一种基于随机矩阵法的多近邻扩展目标跟踪算法制造技术

本发明专利技术公开了一种基于随机矩阵法的多近邻扩展目标跟踪算法，包括：接收初始时刻的量测数据，并初始化航迹；利用随机矩阵法对航迹假设进行状态和扩展形态一步预测；利用波门聚类法和层次聚类法分别进行量测聚类；将聚类得到的量测群与航迹假设相关联，生成数据关联假设；采用全局最近邻法选出最优假设；利用随机矩阵法对航迹假设进行状态和扩展形态更新；对航迹进行管理以生成、筛选、删除航迹，并输出航迹。本发明专利技术能够应用于智能交通、自动驾驶等领域，对存在多个扩展目标、目标间距离很近、目标运动模式多样、目标大小不同的环境下的多近邻扩展目标进行准确跟踪，解决目标距离很近造成的量测聚类易混淆，多目标的状态、扩展形态、目标数量联合估计等问题。标数量联合估计等问题。标数量联合估计等问题。

【技术实现步骤摘要】
一种基于随机矩阵法的多近邻扩展目标跟踪算法


[0001]本专利技术涉及多近邻扩展目标跟踪技术，特别是一种针对于多个扩展目标、目标间距离很近、目标运动模式多样、目标大小不同的多扩展目标跟踪算法。

技术介绍

[0002]目标跟踪是十分重要的支撑技术，对诸多面向高级复杂应用背景的信息处理系统至关重要，并在导弹制导及反导系统、自动驾驶系统等军事及民用领域中得到了广泛的应用与发展，具有重要的应用价值。
[0003]用于目标跟踪的传感器，包括雷达、声呐、光学仪器等，可提供关于目标数目、位置、速度等特征的带不确定性干扰的量测数据。相较于其他传感器，毫米波雷达可全天候全天时工作、性能稳定、受天气影响小、抗干扰反隐身、价格低廉，是目标跟踪领域内对中远距离目标探测的首要选择。
[0004]毫米波雷达回波数少、杂波密集、无成像能力。基于毫米波雷达的目标跟踪面临两大难点：目标层面和量测层面。目标层面包括(1)机动目标跟踪：目标运动模式多样；(2)多目标跟踪：目标个数时变且未知。量测层面包括(1)数据关联：雷达量测来源(车辆、行人、建筑物)未知，对正确的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机矩阵法的多近邻扩展目标跟踪算法，其特征在于，包括以下步骤：S101：接收初始时刻的量测数据，初始化航迹；S102：利用随机矩阵法对上一个时刻的航迹假设进行状态和扩展形态的一步预测；S103：接收当前时刻的量测数据，采用波门聚类法和层次聚类法分别进行量测聚类；S104：将当前时刻的量测群与上一个时刻的航迹假设相关联，生成若干数据关联假设；S105：采用全局最近邻法选出最优航迹假设；S106：利用随机矩阵法对当前时刻的航迹假设进行状态和形态更新；S107：航迹管理与输出。2.根据权利要求1所述的方法，其特征在于，所述步骤S101包括如下步骤：11)将初始时刻的极坐标系下的传感器量测转换到直角坐标系下；12)采用层次聚类法对传感器量测进行聚类，得到若干个量测群，每一个量测群包括若干个量测点；13)每一个量测群代表一个可能的目标，根据量测数据和先验信息初始化目标的状态、形态参数和生命值。3.根据权利要求2所述的方法，其特征在于，步骤12)中，层次聚类法包括如下步骤：121)对于k时刻n
k
个量测数据，计算每两个量测间的距离；122)将量测数据分组到一个二进制的分层聚类树中，依据两个类之间的最短、最长、平均距离或是核距离进行分组；123)根据设定的阈值分割聚类树，将量测数据分为若干类。4.根据权利要求1所述的方法，其特征在于，所述步骤S102包括如下步骤：21)利用随机矩阵法对上一个时刻的航迹假设进行状态一步预测；运动状态的运动模型如下：式中，x
k
为k时刻的运动状态，Φ
k
为状态转移矩阵，x
k
‑1为k
‑
1时刻的运动状态，w
k
为过程噪声，为均值为0，方差为的高斯分布，D
k
为一维物理空间模型中的过程噪声的协方差矩阵，为Kronecker乘积，X
k
为k时刻的扩展形态；令表示k时刻的n
k
个量测数据组成的集合，令表示k
‑
1时刻及之前的量测信息；运动状态的一步预测为：运动状态的一步预测为：式中，为对k时刻的目标状态的一步预测值，为k
‑
1时刻的运动状态的估计值，P
k|k
‑1为对k时刻的目标状态的协方差的一步预测值，F
k
为一维物理空间上的状态转移矩阵，P
k
‑1为k
‑
1时刻的运动状态的协方差的估计值；22)利用随机矩阵法对上一个时刻的航迹假设进行扩展形态一步预测；形态演化模型为
式中，X
k
为k时刻的扩展形态，X
k
‑1为k
‑
1时刻的扩展形态，为Wishart分布，δ
k
为演化分布的自由度，A
k
为形态演化矩阵；扩展形态的一步预测为：扩展形态的一步预测为：扩展形态的一步预测为：式中：为对k时刻的目标扩展形态的一步预测，为对k
‑
1时刻的目标扩展形态的估计值，为对k时刻的目标扩展形态的自由度的一步预测，为对k
‑
1时刻的目标扩展形态的自由度的估计值，d为物理空间的维度，λ
k
‑1为中间变量。5.根据权利要求1所述的方法，其特征在于，所述步骤S103包括如下步骤：31)将k时刻的极坐标系下的传感器量测转换到直角坐标系下；32)采用波门聚类法处理k时刻的传感器量测，得到若干个量测群；33)采用层次聚类法处理上一步中未被聚类的，即处于任意波门之外的k时刻的传感器量测，再得到若干个量测群。6.根据权利要求5所述的方法，其特征在于，步骤32)中，波门聚类法步骤如下：321)基于k
‑
1时刻的目标状态与形态P
k
‑1，得到k时刻目标的预测状态与预测形态322)根据k时刻目标的预测状态与预测形态生成波门波门定义为：式中，z为量测点，为对k时刻的目标的量测的预测值；为k时刻目标的扩展形态的一步预测，S
k
为关于波门大小的参数，γ2为阈值；S
k
按如下计算得到：式中，P
k|k
‑1为对k时刻的目标状态的协方差的一步预测值，H
k
为量测矩阵，B
k
为形态观测矩阵，d为物理空间的维度；γ2按如下计算得到：
式中，P
G
为门限概率，为对k时刻的目标扩展形态的自由度的一步预测；323)根据波门划分k时刻的量测数据，落在同一个波门内的量测即聚为同一类。7.根据...

【专利技术属性】
技术研发人员：兰剑，彭相阳，曹晓萌，张宇，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：