一种机动扩展目标跟踪方法及系统

技术领域

本发明属于雷达跟踪技术领域，具体涉及一种机动扩展目标跟踪方法及系统。

背景技术

在雷达目标跟踪中，传统的雷达目标跟踪算法由于传感器分辨率的限制，目标被假设为一个没有空间扩展的点。然而，随着电子技术的不断发展，高分辨率传感器被广泛应用于目标跟踪领域，传感器可以在每次扫描时通过目标上的多个散射点获得多个测量值，从这多个测量值中可以提取目标的深层次特征信息，如轮廓、方向等扩展信息，称这种目标为扩展目标。近年来，经过国际学者的不断探索，这一领域也取得了巨大成就，相关研究成果也被应用于防空反导，自动驾驶等领域。但是，如何更好地从观测信息中提取出目标的形状，方向等信息仍然是扩展目标跟踪问题的焦点所在。扩展目标跟踪的本质是估计目标的实时状态，包括目标的位置和空间扩展。目前，针对2D传感器数据的扩展目标形态估计已经有了许多方法，其中一些方法是将目标轮廓估计为基本几何形状，比如椭圆或者矩形，另外一些方法为了得到更加真实的目标轮廓信息，将目标轮廓估计为曲线或者由多个基本几何形状构成的不规则形状；与此同时，目标的机动性能也在不断增强，当目标的运动形式发生变化时，传统的单模型算法往往无法直接应用，于是众多学者建立了不同的方法来进行机动目标的跟踪。但是当传感器的量测增加时，这些方法无法估计出机动扩展目标的形状信息。在此情况下针对机动扩展目标的跟踪成为一项不小的挑战。

对于大多数应用需求而言，将机动扩展目标的空间范围估计为基本的几何形状是合适的。针对椭圆形轮廓估计方法，主要有随机矩阵和随机超曲面的方法。但这些方法在目标发生机动且机动模型未知的情况下是难以实现对目标的精确跟踪。

神经网络技术的出现为机动扩展目标跟踪提供了新的研究方向。Nezhadarya等人建立了一个名为BoxNet的神经网络模型，该模型以边框回归为基础，通过观测的二维点云数据将目标轮廓描述为矩形，实现了对目标范围的估计。Simon等人通过将扩展目标的量测数据转化为双通道的图像数据，同时利用高斯模糊对历史量测值进行叠加处理，并通过设置缩放比例因子实现了对扩展目标的椭圆形状估计。但是，这些方法只是对单一模型运动的扩展目标能够进行准确跟踪，当目标发生机动时，并不能实时进行准确跟踪。而Liu等人通过利用长短期记忆网络(Long and short term memory networks，LSTM)实现了对状态转移矩阵的实时估计，并且取得了不错的性能；Yu等人设计了名为DeepGTT的网络实现了对机动目标的实时跟踪，除此之外还有其他方法。不过这些方法并没有考虑到机动扩展目标的特殊性，没有为机动扩展目标的跟踪建立统一有效的方法。

发明内容

本发明旨在解决现有技术的不足，提出一种机动扩展目标跟踪方法及系统，在雷达目标跟踪系统中，解决目标运动呈现高机动特性时的形状估计和位置估计问题。

为实现上述目的，本发明提供了如下方案：

一种机动扩展目标跟踪方法，包括以下步骤：

设定扩展目标的初始运动状态参数和形状参数；

收集量测数据，基于所述量测数据建立量测信息模型；

基于所述初始化运动状态参数建立所述扩展目标的运动模型，利用TFMTT模型计算所述运动模型的状态转移矩阵；

基于所述状态转移矩阵和所述量测信息模型，结合容积卡尔曼滤波对目标状态进行更新，得到所述扩展的目标位置信息；

利用alpha-shape算法基于所述形状参数获取所述扩展目标的大致轮廓，结合形状滤波器得到所述扩展目标的目标形状信息；

基于所述目标位置信息和所述目标形状信息进行位置匹配，完成目标跟踪。优选的，所述初始运动状态参数为：

x

其中，x

所述形状参数为：

α＝a

其中，α表示alpha-shape算法中所使用的外接圆的半径值，a表示初始设定的半径值参数。

优选的，所述量测信息模型为：

z

其中，y

优选的，所述运动模型为：

其中，F

所述状态转移矩阵为：

其中，L表示第一个维度上的位置增量，M表示第一个维度上的速度增量，N表示第二个维度上的位置增量，O表示第二个维度上的速度增量。

优选的，所述目标状态进行更新的方法包括：

预测步：

其中，C

更新步：

其中，S

估计步：

其中，

优选的，得到所述目标形状信息的方法包括：

选取α值，利用alpha-shape算法对量测集Z

通过所述形状滤波器得到所述目标形状信息：

其中，X

优选的，所述位置匹配的方法包括：

其中，

本发明还提供了一种机动扩展目标跟踪系统，所述跟踪系统应用上述任一项所述的跟踪方法，包括：参数设定模块、模型构建模块、矩阵计算模块、位置计算模块、形状计算模块和匹配模块；

所述参数设定模块用于设定扩展目标的初始运动状态参数和形状参数；

所述模型构建模块用于收集量测数据，基于所述量测数据建立量测信息模型；

所述矩阵计算模块基于所述初始化运动状态参数建立所述扩展目标的运动模型，利用TFMTT模型计算所述运动模型的状态转移矩阵；

所述位置计算模块基于所述状态转移矩阵和所述量测信息模型，结合容积卡尔曼滤波对目标状态进行更新，得到所述扩展的目标位置信息；

所述形状计算模块利用alpha-shape算法基于所述形状参数获取所述扩展目标的大致轮廓，结合形状滤波器得到所述扩展目标的目标形状信息；

所述匹配模块基于所述目标位置信息和所述目标形状信息进行位置匹配，完成目标跟踪。

与现有技术相比，本发明的有益效果为：

本发明利用所提出的理论算法对扩展目标的形状进行了准确估计，结合Transformer神经网络对扩展目标的运动状态进行了精确估计。所提出的方法能够对复杂环境下的机动扩展目标进行形态和状态的准确估计，并且使的估计的准确率得到有效提升。

附图说明

为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的方法流程示意图；

图2为本发明实施例的方法流程框图；

图3为本发明实施例的网络模型结构示意图；

图4为本发明实施例的航迹估计图；

图5为本发明实施例的航迹估计的局部放大图；

图6为本发明实施例的航迹估计图的弗雷歇距离-面积误差图；

图7为本发明实施例的航迹估计图的形状交并比；

图8为本发明实施例的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

在本实施例中，如图1、图2所示，一种机动扩展目标跟踪方法，包括以下步骤：

S1.设定扩展目标的初始运动状态参数和形状参数。

在本实施例中，为了更好地估计机动扩展目标的运动状态和形状，在使用该方法前需要对参数进行初始化设定，首先设定目标的初始化运动状态，初始运动状态参数为：

x

其中，x

形状参数为：

α＝a

其中，α表示alpha-shape算法中所使用的外接圆的半径值，a表示初始设定的半径值参数。

S2.收集量测数据，基于量测数据建立量测信息模型。

在本实施例中，雷达工作的原理是利用电磁波的反射特性，并以此来测定目标的距离、方位等信息。首先雷达目标发生特定的信号，当信号到达目标后会后反射信号返回，返回的反射信号经过信号处理装置返回至滤波装置，并且在滤波装置中先对目标的速度、航向、形状等信息进行估计。雷达所获得的量测信息一般是含有噪声污染的，在此构建的量测信息模型为：

z

其中，y

S3.基于初始化运动状态参数建立扩展目标的运动模型，利用TFMTT模型计算运动模型的状态转移矩阵。

设定目标在k时刻开始可的运动状态为：

其中，F

计算状态转移矩阵：

p

p

v

v

其中，L表示第一个维度上的位置增量，M表示第一个维度上的速度增量，N表示第二个维度上的位置增量，O表示第二个维度上的速度增量，X

需要用神经网络来对参数L、M、N、O进行估计。神经网络的设计如图3所示。该模型的设计是本发明中较为重要的一个环节，该模型主要由2维卷积层、1维卷积层、6个编码层、6个解码层，1个展开层以及全连接层构成，通过前期的模型训练过程可以完成对状态转移矩阵参数的估计，各层的参数设置如下：

输入序列：2×20

2维卷积层：输入通道：1；输出通道：128；卷积核：2×2；步长：1；填充方式：无；

1维卷积层：前置输入：批标准化层；输入通道：128；输出通道：256；卷积核：1×2；步长：1；填充方式：无；

编码层：编码器输入大小：18；多头注意力模型数量：9；前馈网络中间维度：128；编码层数量：6；

解码层：编码器输入大小：18；多头注意力模型数量：9；前馈网络中间维度：128；编码层数量：6；

全连接层：输入层神经元数量：4608；输出层神经元数量：4；隐藏层数量：1；隐藏层神经元数量：1024。

S4.基于状态转移矩阵和量测信息模型，结合容积卡尔曼滤波对目标状态进行更新，得到扩展的目标位置信息。

目标状态进行更新的方法包括：

(1)预测步：

其中，C

(2)更新步：

其中，S

(3)估计步：

其中，

S5.利用alpha-shape算法基于形状参数获取扩展目标的大致轮廓，结合形状滤波器得到扩展目标的目标形状信息。

得到目标形状信息的方法包括：

在本实施例中，步骤S2中获得量测z

通过形状滤波器得到目标形状信息：

对k时刻的目标轮廓建模为：

其中：

其中，X

(1)预测步：

在更新形状信息之前，通常由预测步先对形状信息进行预测，即：

p(X

此时预测步的概率密度计算如下：

p(x

预测步的概率密度服从如下分布：

因此有：

其中，

(2)更新步：

得到k时刻的量测信息之后，结合预测步的形状信息对当前时刻的形状进行优化，即更新步：

p(X

更新步的概率密度计算如下：

进一步计算其联合概率密度：

因此有：

其中，

S6.基于目标位置信息和目标形状信息进行位置匹配，完成目标跟踪。

位置匹配的方法包括：

其中，

实施例二

在本实施例中，将结合仿真实验及附图对本发明的效果做进一步的描述。

仿真条件：

本发明的仿真运行系统为Intel(R)Core(TM)i5-8250U CPU@1.60GHz，64位Windows 11操作系统；

使用软件：MATLAB 2019a、Python 3.90、PyTorch 2.0；

对扩展目标的运动场景进行构建，以弗雷歇距离-面积误差和交并比(IOU)作为性能评价指标，通过仿真实验对实验结果进行分析。

在本场景下五角星目标在200个采样时刻分别在在四个时间段内依次按照匀速转弯、匀速运动的运动模型交替进行，在每个采样周期内产生的量测数量服从λ＝50的泊松分布，采样书时间在匀速转弯过程中为T＝0.4s，在匀速转弯过程中为T＝1.0s；过程噪声为均值为0，方差为q＝0.001的高斯噪声，量测噪声为均值为0，方差为2的高斯噪声。目标的初始运动状态为：

目标在匀速转弯运动阶段，过程噪声如下：

在匀速运动阶段，过程噪声如下：

选用对比的方法一(随机超曲面模型，Random Hypersurface Model,RHM)和方法二(高斯过程回归模型，Gaussian process regression model，GPR)的尺度因子服从均值为0.5，方差为0.002的高斯分布，其中随机超曲面模型形状先验参数为外接半径为3.8的圆形。

由图4的扩展目标航迹估计图可知：三种方法均可以正确的跟踪真实运动轨迹，一定程度上表明了各个滤波器在扩展目标的跟踪上具有适应性；另一方面，各个滤波器都能够正确估计扩展目标的轮廓形状，但是对形状估计的准确性仍存在差异。

图5为目标在运动过程中不同时刻的估计结果对比，可以直观看出，本发明所提算法在扩展目标形态估计上好于方法一和方法二，这是因为本发明在对当前时刻的形状进行估计的同时还有效的利用了历史量测信息来辅助估计当前扩展目标的量测信息，随意该方法在性能上好于其他两种方法，无论是目标形状还是目标的运动状态都更接近于目标真实运动轨迹，算法的优越性得以充分证明。

图6、图7呈现了在弗雷歇距离-面积误差评价指标以及交并比(IOU)指标下三种方法的性能，由图6、图7可以看出，在三种方法具有相同初始参数的条件下，本发明所提出的方法好于其他两种方法，因此，该方法可以有效地实现扩展目标的跟踪。

实施例三

在本实施例中，如图8所示，一种机动扩展目标跟踪系统，包括：参数设定模块、模型构建模块、矩阵计算模块、位置计算模块、形状计算模块和匹配模块。

参数设定模块用于设定扩展目标的初始运动状态参数和形状参数。

初始运动状态参数为：

x

其中，x

形状参数为：

α＝a

其中，α表示alpha-shape算法中所使用的外接圆的半径值，a表示初始设定的半径值参数。

模型构建模块用于收集量测数据，基于量测数据建立量测信息模型。

量测信息模型为：

z

其中，y

矩阵计算模块基于初始化运动状态参数建立扩展目标的运动模型，利用TFMTT模型计算运动模型的状态转移矩阵。

设定目标在k时刻开始可的运动状态为：

其中，F

状态转移矩阵为：

其中，L表示第一个维度上的位置增量，M表示第一个维度上的速度增量，N表示第二个维度上的位置增量，O表示第二个维度上的速度增量。

位置计算模块基于状态转移矩阵和量测信息模型，结合容积卡尔曼滤波对目标状态进行更新，得到扩展的目标位置信息。目标状态进行更新的方法包括：

预测步：

其中，C

更新步：

其中，S

估计步：

其中，

形状计算模块利用alpha-shape算法基于形状参数获取扩展目标的大致轮廓，结合形状滤波器得到扩展目标的目标形状信息。

得到目标形状信息的方法包括：

选取α值，利用alpha-shape算法对量测集Z

通过形状滤波器得到目标形状信息：

其中，X

匹配模块基于目标位置信息和目标形状信息进行位置匹配，完成目标跟踪。

位置匹配的方法包括：

其中，

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。