CN119273716B 一种基于交叉Transformer数据关联算法的多目标跟踪方法及系统 （哈尔滨工业大学）

一种基于交叉Transformer数据关联算法的本发明提供一种基于交叉Transformer数据能领域。为解决现有的基于雷达数据的传统MTT叉Transformer数据关联网络，并采用BLUE滤波器来获得基于雷达的位置测量的精度和效率方踪方法在复杂的多目标跟踪场景，包括轨迹交2S100、对于一系列机动动态目标建立动态模型和通S300、对于步骤S200中的每个轨迹均通过使用最(klk-1)=F(k)&(k-1[k-1)+G(k)n(k)(6)其中，P(k|k_1)和P(k|k)分别表示k时刻状态协方差矩阵的预测和估计，(klk-1)和(klIK)分别表示k时刻状态的预测和估计；更新，定义和和和且3S400、利用基于评分的航迹管理策略处理未知的待跟踪目标和变化数量的待跟踪目2.根据权利要求1所述的一种基于交叉Transformer数据关联算法的多目标跟踪方法，n(k)~N(0,Q:(k))假设为零均值高斯过程；z'iii初始时刻到时间步K的所有目标状态的集合，并且Z={Z(K)IK=0,1,…,K}表示所有测量值pr(x1B;0)(4)4l3.根据权利要求2所述的一种基于交叉Transformer数据关联算法的多目标跟踪方法，数据关联网络算法在k时刻提供的具有p行和q列的关联矩阵；设⃞i(klk-1)li=1,2,…,p}4.根据权利要求3所述的一种基于交叉Transformer数据关联算法的多目标跟踪方法，设L={ilieN"}表示标签集，其中，N*是正整数集；令LncL,Lfcl表示L的两个子EN"表示轨道评分的截断参数；(1)对于没有关联目标的测量，通过使用新标签leL初始化最佳线性无偏估计滤波5给定k时刻的预测状态(klk-1)和协方差矩阵p(klk-1),设(KIK)的概率密度函数服从高斯分布N(&(klk-1),F(klk-1)),将分布公式(17)和公式(18)代入公式(16)有与上述权利要求1_4任一项权利要求的步骤对应的程序模块，运行时执行上述的基于交叉Transformer数据关联算法的多目标跟踪方法66.一种计算机可读存储介质，其特征在于：序，所述计算机程序配置为由处理器调用时实现权利要求1_4中任一项所述的基于交叉Transformer数据关联算法的多目7[0002]多目标跟踪(MTT)或多目标追踪(MOT)在各个领域发挥着至关重要的作用，如监中LSTM网络被专门设计用来从噪声雷达测量和预先存在的轨道中学习测量到轨道关联的8[0008]本发明提供了一种基于交叉Transformer数据关联算法的多目标跟踪方法，包括[0016]其中，xi(k)和ui(k)是k时刻的状态和输入向量，ηi(k)是过程噪声向量，n(k)~N(0,Q:(k))假设为零均值高斯过程；和vi,φ(k)分别是ri,(k)~N(0,Ri(k)),,o(k)~N(0,R,(k))和v9j始时刻到时间步K的所有目标状态的集合，并且Z={Z(K)IK=0,1,…,K}表示所有测量值的[0024]多目标跟踪问题表述为获得一个映射为，将目标跟踪问题转化为目标[0032]假设在时刻k有p个轨迹预测和q个测量值；设A(k)eRTransformer的数据关联网络算法在k时刻提供的具有p行和q列的关联矩阵；设ij(k-1k-1)和P(k_1|k_1)为时刻k_1的状态估计和协方差；状态估计和[0041](KIK-1)=F(k)k(k-1[k-1)+G(k)n(k)(6)(kk-1)和(KIK)分别表示k时刻状态的预测和估和和且且[0057]设L={iiEN"}表示标签集，其中，N*是正整数集；令LL"nLL"nLS=P,Ln是待确认候选轨迹的标签集；[0063](1)对于没有关联目标的测量，通过使用新标签leL初始化最佳线性无偏估计k-1)(14)[0073](3)对于具有相关测量值zj(k)的轨迹l，轨迹的状态和协方[0077]给定k时刻的预测状态(KIK-1)和协方差矩阵p(数服从高斯分布N(&(klk-1),p(klk-1)),[0085]如果s1(k)之sfER,则轨迹l被确认；轨迹l的标签从Lc中删除并添加到Lm中；[0089]一种基于交叉Transformer数据关联算法的多目标跟踪系统，该系统具有与上述步骤对应的程序模块，运行时执行上述的基于交叉Transformer数据关联算法的多目标跟算机程序配置为由处理器调用时实现基于交叉Transformer数据关联算法的多目标跟踪方[0092]本发明一种基于交叉Transformer数据关联算法的多目标跟踪方法及系统，基于[0093]图1为本发明实施例中一种基于交叉Transformer数据关联算法的多目标跟踪方[0102]图10为本发明实施例中仿真实验中利用本算法获得的x轴随时间变化的跟踪结果[0103]图11为本发明实施例中仿真实验中利用本算法获得的y轴随时间变化的跟踪结果[0104]图12为本发明实施例中仿真实验中利用本算法与PHD、CPHD和GLMB在OSPA距离方[0105]图13为本发明实施例中仿真实验中利用本算法与PHD、CPHD和GLMB在位置方面的[0106]图14为本发明实施例中仿真实验中利用本算法与PHD、CPHD和GLMB在基数结果方[0111]其中，xi(k)和ui(k)是k时刻的状态和输入向量，ηi(k)是过程噪声向量，n:(k)~N(0,Q:(k))假设为零均值高斯过程；v:(k))(2)和vi,φ(k)分别是rij(k)是第j个测量值，M(k)是测量值数量；令x={x(k)k=0,1,……,k}表示从初始时刻到时间步K的所有目标状态的集合，并且Z={Z()K=0,1,…,K表示所有测量值的[0126]通过将公式(4)重新表示为公式(5)，多目标跟踪过[0129]假设在时刻k有p个轨迹预测和q个测量值；设A(K)eR*I表示CTDA算法在k时刻ij[0134]S300、对于步骤S200中的每个轨迹均通过使用最佳线性[0135]假设每个目标的运动和测量方程在公式(1)和公式(2)中描述，由于公式(2)是非(k-1k-1)和P(k_1|k_1)为时刻k_1的状态估计和协方差；那么状态估[0137](klk-1)=F(k)&(k-1[k-1)+G(k)n(k)(6)k时刻状态协方差矩阵的预测和估计，Qk表示过程噪声的先验估计矩阵，K(KIK-1)和(klk)分别表示k时刻状态的预测和估计；和然后我们有且且[0159](4)对于没有关联目标的测量，通过使用新标签leL初始化BLUE滤波器来创建[0169](6)对于具有相关测量值zj(k)的轨迹l，轨迹的状态和协方[0172]给定k时刻的预测状态(KIK-1)和协方差矩阵p(klk-1),并假设(klk)的概率密度函数服从高斯分布N(&(klk-1),p(klk-1)),即，[0180]对于带有标签leLS[0187]数据关联过程旨在解决确定一组数据(可以是测量数据或估计数据)是否源自同有其他元素均为0。本算法目的是通过使用基于噪声雷达的位置测量来估计不同数量目标[0193]设D1={[x,对,TeR3li=0,1,2,…,m}和[0196]设c"=[引mxn为x方向关联的RDF矩阵如下，[0201]在RDF矩阵中，接近1的值表示数据集D1和数据集D2中对应的[0211]使用公式(25)中定义的分区，缩放后的填充矩阵将被重塑为批处理矩阵cpaa如[0216]S231、构建Transformer编码器，包括三个集成模块，即多头注意力(Multi_[0217]自注意力神经网络的主要目标是利用Query来检索对应于Keys的注意力值并将它[0222]其中，head,=Attention(Qwf[0225]S233、结合步骤S231的Transformer编码器和步骤232的Transformer解码器构建码器的输出以交叉模式输入至行和列Transfor[0227]由于Transformer解码器包括两个MHA模块，在行列交叉Transformer网络的上下文中，行和列编码器的输出分别充当行和列Transformer解码器中第二个MHA模块的Key和MHA模块层的输入；行和列解码器的输出和O3是对应三个通道的解码器的输出；[0233]3通道交叉Transformer网络中采用的交叉Transformer与行列交叉Transofrmer中的对应交叉Transformer不同；首先，与行列Transformer模块相比，3一通道交叉Transformer网络包含减少的层数，这种调整是通过观察到不同通道之间的信息融合往往比行列交叉Transformer模块所需的操作相对不那么复杂而做出的，在这种特定情况下使[0236]其中，oy和分别为关联矩阵Opr和真实关联矩阵Ogt预测的第i行和第j列的元[0237]S240、从基于交叉Transformer的数据关联网络获得的矩阵的每个元素表示给定[0240]具体实施方案三：本发明一种基于交叉Transformer数据关联算法的多目标跟踪储有计算机程序，所述计算机程序配置为由处理器调用时实现基于交叉Transformer数据多目标跟踪场景，以比较本发明提出的多目标跟踪算法与几种现有流行的多目标跟踪算[0253]可以看出0sp42ma和的值正是从而提供定位和目标数量vs~N(0,r)是过程噪声，t=diag([o⃞,GG",o引),σ⑴=15m/s2和σu＝(π/180)