[发明专利]一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法

说明书

本发明属于雷达技术领域，具体涉及一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法，包括：(1)该算法以最大熵模糊聚类方法为基础，采用卡尔曼滤波器进行状态预测和更新，扫描跟踪时按照椭圆波门规则对k+1时刻得到的目标点迹集合进行初步筛选；(2)将以波门中心为聚类中心的量测隶属度和以有效量测数据为聚类中心的波门隶属度对应位置相乘，得出各有效量测和所有波门中心之间双向的隶属度；(3)通过分析杂波分布并结合双向隶属度从而得出最终关联概率，再按照标准的JPDA算法滤波程序得出目标的状态估计和估计误差协方差，最后迭代出目标的跟踪航迹信息。具有跟踪精度高，避免了复杂的关联矩阵拆分问题。

技术领域

本发明属于雷达技术领域，具体涉及一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法。

背景技术

现阶段，随着各种新体制雷达的不断涌现，多目标跟踪领域可以利用的特性也越来越多元化。其中，数据关联技术依旧是多目标跟踪领域的关键，它是在目标和其量测之间按照特定的数据关联算法建立起一种映射关系，相当于用它来判断目标具体与某个量测进行关联。因此，数据关联的好坏极大程度的影响着目标跟踪的性能。复杂背景环境下的数据关联研究依然是多目标跟踪领域需要不断延伸拓展的方向之一。

典型的数据关联目标跟踪算法有最近邻域(nearest neighborhood,NN)、概率数据关联(probability data association,PDA)、联合概率数据关联(joint probabilitydata association,JPDA)，以及多假设跟踪(multiple hypothesis tracking,MHT)。

在多目标跟踪系统中，联合概率数据关联算法由于考虑了所有回波对目标航迹更新产生的影响，当目标跟踪波门内有效回波数量较小时，跟踪效果优异，但当出现跟踪目标数量增多、关联波门内回波数量较多或航迹交叉导致的波门叠加的情况时，全局考虑回波对各航迹更新的影响会导致JPDA算法生成的关联矩阵过于庞大，随后对关联矩阵的拆分将会引起关联算法计算量指数级的增长，JPDA作为最优目标关联算法全面考虑计算跟踪过程中的有效回波，在确保精度最优的条件下，不考虑关联矩阵维度增加导致的计算量爆炸，从而导致该最优情况无法应用于现阶段目标跟踪过程中，因此，在不严重影响目标跟踪精度的情况下，如何更快的完成关联概率计算是长久以来研究的重难点问题。

针对上述问题，出现了各种各样不同类型的改进方法。主要是研究解决多目标跟踪系统中目标波门重叠的问题，其中，重叠波门内量测数据对各自目标航迹更新都产生严重影响，特别是多目标之间存在小角度交叉会在近距离平行运动时，相邻目标之间的公共回波会导致更新的航迹向公共回波方向偏移，从而容易导致目标航迹合并或交叉。已有的JPDA算法和快速JPDA算法对各目标独立波门内量测数据赋予较大权值，公共波门内的量测数据赋予较小权值，抑制目标航迹向公共波门方向靠拢，从而得到较好的跟踪效果。本方法通过利用最大熵模糊理论衍生的聚类算法，在传统的JPDA模糊聚类改进的基础上，针对以预测波门中心聚类后，公共波门内量测数据的权值确定问题，跳出已有文献对该权值的各种各样优化改进机制，从全局鸟瞰整个JPDA数据关联问题，沿用以避免关联矩阵拆分来解决计算量爆炸的思路，利用最大熵模糊聚类理论产生以量测数据模糊关联矩阵，将各自关联波门内的量测数据进行划分确定权值，随后，将公共波门内量测数据的关联权值确定问题再次转化为聚类问题，将公共波门内的量测数据作为聚类中心，把预测波门中心按照聚类理论划分并确定权值，从而解决公共波门内量测数据关联权值问题。通过双重融合模糊聚类不仅避免了复杂的关联矩阵拆分问题，而且巧妙的解决了公共波门内来量测数据与目标之间复杂的隶属关系，从而在极大的提升多目标跟踪数据关联速度的基础上，跟踪精度也取得了较为理想的结果。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法。本发明要解决的技术问题通过以下技术方案实现：

基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法，包括：