(19)國家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號(hào)CN115081224B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(74)專利代理機(jī)構(gòu)哈爾濱市松花江聯(lián)合專利商標(biāo)代理有限公司23213專利代理師岳昕審查員高悅跟蹤技術(shù)領(lǐng)域。本發(fā)明是為了解決現(xiàn)有群目標(biāo)跟蹤方法分群結(jié)果缺乏穩(wěn)定性導(dǎo)致跟蹤精度低的間目標(biāo)數(shù)據(jù)集采用DBSCAN算法對(duì)空間目標(biāo)進(jìn)行初始分群，獲得空間目標(biāo)群；獲取每個(gè)空間目標(biāo)群的輪廓，利用每個(gè)空間目標(biāo)群的輪廓獲得每個(gè)空間目標(biāo)群的群中心；獲得每個(gè)空間目標(biāo)群中心位置信息，利用濾波器對(duì)每個(gè)空間目標(biāo)群中心進(jìn)行位置跟蹤；獲取空間目標(biāo)群中的每個(gè)目標(biāo)的量測值，根據(jù)每個(gè)目標(biāo)的量測值獲取每個(gè)空間目標(biāo)群邊界點(diǎn)集；判斷每個(gè)空間目標(biāo)群的輪廓是否發(fā)生突變，若沒有發(fā)生突變則利用濾波器對(duì)每個(gè)空2步驟二、利用空間目標(biāo)數(shù)據(jù)集采用DBSCAN算法對(duì)空間目標(biāo)進(jìn)行初始分群，獲得步驟三、利用星凸隨機(jī)超曲面對(duì)步驟二獲得的空間目標(biāo)群輪廓進(jìn)行建模，獲得空間目步驟四、獲取步驟二獲得的每個(gè)空間目標(biāo)群的群中心位置信息，并利用濾波器對(duì)每個(gè)步驟五二、根據(jù)每個(gè)空間目標(biāo)群邊界點(diǎn)集判斷每個(gè)空間目標(biāo)群的輪廓是否發(fā)生突變，步驟五二一、利用步驟五一獲得的目標(biāo)邊界點(diǎn)集按照預(yù)設(shè)順序構(gòu)造序列f(n),并利用f步驟五二二、利用步驟五二一獲得的空間目標(biāo)群的形狀參數(shù)構(gòu)造檢測統(tǒng)計(jì)量判斷空間形狀參數(shù)P的維度，ü是群目標(biāo)形狀參數(shù)的估計(jì)誤差，服從正態(tài)分布～N(0,2.),2是3步驟二一、以任一未訪問過的空間目標(biāo)為中心，利用預(yù)設(shè)的半徑Eps和最少樣本數(shù)目3.根據(jù)權(quán)利要求2所述的基于DBSCAN分群的群目標(biāo)跟蹤方法，其特征在于：核對(duì)象鄰步驟五一二、將步驟五一一獲得的每個(gè)空間目標(biāo)群中的所有空間目標(biāo)的量測值按角度ZA.J=SkR(k:;)P·e(:)狀參數(shù)。其中，j=1,···,N是子集的標(biāo)號(hào)，N是子集的總個(gè)數(shù)，z是群量測中心，i=4第j個(gè)子集中的目標(biāo)量測值的總數(shù)，zk,;是k時(shí)刻第j個(gè)子集的目標(biāo)量測值，d(z,j,;)是第j個(gè)子集中第i個(gè)目標(biāo)量測值距離群量測中心的距離，d(zk,)是d(z.,3,)中的最大值。8.根據(jù)權(quán)利要求7所述的基于DBSCAN分群的群目標(biāo)跟蹤方法，其特征在于：所述檢測門限通過以下方式獲得：5技術(shù)領(lǐng)域背景技術(shù)[0002]空間目標(biāo)群具備空域分布范圍小，密集性高、運(yùn)動(dòng)方向一致、目標(biāo)間相對(duì)運(yùn)動(dòng)速度低等特點(diǎn)，因此目標(biāo)在很長時(shí)間內(nèi)都會(huì)處于“組團(tuán)”狀態(tài)。群目標(biāo)跟蹤在地面或海面目標(biāo)監(jiān)控，多目標(biāo)編隊(duì)運(yùn)動(dòng)、人群或獸群跟蹤等領(lǐng)域具有重要的應(yīng)用價(jià)值，但是由于群目標(biāo)經(jīng)常處于密集分布狀態(tài)，導(dǎo)致分別跟蹤群內(nèi)的目標(biāo)比較困難，因此對(duì)群整體進(jìn)行跟蹤成為本領(lǐng)域的重要研究課題。[0003]目前對(duì)空間目標(biāo)群跟蹤主要采用空間目標(biāo)群分割方法，空間目標(biāo)群分割方法主要包括距離分割法以及改進(jìn)后的循環(huán)閾值法，都是通過設(shè)定距離閾值實(shí)現(xiàn)分群，其原理簡單易實(shí)現(xiàn)，但是空間目標(biāo)的高密集性容易導(dǎo)致各時(shí)刻分割群中成員數(shù)量產(chǎn)生波動(dòng)，從而使分群結(jié)果缺乏穩(wěn)定性，進(jìn)而導(dǎo)致群目標(biāo)跟蹤精度降低。發(fā)明內(nèi)容[0004]本發(fā)明目的是為了解決現(xiàn)有群目標(biāo)跟蹤方法分群結(jié)果缺乏穩(wěn)定性導(dǎo)致跟蹤精度低的問題，而提出了基于DBSCAN分群的群目標(biāo)跟蹤方法。[0007]所述空間目標(biāo)數(shù)據(jù)集包括：每個(gè)空間目標(biāo)的位置坐標(biāo)，以及坐標(biāo)方向上的速度；[0008]步驟二、利用空間目標(biāo)數(shù)據(jù)集采用DBSCAN算法對(duì)空間目標(biāo)進(jìn)行初始分群，獲得空間目標(biāo)群，并獲取每個(gè)空間目標(biāo)群的輪廓，利用每個(gè)空間目標(biāo)群的輪廓獲得每個(gè)空間目標(biāo)群的群中心；[0009]步驟三、利用星凸隨機(jī)超曲面對(duì)步驟二獲得的空間目標(biāo)群輪廓進(jìn)行建模，獲得空間目標(biāo)群輪廓模型；[0010]步驟四、獲取步驟二獲得的每個(gè)空間目標(biāo)群的群中心位置信息，并利用濾波器對(duì)每個(gè)空間目標(biāo)群中心進(jìn)行位置跟蹤；[0011]步驟五、對(duì)步驟三獲得的每個(gè)空間目標(biāo)群的輪廓模型進(jìn)行跟蹤：[0012]步驟五一、獲取空間目標(biāo)群中的每個(gè)目標(biāo)的量測值，并根據(jù)每個(gè)目標(biāo)的量測值獲取每個(gè)空間目標(biāo)群邊界點(diǎn)集；[0013]步驟五二、根據(jù)每個(gè)空間目標(biāo)群邊界點(diǎn)集判斷每個(gè)空間目標(biāo)群的輪廓是否發(fā)生突變，若發(fā)生突變則重新執(zhí)行步驟五一，若沒有發(fā)生突變則利用濾波器對(duì)每個(gè)空間目標(biāo)群的輪廓進(jìn)行跟蹤。[0014]本發(fā)明的有益效果為：[0015]本發(fā)明首先通過DBSCAN聚類的方法對(duì)密集群目標(biāo)進(jìn)行分群處理，之后分別對(duì)每個(gè)群的群中心和群輪廓進(jìn)行跟蹤，最終得到各個(gè)群的航跡跟蹤結(jié)果。本發(fā)明采用的DBSCAN聚6類的方基于密度聚類來對(duì)空間目標(biāo)進(jìn)行分群，適用于各種形狀的群目標(biāo)，將群內(nèi)的波動(dòng)考慮到群中心的計(jì)算中，本發(fā)明相比于傳統(tǒng)算法，能夠更加適應(yīng)雜波的影響，提升了分群結(jié)果的穩(wěn)定性，提升了群目標(biāo)跟蹤的精度。本發(fā)明利用群目標(biāo)量測信息，從量測中提取真實(shí)形狀的邊界作為形狀先驗(yàn)，采用中心輪廓距離對(duì)群目標(biāo)輪廓進(jìn)行自適應(yīng)建模，構(gòu)建形狀參數(shù)突變檢測量，在形狀突變時(shí)，能夠使形狀參數(shù)估計(jì)能迅速收斂。附圖說明[0016]圖1為本發(fā)明流程圖；[0017]圖2為實(shí)施例中群目標(biāo)位置及形狀圖；[0018]圖3為實(shí)施例中初始聚類結(jié)果；[0019]圖4為實(shí)施例中群目標(biāo)真實(shí)形狀和估計(jì)形狀對(duì)比(1-5s)圖；[0020]圖5為實(shí)施例中群目標(biāo)真實(shí)形狀和估計(jì)形狀對(duì)比(17-25s)圖；[0021]圖6為實(shí)施例中目標(biāo)狀態(tài)估計(jì)的OSPA距離曲線圖；[0022]圖7為實(shí)施例中目標(biāo)輪廓估計(jì)的擬Jaccard距離曲線圖。具體實(shí)施方式[0025]空間目標(biāo)數(shù)據(jù)集包括：各個(gè)空間目標(biāo)的初始狀態(tài)；所述初始狀態(tài)包括：位置坐標(biāo)、各方向上速度；[0026]步驟二、利用空間目標(biāo)數(shù)據(jù)中的數(shù)據(jù)集采用DBSCAN算法對(duì)空間目標(biāo)進(jìn)行初始分群，獲得空間目標(biāo)群，并獲取每個(gè)空間目標(biāo)群的輪廓，利用每個(gè)空間目標(biāo)群的輪廓獲得每個(gè)空間目標(biāo)群的群中心；[0027]所述空間目標(biāo)群的群中心即為空間目標(biāo)群輪廓的幾何中心；[0028]步驟三、利用星凸隨機(jī)超曲面對(duì)步驟二獲得的空間目標(biāo)群輪廓進(jìn)行建模，獲得空間目標(biāo)群輪廓模型；[0029]步驟四、獲取步驟二獲得的每個(gè)空間目標(biāo)群的群中心位置信息，并利用濾波器對(duì)每個(gè)空間目標(biāo)群中心進(jìn)行位置跟蹤；[0030]步驟五、對(duì)步驟三獲得的每個(gè)空間目標(biāo)群的輪廓模型進(jìn)行跟蹤。[0031]具體實(shí)施方式二：所述步驟二中的利用空間目標(biāo)數(shù)據(jù)集中的數(shù)據(jù)集采用DBSCAN算法對(duì)空間目標(biāo)進(jìn)行初始分群，獲得空間目標(biāo)群，包括以下步驟：[0032]步驟二一、從任一未訪問過的空間目標(biāo)開始并以這個(gè)空間目標(biāo)為中心，利用預(yù)設(shè)的Eps(半徑)和MinPts(最少樣本數(shù)目)判斷空間目標(biāo)是否為核對(duì)象，若是核對(duì)象則創(chuàng)建一個(gè)新類C,并將其鄰域內(nèi)的空間目標(biāo)納入到類C內(nèi)；若空間目標(biāo)不是核對(duì)象則重新訪問沒有被訪問過的空間目標(biāo)直至找是核對(duì)象的空間目標(biāo)，創(chuàng)建一個(gè)新類C,并將其鄰域內(nèi)的空間目標(biāo)納入到類C內(nèi)；[0033]步驟二二、在C內(nèi)尋找其他未被訪問的空間目標(biāo)，若該空間目標(biāo)為核對(duì)象，則將其鄰域內(nèi)所有空間納入類C中；[0034]步驟二三、重復(fù)步驟二二直到類C中不再增加新的空間目標(biāo)；7[0037]定義1(核對(duì)象):一個(gè)樣本p以Eps為半徑的圓內(nèi)的有超過一定數(shù)目(≥MinPts)的[0045]步驟五一一、獲取k個(gè)時(shí)刻每個(gè)空間目標(biāo)群中某個(gè)空間目標(biāo)的目標(biāo)量測值1,···,N是第j個(gè)子集中的量測值的標(biāo)號(hào)，zk,j,是第j個(gè)子集中第i個(gè)量測序列值，N是8[0057]所述利用步驟五二一獲得的空間目標(biāo)群的形狀參數(shù)構(gòu)造檢測統(tǒng)計(jì)量判斷空間目[0061]其中，P表示k時(shí)刻空間目標(biāo)群形狀參數(shù)估計(jì)，e服從x2分布，其自其中n為形狀參數(shù)P的維度，ù是群目標(biāo)形狀參數(shù)的估計(jì)誤差，服從正態(tài)分布ü~N(0,z),2是的協(xié)方差，e服從x2分布(卡方分布),a∈[k-H+1,k]是獲取空間目90.7,方差為0.08的高斯分布。GLMB濾波器指數(shù)混合項(xiàng)的修剪門限T設(shè)為1e-5,合并門限U設(shè)[0077]假設(shè)1～19s和20～40s群目標(biāo)形狀的橫向長度分別為8m和16m,群目驗(yàn)隨機(jī)超曲面算法與本發(fā)明具體實(shí)施方式三記載的星凸隨機(jī)超曲面自適應(yīng)形狀算法在群[0081]圖4和圖5中實(shí)線和虛線分別為星凸隨機(jī)超曲面自適應(yīng)建模和圓形先驗(yàn)輪廓算法突變時(shí)，星凸隨機(jī)超曲面算法依然能夠快速做出反應(yīng)。[0082]圖6和圖7是100次蒙特卡洛仿真實(shí)驗(yàn)下圓形先驗(yàn)隨機(jī)超曲面和星凸隨機(jī)超曲面自適應(yīng)形狀兩種算法對(duì)群目標(biāo)OSPA距離和形狀的估計(jì)結(jié)果。從圖6可以看出，兩種算法對(duì)于群目標(biāo)的OSPA距離大體一致，說明兩種算法在群目標(biāo)位置和數(shù)量估計(jì)上性能沒有明顯差距，但本發(fā)明在初始時(shí)刻明顯優(yōu)于傳統(tǒng)算法，收斂速度更快；圖7反映了本發(fā)明提出的星凸隨機(jī)超曲面自適應(yīng)輪廓算法相比圓形先驗(yàn)隨機(jī)超曲面在群目標(biāo)形狀估計(jì)上性能更好，其擬Jaccard距離遠(yuǎn)遠(yuǎn)小于圓形先驗(yàn)隨機(jī)超曲面算法，在20s時(shí)，群目標(biāo)輪廓發(fā)生突變，虛線自適應(yīng)算法比實(shí)線圓形先驗(yàn)更接近突變后的目標(biāo)真實(shí)形狀，突變時(shí)刻擬Jaccard距離迅速增大，目標(biāo)形狀估計(jì)性能迅速變差，但仍可以發(fā)現(xiàn)，本發(fā)明可在短時(shí)間內(nèi)獲得目標(biāo)形狀突變后的11開始開始輸入：各目標(biāo)的初始狀態(tài)聚類進(jìn)行初始分群，得到初始群中心和初始群輪廓對(duì)初始群中心和群輪廓進(jìn)行濾波否k≤T是對(duì)各個(gè)目標(biāo)利用GLMB濾波器進(jìn)行跟蹤濾波對(duì)k時(shí)刻的各個(gè)目標(biāo)進(jìn)行聚類分群，得到各群的群中心對(duì)k時(shí)刻的各群中心和群輪廓進(jìn)行跟蹤濾波輸出：每時(shí)刻的各群中心和群輪廓的濾波值結(jié)束圖20圖4