[发明专利]近邻传播观测聚类的多扩展目标跟踪方法

说明书

技术领域

本发明属于多扩展目标跟踪技术领域，特别是涉及一种近邻传播观测聚类的多扩展目标跟踪方法。

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其进行了深入的研究，并取得了丰硕的成果，这些成果在空中侦察与预警、战场监视等军事领域以及空中交通管制等民用领域都得到了广泛的应用。目前，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。该方法首先采用数据关联技术确定传感器测量和目标源之间的对应关系，然后再对每个目标的状态分别进行估计。另一类是非关联的多目标跟踪方法，主要是基于随机有限集理论(Random Finite Set，RFS)的概率假设密度(Probability Hypothesis Density，PHD)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种假设：每一个观测都来自于一个可以被看作质点的目标。然而，这一假设并不一定能成立。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，使得单个目标的不同反射点同时产生多个观测，由此形成了扩展目标在随机有限集框架下，2003年Mahler通过传递目标状态集合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提出了适用于线性高斯条件的高斯混合PHD(Gaussian Mixture PHD,GM-PHD)滤波器。2009年Mahler提出了利用假设概率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，这一方法被认为是解决杂波环境下多扩展目标跟踪的有效方法。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实现方法，即ET-GM-PHD算法。在Mahler提出的ET-PHD扩展目标跟踪算法理论框架中，对观测集合的划分在整个算法中占据着重要地位，观测集合划分算法的复杂度及准确性决定着整个算法的计算复杂度及扩展目标的跟踪性能。2007年Frey在国际著名学术刊物《Science》上提出的一种新的聚类算法，称为近邻传播聚类算法(Affinity Propagation clustering，AP)，该算法与以往的聚类算法相比避免了聚类中心的初始选择，得到更好的聚类结果，并且在聚类速度上有较大提升。但上述方法在观测集合划分正确性、计算复杂度及扩展目标跟踪性能方面存在不同程度的缺陷。

发明内容

为了解决上述问题，本发明的目的在于提供一种利用邻近传播聚类进行观测集合划分的多扩展目标跟踪方法。

为了达到上述目的，本发明提供的近邻传播观测聚类的多扩展目标跟踪方法包括按顺序进行的下列步骤：

1)对观测数据进行椭球门限处理的S1阶段；

2)对S1阶段中经椭球门限处理后的观测数据进行聚类划分的S2阶段；

3)使用ET-GM-PHD滤波器对S2阶段中近邻传播聚类划分后的观测数据进行多扩展目标跟踪滤波的S3阶段。

在步骤1)中，所述的对观测数据进行椭球门限处理的方法是采用预相关算法对观测数据进行椭球门限处理，以消除观测数据中的部分杂波观测数据，仅保留处于椭球门限内的观测数据，为下一步观测数据近邻传播聚类划分做准备。

在步骤2)中，所述的对S1阶段中经椭球门限处理后的观测数据进行聚类划分的方法是：以任意两个观测间的欧式距离的负数作为相似度构建相似度矩阵，以任意两个观测间的相似度的均值作为偏向参数，利用近邻传播聚类算法对门限内的观测数据划分若干个观测数据子集，为下一步ET-GM-PHD滤波多扩展目标跟踪做准备。

在步骤3)中，所述的使用ET-GM-PHD滤波器对S2阶段中近邻传播聚类划分后的观测数据进行多扩展目标跟踪滤波的方法是：使用扩展目标高斯混合概率假设密度滤波算法对近邻传播聚类划分后的观测数据进行扩展目标跟踪滤波，以获取目标的状态和目标数目的估计。

本发明提供的近邻传播观测聚类的多扩展目标跟踪方法不但能够获得正确的划分观测集合，计算复杂度较已有划分方法有较大降低，同时在多目标跟踪效果方面优于已有算法。

附图说明

图1为本发明提供的近邻传播观测聚类的多扩展目标跟踪方法流程图。

图2为目标运动轨迹及获得的观测图。

图3为采用本发明方法获得的目标状态估计结果图。