[发明专利]基于变结构多模型的机动目标跟踪方法

摘要

本发明提出了一种基于变结构多模型的机动目标跟踪方法，主要解决现有技术中目标跟踪精度低和目标跟踪不及时的问题。其实现步骤是：(1)对雷达探测到的目标运动状态进行采样，得到雷达量测值；(2)根据目标运动特性建立机动目标跟踪数学模型；(3)根据目标跟踪数学模型创建机动目标运动模型，并对其初始化；(4)通过模型集合自适应策略，得到每一时刻的目标运动模型集合；(5)根据雷达量测值和目标运动模型集合，运行变结构交互多模型算法，得到机动目标的状态估计，实现目标的一次跟踪；(6)重复执行步骤(4)和步骤(5)，直到跟踪结束。本发明在保证高跟踪精度的前提下，减小了运算量，提高了机动目标跟踪的及时性。

主权项

一种基于变结构多模型的机动目标跟踪方法，包括如下步骤：(1)通过雷达探测机动目标的状态信息即位置信息，对其进行N次采样，得到一个长度为N的量测值序列{z_k},k＝1,2,3...N；(2)建立机动目标跟踪数学模型：(2a)用下式对机动目标建立运动状态方程：x_k＝F_kx_k‑1+G_ku_k‑1+Γ_kw_k‑1其中x_k表示k时刻机动目标的状态向量，k为采样时刻；F_k表示k时刻的状态转移矩阵；x_k‑1表示k‑1时刻机动目标的状态向量；G_k表示k时刻的状态输入增益矩阵；u_k‑1代表k‑1时刻的状态输入；Γ_k表示k时刻的过程噪声增益矩阵；w_k‑1表示k‑1时刻的过程噪声，其均值和协方差分别为0和Q_k‑1的高斯白噪声序列；(2b)用下式建立机动目标的量测方程：z_k＝H_kx_k+v_k其中z_k代表k时刻的雷达量测值，k为采样时刻；H_k表示k时刻的量测矩阵；x_k表示k时刻机动目标的状态向量；v_k表示k时刻的量测噪声，其均值和协方差分别为0和R_k的高斯白噪声序列；(3)利用机动目标跟踪数学模型进行机动目标的状态估计：(3a)目标运动模型和模型参数的初始化：根据机动目标运动特性选择m个目标运动模型作为基本模型集j≤m，选择n个目标运动模型作为候选模型集j≤n，基本模型集和候选模型集之间相互独立，每个模型均能作为步骤(2a)状态方程中的一种状态输入；设在每一个采样周期里均有m+1个运动模型起作用，即m个基本模型和1个候选模型。设置m+1个目标运动模型的转移概率矩阵π_ji,i＝1,2,...m+1,j＝1,2,...m+1；根据目标运动特性设置目标运动模型的初始状态、初始协方差以及其他模型参数：k＝1,2,3,...N,i＝1,2,3,...m+1；根据目标运动模型数，初始化目标运动模型概率μ₀＝[1/m,1/m,...1/m,0]_1×(m+1)，其中[·]_1×(m+1)表示一个1行m+1列的矩阵，矩阵中模型概率为0表示此刻这个运动模型不起作用；(3b)根据模型集合自适应策略，确定每一时刻目标运动模型集合M_k,k＝1,2,3,...N：(3b1)根据期望模型扩展方法EMA，得出k时刻的期望模型：${\hat{S}}_k\underset{m^j\∈M_{k-1}}{\mathrm{\Σ}}{m}^j{\mathrm{\μ}}_{k-1}^j,k=\mathrm{1,2,3},...N,$其中为k‑1时刻m^j模型的概率；M_k‑1为k‑1时刻的模型集合；(3b2)根据期望模型与候选模型中模型的欧式距离，从候选模型集中选出k时刻与真实运动最匹配的运动模型${\hat{m}}_k=\underset{m_k^j\∈M_k^c}{\arg \min }\left|\right|{\hat{s}}_k-m_k^j||;$(3b3)根据最匹配运动模型得到k时刻的目标运动模型集合：$M_k=M_k^b+{\hat{m}}_k,k=\mathrm{1,2,3},...N;$(3c)根据步骤(1)中的雷达量测值z_k和步骤(3b)中的目标运动模型集合M_k，运行变结构交互多模型算法VSIMM[M_k,M_k‑1]，得到k时刻机动目标的状态估计，完成一个采样点的跟踪；(3d)判断跟踪是否完成，若k≤N，则跟踪未完成，k递增，进入步骤(3b)继续跟踪，否则目标跟踪过程结束。