Abstract
In view of excessive measurements partition number, a large computation load of extended target tracking and leakage estimation when the extended targets cross, an extended target tracking algorithm based on GMPHD with mean shift and graph structure is proposed. Firstly, the kernel density estimation is used to eliminate the clutter measurements. Secondly, mean shift algorithm is adopted to divide the extended target measurements set, and sub-division is considered to carry or not based on the information fed back from the updated graph structure. Then, the extended target GMPHD algorithm is used to filter. Finally, the graph structure is updated by the one-step predicted value of the filtering result, and the updated graph structure information is used to guide the measurement partition at the next moment. Matlab simulation shows that the algorithm proposed decreases largely the number of measurements partition, reduces the computational complexity, and solves the leakage estimation problem when the targets cross.
Highlights
针对上述问题, 本文提出一种基于 mean shift 和图结构( graph structure,GS) 的扩展目标 GMPHD 滤波算法。 采用 mean shift 算法对扩展目标的量测 集进行划分,并依据图结构更新后反馈回的信息判 断是否需要对量测集进行子划分;使用图理论对扩 展目标间的关系进行建模,搭建图结构,并使用滤波 值的一步预测更新图结构,反馈更新后的图结构信 息至量测划分步用以指导下一时刻的量测划分。 仿 真实验验证了算法的有效性和准确性。
本文针 对传统的基于距离划分的扩展目标 GMPHD 滤波算法量测划分数多、运算量大的问题 以及交叉时刻产生的目标数漏估问题,提出一种基 于 mean shift 和图结构的扩展目标 GMPHD 滤波算 法。 采用 mean shift 聚类代替传统的距离划分,有 效地降低了算法的运算量。 使用图理论对不同扩展 目标间的关系进行建模,实时动态地获取目标间的 距离关系,并将该信息反馈回量测划分步以判断是 否进行子划分,图结构的引入很好地解决了目标交 叉时 刻的漏估问题。 仿真实验证明, 本 文 所 提 MSGS⁃GMPHD 算法拥有比传统算法更好的估计 性能。
Summary
摘 要:针对当前扩展目标跟踪算法中,量测划分数过多、计算量过大,目标交叉时刻易产生漏估等问 题,提出一种基于 mean shift 和图结构的 GMPHD 扩展目标跟踪算法。 首先,引入核密度估计剔除杂 波量测;其次,采用 mean shift 算法对扩展目标量测集进行划分,并依据图结构更新后反馈回的信息判 断是否需要进行子划分;然后,采用扩展目标 GMPHD 算法进行滤波处理;最后,对滤波结果进行一步 预测,更新图结构,并使用更新后的图结构信息指导下一时刻的量测划分。 matlab 仿真表明,所提算 法大幅减少了量测划分数,降低了运算量,解决了扩展目标交叉时刻的漏估问题。 关 键 词:扩展目标跟踪;mean shift;图结构;GMPHD;量测划分;计算效率;matlab 中图分类号:TN957 文献标志码:A 文章编号:1000⁃2758(2018)03⁃0420⁃06 近几年来,随着雷达分辨率的不断提高,针对扩 展目标跟踪问题的研究已经引起国内外学者的广泛 关注[1⁃8] 。 2009 年, Mahler 推导出了随机有限集框 架下扩展目标概率假设密度( probability hypothesis density, PHD ) 滤波器的递推方程[3] 。 随 后, Granstrom 等学者在线性高斯条件的假设下,给出了 扩 展 目 标 PHD 滤波器的高斯混合 ( Gaussian mixture,GM) 实现方式[4] 。 2012 年,Granstrom 等进 一步对扩展目标 GMPHD 滤波算法作了详细论述, 并用实测数据对算法进行了验证[5] 。 然而,该算法 存在 2 个问题:1随着扩展目标个数的增多,量测划 分数也随之增多,运算量大幅上升;2在扩展目标发 生交叉运动的时刻,目标数目易产生漏估。 针对算 法所存在的问题,Zhang 等提出一种基于快速模糊 自适应谐振理论( adaptive resonance theory,ART) 的 扩展目标量测集划分方法[6] ,实现了对量测集的快 速划分,提高了算法的实时性,然而,在目标较为密 集和杂波条件下,模糊 ART 算法易出现“ 饱和” 问题 导致分类错误[7] 。 孔云波等提出一种基于网格密 度分布和谱聚类的扩展目标量测集划分算法[7] ,与 传统的距离划分相比,运算量降低了 38%。 刘风梅 等采用 mean shift 对量测集进行划分,使算法的运 算量进一步降低[8] 。 鉴于 mean shift 算法在量测划
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have