数据—模型混合驱动的目标跟踪方法研究

发布时间：2022-02-14 12:30

　　目标跟踪是根据传感器获得的目标观测数据对目标的状态进行精确估计。传统的基于状态空间模型的贝叶斯滤波方法框架通过将目标的运动和传感器测量与目标状态建立运动模型和测量模型,并在状态空间中估计更新来获取目标状态的估计。这类方法在模型能够精确描述系统的真实情况时可以得到准确的状态估计。但是,在实际的目标跟踪场景中,单一的模型往往难以准确表达目标的运动和观测系统的复杂性和不确定性。针对这一问题,本文提出了数据驱动和模型驱动相结合的目标跟踪方法,将贝叶斯滤波框架与深度神经网络相结合,研究单目标、多目标状态估计方法的具体研究内容如下:1、数据驱动的单目标跟踪方法研究通过神经网络对目标的观测数据以及历史状态数据进行学习,从历史数据和观测数据中抽取估计值与数据之间的关系,从而产生对目标状态值的修正。2、数据-模型混合驱动的单目标跟踪方法将贝叶斯滤波与深度学习网络进行联合,利用贝叶斯滤波对目标状态进行初次估计,再利用数据驱动对估计结果进行修正,从而实现对目标状态值的估计。最后,将三个模型进行集成,分别利用各自模型的优势,实现对线性模型和非线性模型的状态估计,从而提高目标跟踪准确性,提高泛化能力。3、数据驱... 

【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

滤波的目标跟踪流程图

哈尔滨工业大学专业硕士学位论文-8-第2章基于深度神经网络的单目标跟踪方法2.1引言在目标跟踪中，最大的问题是过程噪声和测量噪声对目标状态估计的影响。周围复杂的环境因素，例如不断变化的温度、湿度等因素，会导致在测量过程中传感器的测量结果存在一定的偏差。另外，由于传感器等设备本身的原因，在测量的过程中也存在一定的操作误差。由于测量结果的不准确可能会导致在基于模型对目标状态进行估计时，估计的目标状态会存在比较大的误差，进而导致跟踪效果不好。图2-1是目标跟踪的主要流程。图2-1滤波的目标跟踪流程图本章主要通过已知的目标状态空间运动模型和LSTM神经网络对目标进行跟踪。使用深度神经神经网络构建目标状态估计模型，挖掘处理后的数据与期望输出之间的内在规律，对目标的待估计状态进行估计，得到估计结果。图2-2是本章目标状态估计流程图。图2-2目标状态估计流程图

哈尔滨工业大学专业硕士学位论文-10-经网络进行训练时，方位角的数据特征会被距离“淹没”。为了解决这两个问题，本节提出通过一个预处理步骤来修改样本的输入输出对，使之适合训练。图2-3总结了预处理步骤。一方面，使用目标运动方程对不同时刻的目标状态值进行大致估计1:，然后通过观测方程将得到的初步估计1:转化成观测空间的观测值1:，并与传感器得到的观测值相减得到数据1:。然后对得到的输入数据1:进行归一化，以生成LSTM网络的最终输入数据1:。具体处理过程如下所示：1、使用目标运动方程()和k-1时刻的状态值估计k时刻的状态值，得到k时刻的状态估计值：1:=(1:1)（2-3）2、将k时刻通过目标运动方程得到的状态估计结果作为观测方程的输入，得到k时刻状态估计的观测值，将其与通过传感器得到的观测值做差，并对结果进行归一化处理，得到输入数据：1:=(1:)（2-4）1:=1:1:（2-5）其中，是1:元素中的对应观测值的最大绝对值。显然，在1:中，归一化后的数据范围是[-1，1]，这避免了激活神经元落入饱和区。同时，深度神经网络的期望输出序列是1:，通过公式（2-6）得到：1:=1:1:（2-6）其中1:是目标轨迹的地面真值。1:作为地面真值的基准值，1:为基准值与地面真实值的相对误差。显然，1:主要包含由不同运动模型引起的不同运动轨迹之间的差异信息，而不包含运动轨迹中位置、速度等数据的信息。因此，1:的信息量比地面真相1:的信息量少得多。因此，本章提出的深度神经网络模型更容易学得输入和输出之间得内在规律。图2-3数据预处理流程图

【参考文献】：
期刊论文
[1]基于线性加权融合模式的图书资源推荐方法研究[J]. 谭亮,周静.  吉林省教育学院学报. 2018(05)
[2]基于循环卷积神经网络的目标检测与分类[J]. 艾玲梅,叶雪娜.  计算机技术与发展. 2018(02)
[3]单目标跟踪算法综述[J]. 汪鸿翔,柳培忠,骆炎民,洪铭,顾培婷.  海峡科学. 2016(07)
[4]快速多目标跟踪GM-PHD滤波算法[J]. 陈金广,秦晓姗,马丽丽.  计算机科学. 2016(03)
[5]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强.  系统仿真学报. 2010(03)



本文编号：3624558