CN116881385B - 轨迹平滑方法、装置、电子设备及可读存储介质 - Google Patents
轨迹平滑方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116881385B CN116881385B CN202311153323.XA CN202311153323A CN116881385B CN 116881385 B CN116881385 B CN 116881385B CN 202311153323 A CN202311153323 A CN 202311153323A CN 116881385 B CN116881385 B CN 116881385B
- Authority
- CN
- China
- Prior art keywords
- target
- track data
- filter
- sequence
- ith
- 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 43
- 238000009499 grossing Methods 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 165
- 238000001914 filtration Methods 0.000 claims abstract description 88
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Library & Information Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种轨迹平滑方法、装置、电子设备及可读存储介质,涉及雷达技术领域,通过获取第i个采样周期采样获得的第一轨迹数据;在i大于N的情况下,根据目标滤波器和第i‑N个采样周期的目标轨迹数据,确定第i个采样周期采样获得的第一轨迹数据的一级滤波估计值;在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理得到目标坐标信息;基于目标坐标信息对第一轨迹数据的一级滤波估计值中的经纬度值进行修正得到第i个采样周期的目标轨迹数据。这样可以利用卡尔曼滤波器首先进行全局的修正,以纠正较大的位置偏差,然后在以小波滤波来进行二次修正,以纠正较小的位置偏差,从而实现通过雷达跟踪目标物体,提高轨迹平滑性。
Description
技术领域
本申请涉及雷达技术领域,尤其涉及一种轨迹平滑方法、装置、电子设备及可读存储介质。
背景技术
在雷达网的建设过程中,使用者对雷达网的目标物体的跟踪能力提出了更高的要求。例如,对于目标物体的轨迹平滑性提出了更高的要求。
在雷达跟踪目标的过程中的原理是,雷达设备的发射机通过天线把电磁波能量射向空间的某一方向,在此方向上的物体反射碰到的电磁波,雷达天线接收此反射波,从而可以确定目标物体的轨迹。但雷达在对目标物体的跟踪过程中,可能因障碍物遮挡、杂波干扰,导致确定的目标物体的轨迹不平滑甚至剧烈抖动。
因此,现有技术中通过雷达跟踪目标物体,存在轨迹平滑性较差的问题。
发明内容
本申请实施例提供一种轨迹平滑方法、装置、电子设备及可读存储介质,以解决现有技术中通过雷达跟踪目标物体,存在轨迹平滑性较差的问题。
第一方面,本申请实施例提供了一种轨迹平滑方法,所述方法包括:
获取第i个采样周期采样获得的第一轨迹数据,i为正整数;
在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;
在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;
基于所述目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据。
可选地,所述目标滤波器的滤波参数包括所述第j个卡尔曼滤波器更新后的状态转移矩阵和滤波周期,所述在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值包括:
在i大于N的情况下,根据所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值;
根据所述第i个采样周期的一步预测值和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值。
可选地,在所述在i大于N的情况下,根据所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值之前,还包括:
根据预先构建的卡尔曼滤波器的个数所述和所述采样周期的周期长度,计算所述卡尔曼滤波器的滤波周期;
根据所述滤波周期和所述第i-N个采样周期的目标轨迹数据,计算所述第j个卡尔曼滤波器更新后的状态转移矩阵。
可选地,所述在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值之后,还包括:
在i小于或等于M的情况下,将所述第一轨迹数据的一级滤波估计值确定为所述第i个采样周期的目标轨迹数据。
可选地,所述在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理,得到目标坐标信息包括:
在i大于M的情况下,根据所述M+1个经纬度值,构建第一序列;
根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列,所述目标序列包括所述目标坐标信息。
可选地,根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列包括:
对所述第一序列进行归一化处理,得到第二序列;
根据所述第二序列和所述预设的小波滤波器进行小波滤波处理,得到第三序列;
对所述第三序列进行反归一化处理,得到所述目标序列。
可选地,所述根据所述第二序列和所述预设的小波滤波器进行小波滤波处理,得到第三序列包括:
对所述第二序列进行小波分析,得到第一分解系数;
利用第二分解系数对所述第二序列进行过滤,得到第四序列,所述第四序列为过滤高频变化部分后的所述第二序列,所述第二分解系数为细节系数为零的所述第一分解系数;
根据所述第四序列和所述第二分解系数,进行小波复原,得到第三序列。
第二方面,本申请实施例提供了一种轨迹平滑装置,所述装置包括:
获取模块,用于获取第i个采样周期采样获得的第一轨迹数据,i为正整数;
确定模块,用于在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;
得到模块,用于在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;
修正模块,用于基于所述目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
在本申请实施例中,通过获取第i个采样周期采样获得的第一轨迹数据,i为正整数;在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;基于所述目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据。这样,可以利用卡尔曼滤波器首先进行全局的修正,以纠正较大的位置偏差,然后在以小波滤波来进行二次修正,以纠正较小的位置偏差,从而实现通过雷达跟踪目标物体,提高轨迹平滑性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述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仅是本申请的一些实施例,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是本申请实施例提供的轨迹平滑方法的流程示意图;
图2是本申请实施例提供的轨迹平滑装置的结构示意图;
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的结构在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
如图1所示,本申请实施例提供一种轨迹平滑方法,包括如下步骤:
步骤101,获取第i个采样周期采样获得的第一轨迹数据,i为正整数;
在本发明实施例中,可以是周期性获取第i个采样周期采样获得的第一轨迹数据,也可以是实时获取第i个采样周期采样获得的第一轨迹数据。
进一步地,在周期性获取第i个采样周期采样获得的第一轨迹数据的情况下,可以是依次获取第1个至第i个采样周期采样获得的第一轨迹数据。
应理解,所述第一轨迹数据包括目标船只的纬度、经度、艏向和航速。所述第一轨迹数据是利用雷达这一技术手段获取的。
步骤102,在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;
应理解,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i
对N取模得到的值相同的数学表达式如下, 。
步骤103,在i大于M的情况下,根据M+1个经纬度和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;
在步骤103中,所述M+1个经纬度依次为,其中,,表示第k次采样周期时目标船只的纬
度,表示第k次采样周期时目标船只的经度。
应理解,所述目标坐标信息为所述第i个采样周期的目标船只的纬度和经度。
步骤104,基于所述第i个采样周期的目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据。
在步骤104中,通过选定一维多贝西小波基、分解级数为1,通过多级分析方式,提取细节部分,丢弃非必要细节参数,对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正。
应理解,所述目标轨迹数据为所述第i个采样周期最终输出的轨迹数据。
在本申请实施例中,通过获取第i个采样周期采样获得的第一轨迹数据,i为正整数;在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;在i大于M的情况下,根据M+1个经纬度和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;基于所述目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据。这样,可以利用卡尔曼滤波器首先进行全局的修正,以纠正较大的位置偏差,然后在以小波滤波来进行二次修正,以纠正较小的位置偏差,从而实现通过雷达跟踪目标物体,提高轨迹平滑性。
可选地,所述目标滤波器的滤波参数包括所述第j个卡尔曼滤波器更新后的状态转移矩阵和滤波周期,所述在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值包括:
在i大于N的情况下,根据所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值;
应理解,所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值的计算公式如下:
;
其中,所述为第i个采样周期的一步预测值,为第j个子滤波器的状态转
移矩阵更新,为第i-N次采样周期时的最终滤波值。
根据所述第i个采样周期的一步预测值和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值。
所述第j个子滤波器的状态转移矩阵更新的公式如下:
;
其中,为第j个子滤波器的状态转移矩阵更新,和分别为第i-N次
采样周期时目标经纬度的最终滤波值,为艏向的第-N次采样数据,为航
速的第i-N次采样数据,为滤波周期。
可选地,在所述在i大于N的情况下,根据所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值之前,还包括:
根据预先构建的卡尔曼滤波器的个数和所述采样周期的周期长度,计算所述卡尔曼滤波器的滤波周期;
所述根据预先构建的卡尔曼滤波器的个数和所述采样周期的周期长度,计算所述卡尔曼滤波器的滤波周期的公式如下:
;
其中,为滤波周期,为采样周期的个数,为原始采样周期。
根据所述滤波周期和所述第i-N个采样周期的目标轨迹数据,计算所述第j个卡尔曼滤波器更新后的状态转移矩阵。
所述根据所述滤波周期和所述第i-N个采样周期的目标轨迹数据,计算所述第j个卡尔曼滤波器更新后的状态转移矩阵的计算公式如下:
;
其中,为第j个子滤波器在第i次采样周期时的一步预测值,为第j个子滤
波器的状态转移矩阵更新,第j个子滤波器的更新后的状态转移矩阵的转置矩阵,
为第j个子滤波器在第i-N次采样周期时的状态协方差矩阵,为状态噪声矩阵。
卡尔曼增益的计算公式如下:
;
其中,为卡尔曼增益,为第j个子滤波器在第i次采样周期时的一步预测
值,为测量矩阵,为测量矩阵的转置矩阵,为测量噪声,对每一子滤波器而言,和
取值相同;
第i次采样周期时的一级滤波值的计算公式如下:
;
其中,为第i次采样周期时的一级滤波值,为基于第i-N次采样周期的目
标轨迹数据中的滤波值对第i次采样周期的一步预测值,为卡尔曼增益,,依次分别为纬度、经度、艏向、航
速的第次采样数据,为测量矩阵,为第i-N次采样周期时的最终滤波值。
第i次采样周期时第j个子滤波器的状态协方差矩阵更新公式如下:
;
其中,为第i次采样周期时第j个子滤波器的状态协方差矩阵更新,为单位矩
阵,为卡尔曼增益,为测量矩阵,为第j个子滤波器在第i次采样周期时的一步预
测值。
可选地,所述在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据确定第一轨迹数据的一级滤波估计值之后,还包括:
在i小于或等于M的情况下,将所述第一轨迹数据的一级滤波估计值确定为所述第i个采样周期的目标轨迹数据。
可选地,所述在i大于M的情况下,根据M+1个经纬度和预设的小波滤波器进行小波滤波处理,得到目标坐标信息包括:
在i大于M的情况下,根据所述M+1个经纬度,构建第一序列;
根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列,所述目标序列包括所述目标坐标信息。
可选地,根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列包括:
对所述第一序列进行归一化处理,得到第二序列;
根据所述第二序列和所述预设的小波滤波器进行小波滤波处理,得到第三序列;
对所述第三序列进行反归一化处理,得到所述目标序列。
可选地,所述根据所述第二序列和所述预设的小波滤波器进行小波滤波处理,得到第三序列包括:
对所述第二序列进行小波分析,得到第一分解系数;
利用第二分解系数对所述第二序列进行过滤,得到第四序列,所述第四序列为过滤高频变化部分后的所述第二序列,所述第二分解系数为细节系数为零的所述第一分解系数;
根据所述第四序列和所述第二分解系数,进行小波复原,得到第三序列。
如图2所示,本申请实施例提供一种轨迹平滑装置200,包括如下模块:
获取模块201,用于获取第i个采样周期采样获得的第一轨迹数据,i为正整数;
第一确定模块202,用于在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;
得到模块203,用于在i大于M的情况下,根据M+1个经纬度和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;
修正模块204,用于基于所述目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据。
所述第一确定模块202包括:
第一确定子模块,用于在i大于N的情况下,根据所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值;
第二确定子模块,用于根据所述第i个采样周期的一步预测值和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值。
所述第一确定子模块之前,还包括:
第一计算子模块,用于根据预先构建的卡尔曼滤波器的个数所述和所述采样周期的周期长度,计算所述卡尔曼滤波器的滤波周期;
第二计算子模块,用于根据所述滤波周期和所述第i-N个采样周期的目标轨迹数据,计算所述第j个卡尔曼滤波器更新后的状态转移矩阵。
所述第一确定模块202之后,还包括
第二确定模块,用于在i小于或等于M的情况下,将所述第一轨迹数据的一级滤波估计值确定为所述第i个采样周期的目标轨迹数据。
所述得到模块203包括
构建子模块,用于在i大于M的情况下,根据所述M+1个经纬度,构建第一序列;
得到子模块,用于根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列,所述目标序列包括所述目标坐标信息。
所述得到子模块包括:
第一得到单元,用于对所述第一序列进行归一化处理,得到第二序列;
第二得到单元,用于根据所述第二序列和所述预设的小波滤波器进行小波滤波处理,得到第三序列;
第三得到单元,用于对所述第三序列进行反归一化处理,得到所述目标序列。
所述第二得到单元包括:
第一得到子单元,用于对所述第二序列进行小波分析,得到第一分解系数;
第二得到子单元,用于利用第二分解系数对所述第二序列进行过滤,得到第四序列,所述第四序列为过滤高频变化部分后的所述第二序列,所述第二分解系数为细节系数为零的所述第一分解系数;
第三得到子单元,用于根据所述第四序列和所述第二分解系数,进行小波复原,得到第三序列。
所述轨迹平滑装置200能够实现本申请实施例中图1方法实施例的各个过程,以及达到相同的有益效果,为避免重复,这里不再赘述。
本申请实施例还提供一种电子设备。请参见图3,电子设备可以包括处理器301、存储器302及存储在存储器302上并可在处理器301上运行的程序3021。
程序3021被处理器301执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以存储于一可读取介质中。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其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过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限于按所讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (8)
1.一种轨迹平滑方法,其特征在于,所述方法包括:
获取第i个采样周期采样获得的第一轨迹数据,i为正整数;
在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;
在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;
所述在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值之后,还包括:
在i小于或等于M的情况下,将所述第一轨迹数据的一级滤波估计值确定为所述第i个采样周期的目标轨迹数据;
所述在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理,得到目标坐标信息包括:
在i大于M的情况下,根据所述M+1个经纬度值,构建第一序列;
根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列,所述目标序列包括所述目标坐标信息;
基于所述目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据;
其中,通过选定一维多贝西小波基、分解级数为1,通过多级分析方式,提取细节部分,丢弃非必要细节参数,对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正。
2.根据权利要求1所述方法,其特征在于,所述目标滤波器的滤波参数包括所述第j个卡尔曼滤波器更新后的状态转移矩阵和滤波周期,所述在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值包括:
在i大于N的情况下,根据所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值;
根据所述第i个采样周期的一步预测值和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值。
3.根据权利要求2所述方法,其特征在于,在所述在i大于N的情况下,根据所述第j个卡尔曼滤波器更新后的状态转移矩阵和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期的一步预测值之前,还包括:
根据预先构建的卡尔曼滤波器的个数和所述采样周期的周期长度,计算所述卡尔曼滤波器的滤波周期;
根据所述滤波周期和所述第i-N个采样周期的目标轨迹数据,计算所述第j个卡尔曼滤波器更新后的状态转移矩阵。
4.根据权利要求1所述方法,其特征在于,根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列包括:
对所述第一序列进行归一化处理,得到第二序列;
根据所述第二序列和所述预设的小波滤波器进行小波滤波处理,得到第三序列;
对所述第三序列进行反归一化处理,得到所述目标序列。
5.根据权利要求4所述方法,其特征在于,所述根据所述第二序列和所述预设的小波滤波器进行小波滤波处理,得到第三序列包括:
对所述第二序列进行小波分析,得到第一分解系数;
利用第二分解系数对所述第二序列进行过滤,得到第四序列,所述第四序列为过滤高频变化部分后的所述第二序列,所述第二分解系数为细节系数为零的所述第一分解系数;
根据所述第四序列和所述第二分解系数,进行小波复原,得到第三序列。
6.一种轨迹平滑装置,其特征在于,所述装置包括:
获取模块,用于获取第i个采样周期采样获得的第一轨迹数据,i为正整数;
确定模块,用于在i大于N的情况下,根据目标滤波器和第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值,所述目标滤波器为基于第j个采样周期采样获得的第一轨迹数据,对预先构建的N个卡尔曼滤波器中的第j个卡尔曼滤波器进行初始化后的滤波器,N为正整数,j为小于或等于N的正整数,在i为N的整数倍时,j的值与N的值相同;在i为N的非整数倍时,j的值与i对N取模得到的值相同;
得到模块,用于在i大于M的情况下,根据M+1个经纬度值和预设的小波滤波器进行小波滤波处理,得到目标坐标信息,M为所述预设的小波滤波器的窗口长度;
第一确定模块包括:
第二确定子模块,所述在i大于N的情况下,用于根据所述第i个采样周期的一步预测值和所述第i-N个采样周期的目标轨迹数据,确定所述第i个采样周期采样获得的第一轨迹数据的一级滤波估计值;
所述第一确定模块之后,还包括:
第二确定模块,用于在i小于或等于M的情况下,将所述第一轨迹数据的一级滤波估计值确定为所述第i个采样周期的目标轨迹数据;
所述得到模块包括:
构建子模块,用于在i大于M的情况下,根据所述M+1个经纬度,构建第一序列;
得到子模块,用于根据所述第一序列和所述预设的小波滤波器进行小波滤波处理,得到目标序列,所述目标序列包括所述目标坐标信息;
修正模块,用于基于所述目标坐标信息对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正,得到所述第i个采样周期的目标轨迹数据;
其中,通过选定一维多贝西小波基、分解级数为1,通过多级分析方式,提取细节部分,丢弃非必要细节参数,对所述第一轨迹数据的一级滤波估计值中的坐标信息进行修正。
7.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-5任一项所述的轨迹平滑方法的步骤。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-5任一项所述的轨迹平滑方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153323.XA CN116881385B (zh) | 2023-09-08 | 2023-09-08 | 轨迹平滑方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153323.XA CN116881385B (zh) | 2023-09-08 | 2023-09-08 | 轨迹平滑方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881385A CN116881385A (zh) | 2023-10-13 |
CN116881385B true CN116881385B (zh) | 2023-12-01 |
Family
ID=88257256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153323.XA Active CN116881385B (zh) | 2023-09-08 | 2023-09-08 | 轨迹平滑方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881385B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006155349A (ja) * | 2004-11-30 | 2006-06-15 | Sony Corp | 追尾方法、追尾装置、追尾システム及び追尾プログラム |
CN105824003A (zh) * | 2014-12-16 | 2016-08-03 | 国家电网公司 | 一种基于轨迹平滑的室内移动目标定位方法 |
CN106154296A (zh) * | 2015-06-26 | 2016-11-23 | 安徽华米信息科技有限公司 | 一种路径轨迹的调整方法及装置 |
CN109712173A (zh) * | 2018-12-05 | 2019-05-03 | 北京空间机电研究所 | 一种基于卡尔曼滤波器的图像位置运动估计方法 |
CN112051569A (zh) * | 2020-09-10 | 2020-12-08 | 北京润科通用技术有限公司 | 雷达目标跟踪速度修正方法及装置 |
CN113269098A (zh) * | 2021-05-27 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于无人机的多目标跟踪定位与运动状态估计方法 |
CN113359207A (zh) * | 2021-06-03 | 2021-09-07 | 中国人民解放军国防科技大学 | 基于太赫兹雷达的声致水面微动特征提取方法及装置 |
CN113552632A (zh) * | 2020-04-23 | 2021-10-26 | 中国石油大学(北京) | 基于小波域卡尔曼滤波的地震互相关信号拾取方法和系统 |
CN113808174A (zh) * | 2021-08-27 | 2021-12-17 | 杭州电子科技大学 | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 |
WO2023097971A1 (zh) * | 2021-12-03 | 2023-06-08 | 南京楚航科技有限公司 | 4d毫米波雷达数据处理的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11733390B2 (en) * | 2021-08-10 | 2023-08-22 | Raytheon Company | Architecture for increased multilateration position resolution |
-
2023
- 2023-09-08 CN CN202311153323.XA patent/CN116881385B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006155349A (ja) * | 2004-11-30 | 2006-06-15 | Sony Corp | 追尾方法、追尾装置、追尾システム及び追尾プログラム |
CN105824003A (zh) * | 2014-12-16 | 2016-08-03 | 国家电网公司 | 一种基于轨迹平滑的室内移动目标定位方法 |
CN106154296A (zh) * | 2015-06-26 | 2016-11-23 | 安徽华米信息科技有限公司 | 一种路径轨迹的调整方法及装置 |
CN109712173A (zh) * | 2018-12-05 | 2019-05-03 | 北京空间机电研究所 | 一种基于卡尔曼滤波器的图像位置运动估计方法 |
CN113552632A (zh) * | 2020-04-23 | 2021-10-26 | 中国石油大学(北京) | 基于小波域卡尔曼滤波的地震互相关信号拾取方法和系统 |
CN112051569A (zh) * | 2020-09-10 | 2020-12-08 | 北京润科通用技术有限公司 | 雷达目标跟踪速度修正方法及装置 |
CN113269098A (zh) * | 2021-05-27 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于无人机的多目标跟踪定位与运动状态估计方法 |
CN113359207A (zh) * | 2021-06-03 | 2021-09-07 | 中国人民解放军国防科技大学 | 基于太赫兹雷达的声致水面微动特征提取方法及装置 |
CN113808174A (zh) * | 2021-08-27 | 2021-12-17 | 杭州电子科技大学 | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 |
WO2023097971A1 (zh) * | 2021-12-03 | 2023-06-08 | 南京楚航科技有限公司 | 4d毫米波雷达数据处理的方法 |
Non-Patent Citations (1)
Title |
---|
Measurement Noise Recommendation for Efficient Kalman Filtering over a Large Amount of Sensor Data;Sebin Park等;《sensors》;第1-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116881385A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stergiopoulos | Advanced signal processing handbook: theory and implementation for radar, sonar, and medical imaging real time systems | |
Bilik et al. | MMSE-based filtering in presence of non-Gaussian system and measurement noise | |
Gao et al. | Multi-sensor centralized fusion without measurement noise covariance by variational Bayesian approximation | |
Kay | Statistical signal processing: estimation theory | |
Frenkel et al. | Recursive expectation-maximization (EM) algorithms for time-varying parameters with applications to multiple target tracking | |
Shi et al. | Adaptive UKF for target tracking with unknown process noise statistics | |
US8244787B2 (en) | Optimum nonlinear correntropy filter | |
JP2008096137A (ja) | レーダ装置及び測角装置 | |
CN109324315A (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
Fuchs et al. | Single-snapshot direction-of-arrival estimation of multiple targets using a multi-layer perceptron | |
CN109298420B (zh) | 一种合成孔径雷达的运动目标迭代最小熵成像方法及装置 | |
CN111693984B (zh) | 一种改进的ekf-ukf动目标跟踪方法 | |
CN116881385B (zh) | 轨迹平滑方法、装置、电子设备及可读存储介质 | |
Cohen et al. | A-KIT: Adaptive Kalman-informed transformer | |
JP2014030074A (ja) | 白色化フィルタの構成方法、プログラム及びシステム | |
CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
Leitao et al. | Acquisition in phase demodulation: application to ranging in radar/sonar systems | |
JP6513310B1 (ja) | 航跡推定装置及び携帯情報端末 | |
Tyapkin et al. | The synthesis algorithm for spatial filtering to maintain a constant level of the useful signal | |
CN114611068A (zh) | 一种高机动目标跟踪方法 | |
Nobahari et al. | A novel heuristic filter based on ant colony optimization for non-linear systems state estimation | |
Katsikas et al. | Passive tracking of a maneuvering target: an adaptive approach | |
CN113030945A (zh) | 一种基于线性序贯滤波的相控阵雷达目标跟踪方法 | |
Yanting et al. | Asynchronous track-to-track association algorithm based on dynamic time warping distance | |
Stepanov et al. | Cramer-rao lower bound for a nonlinear filtering problem with multiplicative measurement errors and forcing noise |
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 |