[发明专利]基于密度聚类的RBMCDA水下多目标跟踪方法

权利要求书

1.一种基于密度聚类的RBMCDA水下多目标跟踪方法，其特征是：包括如下步骤：

步骤一：初始化不可见目标状态均值和协方差，对每个粒子初始权重置，获得初始时刻粒子群数据；

步骤二：计算每个粒子下每个存活目标距上次被量测时的更新时长，计算可见目标死亡概率，随机抽取死亡目标，对所有粒子存活目标状态进行预测；

所述步骤二具体为：

第一步：通过一个伽玛函数计算每个可见目标的死亡概率，生成0-1范围内随机数，当可见目标死亡概率低于所述随机数时，判定可见目标死亡，并至多死亡一个可见目标；

第二步：当一个可见目标死亡后，则移除该死亡目标状态数据，当没有可见目标死亡时，则利用无迹卡尔曼滤波器预测可见目标的状态均值和协方差，当可见目标状态空间是高斯线性的时，则使用标准卡尔曼滤波器预测可见目标的状态均值和协方差；

第三步：当目标做匀速直线运动时，状态矢量中x_k1和y_k1是目标位置坐标，和是目标坐标变化率，观测矢量为方位角和距离，即y_k＝[θ_k r_k]^T，y_k为观测矢量，θ_k为观测方位角，r_k为观测距离，通过下式表示水下目标的状态空间：

y_k＝[θ_k r_k]^T (3)

其中，x_k为状态矢量，x_k1和y_k1是目标位置坐标，和是目标坐标变化率，y_k为观测矢量，θ_k为观测方位角，r_k为观测距离，atan2(·)为反正切函数，A_k-1是k-1时刻的状态转移矩阵；q_k-1是k-1时刻过程噪声，满足零均值、协方差为Q_k-1的高斯分布；h_k(·)是观测函数，r_k是k时刻的观测噪声，满足零均值、协方差为R_k的高斯分布；

当存活目标的状态通过无迹卡尔曼滤波器预测时，采样策略选取比例修正采样，首先获取每个粒子i下每个目标j的所有Sigma点一阶权系数W_l^m和二阶权系数W_l^c，通过下式表示W_l^m和W_l^c：

其中，n为状态矢量x_k的维度，和分别表示粒子i下目标j状态矢量的均值和协方差；修正比例系数为λ＝α²(p+κ)-p，其中α为比例缩放因子，取值范围为0≤α≤1；κ为比例系数，对于高斯分布，当状态变量为单变量时，选择κ＝0，当状态变量为多变量时，选择κ＝3-n；β为高阶项引入系数β，β＝2，p为高斯分布比例系数；

第四步：获得存活目标状态预测值和协方差预测值，通过下式表示存活目标状态预测值和协方差预测值：

其中，为状态变量，和表示k时刻粒子i下目标j状态矢量x_k的均值和协方差的预测值，Q_k-1是过程噪声协方差，L为整数；

步骤三：提取当前时刻的一个量测数据，对于每个粒子建立所述一个量测数据关联目标的多个情况，所述情况分为关联野值、关联存活目标、关联新生目标，分别计算每种情况下的后验概率，并按概率随机抽取一个情况；

步骤四：根据随机抽取的情况，更新当前时刻存活目标的状态；

步骤五：根据随机抽取的情况，更新粒子权值；

步骤六：根据更新后的每个粒子的权值，采用重采样法对粒子状态和粒子目标标签矩阵进行重采样；

步骤七：采用密度聚类算法对所有粒子的所有目标状态估计结果聚类，获得聚类簇集合以及每个簇对应的粒子标签向量，对每个簇每个样本按理权值加权求和，获得所述每个簇的状态均值；

步骤八：每个粒子标签向量分别与目标标签矩阵相匹配，获得每个聚类簇的系统目标编号，同时更新目标标签矩阵，获得新的目标标签矩阵；

步骤九：根据粒子数据的密度聚类和目标编号管理结果，输出当前时刻所有目标编号及状态均值，当依旧存在量测数据时，返回步骤二，反之则结束跟踪。