结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法技术

本发明专利技术提供了一种结合聚类分析的基于粒子群优化算法的多传感器多目标跟踪方法，包括：基于DBSCAN(Density

【技术实现步骤摘要】
结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法


[0001]本专利技术属于多传感器多目标跟踪
，特别是一种结合集群目标聚类和粒子群优化算法的抗传感器系统误差的目标跟踪方法、系统、计算机设备和存储介质。

技术介绍

[0002]多传感器多目标跟踪技术在当今的自动驾驶、反无人机集群等相关领域广泛应用，通过将多个传感器采集到的信息进行融合实现对目标状态的估计，相较单传感器系统，增强了系统的生存能力，扩展了时间和空间覆盖范围，降低了信息的模糊度，提高估计信息的可信度。多传感器多目标跟踪技术的两个重要部分就是传感器误差配准和同源目标的关联，但这两部分又相互依赖，传感器误差配准准确需要提高同源目标的关联正确率，提高同源目标的关联正确率又要传感器误差配准准确，这种相互制约的关系成为限制整个多传感器多目标跟踪系统的一个主要瓶颈。
[0003]数据关联的过程就是确认传感器量测信息与目标源的对应关系，传统的数据关联方法有最近邻法、概率数据关联和联合概率数据关联。这些方法最基础的部分就是通过目标点间的距离来搜索获得关联目标集合，但由于传感器系统误差及量测噪声的存在会使得量测信息较真实的目标状态间存在漂移，且不同传感器的系统误差和量测噪声可能存在着较大的差异，造成的漂移范围大小不同，如果选取的关联范围较小，会造成目标的漏关联，若关联范围较大，会降低数据关联的正确率，但由于传感器的系统误差未知，很难寻找到一个合适的关联范围达到一个较优的性能。
[0004]多传感器系统的量测信息在进行信息融合前需要将目标的状态信息通过坐标转换的方式映射到公共坐标系上，在同一个坐标系内完成目标信息的融合。但由于传感器系统误差的存在，同一个目标在不同的传感器量测下的状态就会存在差异，为了能够得到更准确的融合结果，需要通过传感器误差配准来补偿量测信息。常用的误差配准方法要不就是只考虑传感器系统误差的存在而完全忽略量测噪声的影响，如实时质量控制法、最小二乘法，求解误差时构建的方程为一组近似方程，且只有当量测信息的数量较多时才能使用，否则可能无法求解传感器的系统误差。要不就是只有在量测噪声相对很小时才能取得好的性能，如极大似然法、广义最小二乘法、和基于Kalman滤波的误差配准法，且基于Kalman滤波的误差配准法是一种渐进收敛的方法，其对于设定的初始误差值较为依赖，在目标跟踪的初期求解的传感器系统误差较差。
[0005]且由于多传感多目标跟踪系统中目标点集的数量很大，传统的目标跟踪方法将全体目标进行整体处理，在多传感器多目标数据关联阶段会存在组合爆炸的问题，导致计算量巨大，影响整个目标跟踪系统的实时性。
[0006]因此对多传感多目标跟踪算法中的目标数据关联方法以及传感器系统误差求解方法的改进是十分有必要的，以提高多传感多目标跟踪系统的实时性和准确性。

技术实现思路

[0007]本专利技术的目的在于针对上述现有技术存在的问题，提供一种结合聚类分析的基于粒子群优化算法的多传感器多目标跟踪方法，该方法能显著提高多传感器多目标跟踪方法的准确性和实时性。
[0008]实现本专利技术目的的技术解决方案为：一种结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法，所述方法包括以下步骤：
[0009]步骤1，利用基于密度的噪声应用空间聚类即DBSCAN聚类的聚类方法，将传感器采集到的量测目标信息进行聚类分组，得到目标集群个数num，及目标集群集合{set1,set2,
…
,set
num
}，其中set
i
为第i个目标集群中包含的量测目标信息集合；
[0010]步骤2，不同传感器目标集群间同源目标集群的关联：通过提取目标集群的特征信息，包括目标集群的中心、分布方差和目标集群分布的外部轮廓信息，在不同传感器的目标集群间进行特征信息的匹配，将不同传感器间匹配上的目标集群确认为同源目标集群；
[0011]步骤3，以目标集群内的目标为顶点构成的三角形称为特征拓扑三角形，分别提取同源目标集群的特征拓扑三角形信息集合，并以特征拓扑三角形的匹配度来进行同源目标的抗差关联，即在同源目标集群间不断选取匹配度最高的特征拓扑三角形，将特征拓扑三角形对应顶点位置上的目标确认为同源目标；
[0012]步骤4，基于粒子群优化算法实现传感器系统误差的求解：初始化粒子群优化算法的运行参数，以及初始粒子的速度与位置信息，根据设计的更新公式不断迭代更新粒子的速度和位置信息，并计算粒子的适应度，以粒子适应度为指标选取最优的粒子状态，迭代结束后以最终的粒子状态作为传感器系统误差的估计值；
[0013]步骤5，根据传感器系统误差的估计值对传感器的量测目标信息进行误差配准，且依据步骤3中获取的同源目标关联信息为依据，对同源目标信息进行融合得到最终的目标估计信息，实现对目标的准确跟踪。
[0014]一种结合聚类分析和粒子群优化算法的多传感器多目标跟踪系统，所述的系统包含依次执行的：
[0015]集群目标聚类分组模块，利用基于密度的噪声应用空间聚类即DBSCAN聚类的聚类方法，将传感器采集到的量测目标信息进行聚类分组，得到目标集群个数num，及目标集群集合{set1,set2,
…
,set
num
}，其中set
i
为第i个目标集群中包含的量测目标信息集合；
[0016]目标集群关联模块，用于完成不同传感器目标集群间同源目标集群的关联：通过提取目标集群的特征信息，包括目标集群的中心、分布方差和目标集群分布的外部轮廓信息，在不同传感器的目标集群间进行特征信息的匹配，将不同传感器间匹配上的目标集群确认为同源目标集群；
[0017]同源目标抗差关联模块，用于实现对未经误差配准的量测目标的抗差关联，以目标集群内的目标为顶点构成的三角形称为特征拓扑三角形，分别提取同源目标集群的特征拓扑三角形信息集合，在同源目标集群间不断选取匹配度最高的特征拓扑三角形，将特征拓扑三角形对应顶点位置上的目标确认为同源目标；
[0018]传感器系统误差解算模块，用于利用基于粒子群优化算法实现传感器系统误差求解：初始化粒子群优化算法的运行参数，以及初始粒子的速度与位置信息，根据更新公式不断迭代更新粒子的速度和位置信息，并计算粒子的适应度，以粒子适应度为指标选取最优
的粒子状态，迭代结束后以最终的粒子状态作为传感器系统误差的估计值；
[0019]误差配准及数据融合模块，用于根据传感器系统误差的估计值对传感器的量测目标信息进行误差配准，且依据同源目标抗差关联模块输出的同源目标关联信息为依据，对同源目标信息进行融合得到最终的目标估计信息，实现对目标的准确跟踪。
[0020]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0021]步骤1，利用基于DBSCAN(Density
‑
Based Spatial Clustering of Applic本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法，其特征在于，所述方法包括以下步骤：步骤1，利用基于密度的噪声应用空间聚类即DBSCAN聚类的聚类方法，将传感器采集到的量测目标信息进行聚类分组，得到目标集群个数num，及目标集群集合{set1,set2,
…
,set
num
}，其中set
i
为第i个目标集群中包含的量测目标信息集合；步骤2，不同传感器目标集群间同源目标集群的关联：通过提取目标集群的特征信息，包括目标集群的中心、分布方差和目标集群分布的外部轮廓信息，在不同传感器的目标集群间进行特征信息的匹配，将不同传感器间匹配上的目标集群确认为同源目标集群；步骤3，以目标集群内的目标为顶点构成的三角形称为特征拓扑三角形，分别提取同源目标集群的特征拓扑三角形信息集合，并以特征拓扑三角形的匹配度来进行同源目标的抗差关联，即在同源目标集群间不断选取匹配度最高的特征拓扑三角形，将特征拓扑三角形对应顶点位置上的目标确认为同源目标；步骤4，基于粒子群优化算法实现传感器系统误差的求解：初始化粒子群优化算法的运行参数，以及初始粒子的速度与位置信息，根据设计的更新公式不断迭代更新粒子的速度和位置信息，并计算粒子的适应度，以粒子适应度为指标选取最优的粒子状态，迭代结束后以最终的粒子状态作为传感器系统误差的估计值；步骤5，根据传感器系统误差的估计值对传感器的量测目标信息进行误差配准，且依据步骤3中获取的同源目标关联信息为依据，对同源目标信息进行融合得到最终的目标估计信息，实现对目标的准确跟踪。2.根据权利要求1所述的结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法，其特征在于，步骤1所述利用基于密度的噪声应用空间聚类即DBSCAN聚类的聚类方法，将传感器采集到的量测目标信息进行聚类分组，得到目标集群个数num，及目标集群集合{set1,set2,
…
,set
num
}，具体过程包括：步骤1
‑
1，在传感器的目标量测信息集合中选取一个未被归类的目标p，若传感器的目标量测信息集合中的所有目标均已被归类，则结束本次聚类；步骤1
‑
2，以eps为半径构建目标p的邻域，获取邻域内的其他目标{p1,p2,
…
,p
i
}和目标个数i，若在邻域内获取的其他目标个数小于MinPts，则将目标p标记为孤立目标，返回步骤1
‑
1继续执行，其中eps和MinPts是结合集群密度的经验参数；步骤1
‑
3，逐一判断邻域内的目标{p1,p2,
…
,p
i
}是否已经归类，若没有归类，将其与目标p归为同一集群，若已归类且与目标p不属于同一集群，将这两个集群合并为一个新的集群；步骤1
‑
4，逐一将新加入集群的目标{p1,p2,
…
,p
i
}作为新的目标p，执行步骤1
‑
2。3.根据权利要求1或2所述的结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法，其特征在于，步骤2所述不同传感器目标集群间同源目标集群的关联，具体过程包括：步骤2
‑
1，计算每一个目标集群在空间坐标系的期望cen和方差var；步骤2
‑
2，基于凸包算法提取目标集群投影到水平xoy坐标系的轮廓信息，以集群中位于最右侧的目标作为外部轮廓的第一个顶点p0，放入到一个栈中，并计算该点与其他目标点形成的射线与x轴正方向的夹角，按夹角对其他目标点进行升序排列{p1,p2,
…
,p
i
}，按排列好的顺序，认定p1为最新找到的外轮廓顶点，并将p1也放入栈中，接下来分析栈顶元素前
一个入栈的元素p0和栈顶元素p1以及p2构成向量和的位置关系，若在左侧，则说明p1不是外轮廓顶点，将其出栈，并将p2入栈，否则认为p2不是外轮廓顶点，跳过该点对下一个点重复进行以上过程，最终得到外轮廓顶点的集合；步骤2
‑
3，在不同传感器的目标集群间，依据集群的期望cen、方差var及外轮廓信息间的差值作为目标集群匹配度的衡量指标，将差值最小的目标集群认定为同源目标集群。4.根据权利要求3所述的结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法，其特征在于，步骤3所述提取同源目标集群的特征拓扑三角形信息集合，并以特征拓扑三角形的匹配度来进行同源目标的抗差关联，具体过程包括：步骤3
‑
1，在一个传感器的一个目标集群set1中任意选取三个目标，以这三个目标为顶点构建一个特征拓扑三角形，并分别以三个目标为圆心，以为半径搜索另一个传感器中与集群set1同源的目标集群set2内对应的目标点，根据这些目标点确定多个特征拓扑三角形；其中，tal是一个远大于传感器系统误差的经验参数；步骤3
‑
2，根据特征拓扑三角形三条边组成特征向量组，先对需要进行相似度计算的特征拓扑三角形的特征向量的角度进行比对，若特征向量的角度在允许的偏差范围内，则计算相似度w：其中，abs()是求绝对值函数，l
AB
、l
BC
、l
AC
和l
A'B'
、...

【专利技术属性】
技术研发人员：王勇，戚国庆，李银伢，盛安冬，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：