[發明專利]一種基于LSTM神經網絡的目標跟蹤方法

在審

• 申請號: 201910041887.1
• 申請日: 2019-01-14
• 公開（公告）號: CN109740742A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 王宏健;阮力;王瑩;高偉;何姍姍
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于LSTM神經網絡的目標跟蹤方法，屬于目標跟蹤技術領域。本發明利用長短時記憶模型(LSTM)對復雜、非線性運動的目標跟蹤，解決目標跟蹤困難、目標模型難以建立和跟蹤精度低的問題；首先采集目標的經緯度信息和速度信息，將采集的數據進行數據處理；然后設計用于單目標跟蹤的LSTM神經網絡結構；最后調節LSTM神經網絡參數以實現目標跟蹤。本發明有效的簡化了非線性濾波過程并能對復雜的非線性目標進行有效跟蹤；不需要建立目標運動模型和利用傳統的濾波算法；利用歷史的目標運動信息來預估下一時刻的目標運動狀態；利用反向傳播算法調節神經網絡的內部參數；學習率衰減的方法減小計算量并提高精度。

技術領域

本發明屬于目標跟蹤技術領域，具體涉及一種基于LSTM神經網絡的目標跟蹤方法。

背景技術

機動目標跟蹤是目前比較活躍的研究課題，如何快速、準確、可靠的跟蹤目標是目標跟蹤系統設計的主要目的。目標跟蹤，即對目標的位置、速度、姿態角等信息進行實時跟蹤和預測，目標跟蹤按照目標個數可分為單目標跟蹤和多目標跟蹤。大多數的單目標跟蹤是根據貝葉斯原理進行濾波估計,這種形式的目標跟蹤對運動復雜的目標跟蹤效果不理想、運動模型難以選取和計算量大。而在實際應用中目標的運動是復雜多變的，建立一個理想的運動模型十分困難并且非線性濾波計算量非常大。因此，探尋一個簡易、準確、可靠的目標跟蹤方法是具有重大的理論和實踐價值。目前，將神經網絡應用于目標跟蹤領域的文獻不多，具有代表性的例如文獻[1]魏守輝.多傳感器目標信息融合與跟蹤方法研究[D].南京:南京航空航天大學碩士學位論文,2005.將BP神經網絡和RBF神經網絡應用到信息融合算法和航跡融合算法中，通過仿真驗證了BP神經網絡和RBF神經網絡有效性，并通過對比分析發現RBF神經網絡具有訓練時間少和抗噪聲能力強的優點。文獻[2]肖林霞.基于卷積神經網絡的運動目標跟蹤研究[D].青島:山東科技大學碩士學位論文,2017.首先分析了EKF濾波算法、UKF濾波算法和CKF濾波算法對非線性目標跟蹤的性能，提出了基于小波模糊神經網絡的交互式多模型算法并驗證其可行性。文獻[3]崔亞奇、熊偉等.一種目標智能跟蹤方法通用設計框架[P].中國:20181004494.4.2018-01-16.提出了把航跡預測對應為人工智能領域中的時間序列預測問題，采用深度學習領域中的循環神經網絡，利用航跡預測訓練數據集，訓練生成初步的航跡預測方法；把點航關聯對應為人工智能領域中的分類判決問題；把航跡濾波對應為人工智能領域的中的模型參數學習問題。該文獻是提出了利用人工智能方法的多目標跟蹤的通用設計框架。文獻[4]崔亞奇、熊偉等.基于循環神經網絡的目標航跡預測方法[P].中國:201810040500.6.2018-01-06.主要提出的是基于合作航跡訓練集和雷達航跡訓練集，對目標航跡預測循環神經網絡進行訓練優化，生成與雷達相匹配的目標航跡預測方法。主要是解決現有的航跡預測方法模型簡單、復雜度低、通透性差和無法學習的問題。

現有的技術缺陷：實際情況下目標的運動是具有不確定性、不規律性、非線性等特點，對此類目標跟蹤存在運動模型難以建立和非線性濾波精度低等問題。現有的神經網絡常應用于目標跟蹤的數據融合領域、數據關聯領域和計算機視覺圖像處理等領域內。近年來逐步擴展到目標航跡預測方面，這屬于雷達目標跟蹤領域。例如文獻[1]將BP神經網絡和RBF神經網絡應用到信息融合算法和航跡融合算法中；文獻[2]提出了卷積神經網絡的運動目標跟蹤算法，該方法是應用到計算機視覺神經領域內；文獻[3]中提出了利用人工智能在目標跟蹤領域的通用設計框架，該文獻提出了將循環神經神經網絡應用于航跡預測的方法，但未詳細說明如何對神經網絡進行參數調優，是否采用梯度下降算法或反向傳播算法進行參數調優，以減少計算量和避免發生過擬合現象。文獻[4]主要提出的是基于合作航跡訓練集和雷達航跡訓練集，對目標航跡預測循環神經網絡進行訓練優化，生成與雷達相匹配的目標航跡預測方法。文獻中采用了與時間序列相關的循環神經網絡結構中的簡單循環神經網絡(SRNs)、門限循環神經網絡(GRUs)、長短時記憶循環神經網絡(LSTM)和增強循環神經網絡(augmented RNN)，方法是從上述四種循環神經網絡結構中選出最優結構來匹配相對應的復雜航跡目標預測。同樣該文獻未對上述神經網絡結構采用反向傳播算法調節參數使損失函數盡可能的小和未采用學習率衰減方法來減少計算量和提高精度。