一种用于机动目标的轨迹观测数据去噪模型的训练方法

1.本发明涉及时空数据分析、目标跟踪技术领域，具体来说，涉及一种用于机动目标的轨迹观测数据去噪模型的训练方法。


背景技术：

2.目标跟踪是指从目标的观测数据中计算出目标的真实运动情况，在监控、交通、国防等领域都有着重要的作用。通常目标的观测数据中对目标的观测可能出现漏检、虚警、噪声等干扰数据，目标跟踪算法需要从所有观测数据中计算出对目标真实运动状态信息的最优估计值。现有的目标跟踪算法往往是通过已知的运动模型(如匀速运动模型)，对目标的运动情况进行建模，预测目标的运动状态，利用最优估计滤波技术(如卡尔曼滤波)将目标的观测数据与目标预测状态进行融合，计算出对目标运动状态的估计值。然后，对于机动性强的目标(即机动目标)，利用单一的已知的运动模型对目标运动状态进行建模往往是很困难的。需要针对机动目标运动的复杂性进行优化，目前已有的代表性工作有交互多模型方法(imm)、混合网格多模型方法(hgmm)和基于长短时记忆网络(lstm)的方法。
3.以参考文献[1]的交互多模型方法为例，该方法使用一组已知的运动模型，包括常速度模型(cv)、常加速度模型(ca)、常转弯率模型(ct)等，对应匀速直线运动、匀加速直线运动、匀速圆周运动等不同的确定性的运动规律。随后在目标跟踪过程中进行模型概率更新，即当前时刻计算每个模型的权重，用以拟合机动目标的运动规律。以参考文献[2]的混合网格多模型方法为例，该方法设定两组已知的运动模型，按运动模型的复杂性分为粗网格和细网格，通过两组运动模型的更新组合来拟合机动目标的运动规律，是对交互多模型方法的进一步拓展。以上目标跟踪方法的原理是由一组已知运动模型的线性组合来拟合目标的运动规律，对于机动目标而言，目标的运动规律复杂，难以用一组确定的已知运动模型进行拟合。
[0004]
以参考文献[3]的机动目标跟踪方法为例，该方法使用长短时记忆网络从轨迹数据集中学习机动目标的运动规律，用以拟合机动目标的运动规律。该方法需要与贝叶斯滤波方法组合实现，且只能发掘前一个数据信息，且机动目标的运动规律复杂，无法对机动目标的运动轨迹进行精准估计，进而导致对机动目标的跟踪效果较差。
[0005]
因此，对于机动目标而言，目标的运动规律复杂，现有利用已知运动模型对机动目标的运动轨迹进行建模的方法存在很大的困难，而利用神经网络学习机动目标的运动规律来预测运动轨迹的方法，存在机动目标运动规律复杂且变化多端导致神经网络无法很好地学习其运动规律，预测得到的轨迹数据精确度低，跟踪效果差等问题。
[0006]
参考文献：
[0007]
[1]xu l,li x r,duan z.hybrid grid multiple-model estimation with application to maneuvering target tracking[j/ol].ieee transactions on aerospace and electronic systems,2016,52(1):122-136.doi:10.1109/taes.2015.140423.
[0008]
[2]mazor e,averbuch a,bar-shalom y,等.interacting multiple model methods in target tracking:a survey[j/ol].ieee transactions on aerospace and electronic systems,1998,34(1):103-123.doi:10.1109/7.640267.
[0009]
[3]gao c,yan j,zhou s,等.long short-term memory-based deep recurrent neural networks for target tracking[j/ol].information sciences,2019,502:279-296.doi:10.1016/j.ins.2019.06.039.


技术实现要素：

[0010]
因此，本发明的目的在于克服上述现有技术的缺陷，提供一种用于机动目标的轨迹观测数据去噪模型的训练方法。
[0011]
本发明的目的是通过以下技术方案实现的：
[0012]
根据本发明的第一方面，提供一种用于机动目标的轨迹观测数据去噪模型的训练方法，所述模型包括预处理单元和去噪自编码器，所述方法包括：获取训练集，训练集中每个样本包括输入数据和标签，输入数据为传感器在预定时间间隔内观测目标运动轨迹得到的多帧观测数据，标签为对应时间内目标的真实运动轨迹；利用训练集训练模型，并基于计算的损失更新模型的参数，其中，预处理单元对输入数据进行降噪预处理，去噪自编码器对降噪预处理后的输入数据进行编解码，模型基于去噪自编码器编解码后的输出得到去噪后的运动轨迹。
[0013]
在本发明的一些实施例中，每帧观测数据包括传感器在对应帧观测的多个观测点数据，所述预处理单元包括：用于对每帧观测数据中的每预定个数的观测点数据进行融合处理的可学习的权重参数矩阵，其中，训练时，基于损失更新去噪自编码器和预处理模块的可学习的权重参数矩阵的参数。
[0014]
在本发明的一些实施例中，所述预处理单元利用预定的滑动窗口从每帧观测数据中每次滑动读取预定个数的观测点数据，并采用可学习的权重参数矩阵对每次读取的观测点数据进行融合处理，其中，所述预定个数大于等于2。
[0015]
在本发明的一些实施例中，所述对应帧观测的观测点数据包括目标在对应帧的速度、目标在对应帧的加速度、目标在对应帧的经度位置和纬度位置。
[0016]
在本发明的一些实施例中，所述去噪自编码器包括编码器和解码器，其中，所述编码器，用于对降噪预处理后的输入数据进行编码，得到隐层特征向量；以及所述解码器，用于对隐层特征向量进行解码，得到目标运动状态的估计值，所述目标运动状态的估计值作为去噪后的运动轨迹；其中，训练时，基于去噪后的运动轨迹和真实运动轨迹计算的损失更新可学习的权重参数矩阵、编码器和解码器的参数。
[0017]
在本发明的一些实施例中，所述去噪自编码器包括编码器和解码器，所述模型还包括激活函数层，激活函数层为maxout激活函数层，其中，所述编码器，用于对降噪预处理后的输入数据进行编码，得到隐层特征向量；所述解码器，用于对隐层特征向量进行解码，得到目标运动状态的估计值；所述maxout激活函数层，用于根据maxout激活函数对目标运动状态的估计值进行处理得到去噪后的运动轨迹；其中，训练时，基于去噪后的运动轨迹和真实运动轨迹计算的损失更新可学习的权重参数矩阵、编码器、解码器和maxout激活函数层的参数。
[0018]
根据本发明的第二方面，提供一种机动目标跟踪方法，用于安防监控、智能交通或雷达预警领域，方法包括：利用基于本发明第一方面任一项所述方法训练的轨迹观测数据去噪模型，根据输入的目标运动轨迹的连续的多帧观测数据，得到目标对应去噪后的运动轨迹；其中，根据去噪后的运动轨迹对机动目标进行跟踪。
[0019]
根据本发明的第三方面，提供一种机动目标跟踪方法，用于安防监控、智能交通或雷达预警领域，方法包括：在连续的多帧观测数据中按时序数据格式划分出多个输入数据，其中，输入数据包括预定帧数量的观测数据，相邻两个输入数据包括重复的多帧观测数据；利用基于本发明第一方面任一项所述方法训练的轨迹观测数据去噪模型，根据每次的输入数据，得到目标对应去噪后的运动轨迹；通过轨迹重建模块对相邻两个输入数据中重复的多帧观测数据对应的两个去噪后的运动轨迹进行求均值，以得到重建的运动轨迹；其中，根据重建的运动轨迹对机动目标进行跟踪。
[0020]
根据本发明的第四方面，提供一种电子设备，包括：一个或多个处理器；以及存储器，其中存储器用于存储可执行指令；所述一个或多个处理器被配置为经由执行所述可执行指令以实现本发明第一方面、第二方面和第三方面中任一项所述方法的步骤。
[0021]
与现有技术相比，本发明的优点在于：
[0022]
本发明训练方法中，首先，通过预处理单元对输入数据进行降噪预处理，有效减少噪声数据以及异常数据的影响，其次，通过去噪自编码器去除降噪预处理后的输入数据中的噪声，进一步有效减少观测数据的噪声数据。通过该训练方法得到的模型能对观测数据进行有效去噪的能力，极大地提高模型对机动目标的运动轨迹估计的准确性。
附图说明
[0023]
以下参照附图对本发明实施例作进一步说明，其中：
[0024]
图1为根据本发明一个实施例的轨迹观测数据去噪模型的结构原理示意图；
[0025]
图2为根据本发明一个实施例的用于机动目标的轨迹观测数据去噪模型的训练方法示意图；
[0026]
图3为根据本发明一个实施例的输入数据的生成以及模型对输入数据的处理过程原理示意图；
[0027]
图4为根据本发明一个实施例的生成机动目标运动轨迹的示意图。
具体实施方式
[0028]
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0029]
如在背景技术部分提到的，由于机动目标的运动规律复杂，现有利用已知运动模型对机动目标的运动轨迹进行建模的方法存在很大的困难，而利用神经网络学习机动目标的运动规律来预测运动轨迹的方法，存在机动目标运动规律复杂且变化多端导致神经网络无法很好地学习其运动规律，预测得到的轨迹数据精确度低、跟踪效果差等问题。
[0030]
基于上述问题，本发明提供一种用于机动目标的轨迹观测数据去噪模型的训练方法，所述模型包括预处理单元和去噪自编码器(denoising autoencoder，dae)，该方法中：
首先，获取训练集，训练集中每个样本的输入数据为传感器在预定时间间隔内观测目标运动轨迹得到的多帧观测数据；其次，利用训练集训练模型，并基于计算的损失更新模型的参数，其中，预处理单元对输入数据进行降噪预处理，通过预处理单元对传感器的观测数据进行初步降噪，有效减少噪声数据以及异常数据的影响，去噪自编码器对降噪预处理后的输入数据进行编解码，模型基于去噪自编码器编解码后的输出得到去噪后的运动轨迹，去噪自编码器去除降噪后的观测数据中的噪声，进一步有效减少观测数据的噪声数据；最后，基于模型输出的运动轨迹和真实运动轨迹计算的损失更新模型参数的训练方式使模型具有对观测数据进行有效去噪的能力，极大地提高模型对机动目标的运动轨迹估计的准确性，以提高目标跟踪准确度和跟踪效率。
[0031]
为了更好地理解本发明，下面结合附图以及具体的实施例从训练集、模型结构、模型训练过程、应用场景四个方面对本发明进行详细说明。
[0032]
一、训练集
[0033]
由于传感器在观测目标运动轨迹时，虽然需要观测的目标只有一个，但是因为有各种干扰和假信号导致给出的每帧观测数据存在着错误或异常的噪声数据，以及将非目标产生的信号判定为目标信号传输给后续信号处理得到的虚警数据等。因此，传感器观测得到的每帧观测数据包括多个观测点数据，且部分观测点数据为各种干扰和假信号导致的噪声数据或虚警数据(下面将噪声数据和虚警数据统一名称为噪声数据)。根据本发明的一个实施例，传感器在预定时间间隔内观测得到的多帧观测数据中，每帧观测数据包括传感器在对应帧观测的多个观测点数据，对应帧观测的观测点数据包括目标在对应帧的速度、目标在对应帧的加速度、目标在对应帧的经度位置和纬度位置。
[0034]
根据本发明的一个实施例，将传感器在预定时间间隔内观测到m帧观测数据记为z＝[z1,z2,
……
zm]，其中，z1表示第1帧的观测数据、z2表示第2帧的观测数据，zm表示第m帧的观测数据，且每帧观测数据包括多个观测点数据，如第k帧观测数据表示为观测数据，且每帧观测数据包括多个观测点数据，如第k帧观测数据表示为表示第k帧的第1个观测点数据、表示第k帧的第2个观测点数据，表示第k帧的第n个观测点数据，如第k帧的第i个观测点数据表示为表示第k帧的第n个观测点数据，如第k帧的第i个观测点数据表示为表示第k帧的第n个观测点数据，如第k帧的第i个观测点数据表示为表示第k帧的第i个观测点数据指示目标在对应帧的经度位置，表示第k帧的第i个观测点数据指示目标在对应帧的纬度位置，表示第k帧的第i个观测点数据指示目标在对应帧的速度，表示第k帧的第i个观测点数据指示目标在对应帧的加速度。下面给出具体示例说明训练集中每个样本的构建方式：
[0035]
示例一：以预定时间间隔1秒为例，传感器每1秒内观测6帧观测数据，每帧观测数据包括多个观测点数据。标签为对应时间内目标的真实运动轨迹，其中，该真实运动轨迹包括6帧观测数据对应的6个位置坐标(每个位置坐标为目标在对应帧的经度位置和纬度位置)。应当理解，此处仅为示意，输入数据中具体包括多少帧观测数据可根据具体情况的需要进行设置，也可采用下方的示例二或示例三构建样本，本发明对此不作任何限制。
[0036]
示例二：以预定时间间隔1.5秒，且传感器每秒内观测6帧观测数据，则每个样本的输入数据为9帧观测数据，标签为对应1.5秒时间内目标的真实运动轨迹，该真实运动轨迹包括9帧观测数据对应的9个位置坐标。
[0037]
示例三：或者以预定时间间隔1秒内传感器观测12帧观测数据，则每个样本的输入数据为12帧观测数据，标签为对应1秒时间内目标的真实运动轨迹，该真实运动轨迹包括12帧观测数据对应的12个位置坐标。
[0038]
二、模型结构
[0039]
根据本发明的一个实施例，参见图1，轨迹观测数据去噪模型包括预处理单元、去噪自编码器单元和激活函数层。其中，预处理单元对训练集中输入数据进行降噪预处理，得到降噪预处理后的输入数据，去噪自编码器包括编码器和解码器，编码器用于对降噪预处理后的输入数据进行编码，得到隐层特征向量；解码器用于对隐层特征向量进行解码，得到目标运动状态的估计值，编码器和解码器均采用双层长短时记忆网络或双层门控循环神经网络；激活函数层，用于根据激活函数对目标运动状态的估计值进行处理得到去噪后的运动轨迹，激活函数层可采用maxout激活函数层或者relu激活函数层。该实施例的技术方案至少能够实现以下有益技术效果：本发明通过预处理单元对观测数据进行初始的降噪预处理，减少观测数据中噪声数据以及异常数据的影响，通过去噪自编码器进一步去除初始降噪后的观测数据中的噪声，以此进行有效去噪并得到去噪后的运动轨迹，提高最终得到的运动轨迹的准确性。
[0040]
由于每帧对应的多个观测点数据存在噪声数据，直接用每帧的观测数据进行运动轨迹估计不准确。根据本发明的一个实施例，预处理单元通过融合处理的方式对每帧观测数据进行降噪预处理。其中，所述预处理单元包括：用于对每帧观测数据中的每预定个数的观测点数据进行融合处理的可学习的权重参数矩阵。
[0041]
根据本发明的一个实施例，所述预处理单元进行降噪预处理包括：利用预定的滑动窗口从每帧观测数据中每次滑动读取预定个数的观测点数据，并采用可学习的权重参数矩阵对每次读取的观测点数据进行融合处理，以实现降噪预处理，其中，所述预定个数大于等于2。例如，以预定的滑动窗口从第k帧观测数据中每次滑动读取五个观测点数据为例说明融合处理方式，融合处理方式如下：
[0042][0043]
其中，x
k1
表示融合处理后的第k帧的第1个观测点数据，表示传感器观测的第k帧的第1个观测点数据，表示传感器观测的第k帧的第2个观测点数据，表示传感器观测的第k帧的第3个观测点数据，表示传感器观测的第k帧的第4个观测点数据，表示传感器观测的第k帧的第5个观测点数据，a表示可学习的权重参数矩阵。将融合处理后的第k帧的观测数据记为对输入数据中的每帧观测数据进行融合处理，得到降噪预处理后的输入数据。其中，降噪预处理后的输入数据包括降噪预处理后的多帧观测数据，将第i个降噪预处理后的输入数据记为多帧观测数据，将第i个降噪预处理后的输入数据记为表示降噪预处理后的第1帧的观测数据，表示降噪预处理后的第2帧的观测数据，表示降噪预处理后的第n帧的观测数据。以上述示例一得到的训练集为例，训练集中每个样本的输入数据包括传感器在预定时间间隔1秒内观测的6帧观测数据，通过预处理单元对预定时间间隔1秒内观测的6帧观测数据进行降噪预处理，得到降噪预处理后的输入数据。由于噪声数据
服从的概率分布一般是均值为零的或者近似零，多条相加之后会有正负抵消，相加后的噪声值向均值靠拢。因此，本发明采用融合处理的方式对输入数据进行降噪预处理，可有效对输入数据中的零均值或近似零均值分布的噪声数据进行降噪，并减弱异常数据的影响，进一步，通过去噪自编码器对降噪预处理后的输入数据进行编解码，去除降噪后的观测数据中的噪声，进一步有效减少输入数据的噪声数据；模型基于去噪自编码器编解码后的输出得到去噪后的运动轨迹，提升模型估计机动目标的运动轨迹的准确性。
[0044]
三、模型训练过程
[0045]
根据本发明的一个实施例，提供一种用于机动目标的轨迹观测数据去噪模型的训练方法，参见图2，所述方法包括按照步骤s1和s2对模型进行一轮或多轮迭代训练，每轮进行一次或多次训练，直至模型收敛或达到预设的迭代次数时停止训练。其中，在步骤s1中，获取训练集，训练集中每个样本包括输入数据和标签，输入数据为传感器在预定时间间隔内观测目标运动轨迹得到的多帧观测数据，标签为对应时间内目标的真实运动轨迹；在步骤s2中，利用训练集训练模型，并基于计算的损失更新模型的参数，其中，预处理单元对输入数据进行降噪预处理，去噪自编码器对降噪预处理后的输入数据进行编解码，模型基于去噪自编码器编解码后的输出得到去噪后的运动轨迹。
[0046]
根据本发明的一个实施例，参见图3，图3为输入数据的生成以及模型对输入数据的处理过程，其中，输入数据基于上述示例一的方式以预定时间间隔1秒观测得到的6帧观测数据，输入数据中每个圆圈对应一帧观测数据，解码器的输出中每个圆圈为对应帧的目标运动状态的估计值，输入数据包括真实值和噪声数据。在一次训练时，基于上述方式获得的训练集对模型进行训练。首先，通过预处理单元对输入数据进行降噪预处理得到降噪预处理后的输入数据，其次，通过编码器对输入数据进行编码，得到隐层特征向量；最后，通过解码器对隐层特征向量进行解码，得到目标运动状态的估计值，所述目标运动状态的估计值作为去噪后的运动轨迹；其中，每次训练时，基于去噪后的运动轨迹和真实运动轨迹计算的损失更新可学习的权重参数矩阵、编码器和解码器的参数。采用均方误差损失函数计算损失。其中，损失计算方式如下：
[0047][0048]
其中，loss
dae
表示一次训练时计算的损失，n表示一次训练时采用的样本总量，i表示样本总量中的第i个样本，xi表示样本总量中第i个样本的标签，f
θ
表示解码器，f
θ
(
·
)表示目标运动状态的估计值(即去噪后的运动轨迹)，θ表示解码器的参数，表示编码器，表示隐层特征向量，表示编码器的参数，表示根据第i个样本的降噪预处理后的输入数据。
[0049]
根据本发明的一个实施例，模型采用maxout激活函数层，在一次训练时，编码器用于对降噪预处理后的输入数据进行编码，得到隐层特征向量；所述解码器用于对隐层特征向量进行解码，得到目标运动状态的估计值；所述maxout激活函数层用于使用maxout激活函数对目标运动状态的估计值进行处理得到去噪后的运动轨迹；其中，每次训练时，基于去噪后的运动轨迹和真实运动轨迹计算的损失更新可学习的权重参数矩阵、编码器、解码器和maxout激活函数层的参数。
[0050]
根据本发明的一个实施例，maxout激活函数层的隐藏层有k个神经元(k可根据需求进行手工设定，例如设为6个、8个神经元)，一个神经元对应一组网络参数，每次训练时，将解码器输出的结果通过k个神经元得到k个数据，选择k个数据中最大数据作为输出去噪后的运动轨迹。
[0051]
根据本发明的一个实施例，模型采用relu激活函数层，在一次训练时，所述relu激活函数层用于使用relu激活函数对目标运动状态的估计值进行处理得到去噪后的运动轨迹，其中，每次训练时，基于去噪后的运动轨迹和真实运动轨迹计算的损失更新可学习的权重参数矩阵、编码器、和解码器。
[0052]
根据本发明的一个实施例，每次训练时，预处理单元中的可学习的权重参数矩阵的参数可以随模型不断更新、也可以训练一次或多次后在后续指定的训练中被锁定或者手动调整。例如，一次训练结束后，需根据损失更新当前预处理单元的参数，或者根据具体情况手动设置调整预处理单元中的参数，以此来对预处理单元的参数进行适应性调整，实现对观测数据更好地降噪预处理，在下一次训练前，利用更新后的预处理单元对传感器观测得到的多帧观测数据进行降噪预处理，在下一次训练时对输入数据进行降噪预处理的效果更好。预处理单元中的可学习的权重参数矩阵的参数也可以在训练模型前就将预处理单元的参数调整到一个较好的情况，后续直接使用固定参数的预处理单元对观测数据进行降噪预处理。本发明通过该预处理单元对输入数据进行降噪预处理，可减少噪声数据的影响，提高模型的训练效率。
[0053]
四、应用场景
[0054]
根据本发明的一个实施例，提供一种机动目标跟踪方法，用于安防监控、智能交通或雷达预警领域，方法包括：利用基于本发明上述实施例所述方法训练的轨迹观测数据去噪模型，根据输入的目标运动轨迹的连续的多帧观测数据，得到目标对应去噪后的运动轨迹；其中，根据去噪后的运动轨迹对机动目标进行跟踪。本发明的目标跟踪方法可直接通过轨迹观测数据去噪模型得到的运动轨迹进行目标跟踪，且可适用于多种领域，灵活性强。
[0055]
根据本发明的另一个实施例，提供一种机动目标跟踪方法，用于安防监控、智能交通或雷达预警领域，参见图4，图4为生成机动目标运动轨迹的示意图，通过上述实施例方法训练的轨迹观测数据去噪模型和轨迹重建模块对输入数据进行处理得到运动轨迹。机动目标跟踪方法包括：在连续的多帧观测数据中按时序数据格式划分出多个输入数据，其中，输入数据包括预定帧数量的观测数据，相邻两个输入数据包括重复的多帧观测数据；利用基于本发明上述实施例所述方法训练的轨迹观测数据去噪模型，根据每次的输入数据，得到目标对应去噪后的运动轨迹；通过轨迹重建模块对相邻两个输入数据中重复的多帧观测数据对应的两个去噪后的运动轨迹进行求均值，以得到重建的运动轨迹；其中，根据重建的运动轨迹对机动目标进行跟踪。本发明可将多帧观测数据重复输入至模型中，以此对应帧观测数据通过模型可得到多个运动轨迹，通过轨迹重建模块取多个的运动轨迹的均值，进一步提高运动轨迹的准确度。
[0056]
根据本发明的一个实施例，按时序数据格式划分出多个输入数据，以模型每次输入数据包含6帧观测数据为例，则划分的相邻两输入数据间有5帧重叠数据，如第一次输入数据是第1帧，第2帧，第3帧，第4帧，第5帧的观测数据，第二次输入数据是第2帧，第3帧，第4帧，第5帧，第6帧的观测数据，这两个输入数据中，第2帧，第3帧，第4帧，第5帧的观测数据被
重复输入了，在相邻两个输入数据之间，对第2帧，第3帧，第4帧，第5帧对应输出的两个去噪后的运动轨迹进行求均值，得到重建的运动轨迹。
[0057]
根据本发明的一个实施例，例如在安防监控领域中，结合目标检测算法实现对监控视频中的目标跟踪，目标检测算法会给出多帧观测数据，每帧观测数据包括该帧图像中的目标检测框的顶点位置或其他位置，例如该帧图像中的目标检测框(bounding box)的对角线上两个顶点坐标，通过上述实施例方法生成训练集并训练轨迹观测数据去噪模型，轨迹观测数据去噪模型和轨迹重建模块对安防监控领域中的观测数据进行处理得到每帧运动轨迹，将每帧运动轨迹作为每帧图像中目标检测框的中心点坐标，多帧连续的运动轨迹对应多个连续的目标检测框的中心点坐标，并将多个连续的中心点坐标输入到目标跟踪算法中进行目标跟踪。
[0058]
需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。
[0059]
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
[0060]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
[0061]
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种用于机动目标的轨迹观测数据去噪模型的训练方法，其特征在于，所述模型包括预处理单元和去噪自编码器，所述方法包括：获取训练集，训练集中每个样本包括输入数据和标签，输入数据为传感器在预定时间间隔内观测目标运动轨迹得到的多帧观测数据，标签为对应时间内目标的真实运动轨迹；利用训练集训练模型，并基于计算的损失更新模型的参数，其中，预处理单元对输入数据进行降噪预处理，去噪自编码器对降噪预处理后的输入数据进行编解码，模型基于去噪自编码器编解码后的输出得到去噪后的运动轨迹。2.根据权利要求1所述的方法，其特征在于，每帧观测数据包括传感器在对应帧观测的多个观测点数据，所述预处理单元包括：用于对每帧观测数据中的每预定个数的观测点数据进行融合处理的可学习的权重参数矩阵，其中，训练时，基于损失更新去噪自编码器和预处理模块的可学习的权重参数矩阵的参数。3.根据权利要求2所述的方法，其特征在于，所述预处理单元利用预定的滑动窗口从每帧观测数据中每次滑动读取预定个数的观测点数据，并采用可学习的权重参数矩阵对每次读取的观测点数据进行融合处理，其中，所述预定个数大于等于2。4.根据权利要求2所述的方法，其特征在于，所述对应帧观测的观测点数据包括目标在对应帧的速度、目标在对应帧的加速度、目标在对应帧的经度位置和纬度位置。5.根据权利要求2-4之一所述的方法，其特征在于，所述去噪自编码器包括编码器和解码器，其中，所述编码器，用于对降噪预处理后的输入数据进行编码，得到隐层特征向量；以及所述解码器，用于对隐层特征向量进行解码，得到目标运动状态的估计值，所述目标运动状态的估计值作为去噪后的运动轨迹；其中，训练时，基于去噪后的运动轨迹和真实运动轨迹计算的损失更新可学习的权重参数矩阵、编码器和解码器的参数。6.根据权利要求2-4之一所述的方法，其特征在于，所述去噪自编码器包括编码器和解码器，所述模型还包括激活函数层，激活函数层为maxout激活函数层，其中，所述编码器，用于对降噪预处理后的输入数据进行编码，得到隐层特征向量；所述解码器，用于对隐层特征向量进行解码，得到目标运动状态的估计值；以及所述maxout激活函数层，用于根据maxout激活函数对目标运动状态的估计值进行处理得到去噪后的运动轨迹；其中，训练时，基于去噪后的运动轨迹和真实运动轨迹计算的损失更新可学习的权重参数矩阵、编码器、解码器和maxout激活函数层的参数。7.一种机动目标跟踪方法，其特征在于，用于安防监控、智能交通或雷达预警领域，方法包括：利用基于权利要求1-6任一项所述方法训练的轨迹观测数据去噪模型，根据输入的目标运动轨迹的连续的多帧观测数据，得到目标对应去噪后的运动轨迹；其中，根据去噪后的运动轨迹对机动目标进行跟踪。8.一种机动目标跟踪方法，其特征在于，用于安防监控、智能交通或雷达预警领域，方法包括：
在连续的多帧观测数据中按时序数据格式划分出多个输入数据，输入数据包括预定帧数量的观测数据，相邻两个输入数据包括重复的多帧观测数据；利用基于权利要求1-6任一项所述方法训练的轨迹观测数据去噪模型，根据每次的输入数据，得到目标对应去噪后的运动轨迹；通过轨迹重建模块对相邻两个输入数据中重复的多帧观测数据对应的两个去噪后的运动轨迹进行求均值，以得到重建的运动轨迹；其中，根据重建的运动轨迹对机动目标进行跟踪。9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可被处理器执行以实现权利要求1至8中任一项所述方法的步骤。10.一种电子设备，其特征在于，包括：一个或多个处理器；以及存储器，其中存储器用于存储可执行指令；所述一个或多个处理器被配置为经由执行所述可执行指令以实现权利要求1至8中任一项所述方法的步骤。

技术总结
本发明实施例提供了一种用于机动目标的轨迹观测数据去噪模型的训练方法，所述模型包括预处理单元和去噪自编码器，所述方法包括：获取训练集，训练集中每个样本包括输入数据和标签，输入数据为传感器在预定时间间隔内观测目标运动轨迹得到的多帧观测数据，标签为对应时间内目标的真实运动轨迹；利用训练集训练模型，并基于计算的损失更新模型的参数，其中，预处理单元对输入数据进行降噪预处理，去噪自编码器对降噪预处理后的输入数据进行编解码，模型基于去噪自编码器编解码后的输出得到去噪后的运动轨迹，本发明实施例通过该训练方法训练得到的模型能对观测数据进行有效去噪的能力，从而提高模型对机动目标的运动轨迹估计的准确性。准确性。准确性。


技术研发人员：谷旭凯 孙涛 吴琳 王飞 徐勇军
受保护的技术使用者：中国科学院计算技术研究所
技术研发日：2023.03.03
技术公布日：2023/7/19