一种基于遗传重采样的软约束目标跟踪方法及系统

本发明涉及目标跟踪，特别涉及一种基于遗传重采样的软约束目标跟踪方法及系统。

背景技术：

1、在对地面目标的跟踪过程中，经常使用卡尔曼滤波器处理传感器的测量结果及目标运动的统计特性，以达到对目标位置、速度等状态信息的有效跟踪，在军事、自动驾驶、交通管制方面具有广泛的应用。

2、然而，在卡尔曼滤波器的应用中，一些事先已知的信息往往被忽略，例如地面目标的运动往往受限于道路信息，速度也常常受到限制，机场的飞机在起飞降落时存在飞行空域的限制等，几乎所有目标的运动都会受到动力学或物理环境等因素的约束限制。在目标跟踪过程中如果将这些约束信息纳入状态估计中，则可以提高目标跟踪系统的精度，而目前提出的一系列考虑约束的滤波方法中通常将这类约束考虑为硬约束，即目标的状态严格受限于约束条件，但实际上，虽然约束条件提供了额外的目标先验信息，但目标并不一定严格地符合该约束，例如在限速路段行驶的汽车也可能会出现超速的现象，这种不会严格限制目标状态地约束被称为软约束，如何在跟踪此类地面移动目标时融合事先已知的软约束信息，以提高地面目标跟踪的精度，是目前亟需解决的问题。

技术实现思路

1、基于此，本发明的目的是提供一种基于遗传重采样的软约束目标跟踪方法及系统，以实现在地面移动目标的跟踪中融合已知的非线性不等式软约束，提高地面目标在此类软约束下的跟踪精度。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于遗传重采样的软约束目标跟踪方法，包括：

4、基于被跟踪目标构建目标跟踪模型；所述目标跟踪模型包括状态方程、量测方程以及软约束模型；

5、根据所述被跟踪目标的状态初始值生成粒子滤波所需的多个粒子；

6、基于所述目标跟踪模型对各粒子进行时间更新，预测各粒子的状态和权重；

7、利用遗传算法对各粒子进行重采样；

8、基于所述量测方程计算重采样后的粒子的修正似然函数；

9、基于所述修正似然函数修正预测后的权重；

10、根据修正后的权重更新预测后的状态，得到所述被跟踪目标的最终估计状态。

11、可选地，所述状态方程的表达式如下：

12、xk＝fkxk-1+wk-1

13、其中，xk为k时刻被跟踪目标的状态向量，xk-1为k-1时刻被跟踪目标的状态向量，fk为k时刻的状态转移矩阵，wk-1为k-1时刻的4维过程噪声；

14、所述量测方程的表达式如下：

15、zk＝hkxk+vk

16、其中，zk为k时刻的2维量测向量，hk为k时刻的量测矩阵，vk为k时刻的2维高斯量测噪声；

17、所述软约束模型的表达式如下：

18、

19、

20、其中，γ为随机变量，g1(xk)和g2(xk)为中间变量，rmin、rmax分别为道路的上下边界。

21、可选地，基于所述目标跟踪模型对各粒子进行时间更新，预测各粒子的状态和权重，具体包括：

22、利用状态方程对各粒子进行时间更新，预测各粒子的状态；

23、基于所述软约束模型将各粒子划分为满足软约束的粒子和不满足软约束的粒子；

24、利用拟牛顿法对所述不满足软约束条件的粒子进行优化，获得在满足所述软约束条件的区域内的优化结果；

25、将所述优化结果代替所述不满足软约束条件的粒子，并根据似然函数预测各粒子的权重；所述似然函数基于所述量测方程计算得到。

26、可选地，利用遗传算法对各粒子进行重采样，具体包括：

27、对粒子进行选择、交叉和变异操作，得到重采样后的粒子。

28、可选地，基于所述量测方程计算重采样后的粒子的修正似然函数，具体包括：

29、基于所述量测方程计算重采样后的粒子的量测向量；

30、基于重采样后的粒子的量测向量计算重采样后的新息；

31、基于所述重采样后的新息计算修正似然函数。

32、本发明还提供了一种基于遗传重采样的软约束目标跟踪系统，包括：

33、目标跟踪模型构建模块，用于基于被跟踪目标构建目标跟踪模型；所述目标跟踪模型包括状态方程、量测方程以及软约束模型；

34、粒子生成模块，用于根据所述被跟踪目标的状态初始值生成粒子滤波所需的多个粒子；

35、预测模块，用于基于所述目标跟踪模型对各粒子进行时间更新，预测各粒子的状态和权重；

36、重采样模块，用于利用遗传算法对各粒子进行重采样；

37、修正似然函数计算模块，用于基于所述量测方程计算重采样后的粒子的修正似然函数；

38、权重修正模块，用于基于所述修正似然函数修正预测后的权重；

39、最终估计状态确定模块，根据修正后的权重更新预测后的状态，得到所述被跟踪目标的最终估计状态。

40、可选地，所述预测模块具体包括：

41、状态预测单元，用于利用状态方程对各粒子进行时间更新，预测各粒子的状态；

42、划分单元，用于基于所述软约束模型将各粒子划分为满足软约束的粒子和不满足软约束的粒子；

43、优化单元，用于利用拟牛顿法对所述不满足软约束条件的粒子进行优化，获得在满足所述软约束条件的区域内的优化结果；

44、权重预测单元，用于将所述优化结果代替所述不满足软约束条件的粒子，并根据似然函数预测各粒子的权重；所述似然函数基于所述量测方程计算得到。

45、可选地，所述修正似然函数计算模块具体包括：

46、量测信息计算单元，用于基于所述量测方程计算重采样后的粒子的量测向量；

47、新息计算单元，用于基于重采样后的粒子的量测向量计算重采样后的新息；

48、修正似然函数计算单元，用于基于所述重采样后的新息计算修正似然函数。

49、根据本发明提供的具体实施例，本发明公开了以下技术效果：

50、本发明通过引入满足指数分布形式辅助变量完成对软约束条件的建模，并结合辅助粒子滤波的似然函数形成修正似然函数完成对粒子权重的更新，实现了对存在软约束条件的目标状态的估计，同时利用遗传重采样方法进行粒子重采样，以解决粒子退化问题，本发明实现了在地面移动目标的跟踪中融合已知的非线性不等式软约束，提高了地面目标在此类软约束下的估计精度。

技术特征：

1.一种基于遗传重采样的软约束目标跟踪方法，其特征在于，包括：

2.根据权利要求1所述的基于遗传重采样的软约束目标跟踪方法，其特征在于，所述状态方程的表达式如下：

3.根据权利要求1所述的基于遗传重采样的软约束目标跟踪方法，其特征在于，基于所述目标跟踪模型对各粒子进行时间更新，预测各粒子的状态和权重，具体包括：

4.根据权利要求1所述的基于遗传重采样的软约束目标跟踪方法，其特征在于，利用遗传算法对各粒子进行重采样，具体包括：

5.根据权利要求1所述的基于遗传重采样的软约束目标跟踪方法，其特征在于，基于所述量测方程计算重采样后的粒子的修正似然函数，具体包括：

6.一种基于遗传重采样的软约束目标跟踪系统，其特征在于，包括：

7.根据权利要求6所述的基于遗传重采样的软约束目标跟踪模块，其特征在于，所述预测模块具体包括：

8.根据权利要求6所述的基于遗传重采样的软约束目标跟踪系统，其特征在于，所述修正似然函数计算模块具体包括：

技术总结
本发明公开了一种基于遗传重采样的软约束目标跟踪方法及系统，涉及目标跟踪技术领域，该方法包括：基于被跟踪目标构建目标跟踪模型；根据所述被跟踪目标的状态初始值生成粒子滤波所需的多个粒子；基于所述目标跟踪模型对各粒子进行时间更新，预测各粒子的状态和权重；利用遗传算法对各粒子进行重采样；基于所述量测方程计算重采样后的粒子的修正似然函数；基于所述修正似然函数修正预测后的权重；根据修正后的权重更新预测后的状态，得到所述被跟踪目标的最终估计状态。本发明能够实现在地面移动目标的跟踪中融合已知的非线性不等式软约束，提高地面目标在此类软约束下的跟踪精度。

技术研发人员：白瑜亮,王小刚,崔乃刚,王宇,彭一洋,荣思远,王瑞鹏,于子淼,朱梓燊
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/1/15