本发明属于目标跟踪领域,涉及一种基于道路网的机动目标跟踪算法,具体涉及一种利用道路信息辅助地面目标跟踪的变结构多模型概率假设密度算法。
背景技术:
地面目标跟踪在军事和民用领域有极为广阔的应用前景。地面目标具有运动能力强、运动状态多的特点,基于单模型的滤波器无法满足对其机动的跟踪,传统的方法是利用多模型滤波方法,例如交互式多模型-多假设跟踪算法和交互式多模型-联合概率数据关联算法对地面目标进行跟踪。然而,这种固定模型集算法的性能很大程度上取决于它使用的模型集,为了覆盖目标的全部运动,要求运动模型集中包含目标所有可能的运动模型,并且所有模型在整个跟踪过程中都有效,这一方面导致了计算量的增加,另一方面过多模型的竞争还可能导致目标估计精度的降低。考虑到地面目标的运动受到道路和地形条件的限制,基于道路地理信息辅助的地面目标跟踪算法被提出。该类方法根据道路信息调整目标运动模型,每一跟踪时刻在目标所有可能的运动模型中选择与当前目标真实运动状态匹配的模型子集进行跟踪滤波。这种变模型的结构解决了固定模型方法模型过多的问题,但是该方法依然是基于以数据关联为核心的经典多目标跟踪框架,该框架下,需要通过数据关联完成观测数据和目标间的分配,再通过滤波技术完成目标状态估计,随着杂波和目标数目的增加,会导致计算量随指数增长,并且对出生、死亡、衍生、合并等行为难以给出满意的结果。
针对经典多目标跟踪框架的问题,基于随机有限集的跟踪算法被提出,该理论很好的解决了数据关联的难题,将所有个体目标状态集合和每次观测所获得的观测值集合建模为随机有限集,自然并入目标起始和终止机制,实现目标数目及其状态的同时估计。概率假设密度滤波器作为随机有限集最优多目标贝叶斯滤波器的一种原理性近似滤波器,具有序列蒙特卡洛和高斯混合两种实现方式,高斯混合实现方式能够提供解析解,具有计算量小和实现简单的特点,是多目标跟踪领域的研究热点。然而,与其他滤波方法一样,基于随机有限集的多目标跟踪算法同样要对目标运动模式进行建模,建立在单模型基础上的高斯混合概率假设密度滤波器并不能有效识别目标机动。对此,一些基于多模型的方法被提出,例如使用多个模型并行滤波估计,使用最佳拟合高斯匹配目标动态模型等,但是这些方法依然是固定模型集方法,具有固定模型集方法的固有弊端,同时无法考虑和利用目标运动的外部条件,比如目标的周围环境信息等。
技术实现要素:
本发明所要解决的,就是针对上述目标跟踪和道路辅助存在的问题,提出一种基于道路网的机动目标跟踪算法。该算法基于高斯混合概率假设密度(gmphd)滤波框架,借助先验道路信息库,采用变结构的多模型方法实现地面多机动目标跟踪的目标跟踪算法。首先,给出一种先验道路信息库的构建方法,以道路网为基础将传感器威力区分成道路区域,道路交点区域,非道路区域等,根据各区域对目标运动方式的限制给定各区域相应的目标运动模型集合,构建道路信息库;其次,给出一种利用道路信息实现的跟踪算法模型自适应策略,实现目标在不同区域之间的运动模型集转换;最后,给出具体的滤波跟踪步骤。
本发明具体采用如下技术方案:
a.构建道路信息库:
a-1.生成数字地图:将真实道路表示为一系列直线路段的组合,弯曲的道路用多个小的直线路段近似,用道路编号、起始点、结束点联合表示路段,连接的起始点和结束点表示道路交叉点,整个数字道路网由一系列首尾相连的直线路段组成;将地面空间定义分成开放区域和道路区域两大部分,道路路段和道路交叉点属于道路区域,其余区域为开放区域;
a-2.选定总的模型集合,根据路段和地形约束形成对应于各道路路段、道路交叉点和开放区域的目标运动模型集;
a-3.形成道路地图查找表:根据雷达探测距离精度将整个地面空间按照位置进行矩形分块,以位置为索引建立查找表,查找表内保存各小矩形块的路段信息和对应的模型集信息;道路匹配时,根据目标位置直接匹配查找表进行信息提取;本步骤为可选步骤;
b.基于道路信息库的地面目标跟踪:
b-1.根据道路信息库确定总目标运动模型集
b-2.初始化,令观测时刻k=0,即为初始时刻;定义初始时刻的目标后验强度d0(x)为:
其中,j=1,2,...,j0,j0为初始时刻的目标后验强度的高斯分量数,
b-3.对总目标运动模型集
其中,d0,p(x)为基于模型mp(p=1,2,..,nr)定义的gmphd滤波器的初始目标后验强度函数;
b-4.对高斯分量标号j(j=1,2,..,j0),定义模型标记向量
b-5.对每个高斯分量标号j(j=1,2,..,j0),定义模型权重向量
c.令k=k+1,即为计算下一时刻;
d.假设k-1时刻,即k时刻的前一时刻,基于模型mp定义的gmphd滤波器
其中,j=1,2,...,jk-1,jk-1为k-1时刻目标后验强度的高斯分量数,
d-1.新生目标强度确定:新生目标强度为高斯和形式:
其中,j=1,2,...,jγ,k,jγ,k为新生目标强度的高斯分量数,
d-2.运动模型集确定:对j=1,2,..,jk-1,根据k-1时刻标号j的模型权重向量
d-3.模型混合概率初始化:根据步骤d-2的模型标记向量
其中,
如果
d-4.混合条件phd初始化:计算k时刻滤波器
其中,
如果
d-5.条件phd预测:计算k时刻滤波器
dk|k-1,q(x)=ds,k|k-1,q(x)+dγ,k(x)
其中,存活目标强度ds,k|k-1,q(x)为
其中,
如果
其中,jk|k-1=jk-1+jγ,k,dk|k-1,q(x)中标号为1~jk-1的高斯分量对应ds,k|k-1,q(x)中的jk-1个高斯分量,dk|k-1,q(x)标号中标号为jk-1+1~jk|k-1的高斯分量对应dγ,k(x)中标号为1~jγ,k的jγ,k个高斯分量。生成预测强度的模型标记向量
d-6.条件phd更新:计算k时刻滤波器
其中,
其中,
如果
其中,jk=jk|k-1+nz,k×jk|k-1为k时刻滤波器
其中,i=0,1,2,...,nz,k,l=1,2,...,jk|k-1;
d-7.phd混合估计:对k时刻全部滤波器的后验强度dk,q(x)(q=1,2,..,nr)进行混合估计,得到k时刻的多模型混合估计dk,m(x):
其中,
e.剪枝与合并:设置修剪阈值r,删除k时刻多模型混合估计dk,m(x)中权值低于该门限的高斯分量,得到剪枝后的目标强度dk,m(x),同时对nr个滤波器的后验强度dk,q(x)(q=1,2,..,nr)分别进行与混合估计dk,m(x)相同的剪枝操作,对后验强度的模型权重向量
f.数目与状态估计:将步骤e后的目标强度dk,m(x)进行权值累加,得到时刻k的目标数目nk,选出权值
g.kend为终止时刻,如果k=kend,退出,否则返回步骤c。
本发明的有益效果是:构建道路信息库,给出一种利用道路信息实现的跟踪算法模型自适应策略,使用结构可变的多模型高斯混合概率假设密度滤波器进行地面目标跟踪,一方面满足了目标多机动方式的要求,提高了机动目标跟踪的状态估计精度,降低了目标跟丢率,另一方面避免了采用过多模型带来的计算负担,大大减少了运行时间,另外,本专利的道路知识辅助框架具有可扩展性,支持在道路信息库中加入更多有用先验信息,比如道路的开放性、可见性等,适当修改后继算法的相应步骤,可以很方便的利用这些信息辅助跟踪。本发明在地面目标跟踪问题上有其实用价值。
附图说明
图1为本发明所述方法的流程图;
图2为实施例1的仿真场景图;
图3为实施例1的仿真结果图;
图4为实施例2的仿真场景图;
图5为实施例2的仿真结果图。
具体实施方式
实施例1
仿真场景:考虑一段道路区域有一个目标的场景,如图2所示。整个监视区域为[500m,4500m]×[0m,2000m],整个区域每个观测时刻的平均杂波数为5。道路端点数为7,分别为点a(600,1043.7),点b(1500,1043.7),点c(1500,1800),点d(1500,100),点e(3218.8,1043.7),点f(3655.5,1800),点g(4400,1043.7),道路路段数为6,分别为ab、cb、db、eb、fe、ge。目标个数为1,目标在1s出现,初始状态为[1500;500;0;10],1~50s进行匀速直线运动,51~60s进行角速度为
系统目标运动模型为
每个目标状态xk=[x,y,vx,vy]t,包括目标的位置和速度,量测zk=[zx,zy]t为位置变量。对于模型r,
在ct模型中
其中,t为量测数据时间间隔,仿真中为2,w表示ct模型中的转弯角速度。仿真中取运动模型f1为
目标检测概率为0.95,存活概率为0.99,新生目标的强度函数为
将本发明提供的基于道路辅助的变结构算法与固定结构算法进行比较,通过100次蒙特卡洛仿真实验,用表征跟踪误差的优化子模式分配(ospa)距离进行性能比较,如图3。可以看出本发明算法的跟踪误差比使用固定模型的算法imm-gmphd要小,本发明算法在目标行驶在道路路段内的时段的跟踪误差很小,只有在目标运行到道路交叉点时误差较大。通过100次蒙特卡洛仿真实验,本发明运行时间为64s,imm-gmphd算法运行时间为147s,本发明运行时间约为固定模型集方法imm-gmphd的40%。
实施例2
仿真场景:考虑一段道路区域有三个目标的场景。采用与实施例1相同的仿真场景,目标个数变为3。目标1在1s出现,初始状态为[1500;500;0;10],1~50s进行匀速直线运动,51~60s进行角速度为