申请/专利权人：西北工业大学

申请日：2022-07-17

公开（公告）日：2024-04-26

公开（公告）号：CN115308704B

主分类号：G01S7/41

分类号：G01S7/41;G01S13/66

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.11.25#实质审查的生效;2022.11.08#公开

摘要：本发明提供了一种基于交互式多模型和最大熵模糊聚类的多机动目标跟踪方法，通过建立目标状态方程及量测方程，计算概率混合与模型交互，预测状态、量测与协方差后，进行数据关联，对各目标对应各模型的状态及协方差估计，通过更新模型概率，更新目标状态及协方差，输出k时刻目标的状态及协方差，并进行目标跟踪。本发明采用最大熵模糊聚类求得的隶属度近似表征量测与目标的关联概率，解决了传统数据关联算法可行联合事件多、计算量大的问题，有效降低了多目标跟踪时长，提高了跟踪效率；引入了基于目标距离的量测修正因子对关联概率进行调整，有效提升了目标关联的准确性。

主权项：1.一种基于交互式多模型和最大熵模糊聚类的多机动目标跟踪方法，其特征在于包括下述步骤：步骤一：建立目标状态方程及量测方程；跟踪区域内存在N个机动目标，共采用M个运动模型进行交互，则模型的不同匹配方式共R＝MN种，每种匹配方式称为一个群模型，k时刻目标r对应模型j的状态方程和量测方程分别为： 式中：r＝1,2,…,N，j＝1,2,…,M，Xrk为目标r的状态向量；和分别为目标r对应模型j的状态转移阵、过程噪声阵和量测矩阵；为零均值、协方差阵为的高斯过程噪声；zrk为目标r的量测向量；为零均值、协方差阵为的高斯量测噪声，且与相互独立；步骤二：初始化参数；确定各目标在k＝1时刻的初始状态向量初始协方差阵以及各群模型的初始概率μI1，其中，I＝1,2,…,R，建立各模型间的转移概率矩阵为Π＝[πi→j]M×M，其中，πi→j为从模型i到模型j的转移概率；步骤三：概率混合与模型交互；1计算k时刻各群模型的混合概率： 式中：μI,Jk|k为群模型M_I＝M_I1,M_I2,…,M_IN与群模型M_J＝M_J1,M_J2,…,M_JN的混合概率，其中，I＝1,2,…,R，J＝1,2,…,R；πI→J为群模型M_I到群模型M_J的转移概率，且其中，为目标r从模型M_Ir到模型M_Jr的转移概率，由转移概率矩阵Π得出；μIk为群模型M_I的模型概率；为归一化因子，且2进行模型交互，计算各目标对应各模型的混合状态与混合协方差 式中：为目标r对应模型M_Ir的混合状态；为目标r对应模型M_Ir的状态估计；为目标r对应模型M_Ir的混合协方差；为目标r对应模型M_Ir的协方差估计；d为目标r对应模型M_Ir的状态估计与混合状态之差，即：步骤四：预测状态、量测与协方差；基于步骤一中各模型的状态转移阵和量测矩阵，将混合状态混合协方差作为k+1时刻的输入，求得目标r对应群模型M_J的状态预测量测预测协方差阵预测分别为： 式中：分别为目标r对应群模型M_J的状态转移阵、量测矩阵以及过程噪声协方差阵；步骤五：数据关联；1构造跟踪门，确定k+1时刻落入跟踪门内的有效量测，Zk+1为有效量测集合，Zk+1＝{zsk+1},s＝1,2,…,nk+1，其中，zsk+1为第s个有效量测，nk+1为有效量测的个数；以Zk+1为数据集，目标r的预测位置crk+1为聚类中心，采用最大熵模糊聚类，求出有效量测zsk+1与目标r之间的隶属度usr： 式中：αs为拉格朗日乘子，d[zsk+1,crk+1]为zsk+1与crk+1之间的欧氏距离；利用usr表征量测zsk+1和目标r之间的关联概率psrs＝1,2,…,nk+1；定义无有效量测与目标r关联时的关联概率为p0r＝λ1-pd·pg，其中，λ为杂波密度，pd为目标检测概率，pg为门概率；2建立确认矩阵其中，Ω的第一列元素的值全部为1，表示量测可能来自杂波；ωsr为一个二元变量，当量测zsk+1落入目标r的跟踪门内，则ωsr＝1，反之则为0；当存在公共量测时，引入基于目标距离的量测修正因子对隶属度进行修正，从而得到更加符合实际的关联概率；步骤六：各目标对应各模型的状态及协方差估计；基于步骤四求得的状态预测量测预测协方差阵预测以关联概率βsr作为权值，计算k+1时刻各目标对应群模型M_J的状态估计及协方差阵估计步骤七：更新模型概率；计算k+1时刻群模型M_J的模型概率μJk+1： 式中：为归一化因子，且ΛJk+1为群模型M_J对应的似然函数，且其中，为k+1时刻目标r对应群模型M_J的似然函数： 步骤八：更新目标状态及协方差；利用步骤六求得的各目标对应各群模型的状态估计和协方差估计，并以各群模型的模型概率为权值进行加权融合，更新k+1时刻各目标的状态向量和协方差阵Prk+1|k+1： 式中：D为目标r对应群模型M_J的状态估计与其状态更新值之差，即步骤九：输出k时刻目标的状态及协方差，判断是否有终止跟踪标志输入，若有终止跟踪标志输入，则终止跟踪进程；若没有终止跟踪标志输入，则判断是否有新的量测信息输入，如果有新的量测信息输入，则重复步骤三至步骤八，进行k+1时刻的目标跟踪，如果没有新的量测信息输入，则终止目标跟踪。

全文数据：

权利要求：

百度查询： 西北工业大学 基于交互式多模型和最大熵模糊聚类的多机动目标跟踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD