一种全流程自适应的机动目标跟踪方法

本发明涉及目标跟踪，具体地说，涉及一种全流程自适应的机动目标跟踪方法。

背景技术：

1、长期以来，机动目标跟踪一直是目标跟踪领域研究的重点方向，其在国防、航空航天、交通控制、遥感等多个方面有着广泛的应用。在机动目标跟踪过程中，目标的运动状态往往呈现出非线性、时变性的特征，例如战机的突发转弯、车辆的紧急加减速、航天器的轨道调整等，这些“机动行为”会导致目标状态（位置、速度、加速度）快速变化，给实时、精准的状态估计带来巨大挑战。

2、传统机动目标跟踪方法主要采用cs模型或jerk 模型，但是cs模型难以应对高机动突变，jerk模型在稳态场景下存在不可消除的误差，传统cs-jerk模型融合逻辑固定，无法根据机动强度动态调整，导致不同机动类型下均存在跟踪精度不足的问题，并且模型参数依赖人工经验，如cs模型的衰减系数、jerk模型的分段周期、传统cs-jerk模型的融合权重需人工根据具体场景设定，缺乏自适应优化机制，当目标类型切换或机动特性变化时，参数失配会导致跟踪误差急剧扩大；传统模型面对突发高机动时，响应时间长达0.3-0.5s，无法满足实时跟踪需求，难以适配复杂的实际应用场景。

技术实现思路

1、本发明的目的在于提供一种全流程自适应的机动目标跟踪方法，以解决上述背景技术中提出的问题。

2、为解决上述技术问题，本发明的目的之一在于，提供一种全流程自适应的机动目标跟踪方法，包括：

3、s1：采集跟踪目标的多源数据，并对多源数据进行预处理，得到预处理数据，并基于预处理数据提取跟踪目标的机动特征参数；

4、s2：创建分类模型，将跟踪目标的机动特征参数输入至分类模型，以获取跟踪目标的机动类型；所述跟踪目标的机动类型包括低机动类型、中机动类型以及高机动类型；

5、s3：创建多个多模态子模型，通过改进的粒子群优化算法引入惯性权重动态衰减和粒子变异机制以优化多模态子模型的参数，得到优化后的多模态子模型；每一个多模态子模型分别对应于一种机动类型；

6、s4：将跟踪目标的机动特征参数输入至优化后的多模态子模型，以预测跟踪目标的未来状态。

7、优选的，所述多源数据包括位置数据、速度数据、加速度数据、加速度变化率数据以及每一个数据的采集时间，那么得到的数据集即为：

8、

9、其中，n为跟踪目标的总数量；是第i个跟踪目标的位置数据；是第i个跟踪目标的速度数据；是第i个跟踪目标的加速度数据；第i个跟踪目标的加速度变化率数据；为第i个跟踪目标对应的采集时间。

10、优选的，所述预处理步骤包括：

11、s1.1：计算每一个多源子数据的均值和标准差，并基于准则判断多源数据中是否存在异常值；

12、s1.2：若多源数据中存在异常值，则去除多源数据中的异常值，得到标准数据；

13、s1.3：依据采集时间通过线性插值法调节跟踪目标每一个多源子数据的采样频率，实现各个多源子数据的时空同步，得到预处理数据；

14、s1.4：通过滑动窗口法从预处理数据中提取跟踪目标的机动特征参数；所述机动特征参数包括加速度变化幅度、加速度变化率波动频率

f、运动根轨迹的曲率变化量。

15、优选的，所述分类模型采用改进后的svm算法作为自适应机动分类器的核心算法；所述改进后的svm算法的核函数选取规则包括：

16、当且时，判断跟踪目标为低机动类型，此时选取线性核函数，其中，是输入的特征向量；

17、当且时，判断跟踪目标为中机动类型，此时选取多项式核函数，其中，，是缩放系数，是常数项，是多项式阶数；

18、当且时，判断跟踪目标为高机动类型，此时选取径向基核函数，其中，。

19、优选的，所述多模态子模型包括：

20、低机动子模型；应用于低机动类型的跟踪目标，所述低机动子模型的均值更新公式为：，其中，是修正系数，是跟踪目标时刻的加速度均值估计值，是跟踪目标时刻的加速度观测值，是跟踪目标的衰减系数，是加速度变化幅度；

21、中机动子模型；应用于中机动类型的跟踪目标，所述中机动子模型采用改进的jerk模型，通过将传统jerk模型中加速度变化率 “常数jerk假设”替换为 “分段线性 jerk假设”；

22、高机动子模型；应用于高机动类型的跟踪目标，所述高机动子模型通过引入注意力机制动态调整权重，所述，其中，max_val为历史观测中的最大值，是加速度变化幅度、

f是加速度变化率波动频率、是运动根轨迹的曲率变化量。

23、优选的，所述将传统jerk模型中加速度变化率 “常数jerk假设”替换为 “分段线性jerk假设”，包括如下步骤：

24、s2.1：根据加速度变化率波动频率

f划分不同长度的采样时间轴；

25、s2.2：在每一个采样时间轴内，通过最小二乘法拟合jerk线性变化曲线，计算得到jerk变化参数；所述jerk变化参数包括运动根轨迹的曲率变化量以及初始jerk值；

26、s2.3：基于运动根轨迹的曲率变化量以及初始jerk值计算拟合误差；

27、s2.4：设置误差阈值，判断拟合误差是否大于或等于误差阈值；

28、s2.5：若拟合误差大于或等于误差阈值，则将采样时间轴拆分为多个子段，直至拟合误差小于误差阈值。

29、优选的，所述步骤s3包括：

30、s3.1：确定每一个多模态子模型的待优化参数，其中，是低机动子模型的修正系数，是中机动子模型的jerk分段阈值，是高机动子模型注意力权重的系数；

31、s3.2：构建目标函数：

32、；

33、其中，是x轴的均方根误差，是y轴的均方根误差，是z轴的均方根误差，是速度的均方根误差，是加速度的均方根误差，、、、、依次是、、、、对应的权重系数；

34、s3.3：通过改进粒子群优化算法引入惯性权重动态衰减和粒子变异机制，不断迭代优化每一个多模态子模型的待优化参数，直至达到终止条件时停止迭代，得到优化后的多模态子模型。

35、优选的，所述步骤s3.3，包括如下步骤：

36、s3.31：设置迭代终止条件；所述迭代终止条件包括：

37、当目标函数对应的满足、、、、时停止迭代，输出当前最优参数；

38、当迭代次数达到迭代次数阈值时停止迭代，输出当前最优参数；

39、s3.32：设置初始粒子群数量，并初始化每一个粒子的初始位置以及初始速度；每一个粒子对应一组待优化参数；

40、s3.33：对于每一个粒子，基于个体最优解与全局最优解不断迭代粒子的位置和速度，并依据迭代次数设置阶段惯性权重，并在迭代过程中对尾部粒子进行变异，直至达到任一迭代终止条件时停止迭代，输出最后一次迭代得到的最优参数，得到优化后的多模态子模型。

41、优选的，述阶段惯性权重根据迭代次数的不同而发生变动，且伴随着迭代次数的增加而不断衰减。

42、另一方面，本技术还提供一种全流程自适应的机动目标跟踪装置，应用于前述中任一项所述的一种全流程自适应的机动目标跟踪方法，包括：

43、采集端；通过所述采集端采集跟踪目标的多源数据；

44、跟踪端；所述跟踪端与所述采集端通信连接，通过所述跟踪端基于跟踪目标的多源数据完成对于跟踪目标的跟踪。

45、与现有技术相比，本发明的有益效果：

46、1.通过从多源数据中提取跟踪目标的机动特征参数，从而结合机动特征参数划分跟踪目标的机动类型，基于机动类型选择对应的多模态子模型，以提高跟踪精度以及跟踪鲁棒性；

47、2.通过改进pso算法实现核心参数的自适应优化，普适性覆盖车辆、无人机、导弹等多类目标，参数适配准确率 ≥ 95%，解决传统模型依赖人工经验调整的缺陷，在高机动突变场景下，模型切换与参数调整的响应时间 ≤ 0.1s，较传统模型响应时间有所提升，满足导弹制导、自动驾驶等实时性要求高的场景。