CN109188423B - 一种基于多源聚类的分布式多目标跟踪方法 - Google Patents

Abstract

本发明公开一种基于多源聚类的分布式多目标跟踪方法，针对现有传统分布式多目标跟踪方法仅利用航迹之间的相关性而未充分利用量测间相关性导致的信息丢失，且由于计算航迹间相关性而引起的高计算复杂度的问题；本发明的方法首先对所有雷达接收到的每一时刻的数据进行聚类处理，然后计算各个聚类的中心作为这一时刻对各个目标的位置的估计，最后基于最近邻域简化联合概率数据关联算法，利用单站雷达多目标跟踪方法对多目标进行跟踪，得到目标航迹。该方法有效解决了在实际应用中传统分布式多目标跟踪存在的信息丢失，计算复杂度高的问题，改善了多目标跟踪的性能，且对于距离较近的近目标也能实现有效跟踪。

Description

一种基于多源聚类的分布式多目标跟踪方法

技术领域

本发明属于穿墙雷达成像领域，特别涉及一种雷达多目标跟踪技术。

背景技术

随着隐身技术和反侦察技术的发展，传统的单站雷达多目标跟踪技术已无法满足日益增长的军事需求，而基于组网雷达的多目标跟踪技术才是未来多目标跟踪技术的发展方向。根据组网雷达数据处理的模式可以将组网雷达分为三类：集中式，分布式和混合式。本发明主要关注在分布式组网雷达中的多目标跟踪问题。

传统的基于分布式组网雷达的多目标跟踪是首先利用每部雷达单独的对多个目标进行跟踪，然后计算来自不同雷达的目标航迹之间的相关性，最后将相关性高的航迹进行融合得到目标最终的航迹。但是该方法面临以下两个问题，首先计算目标航迹间的相关性通常非常复杂且耗费时间。并且随着目标和雷达数量的增加，其计算量呈指数增长。其次，该方法仅利用了航迹间的相关性，而量测间的相关性缺乏利用，从而会存在信息丢失的情况。因此，有必要找到一种有效的方法来充分利用量测中包含的信息并减少计算量。聚类算法可以将大量的量测聚类成有限的子集，并且可以将每个子集的中心视为对目标位置的估计。这样，对于每一时刻所有雷达获得的大量量测，通过使用聚类算法可以将其聚类为对每个目标的位置估计。然后，对于整个观测时间内，可以通过利用单站雷达多目标跟踪方法来对目标进行跟踪。通过利用聚类的方法来实现多目标跟踪可以充分利用量测间的相关性，并且极大的减小了计算量，同时当目标或雷达数目较多时，优势更为明显。

目前，将聚类算法应用于多目标跟踪问题上已经有一些研究。文献“An algorithmbased on hierarchical clustering for multi-target tracking of multi-sensordata fusion，2016 35th Chinese Control Conference，2016：5106-5111”提出了基于层次聚类模型的聚类搜索树来处理多传感器数据融合的多目标跟踪问题，该方法利用层次聚类算法来代替传统分布式多目标跟踪中的航迹关联算法。文献“Clustering of trackletsfor on-line multi-target tracking in networked camera systems，ComputationalIntelligence for Security and Defense Applications，2011IEEE Symposium on，2011：24-30”提出了一种航迹聚类系统用于多摄像机多目标跟踪问题中，该系统利用聚类算法将由市售的单摄像机视频分析算法生成的航迹进行聚类，即该文章利用聚类算法来替代传统多目标跟踪中的航迹融合方法。因此可见，上述两篇文章仍然是先分别利用每个处理器对多目标进行跟踪，然后将航迹进行融合得到目标的航迹，这表明它们仍将面临传统分布式多目标跟踪所面临的上述两个问题。

发明内容

为解决上述技术问题，本发明提供一种基于多源聚类的分布式多目标跟踪方法，直接对量测进行聚类，不需要计算航迹间的相关性，减少了计算复杂度。

本发明采用的技术方案为：一种基于多源聚类的分布式多目标跟踪方法，处理流程如图1所示，包括以下步骤：

具体包括步骤：

步骤1：将所有雷达获取的量测进行分组，

假设在分布式组网雷达的观测区域中，目标保持匀速直线运动，其运动模型为：

X(t+1)＝F(t)X(t)+v(t) (1)

其中，v(t)～N(0,Q)为过程噪声，Q为过程噪声协方差矩阵，X(t)为目标在t时刻的状态，目标状态表示为

包含目标的位置及速度信息，x,y分别为目标位置的x轴和y轴的值，

分别为目标速度的x轴和y轴的值，F(t)为目标在t时刻的状态转移矩阵，可以表示为：

其中，T_s为扫描时间间隔。

过程噪声协方差矩阵为：

其中，q_s为过程噪声谱密度。

目标观测模型为：

Z(t)＝H(t)X(t)+μ(t) (4)

其中，μ(t)～N(0,R)为观测噪声，R为观测噪声协方差矩阵，Z(t)为目标在t时刻的量测，目标量测可以表示为

表示目标对应于x轴和y轴位置信息。H(t)为目标在t时刻的观测矩阵，可以表示为：

观测噪声协方差矩阵为：

其中，

为观测噪声在x轴的标准差，

为观测噪声在y轴的标准差。

用

表示t时刻第r部雷达R_r获取的量测，m_r为雷达R_r获取的量测的数目，n为雷达的数目，

表示雷达R_r获取的量测中第e个数据

中x轴和y轴的位置信息。则将时刻t所有雷达获取的量测放在同一个数据集中可表示为：

计算任意两部雷达获取量测中的任意两点之间的距离

其中，d_ek＝∞,r＝l。如果d_ek≤d，则将这两个点分到同一个组C_i,i＝1,2,...,s，s为聚类的个数，否则重复以上步骤直到将所有量测成功分组。其中d＝(1～3)σ，σ为观测噪声的标准差。如果σ未知，则由下式得到。

其中，|R_r|表示计算雷达R_r获取的量测的数目，参数Y表示任一量测到邻近量测的距离的平均值，一般取[max(n_i/5,2),0.9×n_i]或n_i/2，

表示雷达R_K获取的量测中第k个数据，n_i表示能观测到目标i的雷达的部数。

步骤2：找出所有组中符合条件的组构成聚类，

计算各个组包含量测的数目|C_i|，当|C_i|≥0.8×E(|C_i|)时，组C_i构成一个聚类。其中

E(|C_i|)表示每个聚类包含的量测数目的期望值，P_D,r(i)表示雷达R_r对应于目标i所在区域的检测概率，P_D,r(i)≤1。

步骤3：计算每个聚类包含的子聚类的数目，

由式(10)计算每个聚类C_i包含的子聚类的数目k_i，如果k_i≤1，则构成一个聚类；如果k_i≥2，则认为聚类C_i包含的量测数目过多，包含多个目标，即目标距离较近的情况，应被划分为k_i个子聚类。由于需要被划分为k_i个子聚类的聚类C_i包含的量测为目标构成的量测，均为有用的数据，且已知具体划分子聚类的个数，因而直接利用K-means算法划分子聚类。

其中，[·]表示对括号里的值取四舍五入。

步骤4：计算各个目标位置的估计值，

由前面三个步骤得到s个聚类后，计算各聚类的中心[z_xi,z_yi],i＝1,2,…,s，即为各目标位置的估计。其中，z_xi表示第i个目标位置的x轴横坐标的估计值，z_yi表示第i个目标位置的y轴纵坐标的估计值。

步骤5：航迹起始，

设t时刻目标位置估计值向量为

其中，

表示t时刻目标i的位置估计。如果任意两个时刻估计出来的运动目标的速度满足介于最小速度v_min与最大速度v_max之间，即如下式，则起始一条新的航迹。

步骤6：数据关联与航迹更新，

步骤61：计算目标位置估计值的新息α_ig，

其中，

表示第g条航迹的预测波门中心，zⁱ表示i时刻的目标位置估计值。

步骤62：选取有效目标位置估计值ω_ig，

其中，S表示新息协方差矩阵。

上式表达的是一个以概率

的置信椭球波门区域。

步骤63：计算互联概率β_ig，

对于所有的点航组合(i,g)∈{1,2,…,m}×{1,2,…,n}，点迹z_i与航迹τ_g的关联概率如下式所示

其中，参数b表示了在一定程度上目标点迹没有落入波门内的概率，P_fa为虚警概率，P_d为检测概率，

步骤64：选取全局最大β_ig对应的航迹目标位置估计值对，并更新航迹，

如图2所示，将互联概率大于零的航迹目标位置估计值对预先存放于集合L′中，并且寻找互联概率最大时所对应的航迹与目标位置估计值

存储于集合A中，然后将落入g^*的波门内的其他目标位置估计值全部删除，最后用集合A中的目标位置估计值更新对应的航迹。如果未能找到成功与该航迹进行关联的目标位置估计值，则用卡尔曼滤波的方法预测下一时刻目标的位置来对航迹进行更新。

步骤7：航迹确认，

采用M/N逻辑判决准则作为航迹确认准则，即在连续N时刻的数据关联过程中如果有M时刻某条航迹都能够有量测与之关联，则该条航迹转化为确认航迹。

步骤8：航迹终止，

航迹管理过程中需要判断是否存在虚假航迹，如果某条航迹判定为虚假航迹，则终止该航迹，即航迹终止，否则继续执行步骤6至步骤7。采用L逻辑准则作为航迹终止的方法，其具体步骤如下：

步骤81：以确认航迹的下一时刻位置预测值

作为中心，以此画波门，如果有量测值落入所画波门内，标记l＝0，否则l＝l+1；

步骤82：重复步骤81，如果连续L时刻都没有量测落入波门内，即l＝L，那么认为此航迹是虚假航迹并且终止，否则继续执行步骤6至步骤7。如果l＜L，但量测没有落入波门内，则用确认航迹的位置预测值来更新该航迹。

通过重复执行以上步骤直到将所有时刻的数据处理完后，最终获得的确认航迹即为各个目标的航迹，从而完成了对多目标的跟踪。

本发明的有益效果：本发明首先利用多源聚类算法将每一时刻各雷达检测到的关于各个目标的量测进行聚类，然后以各个聚类的中心作为这一时刻对目标位置的估计，最后基于最近邻域简化联合概率数据关联算法，利用单站雷达多目标跟踪方法对多目标进行跟踪，得到各个目标最终的航迹，从而有效解决了传统分布式多目标跟踪方法只利用了航迹间的相关性而没有充分利用量测间相关性的问题。本发明的优点是直接对量测进行聚类，不需要计算航迹间的相关性，减少了计算复杂度，充分利用了数据间的信息，改善了多目标跟踪的性能并能有效跟踪近目标。

附图说明

图1为本发明基于多径利用的方案流程图。

图2为本发明的数据关联中的选取全局最大关联概率迭代示意图。

图3为本发明实施例提供的雷达数目为两部时基于多源聚类的分布式多目标跟踪仿真结果图；

其中，图3(a)为跟踪得到的目标航迹，图3(b)为蒙特卡洛仿真次数为100次，截断参数c＝100时的仿真性能图。

图4为本发明实施例提供的雷达数量不同时本发明方法与传统方法的仿真性能对比图。

图5为本发明实施例提供的两个近目标情况下本发明方法与传统方法的仿真性能对比图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合仿真对比试验对本发明内容进一步阐释。附图中的“Mean OSPA”表示平均最优次模式分配距离。

仿真场景：假设分布式组网雷达的观测区域为1000m×1000m的空间中，各雷达的参数相同且所有目标均在雷达的观测区域内，扫描时间间隔T_s＝1s，过程噪声谱密度q_s＝0.001，目标检测概率P_d＝0.9，虚警概率P_f＝10^-4，杂波率为10，观测总时间T＝30s，观测噪声在x轴的标准差

观测噪声在y轴的标准差

目标的最小速度v_min＝15、最大速度v_max＝30，数据关联算法中的关联门限为20，航迹确认参数M/N＝2/3，航迹终止参数L＝5。

在分布式组网雷达观测区域中存在四个目标，且目标距离较远，其初始状态分别为X₁＝[600 -17 150 10]、X₂＝[400 18 150 15]、X₃＝[200 19 800 -10]、X₄＝[750 -20800 -8]。图3为雷达数量为两部时，基于多源聚类的分布式多目标跟踪仿真结果，图3(a)为跟踪得到的目标航迹，图3(b)为蒙特卡洛仿真次数为100次，截断参数c＝100时的仿真性能图。

图4为在雷达数量不同时，本文提出的基于多源聚类的分布式多目标跟踪方法与传统的基于分布式的多目标跟踪方法和基于单站雷达的多目标跟踪方法的仿真性能对比。传统的基于分布式的多目标跟踪方法中，单站雷达多目标跟踪方法与本文的方法相同，融合方法采用简单加权融合方法，蒙特卡洛仿真次数为10000次，截断参数c＝100。

图5为考虑在组网雷达观测区域中目标距离很近，且运动方向、运动速度都一样的情况下，对比三种方法的仿真性能。图5为两个目标时其性能分析图，他们的初始状态分别为X₁＝[440 13 150 18]、X₂＝[444 13 150 18]。即两个目标的初始位置的距离只相差4m。

由图3可以看出本发的多源聚类跟踪算法能对目标进行有效跟踪，但是因为雷达数目较少，在一开始其跟踪性能不及单站雷达的跟踪性能，但随着观测时间的增加其跟踪性能与单站雷达的跟踪性能几乎相同。

由图4可以看出，当雷达数目稍微增加，本发明的多源聚类跟踪性能较多源融合跟踪具有明显的优势；且随着雷达数目的增加，本发明的多源聚类跟踪的性能越来越好，因为多源聚类的优势就在于对多部雷达的数据进行聚类；而多源融合跟踪的性能随着雷达数目的增加先逐渐变好，当雷达数目增加到一定数目时性能开始逐渐下降；证明了当雷达数目较多时，使用本发明的多源聚类的方法对多目标进行跟踪具有更好的效果。

由图5可以看出，当目标距离较近时，多源融合跟踪方法随着雷达的数目的增加性能逐渐变差，单站雷达性能不随雷达数目的增加发生变化，本发明的多源聚类跟踪方法仍然随着雷达数目的增加性能逐渐增加，且较其他两种方法的性能都更好。

综上，本发明的方法可以很好的跟踪多目标。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种基于多源聚类的分布式多目标跟踪方法，其特征在于，包括：首先对所有雷达接收到的每一时刻的量测数据进行聚类处理，然后将计算得到的各个聚类的中心作为这一时刻对各个目标的位置的估计，最后基于最近邻域简化联合概率数据关联算法，采用单站雷达多目标跟踪方法对多目标进行跟踪，得到目标航迹；

对所有雷达接收到的每一时刻的量测数据进行聚类处理，具体为：

计算任意两部雷达获取量测中的任意两量测之间的距离，若该距离小于或等于设定阈值，则将这两个量测分到同一个组；否则继续计算任意两部雷达获取量测中的任意两量测之间的距离，直至所有量测成功分组，所述的任意两量测分别来自所述的任意两部雷达；

当σ已知时，设定阈值为d＝(1～3)σ，σ为观测噪声的标准差。

2.根据权利要求1所述的一种基于多源聚类的分布式多目标跟踪方法，其特征在于，当σ未知时，设定阈值为d，d的计算式为：

K＝argmax_r|R_r|

d＝mind_k(Y,K),k＝{1,2,…,m_K}

其中，|R_r|表示计算雷达R_r获取的量测的数目，参数Y表示任一量测到邻近量测的距离的平均值，m_r为雷达R_r获取的量测的数目，n为雷达的数目，

表示雷达R_r获取的量测中第e个数据，

表示雷达R_K获取的量测中第k个数据。

3.根据权利要求1或2所述的一种基于多源聚类的分布式多目标跟踪方法，其特征在于，若分组中包含的量测数目大于或等于设定值，则该分组构成一个聚类。

4.根据权利要求3所述的一种基于多源聚类的分布式多目标跟踪方法，其特征在于，设定值为：0.8×E(|C_i|)

其中，C_i表示第i个分组，E(|C_i|)表示每个聚类包含的量测数目的期望值，

n_i表示能观测到目标i的雷达的部数，P_D,r(i)表示雷达R_r对应于目标i所在区域的检测概率。

5.根据权利要求4所述的一种基于多源聚类的分布式多目标跟踪方法，其特征在于，所有量测成功聚类后还包括：采用K-means算法对各聚类进行子聚类划分。

6.根据权利要求5所述的一种基于多源聚类的分布式多目标跟踪方法，其特征在于，若某个聚类中包含的子聚类大于或等于2，则将这若干子聚类作为新的若干个聚类。

7.根据权利要求6所述的一种基于多源聚类的分布式多目标跟踪方法，其特征在于，航迹确认准则为M/N逻辑判决准则。

8.根据权利要求7所述的一种基于多源聚类的分布式多目标跟踪方法，其特征在于，采用L逻辑准则作为航迹终止的判断准则。

Images