基于密度分析和譜聚類的多擴展目標(biāo)跟蹤量測集劃分方法
【專利摘要】本發(fā)明公開了一種基于密度分析和譜聚類的多擴展目標(biāo)跟蹤量測集劃分方法，主要解決噪聲環(huán)境下，多擴展目標(biāo)數(shù)未知且變化的量測集難以劃分、計算代價高的問題。該方法采用高斯核構(gòu)建量測集的密度分布函數(shù)，然后根據(jù)密度直方圖技術(shù)選取密度閾值，濾除量測集中的雜波量測，并引入近鄰傳播技術(shù)構(gòu)建去雜波量測數(shù)據(jù)集的相似度矩陣，最后，對該相似度矩陣進(jìn)行拉普拉斯譜變換，采用K均值算法對其進(jìn)行聚類。本發(fā)明方法能夠準(zhǔn)確劃分多擴展目標(biāo)量測集，降低計算代價，以提高多擴展目標(biāo)跟蹤性能，滿足實際工程系統(tǒng)的設(shè)計需求。
【專利說明】基于密度分析和譜聚類的多擴展目標(biāo)跟蹤量測集劃分方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模式識別和智能信息處理領(lǐng)域，涉及雜波環(huán)境下數(shù)目未知且時變的多擴展目標(biāo)量測集劃分方法；具體地說是一種基于密度分析和譜聚類的多擴展目標(biāo)跟蹤量測集劃分方法，可用于空防預(yù)警、交通導(dǎo)航和智能車輛等系統(tǒng)中的目標(biāo)檢測與跟蹤。
【背景技術(shù)】
[0002]隨著現(xiàn)代雷達(dá)等探測設(shè)備分辨率的不斷提高，目標(biāo)的回波信號可能分布在不同的距離分辨單元中，其探測場不再等效為一個點，即單個目標(biāo)可能同時產(chǎn)生多個量測，稱這樣的目標(biāo)為擴展目標(biāo)。目前，擴展目標(biāo)跟蹤已成為數(shù)據(jù)融合中研究的一個熱點問題，尤其是對多擴展目標(biāo)跟蹤(Multiple Extended targets tracking, METT)問題的研究，已經(jīng)受到國內(nèi)外學(xué)者的廣泛關(guān)注。針對擴展目標(biāo)跟蹤問題，傳統(tǒng)的點目標(biāo)跟蹤問題中的一個目標(biāo)對應(yīng)一個量測的假設(shè)不再成立，而是要解決多個量測對應(yīng)同一個目標(biāo)的問題，對跟蹤技術(shù)提出了更高的要求，尤其是對雜波環(huán)境下，數(shù)目未知且變化的多擴展目標(biāo)跟蹤，已成為目標(biāo)跟蹤領(lǐng)域中具有挑戰(zhàn)性的科學(xué)問題。
[0003]量測集劃分是多擴展目標(biāo)跟蹤中首要解決的關(guān)鍵問題之一，Granstr m K.等人率先提出采用距離劃分、K-means++、預(yù)測劃分和期望最大(Expectation maximization,EM)劃分等方法劃分量測集。由于距離劃分方法，僅對各個擴展目標(biāo)分別產(chǎn)生比較集中的量測集，且擴展目標(biāo)相互之間距離較遠(yuǎn)的情況有效，否則很難正確劃分量測集；此外，由于距離劃分方法需要設(shè)定最大和最小距離閾值，并采用距離遍歷方法進(jìn)行量測劃分，計算代價很高，影響算法的實時性。針對K-mean++方法，由于K的取值不定，同樣存在設(shè)定閾值的問題；此外，該方法對初始聚類中心的要求也比較高，且對雜波敏感，僅對形狀近似為圓形且大小相近的量測集有較好的劃分效果，否則，難以獲得準(zhǔn)確的量測劃分。預(yù)測劃分方法是基于分量預(yù)測信息進(jìn)行量測集劃分，該方法劃分的準(zhǔn)確度主要依賴于擴展目標(biāo)的預(yù)測狀態(tài)和形狀參數(shù)，僅當(dāng)擴展目標(biāo)的前一幀狀態(tài)和形狀估計準(zhǔn)確，且預(yù)測也準(zhǔn)確時，才能較準(zhǔn)確地劃分量測集；如果擴展目標(biāo)發(fā)生轉(zhuǎn)彎機動或其他機動導(dǎo)致預(yù)測不準(zhǔn)時，該方法失效。EM劃分方法同樣對擴展目標(biāo)機動時性能下降，且容易收斂到局部最大和出現(xiàn)奇異解等問題。

【發(fā)明內(nèi)容】

[0004]針對上述問題，本發(fā)明提出一種基于密度分析和譜聚類的多擴展目標(biāo)跟蹤量測集劃分方法，以解決真實跟蹤場景中，雜波環(huán)境下數(shù)目未知且變化的多擴展目標(biāo)跟蹤量測集劃分問題，能夠準(zhǔn)確劃分多擴展目標(biāo)量測集，降低計算代價，提高多擴展目標(biāo)跟蹤性能，滿足實際工程系統(tǒng)的設(shè)計需求。
[0005]實現(xiàn)本發(fā)明的關(guān)鍵技術(shù)是:在多擴展目標(biāo)高斯混合概率假設(shè)密度濾波框架下，首先采用高斯核構(gòu)建量測集的密度分布函數(shù)，對量測集的密度進(jìn)行分析，選取合適閾值濾除量測集中的雜波；然后采用近鄰傳播技術(shù)構(gòu)建去雜波后量測集的相似度矩陣，并進(jìn)行拉普拉斯譜變換；最后采用K均值技術(shù)對其進(jìn)行聚類，實現(xiàn)雜波環(huán)境下數(shù)目未知且時變的多擴展目標(biāo)量測集劃分。
[0006]為實現(xiàn)上述目標(biāo)，具體實現(xiàn)步驟如下:
(1)構(gòu)造量測密度函數(shù)。本發(fā)明采用高斯核函數(shù)為密度函數(shù)，設(shè)k時刻量測集為
【權(quán)利要求】
1.基于密度分析和譜聚類的多擴展目標(biāo)跟蹤量測集劃分方法，包括: (1)構(gòu)造量測密度函數(shù):本發(fā)明采用高斯核函數(shù)為密度函數(shù)，設(shè)k時刻量測集為
2.根據(jù)權(quán)利要求書I所述的多擴展目標(biāo)跟蹤量測集劃分方法，其中，步驟(2)所述的密度閾值τ，按下述步驟計算得到: (2.1)分別找出量測的最大密度fmax和最小密度fmin ； (2.2)將密度區(qū)間[fmin fmax]分成Nz等份，其中，Nz為樣本數(shù)，并獲得密度直方圖統(tǒng)計區(qū)間，即[fmin fmin+d]，[fmin fmin+2d]，…，[f—-d fmax]，其中，d=( fmax-fmin) /Nz ； (2.3)統(tǒng)計每個區(qū)間內(nèi)量測的個數(shù)，尋找任意不含量測的密度區(qū)間，將該區(qū)間內(nèi)的任一密度值作為密度閾值τ。
3.根據(jù)權(quán)利要求書I所述的多擴展目標(biāo)跟蹤量測集劃分算法，其中，步驟(4.5)所述K e (KuKu)的自適應(yīng)取值，按下述方法計算:(3.1)設(shè)Ne為目標(biāo)量測集Gk中量測數(shù)，β為目標(biāo)量測產(chǎn)生率，由于目標(biāo)產(chǎn)生的量測數(shù)符合泊松分布，目標(biāo)產(chǎn)生的量測數(shù)均值和方差均為β，所以一個目標(biāo)最多產(chǎn)生2β個量測，則&的取值可設(shè)為
【文檔編號】G06F19/00GK103678949SQ201410009933
【公開日】2014年3月26日 申請日期:2014年1月9日 優(yōu)先權(quán)日:2014年1月9日
【發(fā)明者】楊金龍, 劉風(fēng)梅, 葛洪偉, 李鵬, 張歡慶 申請人:江南大學(xué)