[发明专利]基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法

说明书

技术领域

本发明属于模式识别和智能信息处理领域，涉及杂波环境下数目未知且时变的多扩展目标量测集划分方法；具体地说是一种基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法，可用于空防预警、交通导航和智能车辆等系统中的目标检测与跟踪。

背景技术

随着现代雷达等探测设备分辨率的不断提高，目标的回波信号可能分布在不同的距离分辨单元中，其探测场不再等效为一个点，即单个目标可能同时产生多个量测，称这样的目标为扩展目标。目前，扩展目标跟踪已成为数据融合中研究的一个热点问题，尤其是对多扩展目标跟踪(Multiple Extended targets tracking, METT)问题的研究，已经受到国内外学者的广泛关注。针对扩展目标跟踪问题，传统的点目标跟踪问题中的一个目标对应一个量测的假设不再成立，而是要解决多个量测对应同一个目标的问题，对跟踪技术提出了更高的要求，尤其是对杂波环境下，数目未知且变化的多扩展目标跟踪，已成为目标跟踪领域中具有挑战性的科学问题。

量测集划分是多扩展目标跟踪中首要解决的关键问题之一，Granstr?m K.等人率先提出采用距离划分、K-means++、预测划分和期望最大(Expectation maximization, EM)划分等方法划分量测集。由于距离划分方法，仅对各个扩展目标分别产生比较集中的量测集，且扩展目标相互之间距离较远的情况有效，否则很难正确划分量测集；此外，由于距离划分方法需要设定最大和最小距离阈值，并采用距离遍历方法进行量测划分，计算代价很高，影响算法的实时性。 针对K-mean++方法，由于K的取值不定，同样存在设定阈值的问题；此外，该方法对初始聚类中心的要求也比较高，且对杂波敏感，仅对形状近似为圆形且大小相近的量测集有较好的划分效果，否则，难以获得准确的量测划分。预测划分方法是基于分量预测信息进行量测集划分，该方法划分的准确度主要依赖于扩展目标的预测状态和形状参数，仅当扩展目标的前一帧状态和形状估计准确，且预测也准确时，才能较准确地划分量测集；如果扩展目标发生转弯机动或其他机动导致预测不准时，该方法失效。EM 划分方法同样对扩展目标机动时性能下降，且容易收敛到局部最大和出现奇异解等问题。

发明内容

针对上述问题，本发明提出一种基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法，以解决真实跟踪场景中，杂波环境下数目未知且变化的多扩展目标跟踪量测集划分问题，能够准确划分多扩展目标量测集，降低计算代价，提高多扩展目标跟踪性能，满足实际工程系统的设计需求。

实现本发明的关键技术是：在多扩展目标高斯混合概率假设密度滤波框架下，首先采用高斯核构建量测集的密度分布函数，对量测集的密度进行分析，选取合适阈值滤除量测集中的杂波；然后采用近邻传播技术构建去杂波后量测集的相似度矩阵，并进行拉普拉斯谱变换；最后采用K均值技术对其进行聚类，实现杂波环境下数目未知且时变的多扩展目标量测集划分。

为实现上述目标，具体实现步骤如下：

（1）构造量测密度函数。本发明采用高斯核函数为密度函数，设k时刻量测集为                                                ，则量测密度函数为：

                            

其中，为k时刻第i个量测，N_z,k为k时刻量测数， 表示量测和为近邻关系，为量测和的距离，h为高斯核函数窗宽；

（2）采用密度直方图方法选取量测的密度阈τ；

（3）滤除杂波量测。若量测密度大于量测密度阈值，即f()>τ，判定为目标量测，否则，判定为杂波量测，并将其从量测集中删除，则去杂波后的量测集为：G_k={ |f()>τ}；

（4）对量测集G_k进行谱聚类：

    (4a) 构建量测集G_k的相似度矩阵C；

    (4b) 计算度矩阵D和标准化的拉普拉斯矩阵L，其中，L=D^1/2CD^1/2，D的对角元素为 ，非对角元素为0；

    (4c) 计算矩阵V。拉普拉斯矩阵L的前K个特征值1=λ₁≥…≥λ_K相对应的特征向量v₁，v₂，…，v_K构成矩阵V=[v₁，v₂，…，v_K]；