基于密度聚类的RBMCDA水下多目标跟踪方法技术

本发明专利技术是于密度聚类的RBMCDA水下多目标跟踪方法。本发明专利技术对每个粒子初始权重置，获得初始时刻粒子群数据；计算可见目标死亡概率，随机抽取死亡目标，对所有粒子存活目标状态进行预测；根据更新后的每个粒子的权值，采用重采样法对粒子状态和粒子目标标签矩阵进行重采样；采用密度聚类算法对所有粒子的所有目标状态估计结果聚类，对每个簇每个样本按理权值加权求和，获得所述每个簇的状态均值；每个粒子标签向量分别与目标标签矩阵相匹配，获得每个聚类簇的系统目标编号，更新目标标签矩阵，获得新的目标标签矩阵；根据粒子数据的密度聚类和目标编号管理结果，输出当前时刻所有目标编号及状态均值。

Rbmcda underwater multi-target tracking method based on Density Clustering

【技术实现步骤摘要】
基于密度聚类的RBMCDA水下多目标跟踪方法
本专利技术涉及水下多目标跟踪
，是一种基于密度聚类的RBMCDA水下多目标跟踪方法。
技术介绍
水下多目标跟踪是指使用一个或多个传感器对水下多个目标的运动状态进行跟踪，它是多目标跟踪技术的一个分支。目前多目标跟踪算法主要分为三大类：1、联合概率数据关联(JointProbabilityDataAssociation,JPDA)算法；2、多假设跟踪(MultipleHypothesisTracking,MHT)，为了提高MHT算法的性能，Simo等人在其发表的Rao-BlackwellizedParticleFilterForMultipleTargetTracking[M].InformationFusion.2007中，引入Rao-Blackwellized粒子滤波(RBPF)思想，提出了Rao-Blackwellized蒙特卡洛数据关联(RBMCDA)算法，能够以较少粒子数获得较高的跟踪精度；3、由Mahler等人提出的基于随机有限集(RandomFiniteSet,RFS)的跟踪算法，针对RFS类滤波器中多维积分难以求解的问题，Vo等人给出了PHD、CPHD、MeMBer滤波器的两种工程实现方式：高斯混合(GM,GaussianMixture)近似和序贯蒙特卡洛积分(SMC,SequentialMonteCarlo)近似。目前，如何解决在未知目标数量、目标状态及杂波干扰下的多目标航迹关联问题和跟踪算法的实时化实现是水下多目标跟踪的研究重点。JPDA在目标数过大时存在组合爆炸的弊端，RFS类跟踪算法在理论上效果优于其他两类，但是由于其庞大的计算量，目前难以运用到实时系统中。因此，MHT是当前应用较广的多目标跟踪算法。RBMCDA虽然相比于MHT跟踪性能更佳，但是难以直接应用于实时跟踪系统中。RBMCDA算法中每个粒子均执行多假设数据关联和目标状态估计，粒子之间相互独立，通过粒子权值来衡量跟踪的准确性，在跟踪结束时刻选取权值最大的粒子，将其历史跟踪数据作为这一段时间内的跟踪结果。因此，该算法需要在一段时间持续跟踪后，才能给出最终的跟踪结果，无法实时跟踪。如果简单的提取每一时刻最优粒子作为该时刻的跟踪输出，暂且将这种方法记为K-RBMCDA，虽然能够实时给出跟踪结果，但是目标编号是混乱的。根本原因是粒子之间相互独立，每个粒子对不同目标的编号是独立的。水下多目标跟踪的观测数据一般为主动声纳探测系统给出的探测方位和探测距离。对于以二维高斯坐标为状态矢量的系统，观测方程是非线性的，因此，在目标状态估计的过程中，标准卡尔曼滤波不再适用。扩展卡尔曼滤波和无迹卡尔曼滤波是卡尔曼滤波针对非线性系统的改进，粒子滤波也适用于非线性非高斯系统中，在粒子数足够多的情况下，理论上可以逼近任何非线性方程。无迹卡尔曼滤波不管是在滤波精度和计算复杂度上都是比较优越的，因此可用于水下多目标跟踪中的目标状态估计。
技术实现思路
本专利技术为解决在未知目标数量、目标状态及杂波干扰下的多目标航迹关联和跟踪结果的目标编号混乱的问题，本专利技术提供了一种基于密度聚类的RBMCDA水下多目标跟踪方法，本专利技术提供了以下技术方案：一种基于密度聚类的RBMCDA水下多目标跟踪方法，包括如下步骤：步骤一：初始化不可见目标状态均值和协方差，对每个粒子初始权重置，获得初始时刻粒子群数据；步骤二：计算每个粒子下每个存活目标距上次被量测时的更新时长，计算可见目标死亡概率，随机抽取死亡目标，对所有粒子存活目标状态进行预测；步骤三：提取当前时刻的一个量测数据，对于每个粒子建立所述一个量测数据关联目标的多个情况，所述情况分为关联野值、关联存活目标、关联新生目标，分别计算每种情况下的后验概率，并按概率随机抽取一个情况；步骤四：根据随机抽取的情况，更新当前时刻存活目标的状态；步骤五：根据随机抽取的情况，更新粒子权值；步骤六：根据更新后的每个粒子的权值，采用重采样法对粒子状态和粒子目标标签矩阵进行重采样；步骤七：采用密度聚类算法对所有粒子的所有目标状态估计结果聚类，获得聚类簇集合以及每个簇对应的粒子标签向量，对每个簇每个样本按理权值加权求和，获得所述每个簇的状态均值；步骤八：每个粒子标签向量分别与目标标签矩阵相匹配，获得每个聚类簇的系统目标编号，同时更新目标标签矩阵，获得新的目标标签矩阵；步骤九：根据粒子数据的密度聚类和目标编号管理结果，输出当前时刻所有目标编号及状态均值，当依旧存在量测数据时，返回步骤二，反之则结束跟踪。优选地，所述步骤一具体为：初始化不可见目标状态均值m0和协方差P0，使得每个粒子初始权重置，获得初始时刻粒子群数据，通过下式表示初始化时刻粒子群数据：其中，i为粒子编号，N为粒子数，和分别粒子i下目标的初始状态均值和协方差，表示粒子i在初始时刻的权值，为数据关联指示器。优选地，所述步骤二具体为：第一步：通过一个伽玛函数计算每个可见目标的死亡概率，生成0-1范围内随机数，当可见目标死亡概率低于所述随机数时，判定可见目标死亡，并至多死亡一个可见目标；第二步：当一个可见目标死亡后，则移除该死亡目标状态数据，当没有可见目标死亡时，则利用无迹卡尔曼滤波器预测可见目标的状态均值和协方差，当可见目标状态空间是高斯线性的时，则使用标准卡尔曼滤波器预测可见目标的状态均值和协方差；第三步：当目标做匀速直线运动时，状态矢量中xk1和yk1是目标位置坐标，和是目标坐标变化率，观测矢量为方位角和距离，即yk＝[θkrk]T，yk为观测矢量，θk为观测方位角，rk为观测距离，通过下式表示水下目标的状态空间：yk＝[θkrk]T(3)其中，xk为状态矢量，xk1和yk1是目标位置坐标，和是目标坐标变化率，yk为观测矢量，θk为观测方位角，rk为观测距离，atan2(·)为反正切函数，Ak-1是k-1时刻的状态转移矩阵；qk-1是k-1时刻过程噪声，满足零均值、协方差为Qk-1的高斯分布；hk(·)是观测函数，rk是k时刻的观测噪声，满足零均值、协方差为Rk的高斯分布；当存活目标的状态通过无迹卡尔曼滤波器预测时，采样策略选取比例修正采样，首先获取每个粒子i下每个目标j的所有Sigma点一阶权系数Wlm和二阶权系数Wlc，通过下式表示Wlm和Wlc：其中，n为状态矢量xk的维度，和分别表示粒子i下目标j状态矢量的均值和协方差；修正比例系数为λ＝α2(p+κ)-p，其中α为比例缩放因子，取值范围为0≤α≤1；κ为比例系数，对于高斯分布，当状态变量为单变量时，选择κ＝0，当状态变量为多变量时，选择κ＝3-n；β为高阶项引入系数β，β＝2；第四步：获得存活目标状态预测值和协方差预测值，通过下式表示存活目标状态预测值和协方差预测值：其中，为状态变量，和表示k时刻粒子i下目标j状态矢量xk的均值和协方差的预测值，Qk-1是过程噪声协方差，L为整数。优选地，所述步骤三具体为：第一步：选用一个数据关联指示器，通过下式表示所述指示器：λk＝{ek,ck}，0≤ck≤Tk-1+1(9)其中，λk为数据关联指示器，ek为目标可见性指示器，是一个具有ξ长度的二进制矢量；ck为用于指示哪个观测数据关联哪个目标，其中Tk-1为k-1时刻的可见目标数，取值为零代表关本文档来自技高网...

【技术保护点】
1.一种基于密度聚类的RBMCDA水下多目标跟踪方法，其特征是：包括如下步骤：步骤一：初始化不可见目标状态均值和协方差，对每个粒子初始权重置，获得初始时刻粒子群数据；步骤二：计算每个粒子下每个存活目标距上次被量测时的更新时长，计算可见目标死亡概率，随机抽取死亡目标，对所有粒子存活目标状态进行预测；步骤三：提取当前时刻的一个量测数据，对于每个粒子建立所述一个量测数据关联目标的多个情况，所述情况分为关联野值、关联存活目标、关联新生目标，分别计算每种情况下的后验概率，并按概率随机抽取一个情况；步骤四：根据随机抽取的情况，更新当前时刻存活目标的状态；步骤五：根据随机抽取的情况，更新粒子权值；步骤六：根据更新后的每个粒子的权值，采用重采样法对粒子状态和粒子目标标签矩阵进行重采样；步骤七：采用密度聚类算法对所有粒子的所有目标状态估计结果聚类，获得聚类簇集合以及每个簇对应的粒子标签向量，对每个簇每个样本按理权值加权求和，获得所述每个簇的状态均值；步骤八：每个粒子标签向量分别与目标标签矩阵相匹配，获得每个聚类簇的系统目标编号，同时更新目标标签矩阵，获得新的目标标签矩阵；步骤九：根据粒子数据的密度聚类和目标编号管理结果，输出当前时刻所有目标编号及状态均值，当依旧存在量测数据时，返回步骤二，反之则结束跟踪。...

【技术特征摘要】
1.一种基于密度聚类的RBMCDA水下多目标跟踪方法，其特征是：包括如下步骤：步骤一：初始化不可见目标状态均值和协方差，对每个粒子初始权重置，获得初始时刻粒子群数据；步骤二：计算每个粒子下每个存活目标距上次被量测时的更新时长，计算可见目标死亡概率，随机抽取死亡目标，对所有粒子存活目标状态进行预测；步骤三：提取当前时刻的一个量测数据，对于每个粒子建立所述一个量测数据关联目标的多个情况，所述情况分为关联野值、关联存活目标、关联新生目标，分别计算每种情况下的后验概率，并按概率随机抽取一个情况；步骤四：根据随机抽取的情况，更新当前时刻存活目标的状态；步骤五：根据随机抽取的情况，更新粒子权值；步骤六：根据更新后的每个粒子的权值，采用重采样法对粒子状态和粒子目标标签矩阵进行重采样；步骤七：采用密度聚类算法对所有粒子的所有目标状态估计结果聚类，获得聚类簇集合以及每个簇对应的粒子标签向量，对每个簇每个样本按理权值加权求和，获得所述每个簇的状态均值；步骤八：每个粒子标签向量分别与目标标签矩阵相匹配，获得每个聚类簇的系统目标编号，同时更新目标标签矩阵，获得新的目标标签矩阵；步骤九：根据粒子数据的密度聚类和目标编号管理结果，输出当前时刻所有目标编号及状态均值，当依旧存在量测数据时，返回步骤二，反之则结束跟踪。2.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法，其特征是：所述步骤一具体为：初始化不可见目标状态均值m0和协方差P0，使得每个粒子初始权重置，获得初始时刻粒子群数据，通过下式表示初始化时刻粒子群数据：其中，i为粒子编号，N为粒子数，和分别粒子i下目标的初始状态均值和协方差，表示粒子i在初始时刻的权值，为数据关联指示器。3.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法，其特征是：所述步骤二具体为：第一步：通过一个伽玛函数计算每个可见目标的死亡概率，生成0-1范围内随机数，当可见目标死亡概率低于所述随机数时，判定可见目标死亡，并至多死亡一个可见目标；第二步：当一个可见目标死亡后，则移除该死亡目标状态数据，当没有可见目标死亡时，则利用无迹卡尔曼滤波器预测可见目标的状态均值和协方差，当可见目标状态空间是高斯线性的时，则使用标准卡尔曼滤波器预测可见目标的状态均值和协方差；第三步：当目标做匀速直线运动时，状态矢量中xk1和yk1是目标位置坐标，和是目标坐标变化率，观测矢量为方位角和距离，即yk＝[θkrk]T，yk为观测矢量，θk为观测方位角，rk为观测距离，通过下式表示水下目标的状态空间：yk＝[θkrk]T(3)其中，xk为状态矢量，xk1和yk1是目标位置坐标，和是目标坐标变化率，yk为观测矢量，θk为观测方位角，rk为观测距离，atan2(·)为反正切函数，Ak-1是k-1时刻的状态转移矩阵；qk-1是k-1时刻过程噪声，满足零均值、协方差为Qk-1的高斯分布；hk(·)是观测函数，rk是k时刻的观测噪声，满足零均值、协方差为Rk的高斯分布；当存活目标的状态通过无迹卡尔曼滤波器预测时，采样策略选取比例修正采样，首先获取每个粒子i下每个目标j的所有Sigma点一阶权系数Wlm和二阶权系数Wlc，通过下式表示Wlm和Wlc：其中，n为状态矢量xk的维度，和分别表示粒子i下目标j状态矢量的均值和协方差；修正比例系数为λ＝α2(p+κ)-p，其中α为比例缩放因子，取值范围为0≤α≤1；κ为比例系数，对于高斯分布，当状态变量为单变量时，选择κ＝0，当状态变量为多变量时，选择κ＝3-n；β为高阶项引入系数β，β＝2；第四步：获得存活目标状态预测值和协方差预测值，通过下式表示存活目标状态预测值和协方差预测值：其中，为状态变量，和表示k时刻粒子i下目标j状态矢量xk的均值和协方差的预测值，Qk-1是过程噪声协方差，L为整数。4.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法，其特征是：所述步骤三具体为：第一步：选用一个数据关联指示器，通过下式表示所述指示器：λk＝{ek,ck}，0≤ck≤Tk-1+1(9)其中，λk为数据关联指示器，ek为目标可见性指示器，是一个具有ξ长度的二进制矢量；ck为用于指示哪个观测数据关联哪个目标，其中Tk-1为k-1时刻的可见目标数，取值为零代表关联杂波；在RBPF框架...

【专利技术属性】
技术研发人员：齐滨，付进，王晋晋，龚杰，梁国龙，王燕，王逸林，邹男，张光普，孙思博，邱龙皓，上官佩熙，张文琪，宋允泽，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23