椭圆扩展目标的建模方法，并考虑了目标形状的畸变、目标方向的变化以及观测失真等情况，对随机矩阵模型进行了改进，提出了一种估计运动状态和扩展的近似贝叶斯方法，能够对目标进行有效估计，并将改进的随机矩阵方法扩展到了群目标以及不规则扩展目标中，但这两种方法均在高斯噪声的假设的前提下完成的。然而，在实际工况环境中，由于目标机动或受到传感器、转换器以及无线电传输采集过程中可能出现的异常值的干扰，过程噪声和量测噪声不再遵循高斯分布而呈现出明显的“厚尾特性”，这导致目标的运动状态和形状扩展的跟踪精度下降。针对这一问题，Baum提出了学生t滤波器，该滤波器用Student’s t分布对厚尾过程噪声和量测噪声进行建模，并将目标的后验概率密度分布假设为Student’s t分布，基于该分布的性质实现目标运动状态的递推估计。与高斯分布相比，Student’s t分布具有更大的拖尾特性，对异常离群值的包容度较好，但Student’s t分布比高斯分布多了一个自由度参数，而且随着滤波迭代的过程，该自由度参数会逐渐增大，最终导致Student’s t分布失去“厚尾特性”而退化为高斯分布，且Student’s t滤波器的前提假设是过程噪声和量测噪声的自由度参数是一致的，但现实工况下很难实现，且该滤波器仅仅能对目标的运动状态进行估计，而不能得到目标的形状扩展信息，那么，探索一种能够同时估计目标的运动状态和形状扩展的方法显得尤为重要。
发明内容
本发明旨在解决现有技术的不足，提出一种复杂环境下基于变分贝叶斯理论的扩展目标跟踪方法和装置，解决传统的椭圆扩展目标滤波器仅适用于过程和量测噪声是高斯白噪声的假设前提，无法适用于厚尾噪声条件下椭圆扩展目标跟踪场景的问题。
为实现上述目的，本发明提供了如下方案：
一种基于变分贝叶斯理论的扩展目标跟踪方法，包括以下步骤：
步骤S10、获取雷达量测的目标信息；
步骤S20、对所述目标信息进行椭圆扩展目标状态初始化；
步骤S30、根据椭圆扩展目标状态初始化结果，得到量测模型；
步骤S40、根据量测模型，基于鲁棒性Student’s t逆Wishart滤波器对目标的运动状态和形状扩展进行预测；
步骤S50、根据预测结果，基于鲁棒性Student’s t逆Wishart滤波器对目标状态进行更新。
作为优选，还包括：步骤S60、基于更新结果根据滤波后雷达获得的目标量测信息，提取目标的最优位置参数和轮廓估计参数。
作为优选，步骤S40中，采用Student’s t滤波器对目标运动状态和形状进行一步预测，得到目标状态参数的期望和尺度矩阵；其中，在对目标的形状进行一步预测时，采用VB理论对目标的未知先验尺度矩阵进行自适应估计，并用逆Wishart分布来表示高斯分布的共轭先验分布；对未知先验尺度矩阵进行建模，并且基于VB理论得到目标的扩展状态参数。
作为优选，步骤S50中，采用KL散度求解目标运动状态和扩展状态的后验概率分布，并用VB方法迭代更新出运动状态参数和形状扩展参数。
作为优选，步骤S10中，基于雷达目标跟踪模型库，根据雷达获取目标的回波信息，提取目标的位置、速度、加速度、形状轮廓及大小、航向深层次的特征信息。
本发明还提供一种基于变分贝叶斯理论的扩展目标跟踪装置，包括：
获取模块，用于获取雷达量测的目标信息；
初始化模块，用于对所述目标信息进行椭圆扩展目标状态初始化；
处理模块，用于根据椭圆扩展目标状态初始化结果，得到量测模型；
预测模块，用于根据量测模型，基于鲁棒性Student’s t逆Wishart滤波器对目标的运动状态和形状扩展进行预测；
更新模块，用于根据预测结果，基于鲁棒性Student’s t逆Wishart滤波器对目标状态进行更新。
作为优选，还包括：提取模块，用于基于更新结果根据滤波后雷达获得的目标量测信息，提取目标的最优位置参数和轮廓估计参数。
作为优选，所述预测模块采用Student’s t滤波器对目标运动状态和形状进行一步预测，得到目标状态参数的期望和尺度矩阵；其中，在对目标的形状进行一步预测时，采用VB理论对目标的未知先验尺度矩阵进行自适应估计，并用逆Wishart分布来表示高斯分布的共轭先验分布；对未知先验尺度矩阵进行建模，并且基于VB理论得到目标的扩展状态参数。
作为优选，所述更新模块基于变分贝叶斯方法对目标的后验概率密度进行迭代更新，得出目标运动状态和形状扩展的后验参数。
作为优选，所述获取模块基于雷达目标跟踪模型库，根据雷达获取目标的回波信息，提取目标的位置、速度、加速度、形状轮廓及大小、航向深层次的特征信息。
与现有技术相比，本发明的有益效果为：
本发明基于变分贝叶斯滤波算法的扩展目标跟踪方法在高斯逆威沙特滤波算法的基础上，对厚尾噪声条件下的复杂扩展目标的运动状态和形状扩展进行联合估计，具有跟踪精度高、运算速度快、能精确捕捉目标扩展形状、鲁棒性能强等优点。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例厚尾分布条件下基于变分贝叶斯理论的扩展目标跟踪方法简要示意图；
图2是本发明实施例基于变分贝叶斯滤波算法的扩展目标跟踪方法的算法流程图；
图3是本发明实施例基于变分贝叶斯理论的椭圆扩展目标跟踪方法在目标形状大小和方向不变时的轨迹跟踪及局部放大示意图；
图4是本发明实施例基于变分贝叶斯理论的椭圆扩展目标跟踪方法在目标形状大小和方向不变时的质心状态估计误差示意图；
图5是本发明实施例基于变分贝叶斯理论的椭圆扩展目标跟踪方法在目标形状大小和方向不变时的扩展状态估计误差示意图；
图6是本发明实施例基于变分贝叶斯理论的椭圆扩展目标跟踪方法在目标形状大小和方向发生变化时的轨迹跟踪及局部放大示意图；
图7是本发明实施例基于变分贝叶斯理论的椭圆扩展目标跟踪方法在目标形状大小和方向发生变化时的质心状态估计误差示意图；
图8是本发明实施例基于变分贝叶斯理论的椭圆扩展目标跟踪方法在目标形状大小和方向发生变化时的扩展状态估计误差示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1、2所示，本发明实施例提供一种复杂环境下基于变分贝叶斯(VB)理论的扩展目标跟踪方法，利用变分贝叶斯的方法来递推更新目标的后验概率密度，从而迭代出目标的运动参数和形状参数。包括以下几个步骤：
步骤S10：获取雷达量测的目标信息
构建雷达目标跟踪模型库，至少包含一种目标跟踪模型，如常速模型(CV)、常加速模型(CA)、近常速模型(NCV)，根据雷达获取目标的回波信息，提取目标的位置、速度、加速度、形状轮廓及大小、航向等深层次的特征信息。
步骤S20：对所述目标信息进行椭圆扩展目标状态初始化
(1)、目标运动状态初始化
设定初始时刻目标运动状态包含目标的位置参数和速度信息，采样周期T＝1s，采样次数N＝60，状态转移矩阵/>观测矩阵Hk＝[1,0]，初始概率密度服从Student’s t分布。
(2)、目标扩展状态初始化
定义目标扩展状态Xk，是包含目标形状大小和方向信息的随机矩阵，表示为其中，/>为旋转矩阵，Xk的特征值为/>和/>两者的平方根分别对应椭圆的半长轴和半短轴，/>为旋转角，/>
步骤S30：根据椭圆扩展目标状态初始化结果，得到量测模型
建立量测生成模型：定义前k个时刻传感器接收到的全部量测值为k时刻的量测为/>其中，nk表示k时刻量测个数，/>表示k时刻第j个量测值，目标产生的量测个数nk服从均值为np＝20的泊松分布，且量测模型为/>其中，Id是d维单位矩阵，d表示目标量测维度，ek是服从Student’s t分布的厚尾量测噪声，目标跟踪系统所受到的过程噪声和量测噪声均是非高斯的厚尾噪声，将厚尾噪声建模为学生t(Student’s t)分布，采用学生t滤波器来处理目标运动状态过程；在该噪声中，既包含目标的空间扩展所带来的量测不确定性，也包含了传感器带来的量测不确定性。
步骤S40：根据量测模型，基于鲁棒性Student’s t逆Wishart滤波器对目标的运动状态和形状扩展进行预测
采用Student’s t滤波器对目标运动状态和形状进行一步预测，得到目标状态参数的期望和尺度矩阵，在对目标的形状进行一步预测时，引入VB方法对目标的未知先验尺度矩阵进行自适应估计，并用逆Wishart分布来表示高斯分布的共轭先验分布，对未知先验尺度矩阵进行建模，然后基于VB方法得到目标的扩展状态参数。
步骤S50：根据预测结果，基于鲁棒性Student’s t逆Wishart滤波器对目标状态进行更新
通过引入3个辅助变量，将原有的Student’s t分布模型转化为新的基于Student’s t的高斯状态空间模型，将具有重尾过程和量测噪声的线性状态空间模型的状态估计问题转化为基于Student’s t的分层高斯状态空间模型的估计问题。通过变分贝叶斯方法求解引入辅助变量后的后验概率密度的近似解析解，引入KL散度，依次求解3个辅助变量的统计期望和方差，并将这3个辅助变量建模为伽马分布，并以同样的方法得到运动状态xk和形状扩展Xk的迭代参数，并将xk建模为高斯分布，将Xk建模为逆Wishart分布，进而得到目标运动状态和扩展状态的联合后验概率密度。
步骤S60、基于更新结果根据滤波后雷达获得的目标量测信息，提取目标的最优位置参数和轮廓估计参数。
作为本发明实施例的一种实施方式，所述S40步骤中，具体包含以下子步骤：
步骤S401：假设离散时间线性扩展目标运动状态一般表示为:
xk＝Φk|k-1xk-1+wk-1 (1)
其中，k是离散时间指数，是状态向量，/>是服从Student’s t分布且具有零均值和尺度矩阵Qk、自由度参数为ν1的厚尾过程噪声，即
p(wk)＝St(wk；0,Qk,ν1) (2)
假设动力学噪声标称协方差可以表示为采用克罗内克积/>可将时间演化矩阵Φk|k-1表示为
假设目标扩展状态Xk的动态模型如下：
(1)Xk的概率转移密度服从Wishart分布，即
其中，δk|k-1为标量自由度参数。
(2)上一时刻目标扩展状态的后验概率密度服从逆Wishart分布，即
υk-1|k-1表示标量自由度参数，Vk-1|k-1表示参数矩阵，表示前k-1个时刻得到的全部量测值。
步骤S402：扩展目标的联合概率密度的分解
其中，为一步预测的PDF，p(Zk,nk|xk,Xk)为似然PDF，为了运用贝叶斯公式，该似然函数可分解为
p(Zk,nk|xk,Xk)＝p(Zk|nk,xk,Xk)p(nk|xk,Xk) (7)
假设k时刻量测个数nk与状态变量xk、Xk是相互独立的，为了简化计算，假设p(nk|xk,Xk)为常数，而p(Zk|nk,xk,Xk)可进一步分解为：
其中，η表示量测Student’s t分布的自由度参数，ε表示形状收缩因子，表征量测的散布程度受目标轮廓特征的影响，Rk表示量测噪声ek的协方差。
由于目标的运动状态变量xk和形状扩展变量Xk独立，可将目标的一步预测分为运动状态和形状扩展两部分，即
步骤S403：运动状态预测方程的递推
然而，如果选择Pk|k-1作为一步预测概率密度的尺度矩阵，因Qk|k-1不准确，过程噪声的极大不确定性会引入到尺度矩阵Σk中，并且精确的Σk是先验未知的，因而会导致滤波性能的下降，为了解决这个问题，未知先验尺度矩阵Σk需要采用变分贝叶斯(VB)方法进行自适应估计。将Σk建模为逆Wishart分布，即
其中，uk为自由度参数、Uk为逆尺度矩阵，为了获取Σk的先验信息，p(Σk)的期望值和标称协方差矩阵Pk|k-1的关系为
uk＝d+ι+1 (15)
其中，ι≥0为调谐参数，根据式(14)和(15)可得
Uk＝ιPk|k-1 (16)
线性状态空间模型的转化
其中，Σk、ξk、λk为引入的3个辅助随机变量。
步骤S404：扩展状态预测方程的递推
Δtk＝tk-tk-1为采样时间间隔，τ为时间衰减常数。
作为本发明实施例的一种实施方式，所述在步骤S50中，具体包括以下子步骤：
步骤S501：目标的后验可分解为如下形式：
步骤S502：运动状态更新递推
其中，q(·)表示近似后验概率密度。
其中，形状参数和速率参数/>表示为
其中，形状参数和速率参数/>表示为
其中，自由度参数逆尺度矩阵/>表示为
其中，
在N次定点迭代后，四个变量的近似后验PDF分别为
步骤S503：形状扩展更新递推
同样运用VB的方法对目标的扩展状态的近似后验q(Xk)进行求解.由于Xk是服从逆Wishart分布的，同理可将q(i+1)(Xk)更新为自由度参数为逆尺度矩阵为/>的逆Wishart分布，即
同理，在N次迭代后
其中
υk|k＝υk|k-1+nk (53)
作为本发明实施例的一种实施方式，步骤S50中，目标运动状态和形状扩展的联合后验概率密度为
步骤S60：通过鲁棒性Student’s t逆Wishart滤波器得到的目标后验状态更新值，提取出目标的最优位置、速度、加速度等运动状态信息，以及轮廓形状、大小、航向等深层次的扩展信息。
本发明实施例中，基于变分贝叶斯的滤波方法是一种异常噪声条件下的椭圆扩展目标跟踪方法，该方法将目标的运动状态建模为Student’s t分布，将目标的扩展状态建模为逆Wishart分布，从而实现对目标的联合有效跟踪。
本实施例提供的基于VB的椭圆扩展目标滤波算法是在鲁棒性Student’s t卡尔曼滤波算法的基础上，将其推广到异常噪声条件下对目标运动状态和形状扩展的联合跟踪与估计。
通过仿真实验进一步说明
下面结合仿真实验进一步对本发明的内容做介绍。
实验1：目标形状大小和方向不发生变化时
构造厚尾噪声条件下椭圆扩展目标跟踪场景，目标初始运动状态为x0＝[0,0,120,90]T，其概率密度服从自由度参数ν0＝3、尺度矩阵P0|0＝diag[(1,1)]的Student’s t分布，椭圆扩展目标的半长轴σk,1＝25，σk,2＝20，采样时间间隔T＝1s，总的采样次数N＝60，量测个数nk服从均值np＝20的泊松分布。在二维空间中运用本发明的滤波算法对目标进行跟踪。其中目标运动状态服从恒定速度的线性Student’s t模型，即
xk＝Φk|k-1xk-1+wk-1 (58)
p(wk)＝St(wk；0,Qk,ν1) (59)
目标量测方程为
其中Hk为观测矩阵，ek是期望为零、尺度矩阵为Rk的厚尾噪声。由于目标形状的改变也会给量测噪声带来不确定性，引入收缩因子ε将Xk的不确定性嵌入到量测噪声尺度矩阵中，即
p(ek)＝St(ek；0,εXk+Rk,η) (62)
而厚尾过程噪声和量测噪声的建模如下：
式(63)表示过程噪声wk以90％的概率来自协方差为Qk的高斯分布，以10％的概率来自协方差严重增加的高斯分布，式(64)量测噪声ek以95％的概率来自协方差为Rk的高斯分布，以5％的概率来自协方差严重增加的高斯分布，用这个严重增加的协方差来表示厚尾噪声的拖尾。
R＝Δs×diag([2,2]) (66)
其中，Qk|k-1为初始先验尺度矩阵，μp＝0.1为过程噪声系数，Δs＝0.01为目标形状缩放因子。扩展状态先验自由度参数υk-1|k-1＝7，先验协方差矩阵
图3是本发明实施例提供的线性场景下基于VB的椭圆扩展目标滤波器在目标形状大小和方向不变时的跟踪效果及局部放大图，图4是目标质心状态估计误差图，图5是目标扩展状态估计误差图，从图中可以看出，基于VB的椭圆扩展目标滤波器能够有效估计目标的运动状态和形状信息，也验证了本发明算法是有效的。
实验2：目标形状大小和方向发生变化时
为了进一步验证本文所提算法的鲁棒性，在上述的仿真实验环境下，将目标的形状大小和方向发生变化椭圆长短轴按照coe＝1.02/s的倍数进行逐步放大，同时目标的方向角θ＝arctan(y/x)，依据目标形状大小的变化而变化，得到如下仿真图。
图6为目标形状大小和方向发生变化时得到的轨迹跟踪及局部放大图，图7为目标运动状态估计误差图，图8为目标形状扩展估计误差图，从图中可以看出，本文所提算法仍然能够较为精确的对目标进行估计，从而验证了所提算法的鲁棒性。
实施例2：
本发明实施例还提供一种基于变分贝叶斯理论的扩展目标跟踪装置，包括：
获取模块，用于获取雷达量测的目标信息；
初始化模块，用于对所述目标信息进行椭圆扩展目标状态初始化；
处理模块，用于根据椭圆扩展目标状态初始化结果，得到量测模型；
预测模块，用于根据量测模型，基于鲁棒性Student’s t逆Wishart滤波器对目标的运动状态和形状扩展进行预测；
更新模块，用于根据预测结果，基于鲁棒性Student’s t逆Wishart滤波器对目标状态进行更新。
作为本发明实施例的一种实施方式，还包括：提取模块，用于基于更新结果根据滤波后雷达获得的目标量测信息，提取目标的最优位置参数和轮廓估计参数。
作为本发明实施例的一种实施方式，所述预测模块采用Student’st滤波器对目标运动状态和形状进行一步预测，得到目标状态参数的期望和尺度矩阵；其中，在对目标的形状进行一步预测时，采用VB理论对目标的未知先验尺度矩阵进行自适应估计，并用逆Wishart分布来表示高斯分布的共轭先验分布；对未知先验尺度矩阵进行建模，并且基于VB理论得到目标的扩展状态参数。
作为本发明实施例的一种实施方式，所述更新模块基于变分贝叶斯方法对目标的后验概率密度进行迭代更新，得出目标运动状态和形状扩展的后验参数。
作为本发明实施例的一种实施方式，所述获取模块基于雷达目标跟踪模型库，根据雷达获取目标的回波信息，提取目标的位置、速度、加速度、形状轮廓及大小、航向深层次的特征信息。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于变分贝叶斯理论的扩展目标跟踪方法，其特征在于，包括以下步骤：
步骤S10、获取雷达量测的目标信息；
步骤S20、对所述目标信息进行椭圆扩展目标状态初始化；
步骤S30、根据椭圆扩展目标状态初始化结果，得到量测模型；
步骤S40、根据量测模型，基于鲁棒性Student’s t逆Wishart滤波器对目标的运动状态和形状扩展进行预测；
步骤S50、根据预测结果，基于鲁棒性Student’s t逆Wishart滤波器对目标状态进行更新；
其中，步骤S40中，采用Student’s t滤波器对目标运动状态和形状进行一步预测，得到目标状态参数的期望和尺度矩阵；其中，在对目标的形状进行一步预测时，采用VB理论对目标的未知先验尺度矩阵进行自适应估计，并用逆Wishart分布来表示高斯分布的共轭先验分布；对未知先验尺度矩阵进行建模，并且基于VB理论得到目标的扩展状态参数；
所述S40步骤中，具体包含以下子步骤：
步骤S401：假设离散时间线性扩展目标运动状态表示为:
xk＝Φk|k-1xk-1+wk-1 (1)
其中，k是离散时间指数，是状态向量，/>是服从Student’s t分布且具有零均值和尺度矩阵Qk、自由度参数为ν1的厚尾过程噪声，即，
p(wk)＝St(wk；0,Qk,ν1) (2)
假设动力学噪声标称协方差表示为采用克罗内克积/>可将时间演化矩阵Φk|k-1表示为：
假设目标扩展状态Xk的动态模型如下：
(1)Xk的概率转移密度服从Wishart分布，即，
其中，δk|k-1为标量自由度参数；
(2)上一时刻目标扩展状态的后验概率密度服从逆Wishart分布，即
其中，υk-1|k-1表示标量自由度参数，Vk-1|k-1表示参数矩阵，表示前k-1个时刻得到的全部量测值；
步骤S402：扩展目标的联合概率密度的分解
其中，为一步预测的PDF，p(Zk,nk|xk,Xk)为似然PDF，该似然函数可分解为：
p(Zk,nk|xk,Xk)＝p(Zk|nk,xk,Xk)p(nk|xk,Xk) (7)
假设k时刻量测个数nk与状态变量xk、Xk是相互独立的，假设p(nk|xk,Xk)为常数，而p(Zk|nk,xk,Xk)分解为：
其中，η表示量测Student’s t分布的自由度参数，ε表示形状收缩因子，表征量测的散布程度受目标轮廓特征的影响，Rk表示量测噪声ek的协方差；
将目标的一步预测分为运动状态和形状扩展两部分，即，
步骤S403：运动状态预测方程的递推
未知先验尺度矩阵∑k采用变分贝叶斯VB方法进行自适应估计，将∑k建模为逆Wishart分布，即，
其中，uk为自由度参数、Uk为逆尺度矩阵，p(∑k)的期望值和标称协方差矩阵Pk|k-1的关系为：
uk＝d+ι+1 (15)
其中，ι≥0为调谐参数，根据式(14)和(15)可得
Uk＝ιPk|k-1 (16)
线性状态空间模型的转化：
其中，ξk、λk为引入的2个辅助随机变量；
步骤S404：扩展状态预测方程的递推
其中，Δtk＝tk-tk-1为采样时间间隔，τ为时间衰减常数。
2.如权利要求1所述的基于变分贝叶斯理论的扩展目标跟踪方法，其特征在于，还包括：步骤S60、基于更新结果根据滤波后雷达获得的目标量测信息，提取目标的最优位置参数和轮廓估计参数。
3.如权利要求2所述的基于变分贝叶斯理论的扩展目标跟踪方法，其特征在于，步骤S50中，采用KL散度求解目标运动状态和扩展状态的后验概率分布，并用VB方法迭代更新出运动状态参数和形状扩展参数。
4.如权利要求3所述的基于变分贝叶斯理论的扩展目标跟踪方法，其特征在于，步骤S10中，基于雷达目标跟踪模型库，根据雷达获取目标的回波信息，提取目标的位置、速度、加速度、形状轮廓及大小、航向深层次的特征信息。
5.一种实现权利要求1至4任意一项的基于变分贝叶斯理论的扩展目标跟踪方法的基于变分贝叶斯理论的扩展目标跟踪装置，其特征在于，包括：
获取模块，用于获取雷达量测的目标信息；
初始化模块，用于对所述目标信息进行椭圆扩展目标状态初始化；
处理模块，用于根据椭圆扩展目标状态初始化结果，得到量测模型；
预测模块，用于根据量测模型，基于鲁棒性Student’s t逆Wishart滤波器对目标的运动状态和形状扩展进行预测；
更新模块，用于根据预测结果，基于鲁棒性Student’s t逆Wishart滤波器对目标状态进行更新；
其中，所述预测模块采用Student’s t滤波器对目标运动状态和形状进行一步预测，得到目标状态参数的期望和尺度矩阵；其中，在对目标的形状进行一步预测时，采用VB理论对目标的未知先验尺度矩阵进行自适应估计，并用逆Wishart分布来表示高斯分布的共轭先验分布；对未知先验尺度矩阵进行建模，并且基于VB理论得到目标的扩展状态参数。
6.如权利要求5所述的基于变分贝叶斯理论的扩展目标跟踪装置，其特征在于，还包括：提取模块，用于基于更新结果根据滤波后雷达获得的目标量测信息，提取目标的最优位置参数和轮廓估计参数。
7.如权利要求6所述的基于变分贝叶斯理论的扩展目标跟踪装置，其特征在于，所述更新模块基于变分贝叶斯方法对目标的后验概率密度进行迭代更新，得出目标运动状态和形状扩展的后验参数。
8.如权利要求7所述的基于变分贝叶斯理论的扩展目标跟踪装置，其特征在于，所述获取模块基于雷达目标跟踪模型库，根据雷达获取目标的回波信息，提取目标的位置、速度、加速度、形状轮廓及大小、航向深层次的特征信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310527066.5A CN116500575B (zh) | 2023-05-11 | 2023-05-11 | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310527066.5A CN116500575B (zh) | 2023-05-11 | 2023-05-11 | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116500575A CN116500575A (zh) | 2023-07-28 |
| CN116500575B true CN116500575B (zh) | 2023-12-22 |
Family
ID=87321421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310527066.5A Active CN116500575B (zh) | 2023-05-11 | 2023-05-11 | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116500575B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117706933B (zh) * | 2023-12-18 | 2024-07-05 | 兰州理工大学 | 一种压电定位系统的多目标互补鲁棒控制方法 |
| CN117849751B (zh) * | 2024-01-10 | 2024-07-16 | 兰州理工大学 | 一种针对星凸形不规则形状扩展目标的跟踪方法及系统 |
| CN117872349B (zh) * | 2024-01-26 | 2024-06-21 | 兰州理工大学 | 一种机动扩展目标跟踪方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794735A (zh) * | 2015-04-02 | 2015-07-22 | 西安电子科技大学 | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 |
| CN107677997A (zh) * | 2017-09-28 | 2018-02-09 | 杭州电子科技大学 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
| CN108763167A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种变分贝叶斯的自适应滤波方法 |
| WO2019047455A1 (zh) * | 2017-09-08 | 2019-03-14 | 深圳大学 | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 |
| CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
| CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 |
| CN111274529A (zh) * | 2020-02-19 | 2020-06-12 | 江苏理工学院 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
| CN111325776A (zh) * | 2020-02-19 | 2020-06-23 | 江苏理工学院 | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 |
| CN114723998A (zh) * | 2022-05-05 | 2022-07-08 | 兰州理工大学 | 基于大边界贝叶斯原型学习的小样本图像分类方法及装置 |
| CN115358325A (zh) * | 2022-09-29 | 2022-11-18 | 河南大学 | 未知概率Skew及重尾噪声下的目标跟踪方法 |
| CN115457510A (zh) * | 2022-09-28 | 2022-12-09 | 上海机动车检测认证技术研究中心有限公司 | 一种基于变分贝叶斯的自适应协同目标跟踪方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI340251B (en) * | 2007-10-09 | 2011-04-11 | Univ Nat Taiwan | Method and system for radar tracking of moving target from moving station |
| US10922820B2 (en) * | 2017-07-31 | 2021-02-16 | National Technology & Engineering Solutions Of Sandia, Llc | Data-driven delta-generalized labeled multi-bernoulli tracker |
| US11619494B2 (en) * | 2020-02-13 | 2023-04-04 | Mitsubishi Electric Research Laboratories, Inc. | System and method for tracking expanded state of an object |
-
2023
- 2023-05-11 CN CN202310527066.5A patent/CN116500575B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794735A (zh) * | 2015-04-02 | 2015-07-22 | 西安电子科技大学 | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 |
| WO2019047455A1 (zh) * | 2017-09-08 | 2019-03-14 | 深圳大学 | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 |
| CN107677997A (zh) * | 2017-09-28 | 2018-02-09 | 杭州电子科技大学 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
| CN108763167A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种变分贝叶斯的自适应滤波方法 |
| CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
| CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 |
| CN111274529A (zh) * | 2020-02-19 | 2020-06-12 | 江苏理工学院 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
| CN111325776A (zh) * | 2020-02-19 | 2020-06-23 | 江苏理工学院 | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 |
| CN114723998A (zh) * | 2022-05-05 | 2022-07-08 | 兰州理工大学 | 基于大边界贝叶斯原型学习的小样本图像分类方法及装置 |
| CN115457510A (zh) * | 2022-09-28 | 2022-12-09 | 上海机动车检测认证技术研究中心有限公司 | 一种基于变分贝叶斯的自适应协同目标跟踪方法 |
| CN115358325A (zh) * | 2022-09-29 | 2022-11-18 | 河南大学 | 未知概率Skew及重尾噪声下的目标跟踪方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种新的基于闪烁噪声的扩展目标跟踪方法;王荣;温阳;徐晓龙;;商洛学院学报(第02期);全文 * |
| 基于变分贝叶斯势均衡多目标多伯努利滤波的多扩展目标跟踪算法;李翠芸;王荣;姬红兵;;控制理论与应用(第02期);全文 * |
| 基于变分贝叶斯理论的不确定厚尾噪声滤波方法;董祥祥;吕润妍;蔡云泽;;上海交通大学学报(第09期);全文 * |
| 陈辉等.基于随机矩阵建模的Student's t逆Wishart滤波器.控制理论与应用.2020,第39卷(第6期),摘要，第2-3节. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116500575A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116500575B (zh) | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 | |
| CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
| CN111707997B (zh) | 雷达目标跟踪方法、装置、电子设备及存储介质 | |
| CN110209180B (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
| CN111983927A (zh) | 一种新型的最大协熵椭球集员滤波方法 | |
| CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
| CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
| CN113466890A (zh) | 基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统 | |
| CN109520503A (zh) | 一种平方根容积模糊自适应卡尔曼滤波slam方法 | |
| CN111693984A (zh) | 一种改进的ekf-ukf动目标跟踪方法 | |
| CN117411462A (zh) | 一种基于变分贝叶斯高斯和滤波的目标跟踪方法 | |
| CN111948601A (zh) | 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法 | |
| CN116609776A (zh) | 复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法 | |
| CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
| CN114236480A (zh) | 一种机载平台传感器系统误差配准算法 | |
| CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
| CN112800599B (zh) | 一种阵元失配情况下基于admm的无网格doa估计方法 | |
| CN113008235A (zh) | 基于矩阵k-l散度的多源导航信息融合方法 | |
| CN110595470A (zh) | 一种基于外定界椭球集员估计的纯方位目标跟踪方法 | |
| CN112581616B (zh) | 基于序贯分块滤波的最近邻ukf-slam方法 | |
| CN111914402B (zh) | 一种基于信号特性和拓扑变化先验的动态拓扑估计系统及方法 | |
| CN113971752B (zh) | 一种抗观测数据干扰的多车协同状态估计方法 | |
| CN111504326B (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 | |
| CN114370879B (zh) | 基于水下环境特征的auv鲁棒vbhiakf-slam导航方法 | |
| CN114577212B (zh) | 一种基于方位和频率的单站水下机动目标运动分析方法 |
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 |