【技术实现步骤摘要】
本专利技术属于目标跟踪，具体涉及一种基于长短期记忆和ut变换的智能机动目标跟踪方法及装置。
技术介绍
1、目标跟踪是通过对离散的、被噪声污染的传感器量测进行处理，以估计出连续的、精确的目标运动轨迹的过程。在机动目标跟踪方法中，目标状态的预测，即根据上个时刻的状态预测当前时刻的状态，非常关键。
2、cnn层虽然在图像和视频分析中表现出色，但是在处理时间序列数据时不能保证因果关系，即在时间点t的输出可能会受到未来时间点t+n的数据影响，并且引入了不必要的重复计算，导致了较大的内存消耗。基于神经网络的预测方法由于无法明确非线性状态转移矩阵的具体形式，引入量测十分困难。
3、而使用神经网络估计模型参数，包括状态转移矩阵，imm中的转移概率矩阵tpm，多项式系数，转弯率，imm中各模型的概率等，虽然能够引入量测，但放弃了轨迹-轨迹的预测。因此虽然提高了预测精度，但是没有解决求解非线性预测时的目标状态统计量问题，引入了不必要的误差。
技术实现思路
1、针对现有技术的上述不足，本专利技术提供一种基于长短期记忆和ut变换的智能机动目标跟踪方法及装置，以解决上述技术问题。
2、第一方面，本专利技术提供一种基于长短期记忆和ut变换的智能机动目标跟踪方法，包括：
3、获取视频流数据，并从所述视频流数据中提取目标的轨迹数据；
4、将所述轨迹数据转换至指定的坐标系下，得到坐标时间序列；
5、基于所述坐标时间序列计算速度向量和加速度向量，
6、将所述多维特征序列输入预测模型，所述预测模型包括时域卷积网络和长短记忆循环卷积网络，所述时域卷积网络采用因果卷积和残差连接；
7、获取并缓存预测模型输出的预测结果。
8、在一个可选的实施方式中，所述预测模型包括两层时域卷积网络和一层长短记忆循环卷积网络，第一层时域卷积网络的空洞率为1，第二层时域卷积网络的空洞率2。
9、在一个可选的实施方式中，将所述轨迹数据转换至指定的坐标系下，得到坐标时间序列，包括：
10、基于赤道半径和地球偏心率将轨迹数据中的每个地理坐标转换为地心地固坐标系坐标；
11、通过构建旋转矩阵将地心地固坐标系坐标转换为笛卡尔坐标，并将笛卡尔坐标按轨迹数据中的排列顺序进行排序，得到坐标时间序列。
12、在一个可选的实施方式中，基于所述坐标时间序列计算速度向量和加速度向量，将坐标、速度向量和加速度向量整合为多维特征序列，包括：
13、基于坐标时间序列计算三维速度向量和三维加速度向量，将坐标时间序列中的笛卡尔坐标与相应的三维速度向量和三维加速度向量整合为多维特征向量。
14、在一个可选的实施方式中，所述方法还包括：
15、利用设定的时间窗口从所述坐标时间序列中提取待处理序列，并计算待处理学历的每个时间步目标状态向量的sigma点集，得到三维张量，所述三维张量的形状为s*n*c，s表示选取的sigma点的数量，c表示目标状态向量的维度；基于不敏变换规则，s与c的关系函数为s=2*c+1；
16、对s个sigma点序列进行归一化处理，得到多维特征序列；
17、将所述多维特征序列输入所述预测模型，得到一个时间步的预测结果。
18、在一个可选的实施方式中，所述方法还包括：
19、利用递归模型对所述预测模型输出的一个时间步的预测结果进行处理，所述递归模型基于实际测量数据优化预测误差。
20、第二方面，本专利技术提供一种基于长短期记忆和ut变换的智能机动目标跟踪装置，包括：
21、视频处理模块，用于获取视频流数据，并从所述视频流数据中提取目标的轨迹数据；
22、坐标转换模块，用于将所述轨迹数据转换至指定的坐标系下，得到坐标时间序列；
23、特征整合模块，用于基于所述坐标时间序列计算速度向量和加速度向量，将坐标、速度向量和加速度向量整合为多维特征序列；
24、模型预测模块，用于将所述多维特征序列输入预测模型，所述预测模型包括时域卷积网络和长短记忆循环卷积网络，所述时域卷积网络采用因果卷积和残差连接；
25、结果缓存模块，用于获取并缓存预测模型输出的预测结果。
26、在一个可选的实施方式中，所述预测模型包括两层时域卷积网络和一层长短记忆循环卷积网络，第一层时域卷积网络的空洞率为1，第二层时域卷积网络的空洞率2。
27、在一个可选的实施方式中，所述坐标转换模块包括：
28、第一转换单元，用于基于赤道半径和地球偏心率将轨迹数据中的每个地理坐标转换为地心地固坐标系坐标；
29、第二转换单元，用于通过构建旋转矩阵将地心地固坐标系坐标转换为笛卡尔坐标，并将笛卡尔坐标按轨迹数据中的排列顺序进行排序，得到坐标时间序列。
30、在一个可选的实施方式中，所述特征整合模块包括：
31、特征整合单元，用于基于坐标时间序列计算三维速度向量和三维加速度向量，将坐标时间序列中的笛卡尔坐标与相应的三维速度向量和三维加速度向量整合为多维特征向量。
32、本专利技术的有益效果在于，本专利技术提供的基于长短期记忆和ut变换的智能机动目标跟踪方法及装置，通过融合现代神经网络和传统卡尔曼滤波，能够同时利用神经网络的强大预测能力和卡尔曼滤波方法的实时校正能力，显著提高追踪高机动目标时的跟踪准确性和鲁棒性。
33、本专利技术的有益技术效果主要体现在以下三个方面：
34、1、tcn使用了因果卷积和空洞卷积，并添加了残差连接层结构，相比cnn提供了一个更加高效、强大且适应性强的架构，尤其适用于处理需要捕捉复杂时间动态的各种时序数据分析任务。因此，tcn-lstm能够处理机动目标跟踪任务中出现的多样化和复杂化问题，特别是在大规模、高维度和变化快的跟踪场景中表现出色。这种方法能够帮助改善跟踪算法的性能，提高在实际应用中的可靠性和效率。
35、2、tlu算法结合了动态模型选择（imm）、深度学习（tcn-lstm）与高级滤波技术（ukf），以数据驱动为核心，相比传统基于模型的跟踪算法具有更高的预测精度，在处理复杂环境下的高机动目标跟踪问题中表现出优秀的性能。更为重要的是，针对使用神经网络进行预测所带来的非线性装置中模型参数未知的问题，tlu无需确定具体的状态转移矩阵f，可以通过对预测得到的当前时刻的sigma点集加权求和计算均值和协方差矩阵，无需再设计新的量测反馈装置，并且避免了线性化所引入的误差，相比已有的跟踪算法，该问题首次被设计方法并解决。
36、3、使用digital combat simulator（dcs）生成大量的模拟飞行数据，与目前基于仿真数据搭建的数据库相比，这种离线的模拟航迹数据库更加接近真实环境，从而使得网络可以学习更加复杂多变的目标的机动特征，所得到的模型将具有更强的泛化能力和本文档来自技高网...
【技术保护点】
1.一种基于长短期记忆和UT变换的智能机动目标跟踪方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括两层时域卷积网络和一层长短记忆循环卷积网络，第一层时域卷积网络的空洞率为1，第二层时域卷积网络的空洞率2。
3.根据权利要求1所述的方法，其特征在于，将所述轨迹数据转换至指定的坐标系下，得到坐标时间序列，包括：
4.根据权利要求1所述的方法，其特征在于，基于所述坐标时间序列计算速度向量和加速度向量，将坐标、速度向量和加速度向量整合为多维特征序列，包括：
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.一种基于长短期记忆和UT变换的智能机动目标跟踪装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述预测模型包括两层时域卷积网络和一层长短记忆循环卷积网络，第一层时域卷积网络的空洞率为1，第二层时域卷积网络的空洞率2。
9.根据权利要求7所述的装置，其特征在于，所述
10.根据权利要求7所述的装置，其特征在于，所述特征整合模块包括：
...【技术特征摘要】
1.一种基于长短期记忆和ut变换的智能机动目标跟踪方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括两层时域卷积网络和一层长短记忆循环卷积网络，第一层时域卷积网络的空洞率为1，第二层时域卷积网络的空洞率2。
3.根据权利要求1所述的方法，其特征在于，将所述轨迹数据转换至指定的坐标系下，得到坐标时间序列，包括：
4.根据权利要求1所述的方法，其特征在于，基于所述坐标时间序列计算速度向量和加速度向量，将坐标、速度向量和加速度向量整合为多维特征序列，包括：
5.根据...
【专利技术属性】
技术研发人员：董云龙，关键，柳超，黄勇，刘宁波，王国庆，丁昊，曹政，于恒力，陈宝欣，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。