[发明专利]一种转移概率自适应的交互多模型目标跟踪方法在审
申请号: | 201710632242.6 | 申请日: | 2017-07-28 |
公开(公告)号: | CN107704432A | 公开(公告)日: | 2018-02-16 |
发明(设计)人: | 谢国;孙澜澜;惠鏸;梁莉莉;张春丽;刘伟;钱富才;鲁晓锋 | 申请(专利权)人: | 西安理工大学 |
主分类号: | G06F17/16 | 分类号: | G06F17/16;G06F17/18 |
代理公司: | 北京国昊天诚知识产权代理有限公司11315 | 代理人: | 杨洲 |
地址: | 710048*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 转移 概率 自适应 交互 模型 目标 跟踪 方法 | ||
技术领域
本发明属于目标追踪技术领域,具体涉及一种转移概率自适应的交互多模型目标跟踪方法。
背景技术
目标跟踪是指通过对目标观测轨迹滤波得到目标实际运动轨迹,它极具实用价值的研究方向,广泛的应用和深远的意义,尤其是在军用方面,准确快速的实现目标跟踪是军事技术核心之一。当运动目标产生机动时,运动模型发生变化,采用卡尔曼滤波、粒子滤波等模型单一的滤波算法会使得跟踪性能下降甚至不能跟踪。然而大多数情况下,需要追踪的目标具有机动性,因此研究机动目标追踪意义重大且有实用价值。
解决机动目标追踪问题的基本思想之一是:通过建立机动目标运动的模型集,使用多个模型来描述其运动状态,模型之间根据转移状态矩阵进行跳转,多个滤波器并行工作得到各模型下的跟踪结果,然后采用一定的法则对滤波结果进行融合以得到滤波结果。早期根据这一思想提出的算法有:一阶广义伪贝叶斯方法和二阶广义伪贝叶斯方法。交互式多模型算法(Interacting Multiple Model,IMM)是Bar-Shalm和Blom在此基础上提出的一种模型间根据马尔科夫转移概率矩阵进行跳转的递推算法。MM算法的自适应能力强于一阶广义伪贝叶斯方法,在同一滤波精度下,其计算量仅仅为二阶广义伪贝叶斯算法的分之一(r为模型集中子模型个数),成功地避免了全假设滤波算法的计算量随着时间呈指数增长的问题。所以一经提出,就受到了广泛的关注并被成功地应用于目标跟踪领域。然而,传统的IMM算法的状态转移矩阵是根据先验信息确定(即为主观确定)的且不能更改,没有考虑后验信息(即模型实时概率变化对转移概率的影响),导致跟踪不准确。
发明内容
本发明的目的是提供一种基于转移概率矩阵自适应的交互多模型目标跟踪算法,通过模型概率更新后得到的后验信息(模型概率变化率),分析转移概率矩阵的变化情况,然后采用双曲正弦反函数对其进行实时修正,解决了现有技术中由于先验信息错误,且不能实时更新导致的目标跟踪精度不高的问题。
为解决上述问题,本发明采用以下技术方案:
一种转移概率自适应的交互多模型目标跟踪方法,包括如下步骤:
步骤1、通过传感器采集目标的运动轨迹测量值并建立目标的运动模型集;
步骤2、根据先验知识设定初始模型的概率、模型转移概率矩阵;
步骤3、根据状态转移矩阵指导子模型进行输入交互;
步骤4、滤波器并行工作,对每个子模型下的目标运动轨迹进行跟踪;
步骤5、根据子模型的似然函数更新各个运动模型的概率;
步骤6、根据更新后的模型概率,采用双曲正弦反函数对状态转移矩阵进行修正;
步骤7、根据运动模型概率输出交互。
作为本案发明的进一步方案,步骤1具体为:
步骤(1.1)、通过传感器采集目标轨迹的测量值。
步骤(1.2)、建立目标运动模型集M=[M1,M2,…,Mr](r为模型集中子模型的概率),子模型需要覆盖目标主要的运动模型,但数量不能太多以免引起模型间不必要竞争,影响跟踪精度。
第j个模型Mj(j=1,2,…r)的状态方程为:
Xj(k+1)=Φj(k)Xj(k)+Gj(k)Wj(k)
量测方程为:
Z(k)=H(k)X(k)+V(k)
其中Xj(k+1)表示k+1时刻模型Mj中目标的1×n维状态向量,Z(k)表示k时刻模型Mj中目标的1×m观测向量,Φj(k-1)为模型Mj的状态转移矩阵,Gj表示模型Mj的噪声矩阵,H为观测矩阵,Wj(k)是模型Mj状态噪声序列,V(k)是模型Mj量测值噪声序列,k表示采样时间。
作为本案发明的进一步方案,步骤2具体为:
步骤(2.1)、根据先验知识,主观地设置步骤1中各个子模型的初始概率ui(1)(i=1,2,…r);
步骤(2.2)、根据先验知识,主观地设置步骤1中模型间的初始马尔科夫状态转移矩阵Π:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安理工大学,未经西安理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710632242.6/2.html,转载请声明来源钻瓜专利网。