[发明专利]一种基于时空关联的多扩展目标跟踪方法

权利要求书

1.一种基于时空的多扩展目标跟踪方法，其特征在于，包括：

通过单传感器完成对扩展目标的探测，令k时刻传感器获得的量测集合为z_i为表示二维空间的单个量测值，n_k为量测值数目；k时刻传感器检测区域中扩展目标状态集合为其中M_k表示扩展目标的数目，表示单个扩展目标的运动状态，x_i，y_i表示目标信息，表示目标运动信息；

建立扩展目标的运动方程为：

X_k＝FX_k-1+v_k

其中，为状态转移矩阵，I为单位矩阵，T_s为采样间隔；v_k表示协方差为的过程噪声，σ_v为过程标准差；

扩展目标的量测方程为：

Z_k＝HX_k+w_k

其中，为观测方程，w_k表示协方差为的量测噪声，σ_ε为量测噪声标准差；

对扩展目标进行跟踪，具体方法为：

S1、当时刻k＝0时，初始化系统中的高斯分量为其中w₀为高斯分量的权重，m₀为高斯分量均值，表示为运动状态，P₀为对应的协方差矩阵，J₀为初始高斯项数目；

S2、当k≥1时，遍历高斯分量集合，按照状态转移矩阵作一步预测，并添加新生目标的高斯分量，表示为：

式中，J_k-1为k-1时刻高斯分量数目，和分别为新生目标高斯分量的参数，J_B表示新生目标高斯分量的数目；

S3、选取高斯分量中权重大于0.5分量：式中J_c为高斯分量的数目；并选择其位置分量构建波门，距离门限设为τ；遍历整个量测集合Z_k，对于落入波门中的量测值，形成量测集合N表示量测集合的数目；

S4、计算量测集合的并集采用K-means++算法进行聚类，得到L个聚类中心采用点目标的GM-PHD算法，将聚类中心更新高斯分量G，得到更新后的高斯分量：式中为高斯分量的数目；

S5、计算k时刻量测集合Z_k与集合的差集利用DBSCAN聚类算法对集合进行预处理，若此时有聚类单元，则转到S6；否则，转到S7；

S6、对于S5产生的聚类单元，计算聚类单元的并集利用有向图SNN聚类方法进行进一步处理，其聚类数目为K∈[K_l,K_u]，其中K_l为DBSCAN算法中的聚类数目，n为集合中量测值的数目，β为扩展目标的量测率；

S61、构建集合的有向kNN邻接矩阵的相似度矩阵W_n×n，W中的元素为：

其中，z^s为zⁱ的第个最邻近点，为z^j的第个最邻近点，N_i表示zⁱ在kNN图中的k个最邻近点，N_j表示z^j在kNN图中的k个最邻近点，zⁱ、z^j和z^s分别为kNN图中的顶点；N_i∩N_j表示zⁱ和z^j之间的共享最临近点，定义为：

式中，z^ij为一个虚顶点，表示顶点zⁱ和z^j是相互的最邻近点；

S62、对于相似度矩阵W和聚类数目范围[K_l,K_u]，采用谱聚类的方法进行聚类，形成聚类单元；谱聚类的步骤为：

(1)依据相似度矩阵W计算未归一化的拉普拉斯矩阵L，

式中，D为对角矩阵，表示kNN图的度矩阵；

(2)计算归一化的拉普拉斯矩阵L^s＝D^-1/2LD^-1/2；

(3)计算矩阵L^s的特征值λ_i和特征向量u_i；

(4)选取K个最小特征值对应的特征向量构成矩阵U；

(5)归一化矩阵U，得到矩阵Y，并将矩阵Y的每一行当作K维空间新的数据点，利用K-means++算法进行聚类

S7、在S6划分结果基础上，利用ET-GM-PHD算法更新高斯分量G，得到更新后的高斯分量为：为高斯分量的数目；

S8、对高斯分量进行剪枝与合并，删除权重小于T的高斯分量，合并高斯分量之间距离小于μ的高斯分量；

S9、选择权重大于0.5的高斯分量作为目标的滤波结果。