基于预测更新网络和动态波门的多机动目标跟踪方法

1.本发明属于雷达技术领域，更进一步涉及机动目标跟踪技术领域中的一种基于预测更新网络和动态波门的多机动目标跟踪方法。本发明可用于雷达观测的量测数据在多机动目标跟踪时，对运动模型进行实时动态调整和高精度目标跟踪。


背景技术：

2.机动目标跟踪的主要任务是在具有各类噪声和杂波的情况下，从获取的雷达点迹量测中，对机动目标进行精确可靠的探测。随着现代科学技术的快速发展，目标为躲避追踪或面对低空空域复杂多变的环境，飞行速度、转弯角速度、加速度等运动参数会随时发生变化。机动目标跟踪的难点在于面对不同环境和目标的复杂性，目标发生机动的类型和时刻难以预测，提前建立精确的目标运动模型来反映真实的目标运动具有很大难度。目前已有大量基于改进机动目标系统模型和借助卡尔曼增益或新息来检测机动的研究方法。这些方法存在以下问题：由于依赖预设模型和预设模型间的转移概率，并且难以在跟踪之前获得足够的信息来预先定义模型和依赖预设模型和预设模型间的转移概率，无法及时和准确地对机动运动进行自适应跟踪，影响机动目标的跟踪效率；由于机动目标运动的高动态性以及量测噪声的不确定性，存在模型失配和噪声估计不准确的情况，影响机动目标的跟踪精度。
3.jingxian liu等人在其发表的论文“a deep learning maneuvering target-tracking algorithm based on bidirectional lstm network”(information fusion 53 2020 289
–
304)中公开了一种基于双向lstm网络的深度学习机动目标跟踪方法。该方法的具体步骤是，(1)构建一个last数据库，为网络训练提供离线轨迹数据；(2)设计deepmtt网络，该网络由三个双向长短期记忆层、过滤层、maxout层和线性输出层组成；(3)将轨迹进行分段处理，再通过deepmtt网络进行跟踪预测，最后按照一定的比例将各轨迹段的处理结果进行融合。该方法存在的不足之处是，在跟踪机动目标轨迹时，需要将目标进行分段处理后预测，对于多个机动运动轨迹，每次只能选择一个目标的一段轨迹进行处理，不能同时将多个机动目标的轨迹直接输入网络进行跟踪预测，影响机动目标的跟踪效率。
4.西安电子科技大学在其申请的专利文献“基于lstm网络的多机动目标跟踪方法”(专利申请号201911057969.1，授权公告号cn 110780290 b)公开了一种应用lstm网络的机动目标跟踪方法。该方法实现的具体步骤是，(1)建立长短期记忆网络lstm；(2)生成训练数据集；(3)训练长短期记忆网络lstm；(4)利用长短期记忆网络lstm进行多机动目标资源分配；(5)利用卡尔曼滤波算法进行多机动目标跟踪。该方法存在的不足之处是，将通过lstm网络分配后的预测值和观测值直接作为卡尔曼滤波跟踪算法的输入，由于杂波的影响，观测值和预测值存在一定数量的错误关联数据，导致卡尔曼滤波算法接收到较多无效量测，影响机动目标的跟踪精度。


技术实现要素：

5.本发明的目的是针对上述现有技术的不足，提出一种基于预测更新网络和动态波门的多机动目标跟踪方法，旨在解决无法自适应准确估计多机动目标运动方式和机动目标运动状态预测错误率高的问题。
6.实现本发明目的的思路是，分别构建结构相同、参数设置不同的预测网络和更新网络。由于训练好的预测网络的输入是由待跟踪目标的数目、输入时间步长和待跟踪目标的状态向量维度组成的三维张量，因此，预测网络可以同时处理来自多个待跟踪目标的输入位置向量，并从预测网络的训练集中学习各种运动方式预测待跟踪目标的预测位置向量，规避了现有技术中需要对机动目标分段跟踪导致跟踪效率低的问题。本发明利用训练好的预测网络得到待跟踪目标的预测位置向量，利用新息协方差和存活权重设置待跟踪目标的预测位置向量与量测向量之间的统计距离，初始波门阈值，自适应波门阈值，并确定动态波门的大小；利用动态波门得到待跟踪目标的有效量测并判断该待跟踪目标是否出现机动；利用训练好的更新网络从有效量测中学习噪声特性来更新待跟踪目标的位置向量，以此解决现有技术由于无效量测过多导致对机动目标跟踪精度低的问题。
7.本发明的具体步骤如下：
8.步骤1，搭建一个由输入层，隐藏层，输出层，全连接层串连组成的预测网络；将输入层的输入维度设置为2，深度设置为3，输入时间步长设置为20，将隐藏层的维度设置为64，将全连接层的输入维度设置为64，输出维度设置为2；
9.步骤2，搭建一个与预测网络的结构相同的更新网络；将输入层的输入维度设置为2，深度设置为4，输入时间步长设置为10，将隐藏层的维度设置为256，将全连接层的输入维度设置为256，输出维度设置为2；
10.步骤3，生成每个移动目标的状态向量：
11.在飞行高度1000米以内的低空平面场景中，随机选取恒速cv和恒转速ct两种方式运动的目标，从每种方式中至少选取256个移动目标组成样本集，以采样间隔ts＝1，对样本集中移动目标的跟踪时长进行均匀采样；利用状态转移方程，得到每个移动目标所有采样时刻的状态向量；将每个移动目标的状态向量中x轴坐标值和y轴坐标值组成该移动目标的位置序列；
12.步骤4，分别生成预测网络和更新网络的训练集：
13.步骤4.1，按照采样时刻对每个移动目标的位置序列进行划分，将每个位置序列划分后相邻采样时刻的两条子序列组成该移动目标的训练样本，将前一条子序列作为输入序列，后一条子序列作为标签序列，将所有移动目标的训练样本组成预测网络的训练集；
14.步骤4.2，利用观测方程，得到每个移动目标所有采样时刻的量测序列，按照采样时刻对每个移动目标的量测序列和位置序列进行划分，将所有同一采样时刻的位置子序列和量测子序列组成该移动目标的训练样本，将量测子序列作为输入序列，位置子序列作为标签序列，将所有移动目标的训练样本组成更新网络的训练集；
15.步骤5，训练预测网络和更新网络：
16.将预测网络的训练集和更新网络的训练集分别输入到预测网络和更新网络中，使用均方误差mse作为损失函数，利用adam优化算法和余弦退火算法，将网络中的参数迭代更新，直至预测网络的损失函数和更新网络的损失函数分别收敛为止，分别得到训练好的预
测网络和更新网络；
17.步骤6，利用预测网络得到待跟踪目标的预测位置向量：
18.将雷达连续两个扫描周期时间内观测到的目标作为待跟踪目标；对每个待跟踪目标的位置序列进行归一化后输入到训练好的预测网络中，将预测网络输出位置序列的最后一个向量，作为待跟踪目标在该向量对应时刻的预测位置向量；
19.步骤7，利用动态波门得到待跟踪目标的有效量测：
20.计算初始波门阈值γd，待跟踪目标的预测位置向量与量测向量之间的统计距离自适应波门阈值确定动态波门的区域大小；比较γd，和的大小关系，将或的量测向量记作有效量测，将的待跟踪目标记作在第k个采样时刻发生机动的机动目标；将机动目标累计的预测位置向量和量测向量清空，并将机动目标的存活权重降低至0.8；
21.步骤8，利用更新网络得到待跟踪目标的更新位置向量：
22.步骤8.1，计算每个待跟踪目标在当前采样时刻的预测位置向量与每个有效量测之间的欧氏距离，将欧式距离作为该待跟踪目标与每个有效量测之间关联的代价，对每个待跟踪目标在每个采样时刻的有效量测和有效量测对应的待跟踪目标使用全局最近邻gnn算法进行数据关联，为每个具有有效量测的待跟踪目标分配一个关联量测向量；
23.步骤8.2，将每个待跟踪目标所有的关联量测向量组成一个量测序列，将归一化后的每个待跟踪目标的量测序列，分别输入到训练好的更新网络中，将通过更新网络输出的每个序列中最后一个向量作为每个待跟踪目标在当前采样时刻的更新位置向量；
24.步骤8.3，判断当前跟踪的采样时刻是否为最后一个采样时刻，若是，则执行步骤9，否则，执行步骤6；
25.步骤9，输出待跟踪目标的跟踪轨迹：
26.根据每个更新位置向量确定待跟踪目标在每个采样时刻的位置，将每个待跟踪目标在所有采样时刻的位置依次连接起来得到每个待跟踪目标的跟踪轨迹。
27.发明与现有的技术相比具有以下优点：
28.第一，由于本发明分别构建了结构相同、参数设置不同的预测网络和更新网络，利用训练好的预测网络从待跟踪目标历史位置向量中学习运动方式得到预测位置向量，利用训练好的更新网络得到待跟踪目标的更新位置向量，克服现有技术中需要依赖预设模型和预设模型间的转移概率对机动目标进行跟踪的不足，使得本发明实现对多个机动目标运动方式的自适应检测和跟踪。
29.第二，由于本发明利用动态波门得到待跟踪目标的有效量测，利用预测状态向量和量测向量判断每个待跟踪目标的动态波门内是否有量测向量，对于动态波门内无量测向量的目标，动态调整其波门阈值并判断该待跟踪目标是否出现机动，克服现有技术对机动目标当前状态预测错误率高的缺陷，使得本发明提高了对多个机动目标的跟踪精度。
附图说明
30.图1为本发明的流程图；
31.图2为本发明的动态波门示意图；
32.图3为本发明的仿真图。
具体实施方式
33.下面结合附图和实施例，对本发明做进一步的描述。
34.参照图1，对本发明实施例的实现步骤做进一步的描述。
35.步骤1，搭建一个由输入层，隐藏层，输出层，全连接层串连组成的预测网络；将输入层的输入维度设置为2，深度设置为3，输入时间步长设置为20，将隐藏层的维度设置为64，将全连接层的输入维度设置为64，输出维度设置为2。
36.步骤2，搭建一个与预测网络的结构相同的更新网络；将输入层的输入维度设置为2，深度设置为4，输入时间步长设置为10，将隐藏层的维度设置为256，将全连接层的输入维度设置为256，输出维度设置为2。
37.步骤3，生成每个移动目标的状态向量。
38.在飞行高度1000米以内的低空平面场景中，随机选取恒速cv和恒转速ct两种方式运动的目标，从每种方式中至少选取256个移动目标组成样本集，以采样间隔ts＝1，对样本集中移动目标的跟踪时长进行均匀采样；利用状态转移方程，得到每个移动目标所有采样时刻的状态向量；将每个移动目标的状态向量中x轴坐标值和y轴坐标值组成该移动目标的位置序列。
39.所述跟踪时长指的是每个移动目标从雷达扫描跟踪场景图中首次出现到消失的时间长度。
40.所述状态转移方程如下：
[0041][0042]
其中，xq表示第q个移动目标所有采样时刻的状态向量，n表示对移动目标所有采样时刻采样的总次数，k表示对移动目标采样次数的序号，表示第q个移动目标在第k个采样时刻的状态转移矩阵，表示第q个移动目标由第k个采样时刻转移至第k+1个采样时刻的状态向量，表示第q个移动目标由第k个采样时刻转移至第k+1个采样时刻的过程噪声向量。
[0043]
所述状态向量是由移动目标的x轴坐标值、沿x轴方向的运动速度、y轴坐标值、沿y轴方向的运动速度、转动角速度共五个参数组成。
[0044]
步骤4，分别生成预测网络和更新网络的训练集。
[0045]
步骤4.1，按照采样时刻对每个移动目标的位置序列进行划分，将每个位置序列划分后相邻采样时刻的两条子序列组成该移动目标的训练样本，将前一条子序列作为输入序列，后一条子序列作为标签序列，将所有移动目标的训练样本组成预测网络的训练集。
[0046]
步骤4.2，利用观测方程，得到每个移动目标所有采样时刻的量测序列，按照采样时刻对每个移动目标的量测序列和位置序列进行划分，将所有同一采样时刻的位置子序列和量测子序列组成该移动目标的训练样本，将量测子序列作为输入序列，位置子序列作为标签序列，将所有移动目标的训练样本组成更新网络的训练集。
[0047]
所述观测方程如下：
[0048][0049]
其中，zq表示第q个移动目标所有采样时刻的量测序列，表示第q个移动目标在
第k个采样时刻由状态空间映射到观测空间的转换矩阵，表示第q个移动目标在第k个采样时刻的量测噪声向量。
[0050]
步骤5，训练预测网络和更新网络。
[0051]
将预测网络的训练集和更新网络的训练集分别输入到预测网络和更新网络中，使用均方误差mse作为损失函数，利用adam优化算法和余弦退火算法，将网络中的参数迭代更新，直至预测网络的损失函数和更新网络的损失函数分别收敛为止，分别得到训练好的预测网络和更新网络。
[0052]
所述预测网络的损失函数如下：
[0053][0054]
其中，l表示预测网络的损失函数，m表示预测网络的训练集中训练样本的总数，表示预测网络的训练集中第iu个训练样本的输入序列中的向量总数，表示预测网络的训练集中第iu个训练样本的标签序列中的第r个向量，表示预测网络的训练集中第iu个训练样本的输入序列经预测网络输出序列中的第r个向量，||
·
||2表示求二范数操作。
[0055]
所述更新网络的损失函数如下：
[0056][0057]
其中，l'表示更新网络的损失函数，m'表示更新网络的训练集中训练样本的总数，表示更新网络的训练集中第iv个训练样本的输入序列中的向量总数，表示更新网络的训练集中第iv个训练样本的标签序列中的第s个向量，表示更新网络的训练集中第iv个训练样本的输入序列经更新网络输出序列中的第s个向量。
[0058]
步骤6，利用预测网络得到待跟踪目标的预测位置向量。
[0059]
将雷达连续两个扫描周期时间内观测到的目标作为待跟踪目标；对每个待跟踪目标的位置序列进行归一化后输入到训练好的预测网络中，将预测网络输出位置序列的最后一个向量，作为待跟踪目标在该向量对应时刻的预测位置向量。
[0060]
步骤7，利用动态波门得到待跟踪目标的有效量测。
[0061]
计算初始波门阈值γd，待跟踪目标的预测位置向量与量测向量之间的统计距离自适应波门阈值确定动态波门的区域大小；比较γd，和的大小关系，将或的量测向量记作有效量测，将的待跟踪目标记作在第k个采样时刻发生机动的机动目标；将机动目标累计的预测位置向量和量测向量清空，并将机动目标的存活权重降低至0.8。
[0062]
所述动态波门指的是以待跟踪目标动态波门的初始波门阈值或自适应波门阈值为门限，以预测位置向量的位置作为中心点，用来确定待跟踪目标在每个采样时刻量测向量可能出现的区域。
[0063]
所述初始波门阈值γd是由下式得到的：
[0064]
γd＝-2ln(1-pd)
[0065]
其中，γd表示待跟踪目标的波门初始阈值，pd表示动态波门的初始检测概率。
[0066]
所述待跟踪目标的预测位置向量与量测向量之间的统计距离是由下式得到的：
[0067][0068]
其中，表示第q个待跟踪目标在第k个采样时刻的预测位置向量与量测向量之间的统计距离，表示第q个待跟踪目标在第k个采样时刻的新息协方差，上角标t表示转置操作。
[0069]
所述自适应波门阈值是由下式得到的：
[0070][0071]
其中，表示第q个待跟踪目标第k个采样时刻的自适应波门阈值，表示第q个移动目标在第1个采样时刻到第k-1个采样时刻之间存活权重为1所持续时间的总长度。
[0072]
参照图2，对确定动态波门的区域大小做进一步的描述。
[0073]
图2中的点划线表示第q个待跟踪目标经预测网络后在第k个采样时刻的预测轨迹，实曲线表示第q个待跟踪目标在第k个采样时刻的实际运动轨迹，实线圆表示以自适应波门阈值为门限的动态波门区域，虚线椭圆表示以初始波门阈值γd为门限的动态波门区域。实心圆表示第q个待跟踪目标在每个采样时刻动态波门的中心点，实心正方形表示第q个待跟踪目标在第k-1个采样时刻与第k个采样时刻动态波门的交点，实心三角形表示第q个待跟踪目标在第k个采样时刻的量测向量位置。表示第q个待跟踪目标经预测网络后在第k个采样时刻的预测位置向量，表示在第k个采样时刻落在待跟踪目标q的动态波门内的一个量测向量，表示在第k个采样时刻落在待跟踪目标q的动态波门外的一个量测向量，表示在第k-1个采样时刻落在待跟踪目标q的动态波门内的一个量测向量。q1表示第q个待跟踪目标在第k-1个采样时刻的动态波门区域，q2表示第q个待跟踪目标在第k个采样时刻的动态波门区域。
[0074]
本发明的实施例中当待跟踪目标所处的区域为高度固定的二维平面时，根据初始检测概率的分布规律将pd设置为0.98，由此计算得到的初始波门阈值γd＝7.824。
[0075]
本发明的实施例在第k-1个采样时刻，计算得到的第q个待跟踪目标的预测位置向量与量测向量之间的统计距离由于所以根据初始波门阈值γd，生成第q个待跟踪目标在第k-1个采样时刻的动态波门区域，将该动态波门区域记为椭圆q1。在第k个采样时刻，计算第q个待跟踪目标的预测位置向量与量测向量之间的统计距离由于计算第q个待跟踪目标的自适应波门阈值根据自适应波门阈值生成第q个待跟踪目标在的动态波门区域，将该动态波门区域记为椭圆q2。由判断第q个待跟踪目标在第k个采样时刻发生机动。因为量测向量和预测位置向量之间的统计距离所以将量测向量记作落入动态波门区域q2内的量测向量，将落入动态波门区域内的量测向量记作第q个待跟踪目标在第k个采样时刻的有效量测。
[0076]
步骤8，利用更新网络得到待跟踪目标的更新位置向量。
[0077]
步骤8.1，计算每个待跟踪目标在当前采样时刻的预测位置向量与每个有效量测之间的欧氏距离，将欧式距离作为该待跟踪目标与每个有效量测之间关联的代价，对每个待跟踪目标在每个采样时刻的有效量测和有效量测对应的待跟踪目标使用全局最近邻gnn算法进行数据关联，为每个具有有效量测的待跟踪目标分配一个关联量测向量。
[0078]
所述每个待跟踪目标在当前采样时刻的预测位置向量与每个有效量测之间的欧氏距离是由下式得到的：
[0079][0080]
其中，表示第q个待跟踪目标在第k个采样时刻的预测位置向量与每个量测向量之间的欧氏距离，d表示预测位置向量和量测向量的维度，表示预测位置向量
[0081]
中的第d维数值，表示量测向量中的第d维数值。
[0082]
步骤8.2，将每个待跟踪目标所有的关联量测向量组成一个量测序列，将归一化后的每个待跟踪目标的量测序列，分别输入到训练好的更新网络中，将通过更新网络输出的每个序列中最后一个向量作为每个待跟踪目标在当前采样时刻的更新位置向量。
[0083]
步骤8.3，判断当前跟踪的采样时刻是否为最后一个采样时刻，若是，则执行步骤9，否则，执行步骤6。
[0084]
步骤9，输出待跟踪目标的跟踪轨迹。
[0085]
根据每个更新位置向量确定待跟踪目标在每个采样时刻的位置，将每个待跟踪目标在所有采样时刻的位置依次连接起来得到每个待跟踪目标的跟踪轨迹。
[0086]
下面结合仿真实验对本发明的效果做进一步说明。
[0087]
1.仿真实验条件：
[0088]
本发明的仿真实验的硬件平台为：处理器为intel i7 13700h cpu，主频2.4ghz，内存16gb。
[0089]
本发明的仿真实验的软件平台为：windows 10操作系统和python 3.8。
[0090]
2.仿真内容及其结果分析：
[0091]
本发明的仿真实验雷达和待跟踪目标在直角坐标下，雷达位于[0,0,0]m，目标位于高度固定且低于1000米，其范围为[1200,1200]m
×
[1200,1200]m的平面。
[0092]
仿真场景中共有3个待跟踪目标，待跟踪目标1第1～10秒做cv运动，第11～20秒和第21～30秒做转动角速度不同的ct运动。待跟踪目标2从第20～35秒做cv运动，第36～49秒和第50～60秒做转动角速度不同的ct运动。待跟踪目标3从第40～50秒做cv运动，第51～60秒做ct运动。
[0093]
在本发明的仿真实验中，雷达对待跟踪目标连续观测了100个采样时刻，采样间隔ts＝1，场景中的量测噪声的协方差设置为杂波数量的均值设置为λc＝10，目标的检测概率设置为pd＝0.98，目标的存活概率设置为ps＝0.99。
[0094]
本发明仿真实验是采用本发明的方法和1个现有技术，分别对上述的3个待跟踪目标，在连续60个采样时刻进行跟踪，将仿真实验中3个待跟踪目标的实际运动轨迹绘制成图
3(a)所示，将采用本发明方法对3个待跟踪目标进行跟踪的预测轨迹绘制成图3(b)所示。
[0095]
为了验证本发明的仿真效果，利用ospa误差公式计算两种方法估计的待跟踪目标数目和位置与实际运动数值之间的综合误差，得到图3(c)。
[0096]
在仿真实验中，采用的现有技术是指：
[0097]
西安电子科技大学在其申请的专利文献“基于lstm网络的多机动目标跟踪方法”(专利申请号201911057969.1，授权公告号cn 110780290 b)中公开的一种应用lstm网络的机动目标跟踪方法。
[0098]
下面结合图3的仿真图对本发明的效果做进一步描述。
[0099]
图3(a)为本发明仿真实验3个待跟踪目标的真实轨迹图，横坐标表示仿真场景区域的长度，单位为m，纵坐标表示仿真场景区域的宽度，单位为m，图3(a)中3条曲线代表3个待跟踪目标的实际运动轨迹。
[0100]
图3(b)为本发明方法对3个待跟踪目标进行跟踪的预测轨迹图，横纵坐标与图3(a)所设置的相同，图3(b)中以圆圈标示的曲线表示采用本发明提出的方法得到的每一时刻待跟踪目标的预测轨迹。
[0101]
从图3(b)可以看出：本发明提出的方法能较为准确地估计目标运动轨迹。
[0102]
图3(c)为本发明的方法和一个现有技术得到的ospa误差曲线图，横坐标表示采样时刻，单位是s，纵坐标表示ospa误差，单位是m。以圆圈和正方形标示的曲线分别表示采用本发明提出的方法、现有技术得到的每一时刻ospa误差曲线。
[0103]
从图3(c)可以看出：在待跟踪目标出现新生消亡的第10、20、30个采样时刻本发明方法得到的ospa误差有一定波动；除去待跟踪目标数目变动的时刻，本发明方法得到的ospa误差明显低于现有技术的方法，在出现机动现象的第10、20、30、35、49的采样时刻，本发明方法和现有方法的ospa误差均未出现大的波动，较平稳地渡过了机动阶段。本发明使用基于预测更新网络和动态波门的方法对多机动目标进行跟踪，具有较高的跟踪精度。

技术特征：
1.一种基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，构建结构相同、参数设置不同的预测网络和更新网络，利用动态波门得到待跟踪目标的有效量测；该目标跟踪方法的具体步骤如下：步骤1，搭建一个由输入层，隐藏层，输出层，全连接层串连组成的预测网络；将输入层的输入维度设置为2，深度设置为3，输入时间步长设置为20，将隐藏层的维度设置为64，将全连接层的输入维度设置为64，输出维度设置为2；步骤2，搭建一个与预测网络的结构相同的更新网络；将输入层的输入维度设置为2，深度设置为4，输入时间步长设置为10，将隐藏层的维度设置为256，将全连接层的输入维度设置为256，输出维度设置为2；步骤3，生成每个移动目标的状态向量：在飞行高度1000米以内的低空平面场景中，随机选取恒速cv和恒转速ct两种方式运动的目标，从每种方式中至少选取256个移动目标组成样本集，以采样间隔t
s
＝1，对样本集中移动目标的跟踪时长进行均匀采样；利用状态转移方程，得到每个移动目标所有采样时刻的状态向量；将每个移动目标的状态向量中x轴坐标值和y轴坐标值组成该移动目标的位置序列；步骤4，分别生成预测网络和更新网络的训练集：步骤4.1，按照采样时刻对每个移动目标的位置序列进行划分，将每个位置序列划分后相邻采样时刻的两条子序列组成该移动目标的训练样本，将前一条子序列作为输入序列，后一条子序列作为标签序列，将所有移动目标的训练样本组成预测网络的训练集；步骤4.2，利用观测方程，得到每个移动目标所有采样时刻的量测序列，按照采样时刻对每个移动目标的量测序列和位置序列进行划分，将所有同一采样时刻的位置子序列和量测子序列组成该移动目标的训练样本，将量测子序列作为输入序列，位置子序列作为标签序列，将所有移动目标的训练样本组成更新网络的训练集；步骤5，训练预测网络和更新网络：将预测网络的训练集和更新网络的训练集分别输入到预测网络和更新网络中，使用均方误差mse作为损失函数，利用adam优化算法和余弦退火算法，将网络中的参数迭代更新，直至预测网络的损失函数和更新网络的损失函数分别收敛为止，分别得到训练好的预测网络和更新网络；步骤6，利用预测网络得到待跟踪目标的预测位置向量：将雷达连续两个扫描周期时间内观测到的目标作为待跟踪目标；对每个待跟踪目标的位置序列进行归一化后输入到训练好的预测网络中，将预测网络输出位置序列的最后一个向量，作为待跟踪目标在该向量对应时刻的预测位置向量；步骤7，利用动态波门得到待跟踪目标的有效量测：计算初始波门阈值γ
d
，待跟踪目标的预测位置向量与量测向量之间的统计距离自适应波门阈值确定动态波门的区域大小；比较γ
d
，和的大小关系，将或的量测向量记作有效量测，将的待跟踪目标记作在第k个采样时刻发生机动的机动目标；将机动目标累计的预测位置向量和量测向量清空，并将机动目标的存活权重降低至0.8；
步骤8，利用更新网络得到待跟踪目标的更新位置向量：步骤8.1，计算每个待跟踪目标在当前采样时刻的预测位置向量与每个有效量测之间的欧氏距离，将欧式距离作为该待跟踪目标与每个有效量测之间关联的代价，对每个待跟踪目标在每个采样时刻的有效量测和有效量测对应的待跟踪目标使用全局最近邻gnn算法进行数据关联，为每个具有有效量测的待跟踪目标分配一个关联量测向量；步骤8.2，将每个待跟踪目标所有的关联量测向量组成一个量测序列，将归一化后的每个待跟踪目标的量测序列，分别输入到训练好的更新网络中，将通过更新网络输出的每个序列中最后一个向量作为每个待跟踪目标在当前采样时刻的更新位置向量；步骤8.3，判断当前跟踪的采样时刻是否为最后一个采样时刻，若是，则执行步骤9，否则，执行步骤6；步骤9，输出待跟踪目标的跟踪轨迹：根据每个更新位置向量确定待跟踪目标在每个采样时刻的位置，将每个待跟踪目标在所有采样时刻的位置依次连接起来得到每个待跟踪目标的跟踪轨迹。2.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤3中所述跟踪时长指的是，每个移动目标从雷达扫描跟踪场景图中首次出现到消失的时间长度。3.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤3中所述状态转移方程如下：其中，x
q
表示第q个移动目标所有采样时刻的状态向量，n表示对移动目标所有采样时刻采样的总次数，k表示对移动目标采样次数的序号，表示第q个移动目标在第k个采样时刻的状态转移矩阵，表示第q个移动目标由第k个采样时刻转移至第k+1个采样时刻的状态向量，表示第q个移动目标由第k个采样时刻转移至第k+1个采样时刻的过程噪声向量。4.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤3中所述状态向量是由移动目标的x轴坐标值、沿x轴方向的运动速度、y轴坐标值、沿y轴方向的运动速度、转动角速度共五个参数组成。5.根据权利要求3所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤4.2中所述观测方程如下：其中，z
q
表示第q个移动目标所有采样时刻的量测序列，表示第q个移动目标在第k个采样时刻由状态空间映射到观测空间的转换矩阵，表示第q个移动目标在第k个采样时刻的量测噪声向量。6.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤5中所述预测网络的损失函数如下：
其中，l表示预测网络的损失函数，m表示预测网络的训练集中训练样本的总数，表示预测网络的训练集中第i
u
个训练样本的输入序列中的向量总数，表示预测网络的训练集中第i
u
个训练样本的标签序列中的第r个向量，表示预测网络的训练集中第i
u
个训练样本的输入序列经预测网络输出序列中的第r个向量，||
·
||2表示求二范数操作。7.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤5中所述更新网络的损失函数如下：其中，l'表示更新网络的损失函数，m'表示更新网络的训练集中训练样本的总数，表示更新网络的训练集中第i
v
个训练样本的输入序列中的向量总数，表示更新网络的训练集中第i
v
个训练样本的标签序列中的第s个向量，表示更新网络的训练集中第i
v
个训练样本的输入序列经更新网络输出序列中的第s个向量。8.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述动态波门指的是以待跟踪目标动态波门的初始波门阈值或自适应波门阈值为门限，以预测位置向量的位置作为中心点，用来确定待跟踪目标在每个采样时刻量测向量可能出现的区域。9.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述初始波门阈值是由下式得到的：γ
d
＝-2ln(1-p
d
)其中，γ
d
表示待跟踪目标的波门初始阈值，p
d
表示动态波门的初始检测概率。10.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述待跟踪目标的预测位置向量与量测向量之间的统计距离是由下式得到的：其中，表示第q个待跟踪目标在第k个采样时刻的预测位置向量与量测向量之间的统计距离，表示第q个待跟踪目标在第k个采样时刻的新息协方差，上角标t表示转置操作。11.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述自适应波门阈值是由下式得到的：其中，表示第q个待跟踪目标第k个采样时刻的自适应波门阈值，表示第q个移动目标在第1个采样时刻到第k-1个采样时刻之间存活权重为1所持续时间的总长度。12.根据权利要求10所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤8.1中所述每个待跟踪目标在当前采样时刻的预测位置向量与每个有效量
测之间的欧氏距离是由下式得到的：其中，表示第q个待跟踪目标在第k个采样时刻的预测位置向量与每个量测向量之间的欧氏距离，d表示预测位置向量和量测向量的维度，表示预测位置向量中的第d维数值，表示量测向量中的第d维数值。

技术总结
本发明公开一种基于预测更新网络和动态波门的多机动目标跟踪方法，实现步骤如下：利用构建的预测网络和更新网络的训练集，分别训练预测网络和更新网络。利用构建的预测网络得到待跟踪目标的预测位置向量；利用动态波门得到待跟踪目标的有效量测并判断待跟踪目标是否出现机动；根据全局最近邻GNN算法为待跟踪目标分配关联量测向量；利用训练好的更新网络得到待跟踪目标的更新位置向量。本发明通过预测更新网络和动态波门的结合，摆脱了预设模型和模型间转移概率的限制，实现了对多机动目标自适应跟踪的同时提高了跟踪精度。自适应跟踪的同时提高了跟踪精度。自适应跟踪的同时提高了跟踪精度。


技术研发人员：张永权 张冰洁 时贞云 李思伟 姬红兵
受保护的技术使用者：西安电子科技大学
技术研发日：2023.06.06
技术公布日：2023/9/12