[发明专利]基于改进OSPA距离指标的航迹关联快速聚类方法

说明书

本发明公开了一种基于改进OSPA距离指标的快速聚类方法，以在一种在海事监管部门VTS系统中三种传感器监测多条船舶的场景下，解决船舶航迹关联问题。传统的OSPA距离指标使用匈牙利算法寻找最优匹配，在本发明中，利用时间单向性降低OSPA距离指标寻找最优匹配的时间复杂度，达到航迹长度的线性级别。在一个实施例中，该快速聚类算法，将所有需要关联的航迹加入队列中，然后取队列头部航迹与剩余航迹计算OSPA距离指标，如果其数值大于截止距离c，则判断该两条航迹不是同一条船舶的航迹，反之，则为同一条船舶的监测航迹。该算法与其他聚类算法相比较，除准确度高外，无需提前计算两两航迹之间的OSPA距离，降低了计算复杂度。

技术领域

本发明属于船舶交通监管技术领域，具体涉及一种基于改进OSPA距离指标的航迹关联聚类方法，解决多源传感器航迹进行融合之前的航迹关联问题，即寻找出来自同一条船舶的不同传感器监测的航迹数据。

背景技术

为增强水上运输船舶航行安全、提高航运效率，海事监管部门的VTS系统通常会使用AIS/VDES、雷达、CCTV高清/超高清摄像等设备，收集航行区域的船舶交通信息。充分挖掘这些设备收集到的信息，能够对在航船舶实施有效的监督和管理。AIS设备提供的位置信息较为精准，但是更新频率较慢，一般8-12s更新一次甚至更长。雷达设备2-4s更新一次信息，而CCTV设备可以对一片水域进行连续的实时的监管。所以，一个实用的做法就是结合三种数据源的优缺点将其融合为一条信息量丰富的航迹。这个任务可以被建模为多源传感器数据融合。

由于三种设备是从不同的角度对船舶进行监管，并且单独的发送至海事监管部门，所以在对多个数据融合之前需要对来自同一条船舶的不同航迹数据进行关联，该过程可以称之为航迹关联(track-to-track association,TTTA)。TTTA问题的求解方式总体上可以分为两类，一类是基于模糊数学的方法，另一类是基于统计的方法。

基于统计的方法中，机器学习领域发展迅速，在诸多领域中应用效果显著。并且有研究人员将机器学习算法应用在TTTA问题中，其中最受关注的算法就是聚类算法在TTTA问题中的应用：通过计算航迹之间的相关度量标准：例如，距离，然后使用相关聚类算法将来自于同一条船舶的若干航迹聚为一类。

但是现有方法存在诸多问题，k-means聚类方法需要提前设置聚类种数，AGNES算法在聚类开始之前需要计算两两之间的距离，时间复杂度通常为航迹长度的平方级别。

本发明就是假设已经从三种数据来源处获取完整的航迹信息，使用一种新的快速聚类算法解决航迹关联的问题。

发明内容

技术问题：

在船舶交通管管理系统(VTS)中，三种传感器监测多个船舶的场景下，针对三种传感器的不同特性，通过数据融合技术去结合其优缺点，但是在将航迹融合之前需要将来自同一条船舶的航迹进行关联。现有聚类技术，存在计算复杂度高的问题，所以本发明提出的基于改进OSPA距离指标快速聚类算法，具有低计算复杂度的优点，在大数据时代，能够增强算法的实用特性。除此之外，对传统的OSPA算法进行改进，利用时间单向增加性，降低其计算复杂度，更进一步增加了其实用特性。

技术方案：

本发明提出了一种基于改进OSPA距离指标的航迹关联聚类方法。该聚类方法利用了改进的OSPA指标计算两条航迹之间的距离。其特征如下：

步骤1：将所有的S个传感器获取T个目标的航迹加入一个队列Q中，

步骤2：取出队列Q的头部航迹再取出队列Q中任意航迹利用航迹中的时间单向性降低原OSPA距离计算方式的高复杂度，由立方级别降至线性级别。

步骤3：判断OSPA距离是否超过截止距离c，如果大于等于截止距离c，则视为不关联，重新加入队列Q中，如果小于截止距离c，那么视为与关联，不放回队列Q中。如果与队列中剩下的任一不匹配，那么将单独聚为一类。