[發明專利]一種目標跟蹤定位方法、系統、裝置及可讀存儲介質

有效

• 申請號: 202110038824.8
• 申請日: 2021-01-12
• 公開（公告）號: CN112836354B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 鄒逸群;鄒雙
• 申請（專利權）人: 中南大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62;G06F111/04;G06F111/08
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 姚瑤

本發明公開了一種目標跟蹤定位方法、系統、裝置及可讀存儲介質，所述方法包括：構建目標的運動模型，并獲取目標的跟蹤初始狀態；其中，所述運動模型包括約束條件、目標的狀態更新方程以及目標的測量更新方程；利用有所述約束條件的卡爾曼濾波器對目標進行跟蹤定位；其中，利用卡爾曼濾波器進行跟蹤得到目標的狀態估計值，再基于概率密度函數截斷法對目標的狀態估計值進行約束得到有約束下的目標狀態估計值，實現目標跟蹤。本發明利用所述方法可以實現利用道路約束信息來提高機動目標的跟蹤精度。

技術領域

本發明屬于目標跟蹤技術領域，具體涉及一種目標跟蹤定位方法、系統、裝置及可讀存儲介質。

背景技術

目標跟蹤與定位是通過測量數據獲得對被跟蹤目標的位置、速度和其他運動參數的實時估計過程。目標跟蹤與定位問題在環境監測、網絡安全、醫療診斷、軍事偵察等諸多科學和工程領域都有所體現。其中，對機動目標的跟蹤與定位，即跟蹤道路上所行駛的車輛。比如公路上行駛的車輛受到公路形狀的約束，這就是典型的有約束的機動目標跟蹤問題。

卡爾曼濾波器是目標跟蹤與定位領域中使用的主要工具之一，它包括兩個階段：預測與更新。在預測階段，濾波器利用機動目標前一時刻的狀態估計，做出對當前時刻的狀態估計。在更新階段，濾波器利用對機動目標當前狀態的觀測值，優化在預測階段得到的預測值，得到一個更精確的新估計值。一般情況下，卡爾曼濾波器及其擴展在高斯噪聲下對機動目標的跟蹤表現良好，但在非高斯噪聲情形下，性能會變得糟糕，尤其當系統受到脈沖噪聲干擾時更甚。在目標跟蹤的真實場景中遇到非高斯噪聲是普遍的。

近年來信息理論學習的優化準則得到了越來越多的關注，直接使用數據估計的信息理論量(熵)而不是通常的二階統計測量(方差)。信息理論量可捕獲高階統計量，并在機器學習和信號處理的應用中顯著提升其性能。相關熵與信息熵直接相關，定義了數據空間的度量，可表示兩個隨機變量相似度的測量。在監督學習(如回歸)中，問題可表述為最大化模型輸出和期望響應之間的相關熵。在信息理論學習中將此優化準則稱為最大相關熵準則。最大相關熵準則已成功應用于卡爾曼濾波器，因此，如何將其應用于非高斯噪聲下的機動目標的狀態估計是具有非常重要的意義。

此外，在處理道路約束目標跟蹤問題時，常規目標跟蹤方法存在明顯的缺陷：一、常規方法不包含道路約束條件的先驗信息，導致信息的浪費；二、跟蹤的結果難以滿足約束條件，存在性能缺失。因此合理利用道路信息并提出相應的跟蹤方法能夠提高對機動目標跟蹤的精度。而目前有一些約束目標跟蹤方法，將約束條件納入估計器解決狀態估計問題，比較常見的有：模型降階法、完美量測法、估計投影法。模型降階法利用等式約束減少狀態向量的維度，獲得簡單模型約束狀態的最優估計，但是降階后物理意義不清晰；完美量測法把等式約束作為沒有噪聲的偽量測引入，將有約束的狀態估計問題轉換為觀測擴維的常規問題解決，但計算復雜，容易引起數值計算問題。

因此，如何合理的利用道路信息進行有效約束提高對機動目標跟蹤的精度，研究出一種處理非高斯噪聲下有道路約束的目標跟蹤方法尤為重要。

發明內容

本發明的目的是提供一種目標跟蹤定位方法、系統及可讀存儲介質，利用道路約束信息提高機動目標的跟蹤精度。

一方面，本發明提供的一種目標跟蹤定位方法，包括如下步驟：

構建目標的運動模型，并獲取目標的跟蹤初始狀態；其中，所述運動模型包括約束條件、目標的狀態更新方程以及目標的測量更新方程；

利用有所述約束條件的最大相關熵準則卡爾曼濾波器對目標進行跟蹤定位；

其中，利用最大相關熵準則卡爾曼濾波器進行跟蹤得到目標的狀態估計值，再基于概率密度函數截斷法對目標的狀態估計值進行約束得到有約束下目標的狀態估計值，實現目標跟蹤。