一种预测引导的多扩展目标量测集划分方法技术

本发明专利技术涉及一种预测引导的多扩展目标量测集划分方法，在目标相近并且出现目标个数低估问题时，利用量测和预测高斯混合项均值的几何分布特点和多边形顶点的几何知识，重新调整由预测状态确定的不合理的初始聚类中心点，大大改善了目标相近情况下由不合理的预测信息造成跟踪精度不高的问题，有助于准确地划分量测集，提高目标状态和个数估计结果的准确度和稳定性，同时对量测集划分数的合理限制大大降低了计算量，极大地改善了多扩展目标跟踪算法的跟踪性能，通过大幅度缩小量测集划分数，极大地提高了算法的跟踪速度。

A prediction guided method for multi-target measurement set partition

【技术实现步骤摘要】
一种预测引导的多扩展目标量测集划分方法
本专利技术涉及多扩展目标跟踪
，具体的说是一种预测引导的多扩展目标量测集划分方法。
技术介绍
多目标跟踪技术是根据雷达等传感器得到的量测数据对监测区域内的多个动态目标进行个数和状态估计。传统方法将目标简单地建模为点目标，即单个目标在每一时刻最多只能产生一个量测数据。近年来，高分辨率传感器快速发展，单个目标能占据多个分辨率单元并且产生多个量测数据，使点目标假设不再适用于这类目标的跟踪，此类目标被称为扩展目标。随着现代战争环境的复杂化，多扩展目标跟踪技术更贴近实际跟踪场景，已成为多目标跟踪领域的一个重要研究方向。多扩展目标跟踪中，目标与量测之间的关联通常未知，即无法确定目标与目标产生的多个量测数据之间的一一对应关系，而且目标个数未知(可能出现新生目标、新目标从已有目标中衍生或者已有目标消亡)，这为准确估计多扩展目标的个数和状态增加了难度。传统多目标跟踪算法采用数据关联的方法建立起目标与量测之间的关系，但是无法有效处理目标个数时变和杂波环境下的多扩展目标跟踪，并且对于多扩展目标，其数据关联问题十分复杂，往往造成庞大的计算量，导致“组合爆炸”问题。近年来，随机有限集(RandomFiniteSet,RFS)理论被提出，将目标和量测分别建模为随机有限集，有效避免了量测和目标之间的数据关联，并且能处理目标出现、分裂、消失以及传感器漏检和虚警杂波等现象。在随机有限集的框架下，多种多目标跟踪算法被发展和研究，尤其是概率假设密度滤波器(Probabilityhypothesisdensity，PHD)，它仅实时地迭代更新后验概率强度(即后验概率密度的一阶矩)，无需数据关联，计算量低，估计精度高，易于实现，已逐渐成为研究热点。基于此，扩展目标PHD滤波器(ExtendedtargetPHDfilter，ET-PHD)被提出用来跟踪多扩展目标，并推广得到扩展目标CPHD滤波器(ExtendedtargetCardinalizedPHDfilter，ET-CPHD)，扩展目标高斯混合PHD滤波器(ExtendedtargetGaussianmixturePHDfilter，ET-GM-PHD)等多种滤波器，广泛应用于多扩展目标跟踪中。综上所述，扩展目标概率假设密度滤波器已成为多扩展目标跟踪领域的重要研究方向。在扩展目标率假设密度滤波器的框架下，量测数据需要被划分为几个不同子集，使同一子集中的量测尽可能地来自同一目标或杂波。量测集划分的结果将用来更新预测概率强度，是制约多扩展目标跟踪算法性能的重要因素。划分量测集的准确度直接影响跟踪算法的估计性能，并且量测集的划分数是影响算法跟踪速度的重要因素。传统的量测集划分方法列举所有可能划分来提高跟踪性能，但其计算量将随着目标数的增加而呈指数增长。距离划分依据同一目标产生量测距离相近的原理进行划分量测集，虽然通过缩小距离阈值范围降低了计算量，但是其跟踪速度仍需有效提高，并且在目标距离相近时存在目标个数低估问题。基于预测信息的量测集划分方法(如预测划分、EM划分)依靠预测信息能有效提高量测集划分的准确度，并且只需一次划分，但是其跟踪性能过于依赖预测信息，难以处理由于目标漏检或者目标相近时目标个数低估造成的预测信息不够有效的问题，而且过少的划分数使预测信息直接影响划分结果的准确性，易导致跟踪性能不稳定，目标数估计存在较大误差。K-means++聚类算法虽然可以通过设置K值范围用于量测集划分，但是受初始中心点随机选择的影响，跟踪性能十分不稳定，目标个数和状态估计结果不够理想，且跟踪速度仍有待提高，也存在目标相近时量测集划分不准确的问题。目前需要本领域技术人员迫切解决的一个技术问题是：在目标距离相近的跟踪环境中如何快速且准确地划分量测集、提高基于预测信息的量测集划分方法的稳定性以及多扩展目标跟踪算法中的目标状态和个数估计精度。
技术实现思路
为了解决现有技术中的不足，本专利技术提供一种预测引导的多扩展目标量测集划分方法，在目标相近并且出现目标个数低估问题时，利用量测和预测高斯混合项均值的几何分布特点和多边形顶点的几何知识，重新调整由预测状态确定的不合理的初始聚类中心点，大大改善了目标相近情况下由不合理的预测信息造成跟踪精度不高的问题，有助于准确地划分量测集，提高目标状态和个数估计结果的准确度和稳定性，同时对量测集划分数的合理限制大大降低了计算量，使本专利技术的方法在获得更好跟踪性能的条件下取得了较其他方法更快的运行速度。为了实现上述目的，本专利技术采用的具体方案为：一种预测引导的多扩展目标量测集划分方法，包括如下步骤：S1、利用前一时刻估计得到的目标后验强度函数，作为当前时刻的目标状态初始化，计算得到当前时刻的目标预测强度函数；S2、利用目标预测强度函数中的高斯混合项，选取距离预测均值最近的量测作为初始聚类中心点，得到初始聚类中心点集合Jk-1表示前一时刻的目标个数，也等于目标预测强度函数中的高斯混合项的个数，k表示当前时刻，k-1表示前一时刻，new用来标记新得到的初始聚类中心点集合；S3、获取多扩展目标的UWB(Ultra-wideband，超宽屏雷达)量测数据，判断是否存在目标个数低估问题，若目标个数被低估，利用初始聚类中心点对UWB量测数据进行初次聚类划分；S4、根据步骤S3初次聚类划分的结果判断是否需要调整初始聚类中心点，若初次聚类划分得到的子集中对应的扩展目标数量不为1，则利用多边形顶点公式对相应的初始聚类中心点进行调整，找到对应初始聚类中心点的所有替代点并取代中相应的初始聚类中心点，得到最终的初始聚类中心点集合此处的集合是仅对步骤S2的中需要调整的初始聚类中心点进行替换调整后得到的，其余无需调整的初始聚类中心点均未变；S5、根据当前时刻新生目标和衍生目标的个数变化，计算目标个数K的所有可能变化范围和量测集划分数KP的范围，并利用得到的初始聚类中心点集合对UWB量测数据进行聚类，遍历所有目标个数区间内的K值，得到量测集划分结果；S6、利用步骤S5得到的量测集划分结果对目标预测强度函数中的高斯混合项进行更新，得到目标后验强度函数，并且返回S1。作为一种优选方案，S1中，前一时刻目标后验强度函数由高斯混合项组成，高斯混合项包含均值mk-1k-1和协方差Pk-1k-1，利用后验强度函数得到预测强度函数(即预测高斯混合项)的方法为：其中Dk|k-1(x)为预测强度函数，Jk|k-1为预测强度函数的高斯项个数，为第j个预测高斯项的权重，和分别是第j个高斯项的均值和协方差，Fk是k时刻的状态转移矩阵，T是采样时间，Qk为过程噪声的协方差矩阵，是过程噪声的标准差，Ι2是2×2维单位矩阵。作为一种优选方案，S2中选择初始聚类中心点的具体方法为：S2.1、计算每个量测到的距离，选择距离最小的量测作为该预测高斯项对应的初始聚类中心点；S2.2、重复S3.1直至完成预测高斯项对应所有初始聚类中心点的选择，得到初始聚类中心点集合其中cJk-本文档来自技高网...

【技术保护点】
1.一种预测引导的多扩展目标量测集划分方法，其特征在于，包括如下步骤：/nS1、利用前一时刻估计得到的目标后验强度函数，作为当前时刻的目标状态初始化，计算得到当前时刻的目标预测强度函数；/nS2、利用目标预测强度函数中的高斯混合项，选取距离预测均值最近的量测作为初始聚类中心点，得到初始聚类中心点集合

【技术特征摘要】
1.一种预测引导的多扩展目标量测集划分方法，其特征在于，包括如下步骤：
S1、利用前一时刻估计得到的目标后验强度函数，作为当前时刻的目标状态初始化，计算得到当前时刻的目标预测强度函数；
S2、利用目标预测强度函数中的高斯混合项，选取距离预测均值最近的量测作为初始聚类中心点，得到初始聚类中心点集合其中，Jk-1表示前一时刻的目标个数，k表示当前时刻，k-1表示前一时刻，new用来标记新得到的初始聚类中心点集合；
S3、获取多扩展目标的UWB(超宽屏雷达)量测数据，判断是否存在目标个数低估问题，若目标个数被低估，利用初始聚类中心点对UWB量测数据进行初次聚类划分；
S4、根据步骤S3初次聚类划分的结果判断是否需要调整初始聚类中心点，若初次聚类划分得到的子集中对应的扩展目标数量不为1，则利用多边形顶点公式对相应的初始聚类中心点进行调整，找到对应初始聚类中心点的所有替代点并取代中相应的初始聚类中心点，得到最终的初始聚类中心点集合
S5、根据当前时刻新生目标和衍生目标的个数变化，计算目标个数K的所有可能变化范围和量测集划分数KP的范围，并利用得到的初始聚类中心点集合对UWB量测数据进行聚类，遍历所有目标个数区间内的K值，得到量测集划分结果；
S6、利用步骤S5得到的量测集划分结果对目标预测强度函数中的高斯混合项进行更新，得到目标后验强度函数，并且返回S1。


2.如权利要求1所述的一种预测引导的多扩展目标量测集划分方法，其特征在于，步骤S1中，前一时刻目标后验强度函数由高斯混合项组成，高斯混合项包含均值mk-1|k-1和协方差Pk-1|k-1，利用目标后验强度函数得到预测强度函数即预测高斯混合项的方法为：












其中Dk|k-1(x)为预测强度函数，Jk|k-1为预测强度函数的高斯项个数，为第j个预测高斯项的权重，N表示高斯分布的代号，和分别是第j个高斯项的均值和协方差，Fk是k时刻的状态转移矩阵，T是采样时间，Qk为过程噪声的协方差矩阵，是过程噪声的标准差，Ι2是2×2维单位矩阵。


3.如权利要求2所述的一种预测引导的多扩展目标量测集划分方法，其特征在于，步骤S2中选择初始聚类中心点的具体方法为：
S2.1、计算每个量测到的距离，选择距离最小的量测作为该预测高斯项对应的初始聚类中心点；
S2.2、重复步骤S2.1直至完成预测高斯项对应所有初始聚类中心点的选择，得到初始聚类中心点集合


4.如权利要求1所述的一种预测引导的多扩展目标量测集划分方法，其特征在于，步骤S3中检测和判断目标个数是否被低估的方法为：
S3.11、利用计算当前量测对应的目标个数，其中Nz,k为量测数据集中量测的个数，下标z表示量测、k表示当前时刻，λ为单个扩展目标产生的期望量测个数并且为常值；
S3.12、根据前一时刻的目标估计个数Jk-1，若大于等于1，则目标个数低估。


5.如权利要求1所述的一种预测引导的多扩展目标量测集划分方法，其特征在于，步骤S4中检测和判断...

【专利技术属性】
技术研发人员：孙力帆，俞皓芳，彭勃，杨哲，常家顺，陶发展，付主木，普杰信，王旭栋，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：河南;41