基于模糊控制优化粒子滤波的目标检测前跟踪方法及系统

1.本发明属于目标跟踪领域，尤其涉及一种基于模糊控制优化粒子滤波的目标检测前跟踪方法及系统。


背景技术：

2.在现实环境中，雷达所检测到的目标信息往往包含大量的噪声干扰，目标的运动状态也会受到各种因素的影响，因此雷达的目标跟踪问题是一个典型的非线性非高斯模型。粒子滤波算法是一种基于蒙特卡罗方法的非线性滤波算法，可用于处理非线性、非高斯问题，被广泛应用于雷达目标跟踪领域。经典的粒子滤波算法基于重采样技术，其本质是复制权重较大的粒子，舍弃权重较小的粒子。采用经典粒子滤波算法对目标进行跟踪时，随着时间的迭代，粒子群中会存在大量相同的粒子，粒子群的多样性受损，搜索能力下降并容易陷入局部最优。因此会导致目标跟踪精度的降低，跟踪轨迹偏离真实轨迹，甚至出现漏跟踪和虚报误警等问题。
3.针对经典粒子滤波存在的粒子贫化问题，基于智能优化思想的粒子滤波算法是发展的主要方向。遗传算法是一种通过模拟生物自然选择和遗传机制的随机搜索算法，将问题的可行解视为携带多个基因的染色体，通过选择、交叉、变异等操作产出优良的种群。但是遗传算法具有高度随机性，这可能导致粒子分布不均，出现空白区域，导致丢失跟踪目标；同时遗传算法作为一种优化算法，需要大量时间搜索最优解，从而导致跟踪的实时性较差。粒子群优化算法中每一个粒子都代表一个问题的可能解，通过粒子的个体最优值和种群最优值更新粒子的位置和速度，达到优化的目的。但是粒子群优化算法对初始状态较为敏感，如果初始状态选择的不合适，可能会导致算法陷入局部极值，从而无法得到全局最优解。尤其是在雷达目标跟踪场景下，往往缺乏对目标的先验信息，因此粒子群优化算法容易陷入局部最优。同时粒子群优化算法需要大量的计算，导致跟踪的实时性较差。


技术实现要素：

4.为了解决现有技术中存在的问题，本发明提供一种基于模糊控制优化粒子滤波的目标检测前跟踪方法(particle filter based on fuzzy control optimization for track before detect,fco-pf-tbd)，在粒子滤波检测前跟踪算法的重采样阶段，通过一个双输入单输出的模糊控制器，控制粒子向高似然区域移动，经过多次迭代移动后，使得大部分粒子处于高似然区域的同时保有粒子的多样性，从而解决粒子贫化的问题，提高跟踪的精度。
5.为了实现上述目的，本发明采用的技术方案是：一种基于模糊控制优化粒子滤波的目标检测前跟踪方法，包括以下步骤：
6.s1，确定粒子数，初始化粒子集，粒子集中的粒子表示待跟踪目标可能的状态；
7.s2，预测粒子状态，根据当前时刻对待跟踪目标的实际量测值计算每一个粒子的权重；
8.s3，将权重最大的粒子作为最优粒子，确定最优区域，计算其他粒子与最优粒子间的归一化距离，得到最优区域内粒子比；
9.s4，将s3所得结果作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；模糊控制器为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离；输入二为最优区域粒子比；
10.s5，依据移动系数更新粒子状态，将权重较低的粒子向高似然区域方向移动；
11.s6，执行s3至s5迭代移动多次，直到最优区域内粒子数超过设定的阈值，根据粒子群的状态估计待跟踪目标的状态，完成当前时刻雷达目标的检测前跟踪。
12.s2中，依据系统的状态方程和k-1时刻粒子的状态向量，预测k时刻粒子的状态向量
[0013][0014]
式中，f(
·
)为系统的状态方程，w为目标运动的过程噪声，
[0015]
通过k时刻的系统量测值zk，使用递推估计的方法计算k时刻粒子的权重如下：
[0016][0017]
其中，为重要性密度函数，为模型的概率密度函数，为状态转移概率密度函数。
[0018]
在雷达场景下，目标在k时刻的状态向量为：
[0019]
sk＝[xk，v
x，k
，yk，v
y，k
]
t
[0020]
其中xk、yk为目标在x方向和y方向的位置，v
x，k
、vx
，k
为目标在x方向和y方向的速度；
[0021]
雷达在分辨单元(i，j，m)在k时刻的量测强度为：
[0022][0023]
其中，为雷达的量测噪声，是满足均值为零，方差为σ2的高斯白噪声，且独立于采样时刻与各分辨单元；为目标在分辨单元(i，j，m)上的回波强度值，在k时刻雷达的量测如下式：
[0024][0025]
其中ar、ab、ad分别为雷达的距离、方位、多普勒单元数量。
[0026]
s3中，将权重最大的粒子作为最优粒子，确定最优区域时，最优粒子记为x
best
(k)，以x
best
(k)为中心，半径为d
area
的空间为最优区域，统计最优区域内的粒子数，记作n
area
，具体表达式为：
[0027]narea
＝count{||xi(k)-x
best
(k)||≤d
area
}；
[0028]
计算其他粒子与最优粒子间的归一化距离，得到最优区域内粒子比具体如下：
[0029]
除最优粒子外，粒子集中的剩余粒子称为其他粒子，计算其他粒子与最优粒子的空间归一化距离di与最优区域内粒子比p
area
；
[0030]
粒子群中其他粒子与最优粒子的空间归一化距离di的计算如下：
[0031][0032]
其中，d
max
表示粒子间可能的最大距离；
[0033]
最优区域内粒子比为：
[0034][0035]
将s3所得结果作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；模糊控制器为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离；输入二为最优区域粒子比具体如下：
[0036]
归一化距离di划分为远、适中、近3个模糊子集，对应的模糊集合分别为f、m、n；模糊子集f的隶属度函数为左梯形函数，模糊子集m的隶属度函数为三角形函数，模糊子集n的隶属度函数为右梯形函数；
[0037]
归一化最优区域粒子比p
area
划分为聚集度低和聚集度适中2个模糊子集，聚集度低对应的模糊集合为l，聚集度适中对应的模糊集合为m，模糊子集l的隶属度函数为左梯形函数，模糊子集m的隶属度函数为右梯形函数；
[0038]
移动系数α划分为大、适中、小3个模糊子集，对应的模糊集合为b、m、s，模糊子集s的隶属度函数为z型函数，隶属度函数为：
[0039][0040]
其中，as与bs分别表示z型隶属度函数的左切点与右切点；
[0041]
模糊子集m的隶属度函数为高斯型函数，隶属度函数为：
[0042][0043]
其中，c为高斯型隶属度函数的中心值，σ为高斯型隶属度函数的标准差；
[0044]
模糊子集b的隶属度函数为s型函数，隶属度函数为：
[0045][0046]
其中，ab与bb分别表示s型隶属度函数的左切点与右切点；
[0047]
模糊推理依照6条模糊规则：
[0048]
(1)如果归一化距离为n，最优区域粒子比为l，则移动系数为s；
[0049]
(2)如果归一化距离为m，最优区域粒子比为l，则移动系数为m；
[0050]
(3)如果归一化距离为f，最优区域粒子比为l，则移动系数为b；
[0051]
(4)如果归一化距离为n，最优区域粒子比为m，则移动系数为s；
[0052]
(5)如果归一化距离为m，最优区域粒子比为m，则移动系数为s；
[0053]
(6)如果归一化距离为f，最优区域粒子比为m，则移动系数为m。
[0054]
采用中心平均法解模糊算法，根据隶属度函数的中心值进行解模糊，得到移动系数α。
[0055]
s5中，根据模糊控制器输出的移动系数α，控制粒子向高似然区域移动，粒子更新后的状态具体表达式为：
[0056][0057]
其中，表示粒子i在k时刻经过s+1次迭代后的状态，表示粒子i在k时刻经过s次迭代后的状态。
[0058]
s3中，最优区域内粒子数的阈值设定为m，当最优区域内粒子数超过阈值m时，则根据粒子群的状态，估计k时刻系统的状态xk；
[0059][0060]
当最优区域内粒子数小于阈值m时，执行s2。
[0061]
基于所述方法的构思，还提供一种基于模糊控制优化粒子滤波的目标检测前跟踪系统，包括初始化模块、粒子状态预测模块、粒子参数获取模块、移动系数获取模块、粒子移动模块以及循环迭代模块；
[0062]
初始化模块用于确定粒子数，初始化粒子集，粒子集中的粒子表示待跟踪目标可能的状态；
[0063]
粒子状态预测模块用于预测粒子状态，根据当前时刻对待跟踪目标的实际量测值计算每一个粒子的权重；
[0064]
粒子参数获取模块用于将权重最大的粒子作为最优粒子，确定最优区域，计算其他粒子与最优粒子间的归一化距离，得到最优区域内粒子比；
[0065]
移动系数获取模块用于将粒子与最优粒子间的归一化距离、最优区域内粒子比作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；模糊控制器为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离；输入二为最优区域粒子比；
[0066]
粒子移动模块依据移动系数更新粒子状态，将权重较低的粒子向高似然区域方向移动；
[0067]
基于粒子参数获取模块、移动系数获取模块以及粒子移动模块的迭代运行，直到最优区域内粒子数超过设定的阈值，根据粒子群的状态估计待跟踪目标的状态，完成当前时刻雷达目标的检测前跟踪。
[0068]
另外提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行，所述处理器执行程序时能
实现本发明所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法。
[0069]
本发明同时提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法。
[0070]
与现有技术相比，本发明至少具有以下有益效果：
[0071]
本发明提出了基于模糊控制优化粒子滤波的目标检测前跟踪方法，首先计算其他粒子与最优粒子间的归一化距离，设定最优区域半径并计算最优区域内粒子占比，通过模糊控制系统控制粒子移动，在迭代中不断优化粒子群的空间分布，使得大部分粒子聚集在高似然区域附近；同时设置最优区域内粒子数阈值，当最优区域内粒子数达到阈值时停止粒子移动，防止过量的粒子聚集，保证粒子群的多样性；本方法避免对粒子简单的复制和舍弃，控制最优区域内粒子占比，保持粒子群的多样性，具有更高的跟踪精度，与目前主流的基于智能优化思想的粒子滤波改进算法相比，本方法采用模糊控制器控制粒子移动，可以自适应地应用于不同的环境和场景，并且其规则可以用自然语言进行表述，符合人的思维方式，具有更好的鲁棒性与可解释性，同时计算量更少。
附图说明
[0072]
图1为基于模糊控制优化粒子滤波的目标检测前跟踪方法流程图；
[0073]
图2为粒子与最优粒子间归一化距离的模糊化规则关系图；
[0074]
图3为最优区域内粒子比的模糊化规则关系图；
[0075]
图4为移动系数的模糊化规则关系图；
[0076]
图5为模糊控制器输入一的系统函数关系图(输入一指代粒子与最优粒子间归一化距离)；
[0077]
图6为模糊控制器输入二的系统函数关系图(输入二指代最优区域内粒子比)；
[0078]
图7为模糊控制器总体系统函数关系图；
[0079]
图8为目标跟踪轨迹效果对比图；
[0080]
图9为目标跟踪误差对比图。
具体实施方式
[0081]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。
[0082]
图1是本发明一个实施例的基于模糊控制优化粒子滤波的目标检测前跟踪方法流程图。
[0083]
如图1所示，基于模糊控制优化粒子滤波的目标检测前跟踪方法包括：
[0084]
步骤s1，初始化粒子集，每个粒子由状态向量x以及对应的权重ω组成。假设粒子个数为n，采样自初始概率分布p(x0)，记作加权粒子集在初始状态时，每个粒子的权重均相同，为1/n；
[0085]
步骤s2，依据系统的状态方程和k-1时刻粒子的状态向量，预测k时刻粒子的状态向量如式(1)所示：
[0086][0087]
式中，f(
·
)为系统的状态方程，w为目标运动的过程噪声。
[0088]
通过k时刻的系统量测值zk，使用递推估计的方法计算k时刻粒子的权重如式(2)所示：
[0089][0090]
式(2)中，为重要性密度函数，为模型的概率密度函数，为模型的概率密度函数，为状态转移概率密度函数；
[0091]
在雷达场景下，目标在k时刻的状态向量如式(3)所示：
[0092]
sk＝[xk，v
x，k
，yk，v
y，k
]
t
ꢀꢀꢀꢀ
(3)
[0093]
其中xk、yk为目标在x方向和y方向的位置，v
x，k
、v
y，k
为目标在x方向和y方向的速度。
[0094]
根据目标的位置与速度信息，可以计算得到目标k时刻的距离rk、多普勒dk、方位bk：
[0095][0096][0097][0098]
雷达量测为一系列三维图像，每帧量测图像包括ar×ab
×ad
个分辨单元，其中ar、ab、ad分别为雷达的距离、方位、多普勒单元数量。每个分辨单元包括一个ur×
ub×
ud的长方体区域，其中ur、ub、ud为雷达的距离、方位、多普勒单元的单位距离。雷达在分辨单元(i，j，m)在k时刻的量测强度为：
[0099][0100]
其中，为雷达的量测噪声，是满足均值为零，方差为σ2的高斯白噪声，且独立于采样时刻与各分辨单元；为目标在分辨单元(i，j，m)上的回波强度值，雷达对于目标信号强度的检测可以用点扩散函数表示，如式(8)所示：
[0101][0102]
其中，cr、cb、cd为衰减系数；ri、dj、bm为雷达在分辨单元(i，j，m)的距离、多普勒、方位信息；rk、dk、bk为目标的距离、多普勒、方位信息。
[0103]
在k时刻雷达的量测如式(9)所示：
[0104][0105]
步骤s3，选择权重最大的粒子作为其他粒子移动的基准，记为最优粒子x
best
(k)。
[0106]
步骤s4，计算最优区域内粒子数n
area
，确定以x
best
(k)为中心，半径为d
area
的空间为最优区域，最优区域内的粒子数n
area
计算如式(10)所示：
[0107]narea
＝count{||xi(k)-x
best
(k)||≤d
area
}
ꢀꢀꢀꢀ
(10)
[0108]
当最优区域内粒子数量过多时，粒子过于聚集，会严重影响下一时刻的搜索范围。最优区域内粒子数的阈值设定为m，当最优区域内粒子数超过该阈值时，则停止移动粒子，保证粒子群的多样性。即：如果n
area
《m，则执行步骤s5，否则执行步骤s8。
[0109]
步骤s5，除最优粒子外，粒子集中的剩余粒子称为其他粒子。计算其他粒子与最优粒子的空间归一化距离di与最优区域内粒子比p
area
。
[0110]
粒子群中其他粒子与最优粒子的空间归一化距离di的计算如式(11)所示：
[0111][0112]
其中，d
max
表示粒子间可能的最大距离。
[0113]
最优区域内粒子比的计算如式(12)所示：
[0114][0115]
步骤s6，将步骤s5中计算的归一化距离di与最优区域粒子比p
area
作为模糊控制器的输入，经过模糊化、模糊推理和解模糊操作后，输出移动系数α，移动系数α直接影响粒子向最优粒子移动的距离。通过移动系数α，将权重较小的粒子移动至高似然区域，避免经典重采样算法对粒子简单的复制和舍弃，因此本方法不损失粒子的多样性，可以避免粒子贫化的问题。
[0116]
本方法采用模糊控制器控制粒子移动，可以自适应地应用于不同的环境和场景，并且其规则可以用自然语言进行表述，符合人的思维方式，具有更好的鲁棒性与可解释性。作为一个可行的示例，本发明模糊控制器设计为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离di；输入二为最优区域粒子比p
area
；输出为移动系数α。依据本实施例的应用场景和数据情况，通过模型验证以及优化调整的方式，确定了模糊控制器的基本参数如下：
[0117]
在该实施例中，归一化距离di划分为3个模糊子集，分别为远、适中、近，对应的模糊集合分别为f、m、n，模糊子集f的隶属度函数为左梯形函数，模糊子集m的隶属度函数为三角形函数，模糊子集n的隶属度函数为右梯形函数。在该实施例中，归一化距离di的隶属度函数图像如图2所示。
[0118]
在该实施例中，归一化最优区域粒子比p
area
划分为2个模糊子集，分别为聚集度低、聚集度适中，对应的模糊集合为l、m。模糊子集l的隶属度函数为左梯形函数，模糊子集m的隶属度函数为右梯形函数。在该实施例中，归一化最优区域粒子比p
area
的隶属度函数图像如图3所示。
[0119]
在该实施例中，移动系数α划分为3个模糊子集，分别为大、适中、小，对应的模糊集合为b、m、s。
[0120]
模糊子集s的隶属度函数为z型函数，其隶属度函数如式(13)所示：
[0121][0122]
式(13)中，as与bs分别表示z型隶属度函数的左切点与右切点，在本实施例中，as取值为0，bs取值为0.5；模糊子集m的隶属度函数为高斯型函数，其隶属度函数如式(14)所示：
[0123][0124]
式(14)中，c为高斯型隶属度函数的中心值，σ为高斯型隶属度函数的标准差，在本实施例中，c取值为0.5，σ取值为0.08；模糊子集b的隶属度函数为s型函数，其隶属度函数如式(15)所示：
[0125][0126]
式(15)中，ab与bb分别表示s型隶属度函数的左切点与右切点，在本实施例中，ab取值为0.5，bb取值为1；在该实施例中，移动系数α的隶属度函数图像如图4所示。
[0127]
根据上述的输入与输出，整理如下6条模糊规则：
[0128]
(1)如果归一化距离为n，最优区域粒子比为l，则移动系数为s；
[0129]
(2)如果归一化距离为m，最优区域粒子比为l，则移动系数为m；
[0130]
(3)如果归一化距离为f，最优区域粒子比为l，则移动系数为b；
[0131]
(4)如果归一化距离为n，最优区域粒子比为m，则移动系数为s；
[0132]
(5)如果归一化距离为m，最优区域粒子比为m，则移动系数为s；
[0133]
(6)如果归一化距离为f，最优区域粒子比为m，则移动系数为m。
[0134]
采用中心平均法解模糊算法，根据隶属度函数的中心值进行解模糊。
[0135]
在该实施例中，输入一的系统函数如图5所示，由系统函数图像可知，距离最优粒子越远的粒子，则输出的移动系数越大。
[0136]
在该实施例中，输入二的系统函数如图6所示，由系统函数图像可知，最优区域内粒子比越低，输出的移动系数越大。
[0137]
在该实施例中，模糊控制器总体的系数函数如图7所示，由系统函数图像可知，对于归一化距离较远的粒子，系统输出的移动系数较大，对于归一化距离较近的粒子，系统输出的移动系数也较小；在最优区域的粒子数逐渐增加至阈值的过程中，系统输出的移动系数也在逐渐变小；当最优区域的粒子数接近阈值时，对于归一化距离较远的粒子，系统输出适中的移动系数，对于其他粒子，系统输出较小的移动系数。综上所述，在该实施例中，模糊控制器基本满足粒子的移动规则。
[0138]
步骤s7，根据模糊控制器输出的移动系数α，控制粒子向高似然区域移动。粒子状态的更新如式(16)所示：
[0139][0140]
其中，表示粒子i在k时刻经过s+1次迭代后的状态，表示粒子i在k时刻经过s次迭代后的状态。令最大迭代次数为q，若当前迭代次数小于q，执行步骤s4；否则执行步骤s8。
[0141]
步骤s8，根据粒子群的状态，估计k时刻系统的状态xk。如式(17)所示：
[0142][0143]
令k＝k+1，执行步骤s2，进行下一时刻的估计。
[0144]
参照图8，分别采用经典粒子滤波的目标检测前跟踪方法(pf-tbd)、基于粒子群优化的粒子滤波的目标检测前跟踪方法(pso-pf-tbd)与本发明提出的基于模糊控制优化粒子滤波的目标检测前跟踪方法对同一目标进行跟踪。粒子群优化算法是一种群智能算法，粒子按照自身的历史最优位置和邻域最优位置两个因素进行搜索，在多维空间中寻找最优解。在粒子滤波检测前跟踪算法上应用粒子群优化算法，可以提高检测精度且具有较强的鲁棒性，是目前粒子滤波检测前跟踪的主要改进方法之一。但缺点是需要大量的计算，实时性较差，容易陷入局部最优。
[0145]
如图8所示，其中标注为pf-tbd的估计轨迹为经典粒子滤波算法的跟踪效果，标注为pso-pf-tbd的估计轨迹为经典粒子滤波算法，标注为fco-pf-tbd的估计轨迹为本发明提出的方法。其中，pso-pf-tbd算法设置学习因子c1＝c2＝2，惯性权重最大值为0.9，最小值为0.3，权重线性递减，粒子最大速度为1，最小速度为-1，最大迭代次数为10。fco-pf-tbd算法设置最大迭代次数40次，最优区域半径为3，最优区域内粒子比的阈值为0.8。
[0146]
如图9所示，相较于经典的pf-tbd方法与目前主流的pso-pf-tbd方法，本发明提出的基于模糊控制优化粒子滤波的目标检测前跟踪算法的跟踪精度更高，以均方根误差作为跟踪精度的考量标准，经典粒子滤波的均方根误差为2.1846，基于粒子群优化的粒子滤波检测前跟踪算法的均方根误差为1.2154，本发明提出的方法均方根误差为0.9751。
[0147]
基于粒子群优化的粒子滤波检测前跟踪算法在每次迭代开始时，都需要重新计算每个粒子的适应度，用于更新个体的历史最优位置和种群的最优位置，这一过程将耗费更多的时间，从而导致整个跟踪系统的响应速度变慢。
[0148]
表1
[0149][0150]
参照表1，对不同粒子数下，三种方法平均每帧的运算时间进行比较。如表1所示，本发明提出的方法在运行速度上优于粒子群优化算法，与传统的粒子滤波算法运行速度相当，具有较好的实时性。
[0151]
在本实施例中，介绍了本发明提出的优化方法在雷达目标跟踪场景的应用。本发明提出的方法适用于多种目标跟踪场景，包括但不限于雷达目标跟踪、红外目标跟踪、可见光目标跟踪等场景，采用不同技术方法跟踪的情况下，基于跟踪技术中对目标状态参量或者监测信息对应所述方法中粒子的状态向量进行优化跟踪即可。
[0152]
基于所述方法的构思，还提供一种基于模糊控制优化粒子滤波的目标检测前跟踪系统，包括初始化模块、粒子状态预测模块、粒子参数获取模块、移动系数获取模块、粒子移动模块以及循环迭代模块；
[0153]
初始化模块用于确定粒子数，初始化粒子集，粒子集中的粒子表示待跟踪目标可能的状态；
[0154]
粒子状态预测模块用于预测粒子状态，根据当前时刻对待跟踪目标的实际量测值计算每一个粒子的权重；
[0155]
粒子参数获取模块用于将权重最大的粒子作为最优粒子，确定最优区域，计算其他粒子与最优粒子间的归一化距离，得到最优区域内粒子比；
[0156]
移动系数获取模块用于将粒子与最优粒子间的归一化距离、最优区域内粒子比作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；模糊控制器为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离；输入二为最优区域粒子比；
[0157]
粒子移动模块依据移动系数更新粒子状态，将权重较低的粒子向高似然区域方向移动；
[0158]
基于粒子参数获取模块、移动系数获取模块以及粒子移动模块的迭代运行，直到最优区域内粒子数超过设定的阈值，根据粒子群的状态估计待跟踪目标的状态，完成当前时刻雷达目标的检测前跟踪。
[0159]
本发明还可以提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行，处理器执行计算机可执行程序时能实现本发明所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法。
[0160]
另一方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法。
[0161]
所述计算机设备可以采用笔记本电脑、桌面型计算机或工作站。
[0162]
对于本发明所述处理器，可以是中央处理器(cpu)、图形处理器(gpu)、数字信号处理器(dsp)、专用集成电路(asic)或现成可编程门阵列(fpga)。
[0163]
对于本发明所述存储器，可以是笔记本电脑、桌面型计算机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
[0164]
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、固态硬盘(ssd，solid state drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(reram，resistance random access memory)和动态随机存取存储器(dram，
dynamic random access memory)。
[0165]
最后说明的是，以上所述，仅为说明本发明的具体实施方式，但本发明创造的保护范围并不局限于此，熟悉本技术领域的技术人员应该明白，在本发明技术方案的基础上，根据本发明创造的技术方案及其发明构思做出的修改或变形，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于模糊控制优化粒子滤波的目标检测前跟踪方法，其特征在于，包括以下步骤：s1，确定粒子数，初始化粒子集，粒子集中的粒子表示待跟踪目标可能的状态；s2，预测粒子状态，根据当前时刻对待跟踪目标的实际量测值计算每一个粒子的权重；s3，将权重最大的粒子作为最优粒子，确定最优区域，计算其他粒子与最优粒子间的归一化距离，得到最优区域内粒子比；s4，将s3所得结果作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；模糊控制器为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离；输入二为最优区域粒子比；s5，依据移动系数更新粒子状态，将权重较低的粒子向高似然区域方向移动；s6，执行s3至s5迭代移动多次，直到最优区域内粒子数超过设定的阈值，根据粒子群的状态估计待跟踪目标的状态，完成当前时刻雷达目标的检测前跟踪。2.根据权利要求1所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法，其特征在于，s2中，依据系统的状态方程和k-1时刻粒子的状态向量，预测k时刻粒子的状态向量1时刻粒子的状态向量，预测k时刻粒子的状态向量式中，f(
·
)为系统的状态方程，w为目标运动的过程噪声，通过k时刻的系统量测值z
k
，使用递推估计的方法计算k时刻粒子的权重如下：其中，为重要性密度函数，为模型的概率密度函数，为状态转移概率密度函数。3.根据权利要求1所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法，其特征在于，在雷达场景下，目标在k时刻的状态向量为：s
k
＝[x
k
，v
x，k
，y
k
，v
y，k
]
t
其中x
k
、y
k
为目标在x方向和y方向的位置，v
x，k
、v
y，k
为目标在x方向和y方向的速度；雷达在分辨单元(i，j，m)在k时刻的量测强度为：其中，为雷达的量测噪声，是满足均值为零，方差为σ2的高斯白噪声，且独立于采样时刻与各分辨单元；为目标在分辨单元(i，j，m)上的回波强度值，在k时刻雷达的量测如下式：其中a
r
、a
b
、a
d
分别为雷达的距离、方位、多普勒单元数量。4.根据权利要求1所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法，其特征
在于，s3中，将权重最大的粒子作为最优粒子，确定最优区域时，最优粒子记为x
best
(k)，以x
best
(k)为中心，半径为d
area
的空间为最优区域，统计最优区域内的粒子数，记作n
area
，具体表达式为：n
area
＝count{||x
i
(k)-x
best
(k)||≤d
area
}；计算其他粒子与最优粒子间的归一化距离，得到最优区域内粒子比具体如下：除最优粒子外，粒子集中的剩余粒子称为其他粒子，计算其他粒子与最优粒子的空间归一化距离d
i
与最优区域内粒子比p
area
；粒子群中其他粒子与最优粒子的空间归一化距离d
i
的计算如下：其中，d
max
表示粒子间可能的最大距离；最优区域内粒子比为：5.根据权利要求1所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法，其特征在于，将s3所得结果作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；模糊控制器为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离；输入二为最优区域粒子比具体如下：归一化距离d
i
划分为远、适中、近3个模糊子集，对应的模糊集合分别为f、m、n；模糊子集f的隶属度函数为左梯形函数，模糊子集m的隶属度函数为三角形函数，模糊子集n的隶属度函数为右梯形函数；归一化最优区域粒子比p
area
划分为聚集度低和聚集度适中2个模糊子集，聚集度低对应的模糊集合为l，聚集度适中对应的模糊集合为m，模糊子集l的隶属度函数为左梯形函数，模糊子集m的隶属度函数为右梯形函数；移动系数α划分为大、适中、小3个模糊子集，对应的模糊集合为b、m、s，模糊子集s的隶属度函数为z型函数，隶属度函数为：其中，a
s
与b
s
分别表示z型隶属度函数的左切点与右切点；模糊子集m的隶属度函数为高斯型函数，隶属度函数为：其中，c为高斯型隶属度函数的中心值，σ为高斯型隶属度函数的标准差；模糊子集b的隶属度函数为s型函数，隶属度函数为：
其中，a
b
与b
b
分别表示s型隶属度函数的左切点与右切点；模糊推理依照6条模糊规则：(1)如果归一化距离为n，最优区域粒子比为l，则移动系数为s；(2)如果归一化距离为m，最优区域粒子比为l，则移动系数为m；(3)如果归一化距离为f，最优区域粒子比为l，则移动系数为b；(4)如果归一化距离为n，最优区域粒子比为m，则移动系数为s；(5)如果归一化距离为m，最优区域粒子比为m，则移动系数为s；(6)如果归一化距离为f，最优区域粒子比为m，则移动系数为m。采用中心平均法解模糊算法，根据隶属度函数的中心值进行解模糊，得到移动系数α。6.根据权利要求1所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法，其特征在于，s5中，根据模糊控制器输出的移动系数α，控制粒子向高似然区域移动，粒子更新后的状态具体表达式为：其中，表示粒子i在k时刻经过s+1次迭代后的状态，表示粒子i在k时刻经过s次迭代后的状态。7.根据权利要求1所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法，其特征在于，s3中，最优区域内粒子数的阈值设定为m，当最优区域内粒子数超过阈值m时，则根据粒子群的状态，估计k时刻系统的状态x
k
；当最优区域内粒子数小于阈值m时，执行s2。8.一种基于模糊控制优化粒子滤波的目标检测前跟踪系统，其特征在于，包括初始化模块、粒子状态预测模块、粒子参数获取模块、移动系数获取模块、粒子移动模块以及循环迭代模块；初始化模块用于确定粒子数，初始化粒子集，粒子集中的粒子表示待跟踪目标可能的状态；粒子状态预测模块用于预测粒子状态，根据当前时刻对待跟踪目标的实际量测值计算每一个粒子的权重；粒子参数获取模块用于将权重最大的粒子作为最优粒子，确定最优区域，计算其他粒子与最优粒子间的归一化距离，得到最优区域内粒子比；移动系数获取模块用于将粒子与最优粒子间的归一化距离、最优区域内粒子比作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；模糊控制器为双输入单输出结构，输入一为其他粒子与最优粒子的归一化距离；输入二为最优区域粒子比；粒子移动模块依据移动系数更新粒子状态，将权重较低的粒子向高似然区域方向移
动；基于粒子参数获取模块、移动系数获取模块以及粒子移动模块的迭代运行，直到最优区域内粒子数超过设定的阈值，根据粒子群的状态估计待跟踪目标的状态，完成当前时刻雷达目标的检测前跟踪。9.一种计算机设备，其特征在于，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行，所述处理器执行程序时能实现权利要求1-7任一项所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法。10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现权利要求1-7任一项所述的基于模糊控制优化粒子滤波的目标检测前跟踪方法。

技术总结
本发明涉及一种基于模糊控制优化粒子滤波的目标检测前跟踪方法及系统，属于目标跟踪领域。预测粒子状态并计算粒子权重，将权重最大的粒子作为最优粒子，将最优粒子附近的空间作为最优区域；计算粒子与最优粒子间的距离和最优区域内粒子比，将其作为模糊控制器的输入，经过模糊化、模糊推理、解模糊过程后，输出移动系数；依据移动系数更新粒子状态，将权重较低的粒子向高似然区域方向移动；迭代多次，直到最优区域内粒子数超过阈值；根据粒子的状态估计目标的状态。本发明能够有效地缓解粒子贫化问题，提高跟踪精度，通过模糊控制器控制粒子移动，自适应地应用于不同的环境和场景，并且其规则可以用自然语言进行表述，具有良好的鲁棒性与可解释性。的鲁棒性与可解释性。的鲁棒性与可解释性。


技术研发人员：李学楠 王志国 刘天聪
受保护的技术使用者：西安交通大学
技术研发日：2023.06.26
技术公布日：2023/9/6