本發(fā)明涉及一種基于機動檢測的目標軌跡快速提取方法。
背景技術(shù)：
：現(xiàn)代態(tài)勢處理日益復雜，因區(qū)域中目標多存在機動，態(tài)勢處理過程中要監(jiān)控的目標軌跡情況復雜多變，觀測目標軌跡點的數(shù)據(jù)量巨大。面對海量原始目標軌跡數(shù)據(jù)，在需要快速查看某一目標歷史軌跡時，如何獲得目標機動軌跡拐點，用盡量少的機動點跡完整描述其運動狀態(tài)，提升態(tài)勢處理時效性，顯得越來越迫切。目標經(jīng)常在不同運動狀態(tài)間轉(zhuǎn)換以實現(xiàn)其運動意圖，故而單一的運動模型跟蹤算法很難精確描述其運動狀態(tài)。針對機動目標跟蹤問題，當前較成熟的算法是交互式多模型算法(interactingmultiplemodelalgorithm，imm)。該算法采用多個運動模型濾波器并行工作，各模型之間以轉(zhuǎn)移概率矩陣進行轉(zhuǎn)換。通過多模型的交互作用，得到目標的狀態(tài)估計。相比較單一運動模型濾波器，交互式多模型在機動目標跟蹤中有明顯的優(yōu)勢。然而imm算法是不進行機動檢測的自適應(yīng)跟蹤算法，對機動明顯的目標，當機動特性的先驗假設(shè)與實際不符時，其跟蹤效果很差。yaakovbar-shalom等介紹的機動檢測方法，以濾波新息建立的檢測統(tǒng)計量為依據(jù)，通過設(shè)定閾值來判斷目標是否發(fā)生機動。范紅旗等分析說明了由于濾波器q效應(yīng)的約束，基于跟蹤濾波器信息的機動檢測無法同時獲得快速的機動檢測性能和良好的機動檢測概率。技術(shù)實現(xiàn)要素：發(fā)明目的：為避免q效應(yīng)對機動檢測的影響，本發(fā)明利用觀測位置和狀態(tài)估計值獲得觀測窗內(nèi)距離變化率的累積做機動檢測。引入機動因子，可在跟蹤效果不佳時對濾波器初始化。另外，機動因子的設(shè)置影響機動發(fā)生條件，通過修改機動因子，控制算法機動程度?，F(xiàn)實環(huán)境中目標數(shù)量繁多，態(tài)勢展現(xiàn)中想要提取目標所有軌跡點，數(shù)據(jù)量巨大，查詢緩慢。本發(fā)明針對該問題，提出了一種基于機動檢測的目標軌跡快速提取的方法。為實現(xiàn)上述目的，本發(fā)明在傳統(tǒng)imm算法增加了量測確認。在量測確認時，進行觀測空間窗內(nèi)的速度信息檢測，通過調(diào)整機動因子，獲得目標軌跡的機動點，從而形成機動軌跡。本發(fā)明在目標軌跡快速提取中具有較大的實用價值。本發(fā)明包括如下步驟：步驟1，選擇勻速cv模型和常加速ca模型作為imm算法的濾波器，對各個濾波器的狀態(tài)估計進行狀態(tài)估計的交互輸出；步驟2，利用量測值和交互輸出后的狀態(tài)估計值獲得觀測窗口內(nèi)速度變化率的累積，做機動檢測，進行量測確認；步驟3，濾波器分別進行濾波，并計算模型可能性；步驟4，對模型概率進行更新；步驟5，模型交互，輸出imm算法的濾波值。步驟1-1，設(shè)置目標運動狀態(tài)為勻速(constantvelocity，cv)和常加速(constantacceleration，ca)的交替變換，σv為運動模型過程噪聲標準差，σr為量測噪聲標準差，t為采樣時間間隔。選擇cv模型和ca模型作為imm算法的濾波器。為了矩陣運算的維數(shù)一致，令cv模型狀態(tài)向量擴展成6維。cv模型狀態(tài)向量：ca模型狀態(tài)向量：其中，表示勻速cv模型狀態(tài)向量，表示常加速ca模型狀態(tài)向量，k為表示時刻，xk-1為k-1時刻的x軸的坐標值，為k-1時刻的x軸的速度，yk-1為k-1時刻的y軸的坐標值，為k-1時刻的y軸的速度，為k-1時刻的x軸的加速度，為k-1時刻的x軸的加速度；步驟1-2，令表示從模型i轉(zhuǎn)移到模型j的轉(zhuǎn)移概率(先驗給定)，uk-1(i)(i＝1,2)表示k-1時刻濾波模型的概率，其中uk-1(1)表示cv模型濾波器的概率，uk-1(2)表示ca模型濾波器的概率，計算標準化因子：步驟1-3，計算濾波器交互概率uk-1|k-1(i|j)：步驟1-4，令表示k-1時刻模型的狀態(tài)輸出，j為1時表示k-1時刻勻速cv模型的狀態(tài)輸出，j為2時表示k-1時刻常加速ca模型的狀態(tài)輸出，計算交互作用后，模型j的狀態(tài)輸出：其中，表示k-1時刻交互計算后j模型的狀態(tài)輸出；步驟1-5，令pj(k-1|k-1)(j＝1,2)表示模型的狀態(tài)協(xié)方差矩陣，j為1時pj(k-1|k-1)表示k-1時刻勻速cv模型的狀態(tài)協(xié)方差矩陣，j為2時pj(k-1|k-1)表示k-1時刻常加速ca模型的狀態(tài)協(xié)方差矩陣，交互計算狀態(tài)協(xié)方差矩陣：其中，poj(k-1|k-1)表示k-1時刻交互計算后j模型的狀態(tài)協(xié)方差矩陣。步驟2包括如下步驟：步驟2-1，令z(k)表示k時刻的量測值，z(k)＝[xkyk]'，其中，xk表示k時刻x軸的坐標值，yk表示k時刻y軸的坐標值，令空間觀測窗口長度為n，通過如下公式計算空間觀測窗口內(nèi)觀測點的速度轉(zhuǎn)變的累加fv：步驟2-2，通過如下公式計算空間觀測窗口內(nèi)觀測點速度轉(zhuǎn)變絕對值的累加fabs：步驟2-3，引入機動因子δ，δ∈(0,1]，將fabs>|fv|*δ作為機動發(fā)生的條件，對濾波器重新初始化。濾波器初始化時刻的觀測點保存下來，即機動點，形成機動點跡。步驟2-4，若未發(fā)生機動，即fabs≤|fv|*δ，將poj(k-1|k-1)及z(k)作為k時刻第j個模型的輸入，分別進行模型濾波。步驟3包括如下步驟：步驟3-1，由于cv、ca濾波器是不同的系統(tǒng)模型，他們有不同的狀態(tài)向量、狀態(tài)轉(zhuǎn)移矩陣、狀態(tài)轉(zhuǎn)移模型誤差協(xié)方差矩陣。但他們都是相同的濾波模型，采用卡爾曼濾波器。這里分別說明cv、ca的系統(tǒng)模型，統(tǒng)一說明他們的濾波模型。其中σv為運動模型過程噪聲標準差，t為采樣時間間隔。cv模型狀態(tài)轉(zhuǎn)移矩陣f1為：勻速cv模型的誤差協(xié)方差矩陣q1為：步驟3-2，常加速ca模型狀態(tài)轉(zhuǎn)移矩陣f2為：常加速ca模型的誤差協(xié)方差矩陣q2為：步驟3-3，對k-1時刻的狀態(tài)估計做一步預(yù)測：其中，fj表示模型狀態(tài)轉(zhuǎn)移矩陣，j為1時表示cv模型狀態(tài)轉(zhuǎn)移矩陣，j為2時表示常加速ca模型狀態(tài)轉(zhuǎn)移矩陣；步驟3-4，對協(xié)方差的一步預(yù)測如下：pj(k|k-1)＝fj*poj(k-1|k-1)*fj'+qj；其中fj'表示fj的轉(zhuǎn)置；步驟3-5，令h為量測矩陣，h'表示h的轉(zhuǎn)置。r為噪聲協(xié)方差矩陣，通過如下公式計算模型新息協(xié)方差步驟3-6，計算新息步驟3-7，計算模型j的可能性步驟3-8，計算增益kj(k)：步驟3-9，通過如下狀態(tài)更新方程更新狀態(tài)，其中表示更新后模型j的狀態(tài)向量：步驟3-10，通過如下協(xié)方差更新方程更新模型j的協(xié)方差：更新的模型j協(xié)方差將在步驟5中計算imm算法的協(xié)方差輸出。步驟4包括如下步驟：步驟4-1，模型j概率更新為uk(j)：其中，步驟5包括：通過如下公式計算imm算法的狀態(tài)向量輸出有益效果：本發(fā)明涉及一種態(tài)勢處理領(lǐng)域中關(guān)于目標所有軌跡點數(shù)據(jù)量大、查詢緩慢的快速提取方法，是一種利用機動檢測來快速提取目標軌跡的方法。本發(fā)明利用觀測位置和狀態(tài)估計值獲得觀測窗內(nèi)距離變化率的累積做機動檢測。引入機動因子，可在跟蹤效果不佳時對濾波器初始化。另外，機動因子的設(shè)置影響機動發(fā)生條件，通過修改機動因子，控制算法機動程度，達到快速提取目標軌跡的效果。附圖說明下面結(jié)合附圖和具體實施方式對本發(fā)明做更進一步的具體說明，本發(fā)明的上述或其他方面的優(yōu)點將會變得更加清楚。圖1為本發(fā)明基于機動檢測的目標軌跡快速提取方法的流程圖。圖2為本發(fā)明處理的目標原始軌跡圖。圖3為改進前的imm算法的部分中間結(jié)果以及效果圖。圖4為本發(fā)明所采用的改進后的1mm算法的部分中間結(jié)果以及效果圖。具體實施方式下面結(jié)合附圖及實施例對本發(fā)明做進一步說明。圖1為本發(fā)明基于機動檢測的目標軌跡快速提取方法的流程圖，具體內(nèi)容包括：對各個濾波器的狀態(tài)估計進行狀態(tài)估計的交互輸出，方法是：1.1、設(shè)置目標運動狀態(tài)為勻速(constantvelocity，cv)和常加速(constantacceleration，ca)的交替變換。設(shè)置目標初始位置(0km，0km)，量測噪聲是零均值的高斯白噪聲，噪聲標準差為σr＝100m，過程噪聲是零均值的高斯白噪聲，噪聲標準差為σv＝0.005m/s，目標運動采樣間隔t＝10s。運動狀態(tài)如表1。表1目標運動狀態(tài)運動狀態(tài)cvcacvcacv觀測點數(shù)80401015200vx0////ax00.0750-0.3/vy300////ay00.07500.1/選擇cv模型和ca模型作為imm算法的濾波器。為了矩陣運算的維數(shù)一致，令cv模型狀態(tài)向量擴展成6維。cv模型狀態(tài)向量：ca模型狀態(tài)向量：1.2、令表示從模型i轉(zhuǎn)移到模型j的轉(zhuǎn)移概率，u0＝[0.8，0.2]表示0時刻濾波模型的概率。計算標準化因子：1.3、計算模型概率：1.4、令為k-1時刻cv模型和ca模型的狀態(tài)輸出，計算模型j的交互狀態(tài)：1.5、令pj(k-1|k-1)(j＝1,2)表示兩模型的狀態(tài)協(xié)方差矩陣。計算狀態(tài)協(xié)方差矩陣：利用量測值和交互作用后的狀態(tài)估計值獲得觀測窗口內(nèi)速度變化率的累積，做機動檢測，進行量測確認，方法是：2.1、令z(k)表示k時刻的量測值，z(k)＝[xkyk]'，令空間觀測窗口長度n＝12，fv表示空間觀測窗口內(nèi)觀測點的速度轉(zhuǎn)變的累加：2.2、令fabs表示空間觀測窗口內(nèi)觀測點速度轉(zhuǎn)變絕對值的累加：2.3、機動因子δ＝0.75，將fabs>|fv|*0.75作為機動發(fā)生的條件，對濾波器重新初始化。濾波器初始化時刻的觀測點保存下來，即機動點，形成機動點跡。2.4、若未發(fā)生機動，即fabs≤|fv|*0.75，將poj(k-1|k-1)及z(k)作為k時刻第j個模型的輸入，分別進行模型濾波。濾波器模型分別進行濾波，并且計算模型可能性，方法是：3.1、由于cv、ca濾波器是不同的系統(tǒng)模型，他們有不同的狀態(tài)向量(1.1已說明)、狀態(tài)轉(zhuǎn)移矩陣、狀態(tài)轉(zhuǎn)移模型誤差協(xié)方差矩陣。但他們都是相同的濾波模型，采用卡爾曼濾波器。這里分別說明cv、ca的系統(tǒng)模型，統(tǒng)一說明他們的濾波模型。3.1.1、cv模型狀態(tài)轉(zhuǎn)移矩陣狀態(tài)轉(zhuǎn)移模型誤差協(xié)方差矩陣3.1.2、ca模型狀態(tài)轉(zhuǎn)移矩陣狀態(tài)轉(zhuǎn)移模型誤差協(xié)方差矩陣3.1.3、對k-1時刻的狀態(tài)估計做一步預(yù)測：3.1.4、協(xié)方差的一步預(yù)測：pj(k|k-1)＝fj*poj(k-1|k-1)*fj'+qj3.2、令h為量測矩陣，r為噪聲協(xié)方差矩陣，σr為量測噪聲標準差。計算模型新息協(xié)方差：3.3、計算新息：3.4、計算模型j的可能性：3.5、計算增益：3.6、狀態(tài)更新方程：3.7、協(xié)方差更新方程：模型概率更新，方法是：4.1、計算模型j概率更新為其中模型交互輸出，方法是：5.1、計算交互式模型的狀態(tài)向量輸出：圖2為本發(fā)明處理的目標原始軌跡圖。表1的運動狀態(tài)依次為目標按照時間先后的運動狀態(tài)，在cv與ca轉(zhuǎn)換時目標機動明顯。仿真設(shè)置目標運動345個觀測點。圖3為傳統(tǒng)imm跟蹤效果圖。圖4為采用本發(fā)明方法對目標機動軌跡快速提取的結(jié)果示意圖。圖3可看出傳統(tǒng)imm系統(tǒng)只在了濾波器開始時刻進行濾波初始化，跟蹤過程中即使跟蹤誤差增大也不再初始化。圖4可看出改進后的imm在δ＝0.75時，機動點數(shù)為6，這里機動點數(shù)增多是由于目標軌跡發(fā)生輕微的抖動也能對濾波器進行初始化，所以得到的機動點更多。此時形成的機動點跡更貼近觀測目標軌跡。通過在機動檢測中對機動因子的調(diào)節(jié)，抽取得到目標機動點，幾千甚至上萬的原始點可以簡化到幾百個或幾十個關(guān)鍵點來描述目標軌跡。利用關(guān)鍵點，既達到快速提取目標軌跡的效果，又能夠完整描述復雜的運動軌跡，較好地解決了快速提取歷史軌跡的應(yīng)用需求。本發(fā)明提供了一種基于機動檢測的目標軌跡快速提取方法，具體實現(xiàn)該技術(shù)方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。本實施例中未明確的各組成部分均可用現(xiàn)有技術(shù)加以實現(xiàn)。當前第1頁12