一种改进的多扩展目标跟踪方法技术

本发明专利技术公开了一种改进的多扩展目标跟踪方法，包括以下步骤：步骤1：聚类：步骤2：初始化：步骤3：预测更新：步骤4：修剪合并：步骤5：重复步骤3和步骤4；本发明专利技术针对杂波环境下多扩展目标跟踪问题，通过采用DBSCAN算法有效处理扩展目标量测数据，实现多扩展目标的有效跟踪；而比例因子的引入和自适应门限的设计，降低了雷达盲区造成的精度损失，减小了滤波器的计算量，有利于GM‑CPHD滤波器的工程应用。

An improved multiple extended target tracking method

The invention discloses an improved multi-extended target tracking method, which comprises the following steps: step 1: clustering: step 2: initialization: step 3: predictive update: step 4: pruning and merging: step 5: repeating steps 3 and 4; the invention aims at the multi-extended target tracking problem in clutter environment by adopting DBSCAN algorithm. The introduction of scale factor and the design of adaptive threshold can reduce the precision loss caused by the blind area of radar, reduce the amount of calculation of the filter, which is conducive to the engineering application of GM_CPHD filter.

【技术实现步骤摘要】
一种改进的多扩展目标跟踪方法
本专利技术属于智能电网
，特别是实现电动汽车参与的公共楼宇常规调峰的用电控制方法。
技术介绍
随着高分辨率传感器的广泛应用，扩展目标跟踪(ETT)技术的研究成为一个热点。特别是雷达分辨率的不断提高，在每一时刻能接收到同一目标不同等效散射中心的多个量测，此时，目标不再是点目标，而是扩展目标。近年来，RonaldP.S.Mahler教授提出了基于随机有限集(RFS)理论的概率假设密度(ProbabilityHypothesisDensity，PHD)滤波算法，该算法在不考虑数据关联的情况下，可同时实现目标数目和目标状态的估计。它首先跟踪整个目标群，随后再去检测每个变量。然而PHD滤波也存在一些问题，如漏检敏感，无数目分布等。针对这些问题，势概率假设密度(CPHD)滤波器应运而生，相比较PHD滤波器，CPHD滤波器能对目标的势分布也进行更新，尤其适用于多扩展目标跟踪(METT)问题。量测集划分是多扩展目标跟踪中首要解决的关键问题之一，理论上，基于RFS的扩展目标滤波器需要考虑量测集的所有可能划分，但所有可能的划分个数随目标个数的增加急速增大。Granstrm等人率先提出采用距离划分、K-means、预测划分和期望最大划分等方法划分量测集，但这些方法都存在一些问题。Density-BasedSpatialClusteringofApplicationswithNoise(DBSCAN)作为基于密度算法的经典代表，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类，适用于杂波环境下的扩展目标跟踪。在实际雷达量测信息中，特别在扩展目标跟踪时，多普勒盲区不可避免的会存在并导致部分目标测量信息的丢失，从而影响滤波精度。因此，需要在目标量测数据丢失(雷达盲区)情况下保持其滤波精度；其次，在跟踪精度提高的同时，CPHD滤波器的计算复杂度也远大于PHD滤波器，因此，算法的计算复杂度需要得到优化；最后，DBSCAN算法与CPHD滤波器的结合问题也需要解决。
技术实现思路
针对上述问题，本专利技术提出一种改进的多扩展目标跟踪方法，以解决实际雷达量测信息中，多扩展目标量测集划分、量测数据丢失及计算复杂度优化问题，提高多扩展目标跟踪性能。实现本专利技术的技术关键是：在高斯混合势概率假设密度(GM-CPHD)滤波框架下，量测集处理过程中引入DBSCAN算法，该算法主要用来量测集合的划分，从而达到跟踪扩展目标的功能；然后利用比例因子和自适应门限分别调节滤波器增益矩阵和观测体积，提高滤波器鲁棒性，减小计算量。其具体步骤如下：步骤1：聚类：对传感器的量测数据集进行聚类划分；步骤2：初始化：主要包括初始目标的概率假设密度D0(x)及势分布p0(n)；步骤3：预测更新：对目标状态集Xk在k+1(k≥1)时刻的概率假设密度及势分布进行预测并更新，可以得到此时刻的概率假设密度及势分布Dk+1(x)、pk+1(n)。步骤4：修剪合并：对目标的强度函数的高斯项进行修剪合并，提取目标状态估计，进行性能评估。步骤5：重复步骤3和步骤4，跟踪目标直到目标消失。在步骤1中，所述的对传感器的量测数据集进行聚类划分的方法是采用DBSCAN算法。即随机选取一点，寻找离此点最近的一些点，形成圆形簇，并对圆形簇进行合并，达到最终聚类效果。在步骤3中，所述的更新主要包括引入比例因子和自适应门限分别调节滤波器增益矩阵和观测体积，提高滤波器鲁棒性，减小计算量。在步骤4中，所述的性能评估方法是采用OSPA距离误差检验。本专利技术的有益效果：本专利技术通过在高斯混合势概率假设密度滤波框架下引入DBSCAN算法，克服了GM-CPHD滤波器难以对多扩展目标进行有效跟踪的问题，提高了杂波环境下的目标跟踪精度；同时，比例因子和自适应门限的设计，解决了量测数据丢失及计算复杂度优化问题，提高多扩展目标跟踪性能，使GM-CPHD滤波器的工程应用成为可能。附图说明图1是本专利技术的总流程图；图2是本专利技术目标量测信息图；图3是本专利技术与传统方法滤波结果三维图；图4是本专利技术滤波结果二维详细图图5是本专利技术与传统方法估计的目标个数图；图6是本专利技术算法运行耗费时间对比图；图7是本专利技术各算法OSPA距离图；图8是本专利技术算法OSPA距离放大图。具体实施方式参照图1，本专利技术的具体实现步骤如下：1.聚类：对传感器的量测数据集进行聚类划分。本专利技术对传感器的量测数据集进行聚类划分的方法为DBSCAN算法。首先初始化DBSCAN算法的两个参数，分别是ε(半径参数)和MinPts(邻域密度阀值)。对象p的ε邻域指：数据空间(本专利技术中为量测数据集)中任意一个数据对象p，其ε邻域是以p为圆心、以ε为半径的圆形区域内的对象的集合，记为Nε(p)＝{q|q∈D^d(p,q)<ε}式中D为量测数据集，d(p,q)为对象p与点q间的距离；核心对象是指：如果对象p的ε邻域内至少包含MinPts个对象，对象p为核心对象；直接密度可达：对于样本集合D，如果样本点q在p的ε领域内，并且p为核心对象，那么对象q从对象p直接密度可达；密度可达：对于样本集合D，给定一串样本点p1，p2….pn，p＝p1，q＝pn，假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；密度相连：存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联；基于密度的簇：是基于密度可达性的最大的密度相连对象的集合。然后，输入量测数据集D，从数据集D中随机抽取一个未被处理的对象p，对p的ε邻域内对象数目进行统计，若p的ε邻域内对象数目达到MinPts，p记为核心对象，否则从D中抽取下一个未被处理的对象p。对象p标记为“已处理”；最后，遍历量测数据集D，记录所有的核心对象，找到所有从核心对象的密度可达对象，形成一个个新的簇，进而通过密度相连得到最终簇结果。最后对量测数据集D进行更新，用得到的最终簇结果代替之前的量测数据集D，完成聚类步骤。针对多扩展目标的高斯白噪声现象，在DBSCAN算法中，可以通过设定合理的半径参数ε和邻域密度阀值MinPts，在最终簇中不包含噪声数据，达到去噪效果。2.初始化：主要包括初始化目标的概率假设密度D0(x)及势分布P0(n)。初始概率假设密度D0(x)符合高斯分布，可以由每个目标的正态分布概率和表示；P0(n)是目标数n的概率分布。3.预测更新：3.1)预测：对目标状态集Xk在k+1时刻的概率假设密度Dk+1|k(x)及势分布pk+1|k(n)进行预测。在k时刻，已知的参数有：概率假设密度Dk(x)、目标数的期望nk、势分布pk(x)，k时刻存活下来的目标状态集Xk的概率假设密度：Dk+1|k(ξ)＝∫ps(x')·fk+1|k(x|x')·Dk|k(x')dx'其中：ps(x')表示目标存活概率，fk+1|k(x|x')表示单目标马儿可夫转移密度；Dk|k(x')表示前一时刻目标状态集Xk的概率假设密度。势分布pk+1|k(n)：其中：代表第j个目标的权值，Nmax代表势分布的最大可能数，pk(l)代表前一时刻即k时刻的目标存活概率，代表二项式系数。3.2)更新：对目标状态集Xk在k+1时刻的概率假设密度Dk+1(x)及势分布pk+1(n本文档来自技高网...

【技术保护点】
1.一种改进的多扩展目标跟踪方法，其特征在于，包括以下步骤：步骤1：聚类：对传感器的量测数据集进行聚类划分；步骤2：初始化：包括初始目标的概率假设密度D0(x)和势分布p0(n)；步骤3：预测更新：对目标状态集Xk在k+1(k≥1)时刻的概率假设密度及势分布进行预测并更新，并得到此时刻的概率假设密度及势分布Dk+1(x)、pk+1(n)；步骤4：修剪合并：对目标的强度函数的高斯项进行修剪合并，提取目标状态估计并进行性能评估；步骤5：重复步骤3和步骤4，跟踪目标直到目标消失。

【技术特征摘要】
1.一种改进的多扩展目标跟踪方法，其特征在于，包括以下步骤：步骤1：聚类：对传感器的量测数据集进行聚类划分；步骤2：初始化：包括初始目标的概率假设密度D0(x)和势分布p0(n)；步骤3：预测更新：对目标状态集Xk在k+1(k≥1)时刻的概率假设密度及势分布进行预测并更新，并得到此时刻的概率假设密度及势分布Dk+1(x)、pk+1(n)；步骤4：修剪合并：对目标的强度函数的高斯项进行修剪合并，提取目标状态估计并进行性能评估；步骤5：重复步骤3和步骤4，跟踪目标直到目标消失。2.根据权利要求1所述的一种改进的多扩展目标跟踪方法，其特征在于，步骤1中的聚类；对传感器的量测数据集进行聚类划分的具体过程为：步骤1-1：初始化DBSCAN算法的两个参数，分别是ε(半径参数)和MinPts(邻域密度阀值)；步骤1-2：输入量测数据集D，从数据集D中随机抽取一个未被处理的对象p，对p的ε邻域内对象数目进行统计，若p的ε邻域内对象数目达到MinPts，p记为核心对象，否则从D中抽取下一个未被处理的对象p；对象p标记为“已处理”；步骤1-3：遍历量测数据集D，记录所有的核心对象，找到所有从核心对象的密度可达对象，形成一个个新的簇，进而通过密度相连得到最终簇结果；最后对量测数据集D进行更新，用得到的最终簇结果代替之前的量测数据集D，完成聚类步骤。3.根据权利要求1所述的一种改进的多扩展目标跟踪方法，其特征在于，步骤3中的预测更新：对目标状态集Xk在k+1(k≥1)时刻的概率假设密度及势分布进行预测并更新，并得到此时刻的概率假设密度及势分布Dk+1(x)、pk+1(n)的具体过程为：步骤3-1：预测：对目标状态集Xk在k+1时刻的概率假设密度Dk+1|k(x)及势分布pk+...

【专利技术属性】
技术研发人员：吴盘龙，邓宇浩，何山，王雪冬，肖仁强，曹竞丹，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32