[发明专利]基于神经网络估计多目标跟踪系统参数的方法及系统

说明书

本发明公开基于神经网络估计多目标跟踪系统参数的方法及系统，其中该方法包括：S1、获取实际交通场景的雷达数据，并对雷达数据进行处理；S2、将处理好的雷达数据分为训练数据与测试数据，搭建神经网络模型并使用训练数据对神经网络模型进行训练，其中，神经网络模型用于输出多目标跟踪系统的参数；S3、当神经网络模型训练完成后，使用测试数据测试神经网络模型，获取并评估神经网络模型输出的多目标跟踪系统的参数；S4、循环执行步骤S2和S3，直至多目标跟踪系统的参数满足预设的精确度阈值，并调节多目标跟踪系统。通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，实现了多目标跟踪系统参数的自适应调节。

技术领域

本发明涉及雷达技术领域，尤其涉及基于神经网络估计多目标跟踪系统参数的方法及系统。

背景技术

在智能城市建设与自动驾驶辅助系统领域中，由于毫米波雷达具有实时检测车辆目标和行人目标的位置和运动状态的能力，是多目标跟踪系统的主要传感器之一。多目标跟踪算法是多目标跟踪系统的核心技术，其中一种实现方式为：将多假设跟踪算法(Multiple Hypothesis Tracking,MHT)和联合概率数据关联滤波算法(JointProbabilistic Data Association Filter,JPDAF)这两种算法将数据关联作为核心，把多目标跟踪问题视为多个独立的单目标跟踪问题进行处理，实质是利用单目标贝叶斯滤波算法完成对单个目标的状态估计，其缺点是当目标数量增多、场景复杂且系统中各个算法的参数值不合理时导致多目标跟踪效果差，所以只适用于跟踪目标较少且目标运动方式简单的场景，如航空领域。

进而，为了可以对多目标运动与观测模型进行建模，基于随机有限集(RandomFinite Set，RFS)的多目标跟踪算法成为了多目标跟踪系统中比较热门的算法，该算法能够直接对具有杂波环境下目标的个数与状态进行跟踪与检测，避免繁琐的数据关联，但算法本身的计算复杂程度随着目标个数增加而剧增，所以只适用于目标较少的场景。在此基础上，为了提高滤波算法的性能，Mahler提出了一种将后验概率密度取一阶统计矩的滤波算法，称为多目标概率假设密度(Probability Hypothesis Density，PHD)，大大减少了运算量。但是，在随机集框架下的滤波算法仍然存在缺点：系统中各个算法的参数值不合理时跟踪效果差，同时没有提供检测目标的航迹，目标仍然不能够进行区分，故而不能称其为多目标跟踪器。为了解决航迹识别问题，广义标签多伯努利随机集滤波器(GeneralizedLabeled Multi-Bernoulli,GLMB)应势而生，该滤波器在随机有限集中引入了标签的概念，因此在多目标跟踪领域展现出巨大优势，如今被广泛应用以及进一步拓展，但是仍然无法解决如何快速为多目标跟踪系统中的各个算法选取合理参数的问题，导致多目标跟踪系统的性能无法得到完全发挥。

发明内容

本发明的目的在于提供基于神经网络估计多目标跟踪系统参数的方法及系统，通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，以实现系统参数自适应。

为了实现上述目的，本发明提供如下技术方案：

一种基于神经网络估计多目标跟踪系统参数的方法，包括：

S1、获取实际交通场景的雷达数据，并对所述雷达数据进行处理；

S2、将处理好的雷达数据分为训练数据与测试数据，搭建神经网络模型并使用所述训练数据对所述神经网络模型进行训练，其中，所述神经网络模型用于输出多目标跟踪系统的参数；

S3、当所述神经网络模型训练完成后，使用所述测试数据测试所述神经网络模型，获取并评估所述神经网络模型输出的所述多目标跟踪系统的参数；

S4、循环执行步骤S2和S3，直至所述多目标跟踪系统的参数满足预设的精确度阈值，并基于满足预设的精确度阈值的所述多目标跟踪系统的参数调节多目标跟踪系统。