[发明专利]基于全邻模糊聚类的多目标跟踪与数据互联方法

说明书

技术领域

本发明属于传感器信息融合技术，涉及数据融合中多目标跟踪与数据互联问题，提供了一种基于全邻模糊聚类的多目标跟踪与数据互联新方法。

背景技术

杂波环境下的数据互联问题一直以来都是多目标跟踪领域的难点问题。解决该问题常用的两类统计方法分别是：最近邻数据互联算法和全邻数据互联算法。这两类算法都不考虑量测不可分辨的情况，认为确认区域内的每个量测至多与一个目标或杂波互联，即每个量测有唯一的源。最近邻域标准滤波器(Nearest-neighbor standard filter,NNSF)是最近邻类数据互联算法中的典型算法，NNSF算法利用目标量测的预测与新息协方差建立相关波门，选择波门中离预测位置最近的量测作为目标的真实量测，并将其用于目标状态更新。

与NNSF算法不同，联合概率数据互联算法算法(Joint probabilistic data association algorithm,JPDA)是一种全邻概率数据互联算法，该算法认为确认区域内的每个量测都可能来自目标，并且离目标预测位置较近的量测和非公共量测与真实目标航迹关联的概率较大，而重叠区域内的量测来自目标航迹的概率较小。通过计算确认区域内不同量测与不同目标互联的概率，并利用这些概率将每个量测对应的状态作加权融合，得到目标的状态与协方差更新值。

在实际跟踪环境中，NNSF算法计算简单，能够对稀疏杂波环境中的目标进行有效地跟踪，但是针对密集杂波环境下的多目标跟踪问题，NNSF算法跟踪效果不佳。JPDA算法能够较好的解决杂波环境下互联域内出现多个目标量测的问题，但其计算比较复杂，并且随着观测区域内目标数量的增加或确认区域中杂波数量的增大，确认矩阵的拆分会出现组合爆炸的现象，因此，JPDA算法在工程上较难实现。如何在密集杂波环境中既保证目标跟踪精度，又提高算法的实时性是目标跟踪算法中亟待解决的重要问题。

发明内容

本发明的目的在于提供一种密集杂波环境中基于全邻模糊聚类的多目标跟踪与数据互联新方法。该方法将点航关联问题看作是一个量测聚类分配问题，首先根据确认区域内候选量测的分布情况建立确认矩阵，并通过互联规则构造统计距离，然后基于模糊数学中的模糊聚类方法，计算各候选量测与观测区域内不同目标互联的概率，最后利用概率加权融合对各目标状态与协方差进行更新。

本发明所述的基于全邻模糊聚类的多目标跟踪与数据互联方法，具体流程如图1所示。包括以下技术措施：首先，根据确认区域内的量测分布情况构造确认矩阵；然后，通过互联规则构造统计距离，基于模糊聚类方法计算确认区域内候选量测与不同目标互联的概率；最后，利用概率加权融合对各目标的状态与协方差进行更新。

本发明相比背景技术具有如下的优点：

(1)该方法有效地降低了算法的计算复杂度；

(2)该方法在保证跟踪精度的前提下较大地改善了跟踪滤波的实时性；

附图说明

图1：基于全邻模糊聚类的多目标跟踪与数据互联算法流程图；

图2：确认区域内的量测分布图；

图3：目标1的x，y方向RMSE随时间变化曲线(环境1)；

图4：目标2的x，y方向RMSE随时间变化曲线(环境1)；

图5：目标1的x，y方向RMSE随时间变化曲线(环境2)；

图6：目标2的x，y方向RMSE随时间变化曲线(环境2)；

图7：50批目标的真实航迹与算法滤波航迹；

图8：算法耗时随杂波系数变化曲线

具体实施方式

以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明目标航迹起始分以下几个步骤：

1多目标跟踪问题描述

假设跟踪区域中目标数量为n_t，k+1时刻确认区域中的量测数量为m_k+1，Z(k+1)表示k+1时刻落入目标相关波门内的候选回波集合，即

定义目标i的状态方程

X_i(k+1)＝F_i(k)X_i(k)+G_i(k)V_i(k)(2)

式中：X_i(k)表示k时刻目标i的状态向量，F_i(k)表示k时刻目标i的状态转移矩阵，G_i(k)表示k时刻的过程噪声分布阵，V_i(k)表示均值为零、协方差为Q_i(k)的高斯过程噪声，且