[发明专利]一种基于模型的联合跟踪与识别方法

摘要

本发明公开了一种基于模型的联合跟踪与识别方法，目的是提高跟踪和识别的准确率。技术方案是先对目标运动状态与传感器观测进行建模，对目标状态、目标识别概率进行初始化；根据观测数据预测目标运动状态模型和观测模型；对目标的状态和类别进行联合跟踪与识别，得到目标状态估计和目标识别概率估计值；判断目标识别概率估计值中的最大值是否大于阈值，若大于，则说明识别结果已经确定，输出跟踪和识别结果，跟踪识别结束。本发明实现了基于宽带雷达目标运动学和距离像观测的联合预测，实现了目标状态与类型的联合跟踪与识别，采用本发明可利用连续跟踪信息有效提高目标的正确识别概率和跟踪准确性，扩展联合传统目标跟踪与识别方法的适用范围。

主权项

1.一种基于模型的联合跟踪与识别方法，其特征在于包括以下步骤：第一步，对目标运动状态与传感器观测进行建模，方法是：1.1建立目标的运动状态模型：对在x‑y二维平面内作近似匀速运动的目标建立如公式(1)所示的状态演化模型：x_k＝Fx_k‑1+w_k    (1)式中，表示k时刻的目标状态，包含位置分量pos_k＝[x_k y_k]^T和速度下标k表示采样时刻，T为转置符号；w_k＝[w_1k w_2k w_3k w_4k]^T为目标运动过程噪声且表示w_k服从均值为0、协方差矩阵为Q的多维高斯分布，代表高斯分布函数，代表均值为0、协方差矩阵为Q的多维高斯函数；F为目标的状态转移矩阵，且Q和F的具体表达式为其中，T_s为目标采样间隔，q为噪声强度；1.2建立雷达传感器对目标的观测模型：1.2.1建立目标的运动学观测模型，如公式(3)所示：式中，h(x_k)为x_k的运动学观测方程；β_k表示k时刻包含了观测噪声的目标方位，r_k表示k时刻包含了观测噪声的距离信息；v_k＝[v_1,k v_2,k]^T，表示v_k服从均值为0、协方差矩阵为R的多维高斯分布，R表示观测噪声协方差矩阵；1.2.2建立目标的距离像观测模型，如公式(4)所示d_k＝g(φ_k,S)+n_k＝IDFT{E_i＝E(f_i,φ_k,γ_k,S),i＝0,1,2,…,I}+n_k    (4)式中，g(φ_k,S)表示距离像观测方程，φ_k为k时刻目标方向角，γ_k表示k时刻目标的俯仰角，当目标在二维平面内运动时γ_k≈0，S＝{a_n,α_n,(x_n,y_n,z_n)；n＝1,...,N}为目标的三维散射中心模型，IDFT表示逆离散傅立叶变换，E(·)为频率响应函数，E_i表示f_i在E(·)中的响应结果，I为频点个数，n_k为I维零均值高斯观测噪声矢量；E(f_i,φ_k,γ_k,S)的具体形式用公式(5)表示为其中f_i为第i个频点对应的信号频率，f_c为雷达载频，c为光速，j为虚数单位，a_n表示第n个散射中心的幅度，(x_n,y_n,z_n)表示第n个散射中心在三维空间中的坐标，α_n为第n个散射中心的类型参数，N为散射中心数目；f_i在[f_c‑B/2,f_c+B/2]区间范围内，通过公式(6)来选取式中，B为信号带宽，在几十到几百MHz量级，I的取值范围在几十到几百之间；方向角φ_k通过公式(7)来确定由公式(3)和(4)得到k时刻目标运动学和距离像的联合观测{z_k,d_k}，以及从τ＝0时刻到τ＝k时刻为止目标运动学和距离像的联合观测集Υ^k，表示由{z₀,d₀}，…，{z_τ,d_τ}…{z_k,d_k}组成的集合；第二步：初始化，方法为：2.1对目标状态进行初始化，方法是：采用个并行工作的粒子滤波器对目标进行联合跟踪与识别，为实际应用条件下出现的目标的类别数，真实出现的目标在k＝0时刻的状态为x₀，每个滤波器k时刻由一组带权值的粒子组成，这组带权值的粒子即滤波器0时刻表示为k时刻的滤波器表示为每个粒子代表目标状态的一种可能假设，粒子权值的大小表示对目标状态近似贡献度；第个粒子滤波器中第个粒子在k＝0时刻通过公式(8)初始化为式中，表示第个滤波器中的粒子总数，为第个滤波器中的粒子序号，表示粒子的k＝0时刻权值大小，表示粒子从均值为x₀、协方差矩阵为P₀的多维高斯分布函数中进行随机采样得到，P₀为k＝0时刻的对角矩阵；2.2对k＝0时刻第个粒子滤波器的目标识别概率进行初始化，如公式(9)所示式中，γ⁰表示k＝0时刻目标运动学和距离像的联合观测集；2.3取q为小于1的正数，令T_s为小于5的正数，对公式(2)中的Q和F进行初始化；2.4对公式(6)中的f_i进行初始化，得到I个频点，i＝0,1,2,…,I，即f₀，…，f_i，…，f_I均按公式(6)初始化为相同的值；第三步，令k＝1；第四步，从雷达接收k时刻的观测数据z_k，预测k时刻的目标运动状态模型和观测模型，方法是：令k‑1时刻第l个粒子滤波器表示为第个粒子滤波器对应目标的状态估计为k‑1时刻第个粒子滤波器的目标识别概率估计值为个粒子滤波器并行预测k时刻的目标运动状态模型和观测模型，个粒子滤波器的预测过程完全相同；第个粒子滤波器对k时刻的目标运动状态模型和观测模型预测过程为：4.1令粒子序号4.2预测第个粒子k时刻的目标运动状态4.3预测第个粒子k时刻的目标运动学观测模型4.4预测第个粒子k时刻的目标方向角4.5预测第个粒子k时刻的目标距离像式中，为第类目标的三维散射中心模型；4.5计算第个粒子k时刻的目标的运动学观测似然为观测的似然函数，表示均值为协方差矩阵为R的多维高斯分布函数；4.6用与d_k进行匹配，得到第个粒子k时刻的目标距离像观测似然式中，表示d_k和的相关函数，||d_k||表示对d_k取l₂范数，表示对取l₂范数，表示对d_k和取矢量点积；4.7计算第个粒子k时刻的粒子的联合权值4.8判定是否小于为第个粒子滤波器包含的粒子个数，若满足，令转4.2；否则，转4.9；4.9计算第个粒子滤波器k时刻的累积权值4.10对第个粒子滤波器中的联合权值进行归一化，得到归一化后的联合权值个粒子滤波器按4.1‑4.10并行预测，得到k时刻个关于目标运动状态与观测模型相关的归一化后的联合权值；第五步，估计k时刻目标的状态和类别，实现联合跟踪与识别，方法是：5.1计算k时刻个粒子滤波器得到的目标状态估计，得到其中计算k时刻第个粒子滤波器得到的目标状态估计的方法是：5.2计算k时刻个粒子滤波器的目标识别概率估计值，得到其中k时刻第个粒子滤波器的目标识别概率估计值的计算方法是：5.3获取k时刻最终的目标状态估计方法是：第六步，找到中的最大值P_max，判定P_max是否大于等于阈值Th，Th≥0.60，若P_max≥Th，则输出目标的状态估计结束；若P_max小于阈值Th，令k＝k+1，转第四步，进行下一时刻的联合跟踪与识别。