基于神经网络的椭圆扩展目标形态估计.pdf

第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:基金项目:国家自然科学基金项目()作者简介:陈训成()男硕士研究生:.通信作者:戚国庆()男博士副研究员:.:./.基于神经网络的椭圆扩展目标形态估计陈训成戚国庆亓俊杰李银伢盛安冬(.南京理工大学 自动化学院 南京.上海精密计量测试研究所 上海)摘要:针对复杂环境下由稀疏量测引起的椭圆扩展目标形态估计精度低的问题提出了一种基于神经网络的形态估计方法 利用神经网络对目标量测进行处理估计出椭圆扩展目标的轴长然后结合卡尔曼滤波算法实现目标的跟踪 仿真实验结果表明通过与基于随机矩阵、乘性误差以及卷积神经网络等模型的算法相比所提算法的跟踪性能有显著改进关键词:扩展目标跟踪神经网络卡尔曼滤波形态估计本文引用格式:陈训成戚国庆亓俊杰等.基于神经网络的椭圆扩展目标形态估计.兵器装备工程学报():.:.():.中图分类号:文献标识码:文章编号:()(.):.:引言在传统的目标跟踪算法中目标一般被视为点目标 随着传感器分辨率的不断提高目标在每一时刻可以产生多个量测利用这些量测不仅可以估计出目标的运动状态还可以提取出目标的扩展信息(如大小、方向、形状等)目标描述由传统的点目标演化为扩展目标 相关学者为描述扩展目标的形态特征提出采用椭圆、矩形、棍形等对扩展目标进行外形建模针对椭圆扩展目标广泛使用的是 提出的随机矩阵()模型多名学者对其进行了大量研究并提出了多种改进算法 文献提出了一种基于乘法误差模型的扩展卡尔曼滤波器它对量测值进行顺序处理并通过乘法误差模型对其在椭圆上的分布进行建模如今神经网络被广泛应用于目标的检测与跟踪 如文献提出了基于支持向量机和卷积神经网络的目标跟踪算法文献将深度学习算法与基于高斯过程的扩展目标跟踪器相结合对目标进行分类处理文献 将循环神经网络用于激光雷达数据下的多目标跟踪文献提出了一种基于卷积神经网络的扩展目标形状估计方法但是估计精度受到所选缩放参数的影响较大椭圆扩展目标的各个量测是由分布在扩展目标表面的不同散射点(量测源)产生的一般假设这些散射点在目标表面服从均匀分布 传感器根据目标表面均匀分布的散射点提供多个量测值(如图()所示)然而在实际的复杂环境中由于受到杂波和噪声干扰以及传感器自身分辨率受限等因素的影响使得这些散射点是部分可分辨的从而产生稀疏量测的问题(如图()所示)传统的扩展目标跟踪算法往往需要大量量测来精确估计目标的运动状态和扩展形态而可用量测的稀疏性会导致扩展目标跟踪性能的下降图 扩展目标多散射点量测及稀疏量测.针对上述问题本文中提出了一种基于神经网络的椭圆扩展目标形状参数估计方法将神经网络与卡尔曼滤波算法相结合实现了扩展目标的精确跟踪 通过模拟仿真实验分析了该方法的跟踪性能并与现有的扩展目标跟踪算法相比较仿真结果表明该方法能实现扩展目标的稳定跟踪且具有更好的跟踪性能 问题描述椭圆扩展目标的动态变化包含 个方面:质心运动状态和扩展形态随时间的演化 扩展形态由扩展目标轮廓外形椭圆方向角 以及轴长 和 共同描述 对于同一目标假设其椭圆外形主轴方向与其速度方向一致其轴长固定不变考虑如下线性系统:()式()中:为状态向量为量测向量 为状态转移矩阵 为量测矩阵过程噪声 服从均值为 方差为 的正态分布 假设量测源均匀分布在椭圆物体表面并使用正态分布来近似均匀分布考虑到实际的量测噪声参考文献将噪声 建模成方差为 的正态分布即()()式()中:为量测噪声协方差 为当前时刻椭圆外形的描述矩阵即()()()()其中()为旋转矩阵即()()()()()()是描述扩展目标表面散射中心分布的标量参数当量测维度为 时一般取 /目标的状态向量 ()和 分别为目标的位置分量和分别为目标的速度分量 因此量测矩阵 为()椭圆扩展目标跟踪算法如图 所示本文中所提算法可分为 个模块 第 个模块实现运动状态估计利用卡尔曼滤波算法更新目标的运动状态第 个模块用于估计目标椭圆扩展外形方向角基于目标速度方向与其主轴方向一致的假设利用更新后的运动状态计算方向角第 个模块解决目标形态参数估计的问题使用神经网络推断椭圆轴长 和 对于每一时刻获取的数目不等的量测经过预处理后可直接输入神经网络其输出即为估计得到的椭圆轴长 和 图 扩展目标跟踪算法总体框架.陈训成等:基于神经网络的椭圆扩展目标形态估计.运动状态估计状态向量包括两维的位置向量和两维的速度向量根据卡尔曼滤波算法目标运动状态预测值以及预测误差方差为 ()()由式()可知每个量测包含了二维的位置信息假设 时刻的量测集为 为 时刻量测个数则运动状态的更新为()()()()()()()()其中为量测均值即()方向角可由下式计算得到:()需要注意的是卡尔曼滤波进行第 次状态更新时还未进行椭圆形状参数估计此时无法计算 因此使用 近似.基于神经网络的形态估计在利用神经网络估计扩展目标外形参数之前需要先对采集到的量测数据进行预处理这一过程主要包括 个步骤 首先所有新采集到的数据都需要以状态估计后的目标质心位置为中心即 ()其次在目标速度方向与椭圆外形主轴方向一致的假设下对量测进行方向上的处理使每一时刻处理后的主轴方向保持一致即()()为预处理后的量测集基于文献搭建如图 所示的神经网络形态估计框架 该框架包括 个部分左侧为特征提取网络由 个多层感知器()层以及最大池化层构成从预处理后的量测中提取出目标的特征向量右侧为形状参数估计网络由 个全连接层()构成根据特征向量估计目标椭圆外形的轴长 和 为了保证神经网络的输出结果为正值使用 函数作为激活函数神经网络使用 个随机场景生成的模拟数据进行训练每个场景下随机均匀选取 之间的 个数分别作为椭圆扩展目标的轴长 和 并将其作为标签量 假设量测数目服从泊松分布在每一场景中其期望值 固定不变且神经网络一共进行了 次训练其中以均方误差()作为评价函数并使用了 优化算法学习率初始值为 且每经过 次训练学习率更新为原来的.倍权重衰减参数设置为 图 形态估计的神经网络框架.算法计算流程本文中所提椭圆扩展目标跟踪算法流程描述如下算法 椭圆扩展目标跟踪算法已知:求:时刻的更新值 通过式()和式()计算状态预测值 和 通过式()式()计算状态更新值 和 通过式()和式()对量测进行处理 通过神经网络估计 和 仿真分析为进一步验证所提方法的有效性以二维平面椭圆形运动目标为例进行仿真实验并与文献中的、文献中的 以及文献中的 种扩展目标跟踪算法进行对比分析假设有一跟踪雷达对目标进行跟踪采样时间间隔 目标的形状参数为 其初始位置为()初始速度为()/目标进行了 的匀速转弯运动角速度大小为 ./因此式()中的状态转移矩阵为兵 器 装 备 工 程 学 报:/./()目标状态向量的初始误差协方差为 ()过程噪声协方差为 ()量测噪声协方差为 其中每一时刻量测数目期望值为 仿真时间为 蒙特卡洛仿真实验 次图 所示为目标运动真实轨迹与本文所给出的目标状态估计算法得到的跟踪轨迹通过图中目标运动状态的估计以及初始时刻和航路终值时刻的局部放大图可见随着量测数据的积累目标形态估计与真实形态会更好地吻合图 扩展目标跟踪轨迹图.文献 指出高斯 距离()是一个适用于椭圆目标的度量指标它同时包含了位置和形态方面的误差能够有效地评估扩展目标的跟踪性能 为了详细对比算法的跟踪效果图 给出了本文算法与、以及 种算法的 对比图 图 为 种算法的位置均方根误差()对比图图 为速度 对比图图 不同算法的 对比图.图 位置均方根误差对比.图 速度均方根误差对比.从图 可以看出与其他 种算法相比本文中所提算法的 明显更小跟踪效果更好 分析图 和图 可知本文中所提算法与 相比在位置和速度上的跟踪误差均相差不大但本文中算法的 明显小于 的 表明本文中算法估计的椭圆外形更接近于目标真实外形这是由于本文中提出的方法能够充分利用量测获取精确的特征信息而 算法可利用的信息较本文算法少从而导致形态估计误差较大表 给出了 种算法的统计数据对比进一步具体地比较了 种算法的滤波性能 从表 中数据可以得到本文算法的 与其他 种算法相比分别降低了.、.和.表明本文算法估计出的目标形态更接近目标的真实形态图 展示了不同 值下 种算法的跟踪性能 从图 中可以看到随着 的增大算法的跟踪性能得到了一定程度的提高 在 值较小即量测数目较少的情况下本文算法具有更好的跟踪性能其原因在于本文算法利用神经网络获取量测特征向量相比于其他算法能够获得更多有效信息因而能够提高后续形状参数估计的准确度因此本文算法更适用于稀疏量测场景下的扩展目标跟踪陈训成等:基于神经网络的椭圆扩展目标形态估计表 算法性能比较 算法/位置/速度/()本文算法.图 不同 值下算法的 对比图.为了检验目标尺寸对本文算法估计精度的影响分别对不同尺寸的目标进行仿真测试测试结果如图 所示图 目标尺寸对估计精度的影响.由图 可见当目标尺寸在神经网络训练范围内时估计误差保持在相对较小的范围具有较好的稳定性随着目标尺寸的增大由于 不变估计误差有较小幅度的增加这是因为当目标尺寸增大时需要更多量测才能获取准确的特征信息而 不变意味着无法获取更多信息从而导致误差增大当目标尺寸超过神经网络的训练范围时估计误差迅速增加其原因在于仿真实验使用的训练样本量较少导致神经网络出现过拟合无法准确表达数据特征因此只需扩大神经网络的训练范围即可满足对不同尺寸目标的跟踪要求 结论针对椭圆扩展目标的形态估计问题提出了一种基于神经网络的估计方法利用不同量测噪声情形下不同尺寸物体的模拟数据进行训练在结合卡尔曼滤波提出的扩展目标跟踪算法的基础上完成了与 种典型算法的对比仿真实验得到如下结论:)运用神经网络方法能有效实现椭圆扩展目标的形态估计且具有更高的估计精度)在稀疏量测场景下本文算法具有更好的跟踪性能估计的目标椭圆扩展外形更接近目标的真实外形与 种典型算法相比具有显著优越性)本文算法高度模块化可以结合机动目标滤波器以及多目标滤波器扩展到机动多扩展目标跟踪领域在复杂跟踪环境中具有更广阔的应用前景参考文献:.():.():.:/.:./().:.:.():.王治飞于俊朋孙晶明等.基于机器学习的海面扩展兵 器 装 备 工 程 学 报:/./目标检测.现代雷达():.():./():.:/.:.(/):./():.:.():./():./():.孙力帆何子述冀保峰等.基于高精度传感器量测的机动扩展目标建模与跟踪.光学学报():.():.刘妹琴兰剑.目标跟踪前沿理论与应用.北京:科学出版社.:.科学编辑 齐乃新 博士(火箭军工程大学)责任编辑 胡君德(上接第 页).():.():.康帅.还原氧化石墨烯及其复合材料的制备与吸波性能研究.上海:东华大学.:./.():.刘强春.微纳结构四氧化三铁复合材料的制备与吸波性能研究.合肥:中国科学技术大学./.:.():.():./.():.科学编辑 夏亮 博士(空军预警学院 工程师)责任编辑 徐佳忆陈训成等:基于神经网络的椭圆扩展目标形态估计