欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023118005742
申请人: 兰州理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度神经网络的多扩展目标跟踪方法,其特征在于,包括以下步骤:构建卡尔曼滤波器和LSTM网络架构,基于所述卡尔曼滤波器和LSTM网络架构构建深度关联多目标跟踪网络结构;

基于所述深度关联多目标跟踪网络结构进行目标跟踪,获得目标关联概率,基于所述目标关联概率获得多目标跟踪结果;

将目标的量测转化为双通道图像,构建CNN网络模型对所述双通道图像进行椭圆形状估计,获得椭圆长短半轴的预测结果;

基于所述多目标跟踪结果和所述椭圆长短半轴的预测结果生成多扩展目标跟踪结果。

2.根据权利要求1所述的基于深度神经网络的多扩展目标跟踪方法,其特征在于,所述构建卡尔曼滤波器和LSTM网络架构之前还包括确认雷达在杂波中跟踪的完整数据关联问题模型;

所述完整数据关联问题模型的表达式为:

其中, 表示在k时刻将目标j分配给量测i的代价, 为决策变量,即 表示将目标i分配给量测j,Nk为k时刻已经启动并维持的目标总数,N是扫描次数,Mk为扫描接收到的量测总数。

3.根据权利要求1所述的基于深度神经网络的多扩展目标跟踪方法,其特征在于,所述LSTM网络架构的输入向量通过所有量测和每个目标的状态预测生成的成对距离矩阵进行预处理;

所述输入向量的表达式为:

其中, 是预测目标的量测, 表示重复 次形成M×D维矩阵,Z(k)为实际量测。

4.根据权利要求1所述的基于深度神经网络的多扩展目标跟踪方法,其特征在于,所述LSTM网络架构的训练过程包括:基于Adam优化算法对所述LSTM网络架构进行训练,同时采用均方根误差损失函数进行误差最小化;

所述LSTM网络架构的隐藏状态维数设置为128,全连接层的单元数设置为64。

5.根据权利要求1所述的基于深度神经网络的多扩展目标跟踪方法,其特征在于,所述将目标的量测转化为双通道图像的过程包括:将所述目标的量测值以估计的目标中心为中心进行居中,同时将所述目标的量测值与目标的方向对齐,获得处理量测值;

基于超参数的离散化操作将所述处理量测值进行空间变换,获得量测图像;

构建与现有映像大小相等的空双通道映像内部强度测量图像,基于所述空双通道映像内部强度测量图像和所述量测图像构建所述双通道图像。

6.根据权利要求5所述的基于深度神经网络的多扩展目标跟踪方法,其特征在于,基于超参数的离散化操作将所述处理量测值进行空间变换,获得量测图像的表达式为:其中,ci,pixel为量测图像,ci为单独坐标,p为像素,s为超参数。

7.根据权利要求1所述的基于深度神经网络的多扩展目标跟踪方法,其特征在于,所述构建CNN网络模型对所述双通道图像进行椭圆形状估计,获得椭圆长短半轴的预测结果的过程包括:构建CNN网络,将所述双通道图像输入至所述CNN网络中进行处理,获得预测值;

将所述预测值进行放大,直至获得完整的目标长度和宽度后输出,获得所述椭圆长短半轴的预测结果。

8.根据权利要求7所述的基于深度神经网络的多扩展目标跟踪方法,其特征在于,所述CNN网络的卷积层由一个BatchNormal层、一个relu层和一个Max Pool层组成;

所述CNN网络的架构包括5个卷积层、Relu激活函数和一个全连接层;

所述卷积层的前两层的内核大小为3x3,后三层的内核大小为4x4。