[發明專利]一種觀測數據聚類劃分的擴展目標跟蹤方法

在審

• 申請號: 201410476233.9
• 申請日: 2014-09-18
• 公開（公告）號: CN104268567A
• 公開（公告）日: 2015-01-07
• 發明（設計）人: 章濤;來燃;吳仁彪;陳敏
• 申請（專利權）人: 中國民航大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

技術領域

本發明屬于多擴展目標跟蹤技術領域，特別是涉及一種觀測數據聚類劃分的擴展目標跟蹤方法。

背景技術

多目標跟蹤是多傳感器數據融合領域的一個重要理論和實踐問題。最近幾十年來，國內外眾多專家學者對它進行了深入的研究，取得了豐碩的成果。目前常用的多目標跟蹤方法主要分為兩類。一類是傳統的基于數據關聯的多目標跟蹤方法，另一類是非關聯的多目標跟蹤算法，主要是基于隨機有限集理論的概率假設密度濾波方法。無論是傳統的基于數據關聯的多目標跟蹤方法還是基于隨機有限集理論的方法，絕大多數方法都需要滿足這樣一個假設：每個觀測都來自于一個可以被看作質點的目標。然而，由于傳感器分辨率、目標存在多個反射點以及傳感器與目標相對位置關系等原因，這一假設并不一定能成立，從而出現了由于傳感器分辨率不斷提高或者目標距離傳感器較近，單個目標的不同反射點同時產生多個觀測形成的擴展目標問題。在隨機有限集框架下，2003年Mahler通過傳遞目標狀態的后驗概率密度的一階統計矩的方法得到了概率假設密度(Probability?hypothesis?density，PHD)濾波器。2006年，Vo提出了適合線性高斯條件的高斯混合PHD(Gaussian?Mixture?PHD,GM-PHD)濾波器。2009年，Mahler提出了概率假設密度濾波算法解決擴展目標的跟蹤問題，并給出了相關算法理論框架，即ET-PHD(Extended?Target?PHD)算法。2012年，Granstrom提出了基于上述框架對于擴展目標的線性條件下的高斯混合模型的實現方法，即ET-GM-PHD算法。Mahler提出的ET-PHD擴展目標跟蹤算法理論框架中，需要將觀測數據(包括目標及雜波)劃分為多種可能的集合，然后利用觀測數據劃分的所有可能組合進行目標狀態更新計算，這種方法對于目標數較多和雜波較多的情況幾乎是無法計算的。Granstrom針對這個問題提出了一種利用距離門限實現觀測數據集合劃分的方法，但距離門限范圍的設置依賴于實驗數據，導致算法性能與觀測數據集合劃分距離范圍參數選取情況密切相關，跟蹤估計性能很不穩定。

發明內容

為了解決上述問題，本發明的目的在于提供一種能夠快速獲得正確的劃分觀測集合，計算復雜度較距離門限劃分方法低，同時在多目標跟蹤效果方面優于距離門限劃分方法的概率假設密度濾波擴展目標跟蹤方法。

為了達到上述目的，本發明提供的觀測數據聚類劃分的擴展目標跟蹤方法包括按順序進行的下列步驟：

1)獲得目標數的估計值的S1階段；

2)觀測數據橢球門限處理的S2階段；

3)觀測數據K-means聚類劃分的S3階段；

4)概率假設密度濾波擴展目標跟蹤的S4階段；

在步驟1)中，所述的獲得目標數的估計值的方法是利用極大似然估計方法從觀測數據中獲得目標數的估計值，為觀測數據K-means聚類劃分做準備。

在步驟2)中，所述的觀測數據橢球門限處理的方法是利用橢球門限對進行更新計算的觀測數據進行門限處理以減少觀測數據中的雜波成分，為下一步觀測數據K-means聚類劃分做準備。

在步驟3)中，所述的觀測數據K-means聚類劃分的方法是將S1階段中獲得的目標數的估計值作為聚類數，利用K-means對S2階段中橢球門限處理后的觀測數據集合進行聚類劃分，為下一步概率假設密度濾波擴展目標跟蹤做準備。

在步驟4)中，所述的概率假設密度濾波擴展目標跟蹤的方法是基于S3階段中K-means聚類劃分后的觀測數據對擴展目標進行跟蹤濾波。本發明提供的一種觀測數據聚類劃分的擴展目標跟蹤方法是利用極大似然估計的思想，獲取目標數的估計值，并采用K-means聚類算法對觀測數據集合劃分，進而得到概率假設密度濾波的擴展目標跟蹤結果。本發明方法能夠獲得正確的觀測集合劃分，計算復雜度較距離門限劃分方法有較大降低，同時在多目標跟蹤效果方面優于觀測數據距離門限劃分的概率假設密度濾波擴展目標跟蹤算法。

附圖說明

圖1為本發明提供的觀測數據聚類劃分的擴展目標跟蹤方法流程圖。

圖2為目標的運動軌跡及觀測值。

圖3為目標數估計結果隨時間變化曲線圖。

圖4為擴展目標狀態估計隨時間變化曲線圖。

圖5為OSPA距離隨時間變化曲線圖。

具體實施方式

下面結合附圖和具體實施例對本發明提供的觀測數據聚類劃分的擴展目標跟蹤方法進行詳細說明。