CN112098992B - 一种基于网格聚类的多假设多目标航迹起始方法 - Google Patents
一种基于网格聚类的多假设多目标航迹起始方法 Download PDFInfo
- Publication number
- CN112098992B CN112098992B CN202010962977.7A CN202010962977A CN112098992B CN 112098992 B CN112098992 B CN 112098992B CN 202010962977 A CN202010962977 A CN 202010962977A CN 112098992 B CN112098992 B CN 112098992B
- Authority
- CN
- China
- Prior art keywords
- grid
- track
- density
- hypothesis
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/60—Velocity or trajectory determination systems; Sense-of-movement determination systems wherein the transmitter and receiver are mounted on the moving object, e.g. for determining ground speed, drift angle, ground track
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于网格聚类的多假设多目标航迹起始方法,包括:获取点迹集并映射到网格中;确定当前高密度网格的边界点;基于高密度网格的边界点形成点迹簇;对每个点迹簇进行聚类处理生成聚簇;建立聚簇内的目标和量测的关联假设;根据计算得到的假设概率获取最优假设,并计算航迹得分并按从高到低的顺序进行排序,通过回溯删除低分航迹,从而确认航迹生成,并更新其目标状态估计。本发明能够起始多个目标航迹,解决了高密度杂波环境下虚假航迹多的问题,有利于高密度杂波条件下的工程应用。
Description
技术领域
本发明涉及雷达信息处理技术领域,具体涉及一种基于网格聚类的多假设多目标航迹起始方法。
背景技术
传统的航迹起始算法主要包括直观法、逻辑法、修正逻辑法、Hough变换法和修正的Hough变换法。直观法是利用目标速度与位置进行约束,计算量小,航迹确定性比较差。逻辑法通过预测和相关波门来进行起始,在虚警率不是很高的情况下才能有效起始目标的航迹。修正的逻辑法是在逻辑法的基础上加入了方位、角度等先验信息修正,在弱杂波、单目标的航迹起始处理比较简单,在强杂波环境中航迹起始虚假率比较高。随着多目标跟踪的深入研究,Hough变换法利用图像的检测方法在起始多目标航迹中起了重要的作用,但起始周期长且计算量大,对于要求快速起始的目标,性能较差。修正的Hough变换法相对于Hough变换法加入了速度修正,效果有所提升,但仍然存在着起始周期长且计算量大的缺点。后来将聚类用于Hough变换,专门解决多编队航迹起始问题,算法将前3个周期的量测数据分割成多个子群,然后逐子群使用K均值聚类寻找中心点,再通过最近邻法,用速度波门限制使所有子群的中心点匹配关联,最后把匹配上的中心点Hough变换,以此便可确定建立目标航迹,难以满足实时性的要求。
在强杂波或多目标等复杂背景下的航迹起始中,数据关联算法在目标数量未知且尚未形成稳定跟踪之前解决多目标关联等优势,如最近邻(Nearest Neighbor,NN)方法将落在关联门内并且与被跟踪目标的预测位置“最近邻”的观测点作为与航迹相关联的观测,适于单目标跟踪和弱杂波场景。概率数据关联(Probabilistic Data Association,PDA)方法和联合概率数据关联(Joint PDA)方法避免了NN方法唯一性可能造成的关联错误,能较好适应密集环境下的目标关联,JPDA在目标密度大易造成组合爆炸,计算量剧增。
BP神经网络、支持向量机、随机森林等人工智能算法逐步被用于航迹起始,解决了批处理算法数据量大、计算复杂度高的问题,但需提前对采集的数据点迹进行离线训练后对航迹分类后进行航迹起始,也不能满足航迹起始的实时性。多假设跟踪(MHT)算法综合了NN和JPDA优点,既不是基于当前扫描观测数据的最近邻点,也不是基于当前扫描观测数据的有效回波,而是根据多次扫描形成多个假设,由多个假设向下次扫描继续传递,让后续的观测数据解决前几次扫描出现的不确定性,以全邻最优滤波器为基础,提高目标在杂波区中的数据关联正确率和改善杂波区目标航迹起始性能等优势显著。
发明内容
本发明提供了一种基于网格聚类的多假设多目标航迹起始方法。本发明将网格聚类算法和多假设算法有效结合,在高密度的杂波环境下利用网格聚类去除部分杂波,解决了传统航迹起始算法中目标航迹时存在虚假和多目标航迹起始正确率低的问题。
本发明采用的技术手段如下:
一种基于网格聚类的多假设多目标航迹起始方法,包括:
获取雷达在4个时刻探测到的点迹集,并将所述点迹集映射到网格中,根据每个网格中具有的点迹数量判断当前网格为高密度网格或者低密度网格,其中所述网格通过二维平面均分得到;
根据每个与高密度网格相邻的低密度网格内各点迹的边界点函数值确定当前高密度网格的边界点;
基于高密度网格的边界点对所有高密度网格进行处理,形成点迹簇;
对每个点迹簇进行聚类处理生成聚簇,并对每个聚簇中的点迹按照接收时间排序;
为每个已存在目标航迹创建一个原始簇,雷达每扫描一个周期后,对应K时刻聚簇内落入相关波门的若干量测和原始簇中的目标进行关联以生成若干假设,计算各个假设的概率,同时更新原始簇中每个假设的概率和目标状态;
若K时刻量测落入原始簇关联波门内,代表量测与航迹关联成功,将其加入原始簇中,形成航迹树,航迹树的每个分支代表目标一种可能的关联结果;若聚簇内的量测与任何一个原始簇都无法关联,则起始一条新的航迹;将K+1时刻落入新目标相关波门的量测值与新目标关联假设,依次计算各假设的关联概率,反复执行该步骤,直到K+3时刻结束;
利用假设后验概率对所有关联假设结果进行评估,计算航迹得分,得分越高,关联假设效果越好。通过回溯剪枝方法,找到最优假设中的航迹,保留航迹所在的根分支,删除航迹树的根节点的其余分支,确认航迹生成,并更新其目标状态估计。
较现有技术相比,本发明具有以下优点:
1、本发明将网格聚类算法和多假设算法有效结合,首先以网格核技术和边界点提取技术来处理高、低密度网格中的雷达探测点迹,从而产生更加准确的簇,然后对簇中的点迹进行相似度聚类,对杂波进行过滤和剔除,最后采用多假设跟踪法对每个聚类中的点迹进行关联假设进行多目标航迹起始。
2、发明中基于网格聚类的多假设多目标航迹起始方法,构造假设树并利用贝叶斯后验概率的传递性,通过计算航迹得分筛选最优航迹,最后通过回溯剪枝的方法删除综合得分较低的航迹组合,准确地起始多个目标航迹,解决了高密度杂波环境下虚假航迹多的问题,有利于高密度杂波条件下的工程应用。
基于上述理由本发明可在多目标跟踪等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明多假设多目标航迹起始方法流程图。
图2为本发明实施例中航迹树形成原理。
图3为本发明实施例中回溯剪枝原理。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供了一种基于网格聚类的多假设多目标航迹起始方法,包括:
S1、获取雷达在4个时刻探测到的点迹集,并将所述点迹集映射到网格中,根据每个网格中具有的点迹数量判断当前网格为高密度网格或者低密度网格,其中所述网格通过二维平面均分得到。
具体来说,将二维平面的每一维8等分,形成64个网格单元。对雷达4个时刻探测到的点迹集R进行遍历,并将R中点迹对象(R1,R2,…,Rn)映射到网格,根据设定的密度阈值minPts判定出每个网格是高密度网格还是低密度网格。
S2、根据每个与高密度网格相邻的低密度网格内各点迹的边界点函数值确定当前高密度网格的边界点。
具体来说,在判定完所有高低密度网格后,低密度网格中个别点迹Ri可能源于真实目标,Ri也即边界点。为了提高聚类精度,引入边界点函数border f(i)和边界点阈值函数min f(i),它们的定义分别如下:
nk表示某高密度网格中回波点迹数,k表示该高密度网格中第k个点迹,sim(i,k)为高密度网格中第k个点迹与低密度网格中第i个点迹间的相似度。
若边界点函数border f(i)大于等于边界点阈值函数min f(i),则Ri为该高密度网格中的边界点,即Ri属于该高密度网格。如果多个高密度网格共同占有一个低密度网格,则需要采用广度优先原则对边界点进行提取。提取完所有高密度网格的边界点后,可认为低密度网格中的所有点迹均为杂波点,并将这些杂波点丢弃掉。
S3、基于高密度网格的边界点对所有高密度网格进行处理,形成点迹簇。
具体来说,网格核由高密度网格中所有相似点迹构成,它表示一个簇,能吸引其周围高密度网格中的相似数据点迹形成同一个类。
为网格核,θ∈[0,1]为类阈值,若C满足:C={ν∈O|ν∈Cn}则集合C是一个簇。
经过边界点提取处理后,遍历与每个高密度网格Cn相邻的高密度网格中的点迹ν,若ν至少与Cn中θ·|Cn|个点迹相似(如果两个点迹间的相似度不小于给定阈值minsim),则点迹ν与高密度网格Cn属同一簇C。
S4、对每个点迹簇进行聚类处理生成聚簇,并对每个聚簇中的点迹按照接收时间排序。
雷达探测到的点迹之间的距离决定它们的相似性。两数据点之间的距离越小,它们归属同一类的概率就越大,相似度也越大。
设S中点迹对象Zi的属性值Pi由n维向量(ai1,ai2,…ain)表示,定义Zi与S中任意一个点迹Zj间的相异度diff(i,j)和相似度sim(i,j)的定义如下:
式中,为所有探测点迹间的最大相异度。
S5、为每个已存在目标航迹创建一个原始簇,雷达每扫描一个周期后,对应K时刻聚簇内落入相关门的若干量测Zn(K)和原始簇中的目标进行关联以生成若干假设θk,l,计算各个假设的概率Pr(θk,l|Zk),同时更新原始簇中每个假设的概率和目标状态;若K时刻落入相关门的量测与已存在目标航迹的关联概率最大,则将其加入原始簇中,代表已存在目标航迹的继续;若聚簇内的量测与任意一个原始簇都无法关联,即没有落入相关波门内,则起始一条新的航迹。将K+1时刻落入新目标航迹相关波门的量测值Zn(K+1)与新目标继续关联假设,依次计算各假设的关联概率,直到K+3时刻结束。具体包括:
S5-1:设Ωk是k时刻的关联假设集,Ωk中的假设把累计量测集Zk与目标或杂波相关联,由Ωk-1和当前量测集Z(k)关联得到。表示在第k次扫描中所得到的一组量测,其中zi(k)第k次扫描中的一个量测,对于zi(k)可能的互联是:(1)它是以前经历(已有的目标确认继续)的继续;(2)它是新目标的量测,这时将产生一个新假设来起始新航迹;(3)它是虚警。每个目标最多能与一个当前时刻的量测互联,而且该量测必须落入它的确认区域内。
步骤S5-2:与现有量测有关的事件θ(k)包括:τ个量测源于已确认的航迹;ν个量测源于新目标;个量测是虚警或者杂波。
对于i=1,2,...mk,定义与θ(k)事件相关的以下标记变量
在θ(k)事件中已确认的航迹数是
在θ(k)事件中新确认的航迹数是
在θ(k)事件中虚假量测数是φ=mk-τ-ν
步骤S5-3:多目标的初始状态估计,令Zi(k)表示传感器在k时刻接收到的第i个量测,其中i∈{1,2,...,m(k)};m(k)表示传感器在k时刻接收到的量测总数。记传感器在k时刻接收到的所有量测为Z(k)={z1(k),z2(k),....zm(k)(k)}。若量测Zi(k)源于目标t,则满足如下量测方程zi(k)=H(k)x(t,k)+ω(k),式中H(k)为量测矩阵,x(t,k)为目标t的状态向量,量测噪声ω(k)为独立零均值的高斯随机过程,具有协方差矩阵R(k)。杂波(或虚警)在整个跟踪空间中均匀分布,则直到K时刻传感器接收到的量测累计为ZK={Z(1),Z(2),...Z(K)}。
步骤S5-4:航迹树结构是面向航迹多假设跟踪算法的直观关联显示。一株航迹树对应一个目标,树上每一条从根到叶的路径构成该目标的一组量测历史记录,其中至多只有一条路径反映了真实目标的航迹。即在k-1扫描时刻,将航迹量测预测值附近区域设为相关门,只有位于相关门内的量测(如图2中的Zk-1,1和Zk-1,2)才可与航迹关联,由于目标可能不被探测到,这时航迹可不关联任何量测,即关联Zk-1,0(空量测,以深色节点表示)。接着根据关联结果获得各个航迹分支在k扫描的量测预测,并可设置相应的相关门,再根据相关门内的量测,将航迹树伸展到k扫描。
步骤S5-5:每个航迹都会有一个自己预测的波门,并且处理落在这个波门内的观测数据,决定波门的矩阵为:Sk=HkPkHk T+Γ(k)RkΓT(k),其中Pk是预测方差矩阵,Hk是观测矩阵,Γ(k)是干扰矩阵;
观测向量必须满足下面式子:其中d是参数,Z(-)是波门中心,它的大小可根据目标的状态变量确定。
步骤S5-6:卡尔曼状态滤波,量测方程:Z(k+1)=H(k+1)X(k+1)+W(k+1),其中H(k+1)为量测矩阵,X(k+1)为状态向量,W(k+1)是具有协方差R(k+1)的零均值、白高斯噪声量测序列。新息为新息协方差为S(k+1)=H(k+1)P(k+1|k)H′(k+1)+R(k+1),P(k+1|k)为协方差的一步预测。
此外,执行对聚簇内的目标和量测进行假设概率计算,具体地:
对于任一假设θk,l的概率,其迭代计算公式(5)如下:
式(5)中,C=P{Z(k)|Zk-1}为归一化常数因子,μF、μN分别是假量测数和新目标数的先验概率分配函数,是目标t的探测概率,δ(t)表示任意量测在联合事件θ中是否与目标关联(即目标是否被检测),/>表示包含φ个虚警和ν个新目标事件的个数。
如果一个量测zi(k)源于一条已建立的航迹,则服从高斯分布;如果一个量测zi(k)源于杂波或虚警,则其在跟踪门服从均匀分布,即概率密度为V-1;如果一个量测zi(k)源于一条新航迹,则服从均匀分布。
S6、利用假设后验概率Pr(θk+1,l|Z1:k+1)对关联假设结果进行评估,将假设后验概率的对数值分解到可递推计算的航迹概率似然值(即航迹得分),将新航迹4个时刻的累计得分按从高到低进行排序,通过回溯剪枝方法,确认航迹生成,并更新其目标状态估计。具体包括:
步骤S6-1:MHT中必须对假设进行评估,其评估准则是假设后验概率,可将此概率的对数值分解到可递推计算的航迹概率似然值(即航迹得分)。记k+1为1到k扫描所有量测Z1:k条件下假设(k扫描第s个全局假设)的概率,设Θk,s在k+1扫描的某个子假设为Θk+1,l,则假设后验概率的对数形式为
式(6)中,ci为不随假设变化的常数;δt指示Θk,s中航迹Tt是否关联k+1时刻的量测;ν为k+1扫描新出现目标的数目;λfa和λnew分别表示虚警杂波密度和新杂波密度;表示航迹Tt所在目标k+1扫描被传感器观测到且量测落入相关门的概率;表示在关联量测取为/>时的概率密度函数值(pdf利用卡尔曼滤波器预测下一次扫描量测计算)。
步骤S6-2:等式(6)左侧设为Θk+1,l的假设得分,假设得分可递推计算,假设得分增量可分解到每条航迹上;新目标对假设得分的贡献为ln(λnew/λfa);航迹Tt不关联任何量测时贡献为航迹Tt关联量测/>时的贡献为/>分解得分增量实际上是将假设得分分解到每条航迹上,即每条航迹都有得分。航迹Tt在k扫描的得分mk可定义为:
mk+1=mk+Δmk
m1=ln(λnew/λfa)
步骤S6-3:当前扫描下的最优假设(得分最高的假设)给出了在目前数据具有最大概率的数据关联结果,它可用于关联决策。最优假设的得分为mmax,排序后的航迹树为Tri(i=1:NTree),树中分支航迹的最大得分有
步骤S6-4:利用k-3,k-2,k-1,k这4次扫描的数据确定第k-3次扫描数据的关联决策进行4扫描回溯剪枝,如图3所示,涂灰的节点表示对应航迹出现在最优假设中(称为最优节点),当前扫描为第k次扫描,对于tree1,从最优节点开始,按树的分支路径往前回溯,回溯到k-2次扫描,在k-2次扫描中有根节点,但又不是最优假设中航迹的根节点的其余假设航迹分支都被删除。由于tree2在k-2次扫描不存在关联不确定性,不做3-扫描回溯剪枝tree3必定没有航迹出现在最优假设中,因为它与tree1最优节点对应航迹共享量测,由于k-2的量测来源已确定,因此tree3被删除。
下面通过具体的应用实例,对本发明的方案做进一步说明。
如图1所示为本发明中采用网格聚类的多假设多目标航迹起始方法,通过网格聚类算法对实时探测到的点迹集进行分类,包括以下步骤:
步骤S1:将二维平面的每一维8等分,形成64个网格单元。对雷达4个时刻探测到的点迹集R进行遍历,并将R中点迹对象(R1,R2,…,Rn)映射到网格,将密度阈值minPts设为2来判定出每个网格是高密度网格还是低密度网格;
步骤S2:考察每个高密度网格相邻的低密度网的点迹Ri,若该点迹的边界点函数值borderf(i)大于等于边界点阈值minf(i),则点迹Ri是该高密度网格的边界点。具体包括:
步骤S2-1:边界点函数borderf(i)和边界点阈值函数minf(i)公式如下:
nk表示某高密度网格中回波点迹数,k表示该高密度网格中第k个点迹,sim(i,k)为高密度网格中第k个点迹与低密度网格中第i个点迹间的相似度。
步骤S2-2:若边界点函数borderf(i)大于等于边界点阈值函数minf(i),则Ri为该高密度网格中的边界点,即Ri属于该高密度网格。如果多个高密度网格共同占有一个低密度网格,则需要采用广度优先原则对边界点进行提取。提取完所有高密度网格的边界点后,可认为低密度网格中的所有点迹均为杂波点,并将这些杂波点丢弃掉。
步骤S3:边界点提取完成后,对所有高密度网格采用广度优先原则进行网格核技术处理,形成簇。具体包括:
步骤S3-1:先构造一个高密度网格状态特征和低密度网格边界点之间关系的数据结构生成状态结点。
步骤S3-2:根据所给定的条件:ν至少与Cn中θ·|Cn|个点迹相似,从状态结点出发,按它们接近高密度网格点迹的相似程度依次进行。首先生成第一层结点,同时检查目标点迹是否在所生成的结点中,如果不在,则将所有的第一层结点逐一扩展,得到第二层结点,并检查第二层结点是否包含目标点迹,按照先生成先扩展搜索的原则。
步骤S3-3:为了便于进行搜索,要设置一个表存储所有的结点。因为在广度优先搜索算法中,要满足先生成的结点先扩展的原则,所以存储结点的表一般设计成队列的数据结构,如果新结点是目标结点,则搜索成功,即在低密度网格中成功提取有效边界点。
步骤S4:经过网格核技术处理后,对每个簇中任意两点Ri和Rj,如果它们的相似度满足:sim(i,j)≥minsim,则把点迹Ri和Rj归一类。完成聚类后,对每个类中点迹按接收时间排序。具体包括:
步骤S4-1:设S中点迹对象Zi的属性值Pi由n维向量(ai1,ai2,…ain)表示,定义Zi与S中任意一个点迹Zj间的相异度diff(i,j)和相似度sim(i,j)的计算公式如下:
式中,为所有探测点迹间的最大相异度。
雷达探测到的点迹之间的距离决定它们的相似性。两数据点之间的距离越小,它们归属同一类的概率就越大,相似度也越大。
步骤S4-2:将设定为网格核,θ∈[0,1]为类阈值,若C满足:C={ν∈O|ν∈Cn}则集合C是一个簇。
经过边界点提取处理后,遍历与每个高密度网格Cn相邻的高密度网格中的点迹ν,若ν至少与Cn中θ·|Cn|个点迹相似(如果两个点迹间的相似度不小于给定阈值minsim),则点迹ν与高密度网格Cn属同一簇C。
步骤S5:初始化簇中每个假设的概率和目标的状态,对聚簇内的目标和量测进行关联生成假设。具体包括:
步骤S5-1:多目标的初始状态估计,令Zi(k)表示传感器在k时刻接收到的第i个量测,其中i∈{1,2,...,m(k)};m(k)表示传感器在k时刻接收到的量测总数。记传感器在k时刻接收到的所有量测为Z(k)={z1(k),z2(k),....zm(k)(k)}。若量测Zi(k)源于目标t,则满足如下量测方程zi(k)=H(k)x(t,k)+ω(k),式中:H(k)为量测矩阵;x(t,k)为目标t的状态向量;量测噪声ω(k)为独立零均值的高斯随机过程,具有协方差矩阵R(k)。杂波(或虚警)在整个跟踪空间中均匀分布,则直到K时刻传感器接收到的量测累计为ZK={Z(1),Z(2),...Z(K)}。
步骤S5-2:处理落在这个波门内的观测数据,决定波门的矩阵为:Sk=HkPkHk T+Γ(k)RkΓT(k),其中Pk是预测方差矩阵,Hk是观测矩阵,Γ(k)是干扰矩阵;
观测向量必须满足下面式子:其中d是参数,Z(-)是波门中心,它的大小可根据目标的状态变量确定。
步骤S5-3:卡尔曼状态滤波,量测方程:Z(k+1)=H(k+1)X(k+1)+W(k+1),其中H(k+1)为量测矩阵,X(k+1)为状态向量,W(k+1)是具有协方差R(k+1)的零均值、白高斯噪声新息为新息协方差为S(k+1)=H(k+1)P(k+1|k)H′(k+1)+R(k+1),P(k+1|k)为协方差的一步预测。
步骤S5-4:对于任一假设θk,l的概率,其迭代计算公式如下:
式(5)中,c=P{Z(k)|Zk-1}为归一化常数因子,μF、μN分别是假量测数和新目标数的先验PMF,是航迹t的探测概率。
步骤S6:在对聚簇内的目标和量测进行假设概率计算。
步骤S7:计算多目标关联聚中m-最优假设,计算航迹得分并按从高到低进行排序,N-扫描回溯删除低分航迹。具体包括:
步骤S7-1:计算假设后验概率,可将此概率的对数值分解到可递推计算的航迹概率似然值(即航迹得分)。记k+1为1到k扫描所有量测Z1:k条件下假设(k扫描第s个全局假设)的概率,设Θk,s在k+1扫描的某个子假设为Θk+1,l,则假设后验概率的对数形式为
式中,ci为不随假设变化的常数;δt指示Θk,s中航迹Tt是否关联k+1时刻的量测;ν为k+1扫描新出现目标的数目;λfa和λnew分别表示虚警杂波密度和新杂波密度;表示航迹Tt所在目标k+1扫描被传感器观测到且量测落入相关门的概率;/>表示在关联量测取为/>时的概率密度函数值。
步骤S7-2:设Θk+1,l是假设得分,假设得分可递推计算,假设得分增量可分解到每条航迹上;新目标对假设得分的贡献为ln(λnew/λfa);航迹Tt不关联任何量测时贡献为航迹Tt关联量测/>时的贡献为/>分解得分增量实际上是将假设得分分解到每条航迹上,即每条航迹都有得分。航迹Tt在k扫描的得分mk为:
mk+1=mk+Δmk
m1=ln(λnew/λfa)
步骤S7-3:计算最优假设的得分为mmax,排序后的航迹树为Tri(i=1:NTree),树中分支航迹的最大得分有利用k-3,k-2,k-1,k这4次扫描的数据确定第k-3次扫描数据的关联决策进行4扫描回溯剪枝。
步骤S8:确认航迹生成,并更新其目标状态估计。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于网格聚类的多假设多目标航迹起始方法,其特征在于,包括:
获取雷达在4个时刻探测到的点迹集,并将所述点迹集映射到网格中,根据每个网格中具有的点迹数量判断当前网格为高密度网格或者低密度网格,其中所述网格通过二维平面均分得到;
根据每个与高密度网格相邻的低密度网格内各点迹的边界点函数值确定当前高密度网格的边界点;
基于高密度网格的边界点对所有高密度网格进行处理,形成点迹簇;
对每个点迹簇进行聚类处理生成聚簇,并对每个聚簇中的点迹按照接收时间排序;
为每个已存在目标航迹创建一个原始簇,雷达每扫描一个周期后,对应K时刻聚簇内落入相关波门的若干量测和原始簇中的目标进行关联以生成若干假设,计算各个假设的概率,同时更新原始簇中每个假设的概率和目标状态;
若K时刻量测落入原始簇关联波门内,代表量测与航迹关联成功,将其加入原始簇中,形成航迹树,航迹树的每个分支代表目标一种可能的关联结果;若聚簇内的量测与任何一个原始簇都无法关联,则起始一条新的航迹;将K+1时刻落入新目标相关波门的量测值与新目标关联假设,依次计算各假设的关联概率,反复执行该步骤,直到K+3时刻结束;
利用假设后验概率对所有关联假设结果进行评估,计算航迹得分,得分越高,关联假设效果越好,通过回溯剪枝方法,找到最优假设中的航迹,保留航迹所在的根分支,删除航迹树的根节点的其余分支,确认航迹生成,并更新其目标状态估计。
2.根据权利要求1所述的一种基于网格聚类的多假设多目标航迹起始方法,其特征在于,所述边界点函数为:
其中,nk表示某高密度网格中回波点迹数,k表示该高密度网格中第k个点迹,sim(i,k)为高密度网格中第k个点迹与低密度网格中第i个点迹间的相似度。
3.根据权利要求2所述的一种基于网格聚类的多假设多目标航迹起始方法,其特征在于,所述根据每个与高密度网格相邻的低密度网格内各点迹的边界点函数值确定当前高密度网格的边界点,包括:
根据边界点函数与阈值函数的比较结果判断点迹是否为边界点,当所述边界点函数值大于阈值函数值,则该点为边界点,否则不是边界点,所述阈值函数为:
其中,nk表示某高密度网格中回波点迹数,k表示该高密度网格中第k个点迹,sim(i,k)为高密度网格中第k个点迹与低密度网格中第i个点迹间的相似度。
4.根据权利要求1所述的一种基于网格聚类的多假设多目标航迹起始方法,其特征在于,所述基于高密度网格的边界点对所有高密度网格进行处理形成点迹簇,包括:
计算与当前高密度网格相邻的高密度网格中的点迹与当前高密度网格中各点迹的相似度,并根据所述相似度判断当前高密度网格中各点迹中与所述相邻高密度网格中点迹相似的数量,当该数量达到阈值时,则判断此相邻的高密度网格中的点迹与当前高密度网格属同一簇;
遍历所有高密度网格,生成点迹簇。
5.根据权利要求1所述的一种基于网格聚类的多假设多目标航迹起始方法,其特征在于,所述对每个点迹簇进行聚类处理生成聚簇,包括:
计算当前点迹簇内任意两个点迹间的相似度,将该相似度大于阈值的两个点迹划归为一类;
遍历所有点迹簇,生成聚簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010962977.7A CN112098992B (zh) | 2020-09-14 | 2020-09-14 | 一种基于网格聚类的多假设多目标航迹起始方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010962977.7A CN112098992B (zh) | 2020-09-14 | 2020-09-14 | 一种基于网格聚类的多假设多目标航迹起始方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112098992A CN112098992A (zh) | 2020-12-18 |
CN112098992B true CN112098992B (zh) | 2023-10-13 |
Family
ID=73751569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010962977.7A Active CN112098992B (zh) | 2020-09-14 | 2020-09-14 | 一种基于网格聚类的多假设多目标航迹起始方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098992B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881993B (zh) * | 2021-01-18 | 2024-02-20 | 零八一电子集团有限公司 | 自动识别雷达分布杂波引起虚假航迹的方法 |
CN114895295B (zh) * | 2022-04-19 | 2023-06-02 | 中国电子科技集团公司第十研究所 | 一种基于k近邻的通信散点关联加速方法及系统 |
CN116299254B (zh) * | 2022-09-07 | 2023-10-13 | 无锡国芯微电子系统有限公司 | 一种被动雷达寻的器的目标跟踪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680806A (zh) * | 2016-11-24 | 2017-05-17 | 清华大学 | 一种多雷达点迹融合方法 |
CN107193012A (zh) * | 2017-05-05 | 2017-09-22 | 江苏大学 | 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11301731B2 (en) * | 2018-09-17 | 2022-04-12 | Raytheon Company | Probabilistic sampling method for track association |
-
2020
- 2020-09-14 CN CN202010962977.7A patent/CN112098992B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680806A (zh) * | 2016-11-24 | 2017-05-17 | 清华大学 | 一种多雷达点迹融合方法 |
CN107193012A (zh) * | 2017-05-05 | 2017-09-22 | 江苏大学 | 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
余沙 ; 陈明燕 ; 曹建蜀 ; .基于网格聚类和修正逻辑的航迹起始算法.计算机科学.2015,(04),全文. * |
吴汉宝 ; 李伦 ; 张志云 ; .基于二分图最优完备匹配的目标关联算法.华中科技大学学报(自然科学版).2017,(02),全文. * |
赵崇丞 ; 王君 ; 邵雷 ; .基于网格聚类的弹道目标航迹起始算法.火力与指挥控制.2018,(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112098992A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112098992B (zh) | 一种基于网格聚类的多假设多目标航迹起始方法 | |
CN109508000B (zh) | 异构多传感器多目标跟踪方法 | |
CN108764006B (zh) | 一种基于深度强化学习的sar图像目标检测方法 | |
CN107688170B (zh) | 一种基于随机森林的雷达目标航迹起始方法 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
Loh et al. | Deep learning and data assimilation for real-time production prediction in natural gas wells | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN110849372A (zh) | 一种基于em聚类的水下多目标轨迹关联方法 | |
CN115761534A (zh) | 一种空中背景下红外无人机小目标检测及跟踪方法 | |
Chen et al. | Observer control for bearings-only tracking using possibility functions | |
CN116520281B (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
Solonar et al. | General construction principles and performance features of trajectory processing by data from one radar data source | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
CN115657008A (zh) | 一种机载太赫兹雷达多目标跟踪方法和装置 | |
Pan et al. | An efficient TO-MHT algorithm for multi-target tracking in cluttered environment | |
Poore et al. | Data association problems posed as multidimensional assignment problems: algorithm development | |
Rahmathullah et al. | A batch algorithm for estimating trajectories of point targets using expectation maximization | |
CN113109761B (zh) | 一种基于多假设跟踪算法的面向轨迹减少计算时间方法 | |
Chen et al. | Multi-appearance segmentation and extended 0-1 programming for dense small object tracking | |
Zhu et al. | The modified probability hypothesis density filter with adaptive birth intensity estimation for multi-target tracking in low detection probability | |
Dunne et al. | Weight partitioned probability hypothesis density filters | |
Gish et al. | Target state estimation in a multitarget environment using multiple sensors | |
Daniell et al. | Estimation of detection/classification performance in sonar imagery using textural features and self-organising maps | |
Ran et al. | Fuzzy fusion approach for object tracking | |
Garanin et al. | Multiple Object Tracking Method Under the Conditions of Uncertainty of Their Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |