[发明专利]一种观测数据聚类划分的扩展目标跟踪方法

说明书

技术领域

本发明属于多扩展目标跟踪技术领域，特别是涉及一种观测数据聚类划分的扩展目标跟踪方法。

背景技术

多目标跟踪是多传感器数据融合领域的一个重要理论和实践问题。最近几十年来，国内外众多专家学者对它进行了深入的研究，取得了丰硕的成果。目前常用的多目标跟踪方法主要分为两类。一类是传统的基于数据关联的多目标跟踪方法，另一类是非关联的多目标跟踪算法，主要是基于随机有限集理论的概率假设密度滤波方法。无论是传统的基于数据关联的多目标跟踪方法还是基于随机有限集理论的方法，绝大多数方法都需要满足这样一个假设：每个观测都来自于一个可以被看作质点的目标。然而，由于传感器分辨率、目标存在多个反射点以及传感器与目标相对位置关系等原因，这一假设并不一定能成立，从而出现了由于传感器分辨率不断提高或者目标距离传感器较近，单个目标的不同反射点同时产生多个观测形成的扩展目标问题。在随机有限集框架下，2003年Mahler通过传递目标状态的后验概率密度的一阶统计矩的方法得到了概率假设密度(Probability hypothesis density，PHD)滤波器。2006年，Vo提出了适合线性高斯条件的高斯混合PHD(Gaussian Mixture PHD,GM-PHD)滤波器。2009年，Mahler提出了概率假设密度滤波算法解决扩展目标的跟踪问题，并给出了相关算法理论框架，即ET-PHD(Extended Target PHD)算法。2012年，Granstrom提出了基于上述框架对于扩展目标的线性条件下的高斯混合模型的实现方法，即ET-GM-PHD算法。Mahler提出的ET-PHD扩展目标跟踪算法理论框架中，需要将观测数据(包括目标及杂波)划分为多种可能的集合，然后利用观测数据划分的所有可能组合进行目标状态更新计算，这种方法对于目标数较多和杂波较多的情况几乎是无法计算的。Granstrom针对这个问题提出了一种利用距离门限实现观测数据集合划分的方法，但距离门限范围的设置依赖于实验数据，导致算法性能与观测数据集合划分距离范围参数选取情况密切相关，跟踪估计性能很不稳定。

发明内容

为了解决上述问题，本发明的目的在于提供一种能够快速获得正确的划分观测集合，计算复杂度较距离门限划分方法低，同时在多目标跟踪效果方面优于距离门限划分方法的概率假设密度滤波扩展目标跟踪方法。

为了达到上述目的，本发明提供的观测数据聚类划分的扩展目标跟踪方法包括按顺序进行的下列步骤：

1)获得目标数的估计值的S1阶段；

2)观测数据椭球门限处理的S2阶段；

3)观测数据K-means聚类划分的S3阶段；

4)概率假设密度滤波扩展目标跟踪的S4阶段；

在步骤1)中，所述的获得目标数的估计值的方法是利用极大似然估计方法从观测数据中获得目标数的估计值，为观测数据K-means聚类划分做准备。

在步骤2)中，所述的观测数据椭球门限处理的方法是利用椭球门限对进行更新计算的观测数据进行门限处理以减少观测数据中的杂波成分，为下一步观测数据K-means聚类划分做准备。

在步骤3)中，所述的观测数据K-means聚类划分的方法是将S1阶段中获得的目标数的估计值作为聚类数，利用K-means对S2阶段中椭球门限处理后的观测数据集合进行聚类划分，为下一步概率假设密度滤波扩展目标跟踪做准备。

在步骤4)中，所述的概率假设密度滤波扩展目标跟踪的方法是基于S3阶段中K-means聚类划分后的观测数据对扩展目标进行跟踪滤波。本发明提供的一种观测数据聚类划分的扩展目标跟踪方法是利用极大似然估计的思想，获取目标数的估计值，并采用K-means聚类算法对观测数据集合划分，进而得到概率假设密度滤波的扩展目标跟踪结果。本发明方法能够获得正确的观测集合划分，计算复杂度较距离门限划分方法有较大降低，同时在多目标跟踪效果方面优于观测数据距离门限划分的概率假设密度滤波扩展目标跟踪算法。

附图说明

图1为本发明提供的观测数据聚类划分的扩展目标跟踪方法流程图。

图2为目标的运动轨迹及观测值。

图3为目标数估计结果随时间变化曲线图。

图4为扩展目标状态估计随时间变化曲线图。

图5为OSPA距离随时间变化曲线图。

具体实施方式

下面结合附图和具体实施例对本发明提供的观测数据聚类划分的扩展目标跟踪方法进行详细说明。