[发明专利]多传感器存在监测区域部分重叠的扩展目标跟踪方法有效
申请号: | 201510166517.2 | 申请日: | 2015-04-09 |
公开(公告)号: | CN104778358B | 公开(公告)日: | 2017-11-10 |
发明(设计)人: | 陈金广;江梦茜;马丽丽;胡西民;王伟;王明明;赵雪青 | 申请(专利权)人: | 西安工程大学 |
主分类号: | G06F19/00 | 分类号: | G06F19/00 |
代理公司: | 西安弘理专利事务所61214 | 代理人: | 罗笛 |
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: | 本发明公开的多传感器存在监测区域部分重叠的扩展目标跟踪方法,对当前量测集进行滤波时使用的高斯分量为当前时刻预测的高斯分量,而非任一传感器量测更新后的高斯分量,使得各个传感器滤波更新后的结果相互独立;当各个传感器量测均参与滤波更新后,对所有传感器的结果高斯项进行判断若该传感器估计的高斯项中表示目标位置的分量落在重叠区域,则将其权值进行求平均值优化处理;最后,将所有传感器估计出的高斯项的权值、均值以及协方差合并为一个高斯分量作为下一时刻的预测高斯分量。本发明多传感器存在监测区域部分重叠的扩展目标跟踪方法消除了重叠区域带来的目标数目过估计问题以及为未重叠区域带来的量测信息严重丢失问题。 | ||
搜索关键词: | 传感器 存在 监测 区域 部分 重叠 扩展 目标 跟踪 方法 | ||
【主权项】:
多传感器存在监测区域部分重叠的扩展目标跟踪方法,其特征在于,具体按照以下步骤实施:步骤1、采用一个随机集表示k时刻扩展目标的状态;k时刻扩展目标的状态包括有如下信息:目标质心的位置、速度以及加速度;在随机集中:表示在k时刻第i个扩展目标的状态,Nx,k表示k时刻的目标数目;预先设定第i个扩展目标状态向量为其动态方程具体如下:xk+1(i)=Fkxk(i)+wk(i);]]>在动态方程中:Fk为目标的动态转移矩阵,将Fk作为线性高斯模型,采用卡尔曼滤波算法对目标进行跟踪;为协方差为的过程噪声;每个目标的动态转移方程采用的是同一个模型并且它们之间是相互独立的;扩展目标单个传感器的量测集为量测集是由传感器观测k时刻的真实目标的运动状态产生的数据信息集合,对于第i个扩展目标的状态产生的量测信息按如下算法实施:zk(j)=Hkxk(i)+ek(j);]]>式中,Hk表示目标量测矩阵,表示高斯白噪声且它的协方差为Rk;在k时刻,第i个扩展目标产生的量测个数服从泊松分布;即:表示相应扩展目标所产生量测个数的均值,在k时刻该扩展目标至少产生一个量测的概率,其概率值为:为一个已知的定义在目标的状态空间上的一个非负函数,则该扩展目标的检测概率为:其中,为第i个扩展目标能够被检测到的概率,为目标未被检测到的概率;在观测目标状态的同时,能观测到杂波信息,每一时刻杂波的数目服从一个随机变量为βFA,k的泊松分布,此处的随机变量βFA,k为在扩展目标跟踪中的杂波率,则在k时刻,单个传感器的扩展目标量测集Zk具体模型如下:Zk=z1,k(xk1)∪z2,k(xk2)...∪zNx,k(xkNx,k)∪Zc,k;]]>在上述模型中,Zc,k为k时刻的杂波集;在多个传感器共同形成的环境下,当前传感器的总个数为L,在k时刻,L个传感器接收到的量测集合为:Zk=Zk1∪Zk2∪...Zkm∪...ZkL;]]>其中,为第m个传感器接收到的量测信息;步骤2、经步骤1得到L个传感器的量测集合后,利用动态方程对扩展目标位置进行估计,具体按照以下步骤实施:步骤2.1、在扩展目标的初始位置,即k=0时刻,经计算得到扩展多目标的初始概率假设密度;初始概率假设密度具体按照以下算法实施:vk(x)=Σj=1Jkwk(j)N(x;mk(j),Pk(j));]]>在初始概率假设密度计算式中,Jk为初始目标的高斯项的个数,为初始目标的第j个高斯项的权值,为初始目标的第j个高斯项的均值,为初始目标的第j个高斯项的协方差;步骤2.2、经步骤2.1计算得到初始概率假设密度后,根据k‑1采样时刻的概率假设密度,预测出k时刻的概率假设密度;步骤2.3、对经步骤1得到的L个传感器的量测集合进行划分,得到划分后传感器的观测值,具体划分方法如下:在k时刻,多个扩展目标能够产生多个量测集,通过设定阈值来对空间内的L个传感器的量测集合进行划分,具体划分规则如下:用于划分量测集合的阈值大小取决于量测噪声与自由度n在距离概率处的逆累积分布函数值的乘积,此处设置自由度n=2时,效果最佳;将距离小于阈值的量测集合归为一个集合,并将该集合作为其中一个扩展目标产生的量测信息,最终获得划分后传感器的观测值;步骤2.4、根据步骤2.2预测得到的k时刻的概率假设密度,对经步骤2.3划分后传感器的观测值进行量测更新;步骤2.5、将步骤2.4处理后,对所得到的所有量测更新后的权值、均值以及协方差进行判断及合并;步骤2.6、经步骤2.5处理后,继续进行修剪与合并,修剪与合并具体按照以下方法实施:根据时间的推移以及目标的出现,高斯项数目会迅速增加,通过裁剪权值低于修剪门限的高斯项以达到减少高斯项个数的目的,修剪门限值设置为0.00005时效果最佳;将距离小于合并门限的高斯项合并到一起,合并门限值设置为4时效果最佳;步骤3、经步骤2完成对扩展目标位置估计后,将得到的当前时刻目标总的权值、均值以及协方差进行保存;返回步骤2.2,在下一时刻作为步骤2.2中的所需的目标初始权值、均值以及协方差,经多次循环后最终实现多传感器存在监测区域部分重叠的扩展目标跟踪;步骤2.2~步骤3为循环过程,循环至目标结束移动后结束,设定目标移动周期为100s。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
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工程大学,未经西安工程大学许可,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/patent/201510166517.2/,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算;推算;计数
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用