本发明属于智能信息处理技术领域,涉及多扩展目标的形状和状态的估计方法。具体地说是一种基于随机矩阵跟踪技术,针对不规则形状多扩展目标的形状和状态估计方法,可用于多目标精确制导、机器人道路规划和障碍躲避、无人驾驶车辆跟踪行驶和电子医学等系统中的目标跟踪。
背景技术:
在传统的雷达系统中,单个目标通常被看做单个点来处理。然而随着雷达技术的不断进步,在激光雷达等高精度雷达系统中,单个目标的回波可能占据传感器的多个分辨单元,因此目标不能再等效为一个点,即单个目标可以产生多个量测,本发明称这样的目标为扩展目标。与传统单点目标不同,扩展目标可以由多个量测共同描绘出目标的形状、姿态等信息,因此针对扩展目标的跟踪技术需要综合考虑目标的量测信息。
目前,多扩展目跟踪问题是信息融合领域的研究热点,
技术实现要素:
针对上述问题,本发明基于随机矩阵跟踪技术,提出一种针对不规则形状多扩展目标的形状及状态估计方法,将基于b样条的形状估计技术、基于形状的量测划分方法运用于giw-phd滤波器,实现了对不规则形状扩展目标的量测划分、状态估计和形状估计。
实现本发明的关键技术是:在多扩展目标phd滤波框架下,引入b样条形状估计技术,估计多扩展目标的形状参数,然后用形状参数来划分不规则形状的量测集,对不规则形状的多扩展目标实现了形状和状态估计。
为实现上述目标,具体实现步骤如下:
(1)初始化参数:初始目标状态ξ0={m0,x0,v0,v0,p0},其中,m0为运动状态,x0为形状参数,v0为反威沙特分布的尺度矩阵,v0为反威沙特分布的自由度;p0为运动噪声协方差矩阵。状态噪声协方差为q,目标初始权重为w0。
(2)当k≥1帧时,对量测集zk进行划分。
(2a)利用距离划分方法,将zk划分为若干子集w。
(2b)检测每个子集的量测数量,若量测过多,则利用各目标形状函数ψ(x,μ)≤0,将该子集拆分为两个子集,其中形状内的量测组成一个集合win′,形状外的量测组成一个集合w′out,其中x和μ分别表示形状和位置参数。
(3b)遍历所有可能的x和μ,利用似然函数递归选择出最优拆分,从而实现不规则形状量测集的划分。
(3)根据量测信息,利用giw-phd滤波框架对目标运动状态进行多假设滤波,目标的概率假设密度为:
其中,
(4)对于每个多假设的目标分量,估计对应的量测子集的形状
(5)对低权重目标分量进行删减,相似的目标分量进行合并,高权重目标分量进行状态提取。
(6)若下一时刻观测信息到达,转到步骤(2)进行迭代;否则,目标跟踪过程结束。
本发明具有以下优点:
(1)本发明以giw-phd滤波框架为基础,针对原方法只能估计椭圆形状目标状态的问题,利用b样条形状估计方法估计目标的形状,从而可以估计不规则形状扩展目标的状态,可为目标身份识别、量测集划分、航迹关联、态势分析等其他步骤提供更为可靠的形状特征信息。
(2)本发明利用上述形状估计方法提供的形状信息,提出了利用目标形状来划分量测集的方法,解决了目标紧邻时,不规则形状量测集难以被正确划分的问题,为后续目标状态更新提供了更为准确的量测信息,从而提高了针对不规则形状多扩展目标的跟踪精度。
附图说明
图1是本发明的整体流程图;
图2是“v”形目标的形状;
图3是十字形目标的形状;
图4是矩形目标的形状;
图5是目标连续紧邻、机动场景的量测效果图;
图6是传统方法与本发明方法100次蒙特卡洛实验的平均ospa距离对比图;
图7是传统方法与本发明方法100次蒙特卡洛实验的平均目标数估计对比图;
图8是单次实验中传统方法与本发明方法的目标状态估计对比图;
图9是多目标交叉场景的量测效果图;
图10是传统方法与本发明方法100次蒙特卡洛实验的平均ospa距离对比图;
图11是传统方法与本发明方法100次蒙特卡洛实验的平均目标数估计对比图;
具体实施方式
一、基础理论介绍
1.基于随机矩阵的多扩展目标跟踪技术
假设单个目标的状态方程和量测方程分别表示为:
其中,xk表示目标在k时刻的状态,f为状态转移矩阵,
令
其中,伪似然函数
其中,pd为检测概率,βfa,k表示杂波密度,
其中,|·|表示集合的势,δ|w|,1为delta函数。
2.b样条函数形状估计方法
b样条函数通过给定的有限个控制点,形成一条光滑的曲线函数,并根据其拟合控制点所组成的形状。若给定控制顶点集合xk=[ρ1,ρ2,···,ρn]t,将控制顶点代入b样条函数,则可获得形参为u的b样条函数
其中,ni,l(u)表示b样条曲线函数,u表示形式变量,κ-1为b样条函数的次数,当κ=3时,则二次b样条函数可表示为:
二、本发明基于随机矩阵的不规则形状多扩展目标形状和状态估计方法参照图1,本发明的具体实施步骤包括如下:
步骤1.令初始时刻k=0,初始化参数m0、x0、p0、v0、v0、q。
步骤2.当k≥1,对量测集进行划分
(2.1)建立距离阈值集合θ将量测集划分为若干子集。
(2.2)对于所有子集,检测某子集w是否包含多个目标的量测:
p(|w|nj=n)=pois(|w|,γ(j)n)
其中,pois(·)表示泊松分布,
(2.3)用所有目标估计的形状组成候选形状集合s={xi}。在刚好涵盖w所有量测的矩形范围内建立l×l网格,用网格的所有节点组成候选目标位置集合m={μj}。对于任意xi和μj,w可被拆分为两个子集
其中,
(2.4)对于所有的候选
(2.5)递归重复(2.3)和(2.4)的拆分步骤,直到将w拆分为
步骤3.基于随机矩阵滤波框架的目标状态更新
(3.1)状态预测:
其中,ts为传感器时间间隔,τ为预设的迭代遗忘因子,d表示传感器的物理维度。
(3.2)根据基于随机矩阵滤波框架,量测新息参数为:
其中,
(3.3)状态更新:
(3.4)权重更新:
其中,
步骤4.更新目标分量形状信息
(4.1)令
其中,
(4.2)目标形状分量
其中,η为预设的迭代遗忘因子。
步骤5.目标分量的删减、合并、状态提取
(5.1)若目标分量权重
(5.2)若不同目标分量状态满足
(5.3)若目标分量的权重满足
步骤6.重复步骤2-5,连续跟踪并估计目标状态。
本发明的效果可通过以下实验仿真进一步说明:
1.仿真条件及参数
假设多个扩展目标在x-y平面上作匀速运动,目标运动状态表示为x=[x,y,vx,vy]t,其中,x和y分别为单个目标在笛卡尔坐标系中x方向和y方向上的位置,vx和vy分别为每个目标在x方向和y方向上的速度。目标的运动状态方程如基础理论介绍部分所示,其中,
仿真场景中目标形状如图2、图3、图4所示,分别为“v”形、十字形和矩形三种。场景程噪声协方差为
v0=diag([50,50])
v0=10
p0=diag([102,102,52,52])
2.仿真内容及结果分析
仿真实验,将本发明方法与rm方法进行对比实验分析,主要从以下三个方面开展实验:
实验1:目标长时间紧邻、机动的航迹
本实验中两个目标的形状分别如图2、图3所示。
图5是本实验中量测的效果图。
图6是传统方法与本法明方法100次蒙特卡洛实验的ospa距离对比图。可以看出,在不同形状目标紧邻时,本发明方法精度高于传统方法。
图7是传统方法与本发明方法100次蒙特卡洛实验的目标数估计对比图。可以看出,本发明方法目标数估计精度高于传统方法。
图8是单次实验中传统方法与本发明方法的状态估计对比图。可以看出,本发明方法能更好的展现目标各种形状,并且目标数估计精度高于传统方法。
实验2:多个目标同时交叉的航迹
本实验中三个目标的形状分别如图2、图3、图4所示。
图9是本实验中量测的效果图。
图10是传统方法与本法明方法100次蒙特卡洛实验的ospa距离对比图。可以看出,在三个不同形状目标同时交叉时,本发明方法精度高于传统方法。
图11是传统方法与本发明方法100次蒙特卡洛实验的目标数估计对比图。可以看出,在三个不同形状目标同时交叉时,本发明方法目标数估计精度高于传统方法。
从实验结果中明显可以看出,针对不同形状多扩展目标的跟踪,本发明方法的估计精度和目标数估计准确性都远高于传统方法,因此本发明方法更适用于针对不规则形状目标的高精度传感器系统。