CN119439147A 一种在遮挡环境下基于雷达成像的船舶目标跟踪方法 （山东科技大学）

一种在遮挡环境下基于雷达成像的船舶目本发明公开一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，属于目标跟踪技术领迹卡尔曼滤波结合LSTM的船目标跟踪方法进行2置；对未正常关联匹配的潜在目标，使用无迹卡尔曼滤波结合长短期记忆神经网络模型2.根据权利要求1所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特;;;式中，xi2是雷达第i2个最小回波单位映射到图像中的x坐标，yi2是雷达第i2个最小回波单位映射到图像中的y坐标，r是当前回波单位距离雷定的转换图像的高度，Timax是当前的最大扫描径向距离，RGB(I)是将回波强度I映射到最大值时Imax为红色。3.根据权利要求2所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特;;34.根据权利要求3所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特;边界追踪包括利用连通域进行边界追踪，提取每个连通;;;;;4;5.根据权利要求4所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特计算最佳距离包括从回波图像中读取一帧图像，提取潜在;;6.根据权利要求5所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特;7.根据权利要求6所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特5;;;船的观测模型zk为：8.根据权利要求7所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特;;;;计算sigma点的权重：;;6加权平均sigma点的预测值得到预测的状态：;;更新滤波器的增益参数包括通过观测转移函数将sigma点映射到测量空间：;;通过sigma点的加权协方差计算测量协方差矩阵：;;;9.根据权利要求8所述的一种在遮挡环境下基于雷达成像的船舶目标跟踪方法，其特;e(t)是偏差，t是时间；;式中，9istm-1是用于预测状态向量的第一个LSTM神经网络模型，9istm-2是用于7预测真实状态向量与预测状态向量的差值的第二个LSTM神经网络模型，furr-z是用于输入预测的观测值并计算预测的状态向量的第二个无迹卡尔曼滤波，是利用第一个真实的状态向量与第二个无迹卡尔曼滤波生成的船舶状态估计向量的差值，ki1-n1,…,ki1-2,ki1-1是前n3帧目标计算出的卡尔曼增益集合，是前n'帧真实的状态向量与神经网络预测的状态向量的差值的时间窗口数据输入到中获得n'个卡尔曼增益S1(K1-n1,…,K1-2,K;1-1)，将作为9istm-1的输入，输出与维度设置完全一致的，将9istm-1的输出结果作如果航迹在当前雷达图像帧中没有匹配到符合条件约束令，选取过去n'个时间步长的差值作为9istm-2的输入，输出，表示预测的误差值；若当目标值没有匹配结果，用作为预测的误差值。8[0002]船舶交通管理系统VTS(VesselTrafficService)的基础功能为船舶跟踪，而船为困难。此外在主航道与渔区相近的区域存在着一定数量的非合作小目标进行非法捕鱼，9;;;式中，xi2是雷达第i2个最小回波单位映射到图像中的x坐标，yi2是雷达第i2个最小回波单位映射到图像中的y坐标，r是当前是设定的转换图像的高度，Imnax是当前的最大扫描径向距离，RGB(I)是将回波强度I映强度最大值时Imax为红色。;度；;[0009]连通域分析包括利用连通域分析识别时间序列的多帧回波图像中所有相连的前;边界追踪包括利用连通域进行边界追踪，提取每个连通域的边界点集作为轮;;链码表示包括使用链码表示轮廓的相邻点之间的方向，设pi和pi+1为轮廓的两;;;式中，n是轮廓点集的点的个数，(xn,yn)是近似的轮廓点集的最后一点，将(xn,yn)之后的下一点(xnr1,ynr1)定义为近似的轮廓点集的第一个点(x,y)，令[0010]将潜在目标的位置与跟踪ID进行关联匹配包括采用全局最近邻算法在观测集合;;;[0012]无迹卡尔曼滤波结合LSTM的船目标跟踪方法包括使用无迹卡尔曼滤波进行运动设k+1时刻船的状态向量为xk+1：;;船的观测模型zk为：[0013]使用无迹卡尔曼滤波进行运动状态估计包括设定初始船的状态向量和初始协;;;;计算sigma点的权重：;;加权平均sigma点的预测值得到预测的状态：;;更新滤波器的增益参数包括通过观测转移函数将sigma点映射到测量空间：;;通过sigma点的加权协方差计算测量协方差矩阵：;;;;t是时间；;式中，9istm-1是用于预测状态向量的第一个LSTM神经网络模型，9istm-2是用于预测真实状态向量与预测状态向量的差值的第二个LSTM神经网络模型，furr-z是用于输入预测的观测值并计算预测的状态向量的第二个无迹卡尔曼滤波，是利用第一是真实的状态向量与第二个无迹卡尔曼滤波生成的船舶状态估计向量的差值，ki1-n1,…,ki1-2,ki1-1是前n3帧目标计算出的卡尔曼增益集合，是前n'帧真实的状态向量与神经网络预测的状态向量的差值长度的时间窗口数据输入到中获得n'个卡尔曼增益S1(k1-n1,…,k1-2,k;1-1)，将s1作为9istm-1的输入，输出与zi1维度设置完全一观测向量中断，无法获得，9istm-1根据滤波参数与观测向量的关系，将输入到并输出；;;;式中，xi2是雷达第i2个最小回波单位映射到图像中的x坐标，yi2是雷达第i2个最小回波单位映射到图像中的y坐标，r是当前是设定的转换图像的高度，Imnax是当前的最大扫描径向距离，RGB(I)是将回波强度I映强度最大值时Imax为红色。;度；;[0022]连通域分析包括利用连通域分析识别时间序列的多帧回波图像中所有相连的前;边界追踪包括利用连通域进行边界追踪，提取每个连通域的边界点集作为轮;;链码表示包括使用链码表示轮廓的相邻点之间的方向，设pi和pi+1为轮廓的两;;;式中，n是轮廓点集的点的个数，(xn,yn)是近似的轮廓点集的最后一点，将(xn,yn)之后的下一点(xnr1,ynr1)定义为近似的轮廓点集的第一个点(x,y)，令[0023]将潜在目标的位置与跟踪ID进行关联匹配包括采用全局最近邻算法在观测集合;;;[0025]无迹卡尔曼滤波结合LSTM的船目标跟踪方法包括使用无迹卡尔曼滤波进行运动设k+1时刻船的状态向量为xk+1：;;船的观测模型zk为：[0026]使用无迹卡尔曼滤波进行运动状态估计包括设定初始船的状态向量和初始协;;;;计算sigma点的权重：;;加权平均sigma点的预测值得到预测的状态：;;更新滤波器的增益参数包括通过观测转移函数将sigma点映射到测量空间：;;通过sigma点的加权协方差计算测量协方差矩阵：;;;;t是时间；;式中，9istm-1是用于预测状态向量的第一个LSTM神经网络模型，9istm-2是用于预测真实状态向量与预测状态向量的差值的第二个LSTM神经网络模型，furr-z是用于输入预测的观测值并计算预测的状态向量的第二个无迹卡尔曼滤波，是利用第一是真实的状态向量与第二个无迹卡尔曼滤波生成的船舶状态估计向量的差值，ki1-n1,…,ki1-2,ki1-1是前n3帧目标计算出的卡尔曼增益集合，是前n'帧真实的状态向量与神经网络预测的状态向量的差值长度的时间窗口数据输入到中获得n'个卡尔曼增益S1(k1-n1,…,k1-2,k;1-1)，将s1作为9istm-1的输入，输出与zi1维度设置完全一观测向量中断，无法获得，9istm-1根据滤波参数与观测向量的关系，将输入到并输出；步骤S10、输入多个时间步长的卡尔曼增益和状态估计向量到闭环带有反馈的跟;其中xpred和ypred是预测的坐标，xtrue和ytrue是真实的坐标。RMSE值越小，;其中表示直线到坐标原点的垂直距离。用这种方式可以表示所有角度的直线，[0039]为了有效避免出现领域中经典的IDSWITCH问题，本发明构建了一个基于无迹卡尔曼滤波(UKF)和长短期记忆神经网络模型(LTSM)的预测模型。无迹卡尔曼滤波卡尔曼滤波器无法处理非线性系统的问题。船舶在航行过程中受到水动力学影响，运动系[0040]现在通过处理雷达的回波数据和UKF模型可以估算船舶的运动状态和位置信息，用来更新UFK中的卡尔曼增益和协方差矩阵的参数。参考工业控制中最广泛应用的控制算是通过不断地测量系统的实际输出值与设定值之间的偏差，并根据这个偏差来计算控制络LongShort_TermMemory)建模，该模型存在记忆单元可以有效的考虑多个时间步长