[发明专利]机动目标跟踪方法及装置

说明书

本发明公开了一种机动目标跟踪方法及装置，应用于目标跟踪技术领域。该方法包括：将机动目标的目标特征信息表示为多个语义模糊集，并根据多个语义模糊集构建T‑S语义模糊多模型，T‑S语义模糊多模型包括多个子模型。基于无迹卡尔曼滤波算法进行后件参数辨识，确定各子模型的目标状态和目标状态协方差。基于模糊C回归聚类算法进行前件参数辨识，确定各子模型的前件参数的目标模糊隶属度函数。根据各子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数，得到机动目标的状态估计和协方差估计。根据机动目标的状态估计和协方差估计，预测机动目标的轨迹。该方法可提高目标跟踪的精确度。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种机动目标跟踪方法及装置。

背景技术

目标跟踪是根据目标的过去状态和观测，精确地预测和估计目标的未来轨迹。为了获取目标的精确位置、速度和加速度，设计目标的精确模型是非常关键的。其中，交互多模型(Interacting Multiple Model，IMM)算法选择多个并行模型，并根据马尔可夫概率转移矩阵在各并行模型之间进行切换来有效地预测和估计目标的轨迹。然而，由于模型切换机制的存在，使得IMM算法在切换过程中容易造成较大的误差。特别是对于不确定性模型的估计，标准的IMM算法更加降低了模型匹配和状态估计的精度。因此，IMM算法的关键是滤波方法的选择。

近年来，为了提高IMM算法的估计精度，基于非线性滤波的多模型算法是目前应用最广泛的多模型算法，比较流行的非线性滤波方法是扩展卡尔曼滤波(Extended KalmanFilter，EKF)。然而，随着动态系统非线性的加剧，EKF的性能急剧下降，这就存在目标跟踪的精确度较低的问题。

发明内容

本发明实施例的主要目的在于提供机动目标跟踪方法及装置，可提高目标跟踪的精确度。

本发明实施例第一方面提供了一种机动目标跟踪方法，所述方法包括：将机动目标的目标特征信息表示为多个语义模糊集，并根据多个所述语义模糊集构建T-S语义模糊多模型，所述T-S语义模糊多模型包括多个子模型；基于无迹卡尔曼滤波算法进行后件参数辨识，确定各所述子模型的目标状态和目标状态协方差；基于模糊C回归聚类算法进行前件参数辨识，确定各所述子模型的前件参数的目标模糊隶属度函数；根据各所述子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数，得到所述机动目标的状态估计和协方差估计；根据所述机动目标的状态估计和所述协方差估计，预测所述机动目标的轨迹。

本发明实施例第二方面提供了一种机动目标跟踪装置，所述装置包括：构建模块，用于将机动目标的目标特征信息表示为多个语义模糊集，并根据多个所述语义模糊集构建T-S语义模糊多模型，所述T-S语义模糊多模型包括多个子模型；确定模块，用于基于无迹卡尔曼滤波算法进行后件参数辨识，确定各所述子模型的目标状态和目标状态协方差；所述确定模块，还用于基于模糊C回归聚类算法进行前件参数辨识，确定各所述子模型的前件参数的目标模糊隶属度函数；计算模块，用于根据各所述子模型的目标状态、目标状态协方差以及前件参数的目标模糊隶属度函数，得到所述机动目标的状态估计和协方差估计；预测模块，用于根据所述机动目标的状态估计和所述协方差估计，预测所述机动目标的轨迹。

从上述实施例可知，通过利用多个语义模糊集对目标特征信息进行模糊表示，构建T-S语义模糊多模型，从而高精度地逼近动态模型。另外，在T-S语义模糊多模型中，利用基于模糊C回归聚类算法实现对前件参数的辨识，同时，为了实现非线性特征，引入无迹卡尔曼滤波算法辨识后件参数，进而有效地对目标进行精确跟踪。

附图说明

图1是本发明提供的第一实施例中的机动目标跟踪方法的实现流程示意图；

图2是本发明提供的第二实施例中的机动目标跟踪方法的实现流程示意图；

图3是本发明提供的第二实施例中的步骤202的细化步骤的流程示意图；