一种基于模糊聚类的概率最近邻域多目标跟踪方法技术

本发明专利技术涉及一种基于模糊聚类的概率最近邻域多目标跟踪方法。首先考虑最近邻域波门内量测来自真实目标的可能性情况，并依据模糊聚类理论改进有效量测与已有航迹的关联度判别准则，完善目标状态估计与协方差更新方程；同时，采用分布式并行处理结构，对各子传感器输出的子航迹信息进行航迹融合与状态估计，在保证跟踪实时性的同时，增强系统的鲁棒性，提高跟踪精度。试验结果表明，本发明专利技术在杂波环境下雷达/红外多传感器融合的多目标跟踪系统中，与最近邻域标准滤波器方法相比，跟踪效果较好，适用于杂波环境下的多机动目标跟踪。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及。首先考虑最近邻域波门内量测来自真实目标的可能性情况，并依据模糊聚类理论改进有效量测与已有航迹的关联度判别准则，完善目标状态估计与协方差更新方程；同时，采用分布式并行处理结构，对各子传感器输出的子航迹信息进行航迹融合与状态估计，在保证跟踪实时性的同时，增强系统的鲁棒性，提高跟踪精度。试验结果表明，本专利技术在杂波环境下雷达/红外多传感器融合的多目标跟踪系统中，与最近邻域标准滤波器方法相比，跟踪效果较好，适用于杂波环境下的多机动目标跟踪。【专利说明】
本专利技术属于多传感器多目标跟踪领域，具体涉及。
技术介绍
多传感器多目标跟踪问题的核心部分是数据关联和状态估计。对于三维雷达与红外组成的典型多传感器多目标跟踪系统，由于传感器观测过程和目标跟踪环境存在很多不确定干扰因素，数据关联与目标状态估计问题复杂困难，特别是当目标机动运动或距离较近时，易导致多传感器多目标数据关联出现模糊情况，进而影响跟踪性能。因此，研究杂波环境下的多目标跟踪技术具有重要应用价值。现有的用于数据关联的算法通常可以分为两大类，一类是基于统计的方法，包括最近邻域法、联合概率数据关联法、加权法和经典分配法等；另一类是基于人工智能理论的方法。传统的数据关联算法大多在关联出现模糊时可靠性下降，容易导致目标跟踪精度大幅度降低；而且当目标数目增加时，传统的数据关联算法的计算量骤增，限制了其应用范围。近年来，将人工智能与模式识别理论运用于数据关联领域的研究取得很大进展，其中，基于模糊C均值聚类(Fuzzy c-means, FCM)理论的关联算法通过使目标函数最小化把量测数据分别划分到以目标预测位置为中心的类中，对每一个预测位置分配相关联的目标点迹来实现关联，可有效提高目标跟踪精度。在经典多目标数据关联及滤波算法中，最近邻域标准滤波器(Nearest NeighborDomain Standard Filter, NNSF)由于计算简便而得到了广泛应用,但是它只适用于稀疏回波环境下的非机动目标跟踪，与人工智能理论相结合而衍生的改进算法具有广泛的应用前量。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出。技术方案，其特征在于步骤如下:步骤1:根据k-Ι时刻目标t的状态估计《(λ-1)及其协方差阵Pt (k-Ι)，得到k时亥帽标t的状态预测值，〒(々/&-])=(n-y (々-1)，及协方差一步预测值 Pt (k/k-1)，Pt (k/k-1) = Ft (k/k-1) Pt (k-1) Ft (k/k-1) T+Qt (k_l)，完成时间更新，其中，t 为某一目标，t= 1,2,..., gamma，gamma为目标跟踪系统观测区域中的gamma个目标；Ft(k/k-l)为目标t的状态转移矩阵，Qt(k-Ι)为系统本身过程噪声序列的方差阵；步骤2:采用马氏距离加权的隶属度计算公式，计算有效量测与目标t之间的最大关联概率Ut j:【权利要求】1.，其特征在于步骤如下: 步骤1:根据k-1时刻目标t的状态估计x(k -1)及其协方差阵Pt (k-1)，得到k时刻目标t的状态预测机 【文档编号】G06T7/20GK103729859SQ201310751067【公开日】2014年4月16日 申请日期:2013年12月30日 优先权日:2013年12月30日 【专利技术者】郭雷, 胡秀华, 李晖晖 申请人:西北工业大学本文档来自技高网...

【技术保护点】
一种基于模糊聚类的概率最近邻域多目标跟踪方法，其特征在于步骤如下：步骤1：根据k‑1时刻目标t的状态估计及其协方差阵Pt(k‑1)，得到k时刻目标t的状态预测值x^t(k/k-1)=Ft(k/k-1)x^t(k-1),]]>及协方差一步预测值Pt(k/k-1)=Ft(k/k-1)Pt(k-1)Ft(k/k-1)T+Qt(k-1),]]>完成时间更新，其中，t为某一目标，t＝1,2,…,Γ，Γ为目标跟踪系统观测区域中的Γ个目标；Ft(k/k‑1)为目标t的状态转移矩阵，Qt(k‑1)为系统本身过程噪声序列的方差阵；步骤2：采用马氏距离加权的隶属度计算公式，计算有效量测与目标t之间的最大关联概率ut,j：ut,j=PDtPDtΔt,j2(λnt-1exp(-λ)(nt-1)!)j=1,2,...,mks,t=1,2,...,η,Σt=1ηut,j=1,≤0Σj=1mksut,j≤η(1-PDtPDt)(λntexp(-λ)(nt)!)j=0,t=1,2...,η]]>其中：在k时刻，传感器Ss观测到的目标数为η，传感器个数s＝1,2,…,M，得到的有效量测值为为有效量测数，为目标t的波门概率，为检测概率，波门内关于目标t的量测数为nt，且有为有效量测j与目标t之间的新息，为目标t的有效量测值j，为目标t的量测预测值，为有效量测j的新息协方差阵，为传感器Ss的量测矩阵。杂波个数服从Poisson分布，期望数为λ，当时，权值表明有效量测值中只有一个源于真实目标的概率；当j＝0时，权值表明nt个有效量测全部源于杂波的概率；计算有效量测j与目标航迹t之间的最大关联概率βs：βt,js=ut,jΣi=1mksut,i,j=1,2,...,mks,t=1,2,...,η]]>为归一化的有效量测j与目标航迹t之间的关联概率，βs为有效量测j与目标t的最大关联概率，为关联概率取最大值时的有效量测j与目标t的新息，则此时的新息协方差为St(k)，St(k)＝Hs(k)Pt(k/k‑1)Hs(k)T+Rs(k)，其中，Hs(k)=∂hs(X)∂X|X=x^t(k/k-1)]]>为雅克比矩阵；求得状态估计更新值及协方差更新值Pt(k/k)，完成量测更新：首先计算目标t的滤波增益阵为Kt(k)，Kt(k)＝Pt(k/k‑1)Hs(k)TSt(k)‑1，得状态估计更新表达式为x^t(k/k)=x^t(k/k-1)+Kt(k)(βsPDt)z~t(k)j=1,2,...,mks,t=1,2,...,ηx~t(k/k-1)j=0,t=1,2,...,η,]]>协方差更新式为：Pt(k/k)，Pt(k/k)=Pt,j(k/k)j=1,2,...,mks,t=1,2,...,ηPt,0(k/k)j=0,t=1,2,...,η,]]>其中，Pt,0(k/k)=Pt(k/k-1)+PDtPGt(1-(clz))1-PDtPGtKt(k)St(k)Kt(k)T,]]>Pt,j(k/k)=Pt(k/k-1)+((1-βsPDt)PDtPGt(1-clz)1-PDtPGt-((βsPDt)Kt(k)St(k)Kt(k)t))+(1-βsPDt)(βsPDt)Kt(k)z~t(k)z~t(k)TKt(k)T,]]>其中，为量测维数，表示有效量测j源于目标t的最大概率，表示有效量测j被视为源于杂波的概率；得到传感器Ss监视区域中，所有目标t的状态估计值相应的估计均方误差阵为Ps(k)＝{Pt(k)}；步骤3：对于M个传感器，反复执行步骤1和步骤2，依次求得M个传感器的各有效量测j与目标t之间的最大关联概率β1,β2,…,βM，得到各传感器Ss观测下的相对应的M个局部状态估计值及其相应的估计均方误差阵P1(k),P2(k),…,PM(k)；步骤4：依据步骤3中求得的各传感器Ss的局部状态估计及其相应的估计均方误差阵P1(k),P2(k),…,PM(k)，对各传感器局部航迹信息进行加权平均求和，得到状态融合更新为估计均方误差融合更新为Pg，得到所有目标的全局状态融合估计，实现多目标跟踪。...

【技术特征摘要】

【专利技术属性】
技术研发人员：郭雷，胡秀华，李晖晖，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61