目標(biāo)跟蹤是根據(jù)傳感器獲得的目標(biāo)觀測數(shù)據(jù)對目標(biāo)的狀態(tài)進(jìn)行精確估計。傳統(tǒng)的基于狀態(tài)空間模型的貝葉斯濾波方法框架通過將目標(biāo)的運(yùn)動和傳感器測量與目標(biāo)狀態(tài)建立運(yùn)動模型和測量模型,并在狀態(tài)空間中估計更新來獲取目標(biāo)狀態(tài)的估計。這類方法在模型能夠精確描述系統(tǒng)的真實情況時可以得到準(zhǔn)確的狀態(tài)估計。但是,在實際的目標(biāo)跟蹤場景中,單一的模型往往難以準(zhǔn)確表達(dá)目標(biāo)的運(yùn)動和觀測系統(tǒng)的復(fù)雜性和不確定性。針對這一問題,本文提出了數(shù)據(jù)驅(qū)動和模型驅(qū)動相結(jié)合的目標(biāo)跟蹤方法,將貝葉斯濾波框架與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合,研究單目標(biāo)、多目標(biāo)狀態(tài)估計方法的具體研究內(nèi)容如下:1、數(shù)據(jù)驅(qū)動的單目標(biāo)跟蹤方法研究通過神經(jīng)網(wǎng)絡(luò)對目標(biāo)的觀測數(shù)據(jù)以及歷史狀態(tài)數(shù)據(jù)進(jìn)行學(xué)習(xí),從歷史數(shù)據(jù)和觀測數(shù)據(jù)中抽取估計值與數(shù)據(jù)之間的關(guān)系,從而產(chǎn)生對目標(biāo)狀態(tài)值的修正。2、數(shù)據(jù)-模型混合驅(qū)動的單目標(biāo)跟蹤方法將貝葉斯濾波與深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行聯(lián)合,利用貝葉斯濾波對目標(biāo)狀態(tài)進(jìn)行初次估計,再利用數(shù)據(jù)驅(qū)動對估計結(jié)果進(jìn)行修正,從而實現(xiàn)對目標(biāo)狀態(tài)值的估計。最后,將三個模型進(jìn)行集成,分別利用各自模型的優(yōu)勢,實現(xiàn)對線性模型和非線性模型的狀態(tài)估計,從而提高目標(biāo)跟蹤準(zhǔn)確性,提高泛化能力。3、數(shù)據(jù)驅(qū)... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省211工程院校985工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

濾波的目標(biāo)跟蹤流程圖

哈爾濱工業(yè)大學(xué)專業(yè)碩士學(xué)位論文-8-第2章基于深度神經(jīng)網(wǎng)絡(luò)的單目標(biāo)跟蹤方法2.1引言在目標(biāo)跟蹤中，最大的問題是過程噪聲和測量噪聲對目標(biāo)狀態(tài)估計的影響。周圍復(fù)雜的環(huán)境因素，例如不斷變化的溫度、濕度等因素，會導(dǎo)致在測量過程中傳感器的測量結(jié)果存在一定的偏差。另外，由于傳感器等設(shè)備本身的原因，在測量的過程中也存在一定的操作誤差。由于測量結(jié)果的不準(zhǔn)確可能會導(dǎo)致在基于模型對目標(biāo)狀態(tài)進(jìn)行估計時，估計的目標(biāo)狀態(tài)會存在比較大的誤差，進(jìn)而導(dǎo)致跟蹤效果不好。圖2-1是目標(biāo)跟蹤的主要流程。圖2-1濾波的目標(biāo)跟蹤流程圖本章主要通過已知的目標(biāo)狀態(tài)空間運(yùn)動模型和LSTM神經(jīng)網(wǎng)絡(luò)對目標(biāo)進(jìn)行跟蹤。使用深度神經(jīng)神經(jīng)網(wǎng)絡(luò)構(gòu)建目標(biāo)狀態(tài)估計模型，挖掘處理后的數(shù)據(jù)與期望輸出之間的內(nèi)在規(guī)律，對目標(biāo)的待估計狀態(tài)進(jìn)行估計，得到估計結(jié)果。圖2-2是本章目標(biāo)狀態(tài)估計流程圖。圖2-2目標(biāo)狀態(tài)估計流程圖

哈爾濱工業(yè)大學(xué)專業(yè)碩士學(xué)位論文-10-經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，方位角的數(shù)據(jù)特征會被距離“淹沒”。為了解決這兩個問題，本節(jié)提出通過一個預(yù)處理步驟來修改樣本的輸入輸出對，使之適合訓(xùn)練。圖2-3總結(jié)了預(yù)處理步驟。一方面，使用目標(biāo)運(yùn)動方程對不同時刻的目標(biāo)狀態(tài)值進(jìn)行大致估計1:，然后通過觀測方程將得到的初步估計1:轉(zhuǎn)化成觀測空間的觀測值1:，并與傳感器得到的觀測值相減得到數(shù)據(jù)1:。然后對得到的輸入數(shù)據(jù)1:進(jìn)行歸一化，以生成LSTM網(wǎng)絡(luò)的最終輸入數(shù)據(jù)1:。具體處理過程如下所示：1、使用目標(biāo)運(yùn)動方程()和k-1時刻的狀態(tài)值估計k時刻的狀態(tài)值，得到k時刻的狀態(tài)估計值：1:=(1:1)（2-3）2、將k時刻通過目標(biāo)運(yùn)動方程得到的狀態(tài)估計結(jié)果作為觀測方程的輸入，得到k時刻狀態(tài)估計的觀測值，將其與通過傳感器得到的觀測值做差，并對結(jié)果進(jìn)行歸一化處理，得到輸入數(shù)據(jù)：1:=(1:)（2-4）1:=1:1:（2-5）其中，是1:元素中的對應(yīng)觀測值的最大絕對值。顯然，在1:中，歸一化后的數(shù)據(jù)范圍是[-1，1]，這避免了激活神經(jīng)元落入飽和區(qū)。同時，深度神經(jīng)網(wǎng)絡(luò)的期望輸出序列是1:，通過公式（2-6）得到：1:=1:1:（2-6）其中1:是目標(biāo)軌跡的地面真值。1:作為地面真值的基準(zhǔn)值，1:為基準(zhǔn)值與地面真實值的相對誤差。顯然，1:主要包含由不同運(yùn)動模型引起的不同運(yùn)動軌跡之間的差異信息，而不包含運(yùn)動軌跡中位置、速度等數(shù)據(jù)的信息。因此，1:的信息量比地面真相1:的信息量少得多。因此，本章提出的深度神經(jīng)網(wǎng)絡(luò)模型更容易學(xué)得輸入和輸出之間得內(nèi)在規(guī)律。圖2-3數(shù)據(jù)預(yù)處理流程圖

【參考文獻(xiàn)】：
期刊論文
[1]基于線性加權(quán)融合模式的圖書資源推薦方法研究[J]. 譚亮,周靜.  吉林省教育學(xué)院學(xué)報. 2018(05)
[2]基于循環(huán)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測與分類[J]. 艾玲梅,葉雪娜.  計算機(jī)技術(shù)與發(fā)展. 2018(02)
[3]單目標(biāo)跟蹤算法綜述[J]. 汪鴻翔,柳培忠,駱炎民,洪銘,顧培婷.  海峽科學(xué). 2016(07)
[4]快速多目標(biāo)跟蹤GM-PHD濾波算法[J]. 陳金廣,秦曉姍,馬麗麗.  計算機(jī)科學(xué). 2016(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識別研究[J]. 趙志宏,楊紹普,馬增強(qiáng).  系統(tǒng)仿真學(xué)報. 2010(03)



本文編號：3624558