一种基于K-means++聚类算法的多扩展目标跟踪方法
专利汇可以提供一种基于K-means++聚类算法的多扩展目标跟踪方法专利检索，专利查询，专利分析的服务。并且一种基于K-means++聚类 算法 的多扩展目标 跟踪 方法，包括：S1、建立多扩展目标的动 力 学模型和量测模型；S2、初始化ET-GM-PHD 滤波器 以建立新生扩展目标强度函数，并且利用状态转移方程对新生扩展目标强度函数中的高斯混合项进行预测；S3、利用量测模型对K-means++ 聚类算法 进行初次改进，得到改进聚类算法；S4、获取多扩展目标的UWB量测数据，并且利用改进聚类算法对UWB量测数据进行聚类，若聚类得到的子集中包含的扩展目标数量不为1则再次对改进聚类算法进行改进；S5、根据聚类的结果对预测的高斯混合项进行更新和计算；S6、对高斯混合项进行删除或者合并；S7、状态提取，并且返回S2。本 发明 在保证跟踪效果的同时提高了运行速度。，下面是一种基于K-means++聚类算法的多扩展目标跟踪方法专利的具体信息内容。
1.一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，包括如下步骤：
S1、建立多扩展目标的动力学模型和量测模型，其中动力学模型描述为状态转移方程，量测模型描述为线性高斯模型；
S2、初始化ET-GM-PHD滤波器以建立新生扩展目标强度函数，并且利用状态转移方程对新生扩展目标强度函数中的高斯混合项进行预测；
S3、利用量测模型对K-means++聚类算法进行初次改进，得到改进聚类算法；
S4、获取多扩展目标的UWB量测数据，并且利用改进聚类算法对UWB量测数据进行聚类，若聚类得到的子集中包含的扩展目标数量不为1则再次对改进聚类算法进行改进；
S5、根据聚类的结果对预测的高斯混合项进行更新和计算；
S6、对高斯混合项进行删除和合并，并且计算均值和方差；
S7、提取扩展目标的当前状态，并且返回S2。
2.如权利要求1所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S1中，状态转移方程为：
其中 表示第i个扩展目标的状态向量， 用于表征扩展目标的当前
状态， 为扩展目标直角坐标系下的位置向量， 为自定义向量，Fk是k
时刻的状态转移矩阵，T是采样时间， 是过程噪声， 用高斯白噪声表示并且协方差为Qk， 是过程噪声的标准差，Ι2是2×2维单位矩阵，多扩展目标的状态向量组成状态集合其中k为时刻，Nx,k为扩展目标个数；
线性高斯模型为：
其中 表示第i个量测， 分布在扩展目标周围并且用二维位置向量描述，多扩展目标的量测共同建模为 表示，其中i＝1,...,Nz,k，Nz,k表示k时刻的量测个数并且服从泊松分布，Hk是Nz×Nx维量测矩阵， 为量测噪声，Rk为噪声协方差阵， 是量测噪声的标准差，Ι2是2×2维单位矩阵。
3.如权利要求2所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S2中，初始化ET-GM-PHD滤波器过程中初始化初始状态协方差P0、过程噪声的协方差矩阵Qk和量测噪声协方差矩阵Rk，强度函数为 其中
为高斯混合项，预测高斯混合项的方法为：
其中Dk|k-1(x)为预测强度函数，Jk|k-1为预测强度函数的高斯混合项个数， 为第j个预测高斯混合项的权重， 和 分别是第j个高斯混合项的均值和协方差。
4.如权利要求3所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S3中初次改进的具体方法为：
S3.1、限制K-means++聚类算法中K值的取值范围为Jk-1≤K≤Jk-1+Jbeta,k×Jk-1+Jgam,k，其中，Jk-1是k-1时刻得到的目标数估计值，Jbeta,k表示单个目标可能衍生的目标个数，Jgam,k表示k时刻可能的新生目标个数；
S3.2、选择距离每个预测状态 最近的Jk-1个量测作为前Jk-1个初始中心点，余下的K-Jk|k-1个初始中心点的选择与K-means++聚类算法相同，即选择 作为下一个初始中心点并且满足选择概率 其中D(zk)表示量测zk到最近已选择中心点的距离，最终得到K个初始中心点集合C＝{c1,…,ck}。
5.如权利要求4所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S4中检测和判断子集中包含的扩展目标数量是否为1的方法为：
S4.11、计算利用预测状态进行初次划分后的各子集中目标数的最大似然估计其中 表示子集 中包含的期望目标数，γ为单个扩展目标产生的期望量测个数并且为常值；
S4.12、根据各子集中目标数最大似然估计值判断是否为1。
6.如权利要求5所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S4中若聚类得到的子集中包含的扩展目标数量不为1则再次对改进聚类算法进行改进的方法为：
S4.21、计算每个量测与预测状态之间的距离，并按从小到大排序，选取排序中间3位对应的量测并从中随机选择一个作为第一个初始中心点c1，该点与预测状态之间的距离记为TH；
S4.22、计算剩余量测与第一个初始中心点c1之间的距离，在上述距离中选取距离1.6倍TH最近的距离对应的量测作为第二个初始中心点c2；
S4.23、将上述中心点合并到初始中心点集合C；
S4.24、计算每个量测到初始中心点集合C内每个初始中心点ci的距离，依据最小距离对量测集进行划分；
S4.25、重新计算每个聚类的均值并作为中心点
S4.26、重复S4.24至S4.25直到中心点不变。
7.如权利要求6所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S5的具体方法为：
S5.1、对传感器检测到扩展目标时的高斯混合项的权重进行更新
Γ(j)＝e-γ(γ)|W|；
其中 为后验强度函数， 为后验强度函数的高斯混合项，Jk|k为
后验强度函数的高斯混合项个数， 为第j个后验高斯混合项的权重， 和 分别是第j个高斯混合项的均值和协方差，ωP表示对应划分P的权重，pD表示检测概率，P'∠Z'表示将量测集Z'划分为P'种划分，δ|W|,1表示克罗内克函数，γ表示由目标产生量测个数的期望，表示量测似然函数，|W|表示单元W中量测的个数，ck(zk)表示由杂波产生量测的分布函数，一般假设其服从均匀分布，λk表示由杂波产生量测个数的期望并且设为常数；
S5.2、基于卡尔曼公式对传感器检测到扩展目标时的均值和方差进行更新
其中表示 卡尔曼增益矩阵，HK,RK分别表示扩维后的量测矩阵和噪声协方差矩阵；
S5.3、采用如下公式进行计算
其中P∠ZK表示对量测集合Zk进行的P次划分，W∈P表示每个划分中的子集单元W。
8.如权利要求7所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S6的具体方法为：
S6.1、保留权重大于删除门限ηT的高斯混合项，将余下高斯混合项下标集合Τk中距离小于ηM的高斯混合项合并；
S6.2、计算合并后的均值和方差
其中 表示合并后高斯混合项的均值， 表示合并后高斯混合项的协方差，ηM表示合并门限，Γk表示满足合并要求高斯混合项的下标。
9.如权利要求8所述的一种基于K-means++聚类算法的多扩展目标跟踪方法，其特征在于，S7的具体方法为：
S7.1、进行状态提取
S7.2、将更新后的高斯混合项作为下次递归的初始值，在滤波器中进行循环更新。
一种基于K-means++聚类算法的多扩展目标跟踪方法
技术领域
背景技术
发明内容
S2、初始化ET-GM-PHD滤波器以建立新生扩展目标强度函数，并且利用状态转移方程对新生扩展目标强度函数中的高斯混合项进行预测；
S3、利用量测模型对K-means++聚类算法进行初次改进，得到改进聚类算法；
S4、获取多扩展目标的UWB量测数据，并且利用改进聚类算法对UWB量测数据进行聚类，若聚类得到的子集中包含的扩展目标数量不为1则再次对改进聚类算法进行改进；
S5、根据聚类的结果对预测的高斯混合项进行更新和计算；
S6、对高斯混合项进行删除或者合并，并且计算均值和方差；
S7、状态提取，并且返回S2。
直角坐标系下的位置向量， 为自定义向量，可以为速度分量，Fk是k时刻的状态转移矩阵，T是采样时间， 是过程噪声， 用高斯白噪声表示并且协方差为Qk， 是过程噪声的标准差，Ι2是2×2维单位矩阵，多扩展目标的状态向量组成状态集合
其中k为时刻，Nx,k为扩展目标个数；
线性高斯模型为：
其中 表示第i个量测， 分布在扩展目标周围并且用二维位置向量描述，多扩展目标的量测共同建模为 表示，其中i＝1,...,Nz,k，Nz,k表示k时刻的量测个数并且服从泊松分布，Hk是Nz×Nx维量测矩阵， 为量测噪声，Rk为噪声协方差
阵， 是量测噪声的标准差，Ι2是2×2维单位矩阵。
法为：
其中Dk|k-1(x)为预测强度函数，Jk|k-1为预测强度函数的高斯混合项个数， 为第j个预测高斯混合项的权重， 和 分别是第j个高斯混合项的均值和协方差。
S3.2、选择距离每个预测状态 最近的Jk-1个量测作为前Jk-1个初始中心点，余下的K-Jkk-1个初始中心点的选择与K-means++聚类算法相同，即选择 作为下一个初始中心点并且满足选择概率 其中D(zk)表示量测zk到最近已选择中心点的距离，最终得到K个初始中心点集合C＝{c1,…,ck}。
S4.12、根据各子集中目标数最大似然估计值判断是否为1。
S4.22、计算剩余量测与第一个初始中心点c1之间的距离，在上述距离中选取距离1.6倍TH最近的距离对应的量测作为第二个初始中心点c2；
S4.23、将上述中心点合并到初始中心点集合C；
S4.24、计算每个量测到初始中心点集合C内每个初始中心点ci的距离，依据最小距离对量测集进行划分；
S4.25、重新计算每个聚类的均值并作为中心点
S4.26、重复S4.24至S4.25直到中心点不变。
Γ(j)＝e-γ(γ)|W|；
其中Dk|k(x)为后验强度函数， 为后验强度函数的高斯混合项，Jk|k为
后验强度函数的高斯混合项个数， 为第j个后验高斯混合项的权重， 和 分别是第j个高斯混合项的均值和协方差，ωP表示对应划分P的权重，pD表示检测概率，P'∠Z'表示将量测集Z'划分为P'种划分，δ|W|,1表示克罗内克函数，γ表示由目标产生量测个数的期望，表示量测似然函数，|W|表示单元W中量测的个数，ck(zk)表示由杂波产生量测的分布函数，一般假设其服从均匀分布，λk表示由杂波产生量测个数的期望并且设为常数；
S5.2、基于卡尔曼公式对传感器检测到扩展目标时的均值和方差进行更新
其中表示 卡尔曼增益矩阵，HK,RK分别表示扩维后的量测矩阵和噪声协方差矩阵；
S5.3、采用如下公式进行计算
其中P∠ZK表示对量测集合Zk进行的P次划分，W∈P表示每个划分中的子集单元W。
S6.2、计算合并后的均值和方差
其中 表示合并后高斯混合项的均值， 表示合并后高斯混合项的协方差，ηM表示合并门限，Γk表示满足合并要求高斯混合项的下标。
Xk＝[Xk,mk]；
S7.2、将更新后的高斯混合项作为下次递归的初始值，在滤波器中进行循环更新。
图3是仿真实验中本发明的跟踪结果中多扩展目标的数量估计图；
图4是仿真实验中本发明与现有方法的目标个数跟踪结果对比图；
图5是仿真实验中本发明与现有方法的OSPA误差对比图。
具体实施方式
直角坐标系下的位置向量， 为自定义向量，Fk是k时刻的状态转移矩阵，T是采样时间，是过程噪声， 用高斯白噪声表示并且协方差为Qk， 是过程噪声的标准差，Ι2是2×
2维单位矩阵，多扩展目标的状态向量组成状态集合 其中k
为时刻，Nx,k为扩展目标个数。
阵， 是量测噪声的标准差，Ι2是2×2维单位矩阵。
其中Dk|k-1(x)为预测强度函数，Jk|k-1为预测强度函数的高斯混合项个数， 为第j个预测高斯混合项的权重， 和 分别是第j个高斯混合项的均值和协方差。
后验强度函数的高斯混合项个数， 为第j个后验高斯混合项的权重， 和 分别是第j个高斯混合项的均值和协方差，ωP表示对应划分P的权重，pD表示检测概率，P'∠Z'表示将量测集Z'划分为P'种划分，δ|W|,1表示克罗内克函数，γ表示由目标产生量测个数的期望，表示量测似然函数，|W|表示单元W中量测的个数，ck(zk)表示由杂波产生量测的分布函数，一般假设其服从均匀分布，λk表示由杂波产生量测个数的期望并且设为常数。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种立式空调 | 2020-05-08 | 301 |
| 三维场景重构中几何线索感知的像素级点云稠密化方法 | 2020-05-13 | 388 |
| 电压评估方法及实施该评估的装置 | 2020-05-13 | 207 |
| 一种电子商务平台用户重复购买行为预测方法 | 2020-05-11 | 304 |
| 基于模型预测控制架构的综合能源系统优化运行方法及系统 | 2020-05-14 | 248 |
| 一种图像显著目标的检测方法 | 2020-05-11 | 974 |
| 一种消防应急灯 | 2020-05-15 | 187 |
| 一种互联互通地铁信标定位处理系统 | 2020-05-08 | 699 |
| 用于藉由LIDAR传感器来采集入射风场以及对其进行建模的方法 | 2020-05-14 | 948 |
| 一种上行功率控制方法及装置 | 2020-05-13 | 471 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
