CN117036400B 基于混合高斯模型模糊聚类数据关联的多目标群跟踪方法 （西安电子科技大学）

MultipleUnresolvableGroupObject基于混合高斯模型模糊聚类数据关联的多本发明公开了一种基于混合高斯模型模糊有多目标群跟踪方法复杂度高、实用性差的问量测更新，并重复其状态参数的预测和更新过2(1)采用外形运动学解耦的椭圆扩展外形模型，建立单个不可分辨目标群的状态参数(2)根据目标群在场景中的运动模式，建立基于马尔科夫状态空间模型的目标群状态(3)在以雷达为传感器的跟踪场景中，将以二维极坐标形式表达的雷达量测转化为直(8)对两次杂波去除后剩余的有效量测，结合步骤(5)中所得多目标群的状态预测结合步骤(1)所建立的目标群状态参数模型，对每个目标群的状态参数使用有效量测进行基2.根据权利要求1所述的方法，其特征在于，步骤(两个轴向上的位置信息，$=[vx,v"]eR2表示群目(1b)建立包含椭圆的长短半轴长度及椭圆倾斜角度这三种信息在二维平面下的椭圆3形近似的目标群的状态参数模型ξ:3.根据权利要求1所述的方法，其特征在于，步骤k和ek分别表示k时刻的目标群运动学参数和外形参数。4.根据权利要求1所述的多目标群跟踪方法，其特征在于，4k"态转移模型，使用标准卡尔曼滤波预测公式对场景中多个目标群的状态参数进行一步预前所有关联量测值和t时刻If"个关联量测值",…,z"之后的状态估计结果；(5b)根据步骤(2)的目标群状态转移模型，利用前一t时刻的后验估计得到当前t+1时当前时刻目标群m的外形参数预测值及对应协方差矩阵y",表示为如下线性形式：5其中，e?0和分别表示前一t时刻对目标群m运动学参数的后验估计值以及对应协方差矩阵；和分别表示前一t时刻对目标群m外形参数的后验估计值以及(6a)根据步骤(5)中所求当前时刻的参数预测值以及对应参数预测协方差"、Y"),结合步骤(4)建立的目标群量测模型，求解每个目标群的量测预测协方差矩阵y",该矩阵也被称为目标群m的新息矩阵；若c'sg,,且m∈{1,...,Mt+1}，则量测满足门限判断条件，进行保留；8.根据权利要求7所述的方法，其特征在于，步骤(6a差矩阵Y",实现步骤包括如下：6y":9.根据权利要求1所述的方法,其特征在于，步骤(7)中对背景杂波的数目与目标产生(7b)利用泊松点过程将当前时刻目标群m生成的量测数量表示为服从参数λm的泊松分(7c)根据步骤(4d)中的量测似然函数，计算每个量测到每个目标预测状态的似然7是否满足条件(7f)将步骤(7e)剔除处理后剩余的量测均视为目标群所产生的量测，称为有效量测，(8b)初始化关联概率y:ie{1,2,…,ir},为当前t+1时8(8d)执行EM算法中的求期望步骤，即更新量测与目标的关联概率Y:示第m个高斯模型方差在第k次迭代后的更新值，表示第m个高斯模型权重在第k次(8f)重复步骤(8d)和步骤(8e)直到达到最大迭代次数K，或两次迭代的间增量小于增'[k+1]-'k]SE,得到有效量测到目标群m的关联概率?:(9a)对目标群m，根据当前t+1时刻第i_1个关联的有效量测下的运动学参数估计以及对应协方差矩阵求取该状态估计目标的质心作为第i个有效9"-",计算新息矩阵Y":的创新矩阵，以及步骤(9a)的第i个有效量测的期望值构造当前时刻目标群m关联的第i个有效量测的对应伪量测?,求取外形参数与伪量测之间的协方数及对应协方差矩阵")进行基于概率数据关联的量测更新，得到目标群m更新后的运动学参数及对应协方差矩阵Y"9:其中，表示当前t+1时刻第i个有效量群m的外形参数以及对应协方差矩阵进行基于概率数据关联的量测更新，"-",",实现步骤包括如下：分别为使用有效量测对目标群m椭圆外形长半轴长度和短y":第i个有效量测的对应伪量测?,求取外形参数与伪量测之间的协方差矩阵及伪量测的方差矩阵Y",实现步骤包括如下："是目标群m在有效量测下的新息矩阵y",运算v()表示将矩阵列r"-"表示使用有效量测对目标m外形参数的估计下的旋转外形矩阵")y":它在多目标群跟踪领域中的应用仍处在初级阶段，无法适应复杂多变的多目标群跟踪场[0005]杨世姗等人于2020年在第23届国际信息融合会议上，提出了一种将MEM模型与传[0013](1)采用外形运动学解耦的椭圆扩展外形模型，建立单个不可分辨目标群的状态[0014](2)根据目标群在场景中的运动模式，建立基于马尔科夫状态空间模型的目标群[0015](3)在以雷达为传感器的跟踪场景中，将以二维极坐标形式表达的雷达量测转化[0021](9)根据数据关联结果，基于扩展式卡尔曼滤波器的更新公式和概率数据关联法[0025]本发明实施例提供的基于混合高斯模型迭代最大化期望模糊聚类数据关联的多目标群跟踪方法通过对传统基于乘性误差均匀采样模型的多目标群跟踪算法中的数据关[0028]第三，本发明由于采用基于混合高斯模型迭代最大化期望模糊聚类进行数据关联，对比现有基于近似边缘概率数据关联和乘性误差均匀采样模型的多目标群跟踪方法，[0035]参照图1，本发明实施例提供一种基于混合高斯模型模糊聚类数据关联的多目标[0038]1.1)对二维平面中的目标群[0040]其中，s=p",p"eR2表示目标群质心的位置信息，px表示目标群质心在x轴向y表示目标群质心在y轴向上的坐标；$=[v",veR2表示群目标质心的速度形运动学解耦的椭圆扩展外形建模下目标群的状态参数模型ξ:[0046]由上式易知目标群状态参数被描述为增广状态，且由目标群运动学参数ĸ和目标扫描时间k内接收到的所有回波信号中量测的总数Ik以及[0062]3.2)忽略雷达量测中包含的俯仰角信息，将单个雷达量测表示为极坐标下的示量测":限于采用二维平面下的乘性误差均匀采样MEM模型对目标群所产生量测的空间分布进行建[0080]4.3)根据目标群外形旋转矩阵Γk，建立k时刻的目标群量测空间分布的数学模1时刻之前所有关联量测值和前一t时刻个关联量测值之后的状态估计结矩阵y",当前t+1时刻目标群m的外形参数预测值及对应协方差矩阵其分及对应协方差矩阵；e0和分别表示前一t时刻对目标群m外形参数的后验估计值以及对应协方差矩阵；和分别表示目标群运动学参数和外形参数过程噪声的协防差旋转矩阵的预测值F9:[0117]6.7)对当前t+1时刻场景中[0120]6.8)设门限阈值为常数gσ,将量测到各群目标的门限距c[0126]7.2)利用泊松点过程对当[0149]u1[0]表示第m个高斯模型均值的初始值，[0152]8.2)初始化目标群m与有效量测之间的关联概率?:在第k次迭代后的更新值，表示第m个高斯模型方差在第k次迭代后的更新值，表示第m个高斯模型权重在第k次迭代后的更新值；在第k次迭代后的更新值，表示第m个高斯模型方差在第k次迭代后的更新值，表示第m个高斯模型权重在第k次迭代后的更新值；于增量阈值E，即得到有效量测到目标群m的关联概率?:后的运动学参数以及对应协方差矩阵求取该状态估计目标的质心作为第i个有效量测的期望值，并求取目标群运动学参数与量测的协方差矩阵[0172]9.2)对目标群m，根据当前时刻第i_1个关联的有效量测下外形参数估计求取目标群m的旋转外形矩阵估计值[0182]其中，运算tr(·)表示取矩阵的迹，表示乘性误差向量的协方差矩阵，9:有效量测的对应伪量测并求取外形参数与伪量测之间的协方差矩"是目标群m在有效量测下的新息矩阵",运算v()表示将矩阵[0196]其中，表示使用有效量测对目标m外形参数的估计下的旋转外形旋转外形矩阵第一行和第二行对目标外形参数的雅克比矩阵，以=2A表示乘性误差向"-"学参数及对应协方差矩阵进行基于概率数据关联的量测更新，得到目标目标群m的外形参数以及对应协方差矩阵进行基于概率数据关联的量测[0214]10.1)将当前t+1时刻所得的目标群m,m∈{1,2,…,Mt+[0217]其中，是使用当前t+1时刻的全部有效量测对目标群m的外形参数的贯序[0218]10.2)将当t+1前所得的目标群m,m∈{1,2,…,Mt+1}运[0221]其中，是使用当前t+1时刻的全部有效量测对目标群m的运动学参数的贯[0242]在上述仿真条件下，分别用本发明和现有两种多目标群跟踪方法GGIW_PMB、[0243]将本发明和现有两种多目标群跟踪方法GGIW_PMB、LJPDA_MEM进行上述场景多目标群跟踪后的高斯_瓦瑟斯坦距离GWD结果与作为基准的理论最优TDA_MEM方法进行对比，[0244]将本发明和现有多目标群跟踪方法LJPDA_MEM进行上述场景多目标群跟踪后的数[0245]将本发明和现有两种多目标群跟踪方法GGIW_PMB、LJPDA_MEM进行上述场景多目标群跟踪后的广义最优子模式分配GOSPA结果和单步仿真时间CYC结果与作为基准的理论000.29000.734.159955.56000.83a_FernándezandJ.L.Williams等人于2022年在IEEETransactionsonAerospaceandElectronicSystems期刊上提出的一种基于多扩展目标泊松多伯努利近似的多目标群跟10thSensorArrayandMultichannelSignalProcessingWorkshop国际会议上提出的一种基于多扩展目标线性联合概率数据关联实现的多目标群跟踪方法，即“Linear_Time基于乘性误差均匀采样MEM量测分布建模和人为先验提供的理论最佳数据关联实现多目标明本发明采用乘性误差均匀采样MEM模型对