技术领域本发明属于信息处理领域，特别涉及一种扩展目标联合跟踪与分类方法，可用于目标跟踪系统。
背景技术：
近年来，随着雷达、红外等传感器分辨率的不断提高，扩展目标跟踪技术已引起国内外研究人员的广泛关注。该技术不仅在导弹防御、空中侦察与预警、战场监视等军事领域，而且在机器人视觉、空中交通导航与管制等民用领域也具有广阔的应用前景。扩展目标是指：由于传感器分辨率的提高或目标与传感器间的距离较近，单个目标的回波信号可能落入多个分辨单元中，导致该目标的不同等效散射中心可能同时产生多个量测。根据获得量测信息的不同，扩展目标可进一步分为椭圆扩展目标和非椭圆扩展目标两类。其中，非椭圆扩展目标由于模型的灵活性可描述各种不规则形状的目标，但与其对应的联合跟踪与分类方法也随之变得相当复杂，特别是机动目标，实现难度更大。目前，针对非椭圆扩展目标跟踪与分类方法主要有：基于随机矩阵非椭圆扩展目标跟踪方法和基于随机矩阵非椭圆扩展目标联合跟踪与分类方法。其中，第一种方法以贝叶斯滤波为基本框架，用多个椭圆子目标近似非椭圆扩展目标，子目标采用随机矩阵描述，可实时估计目标的运动状态和扩展状态。同时，为了处理目标机动问题，该方法加入了多模型。然而，由于该方法涉及多模型以及模型与目标和量测之间的关联问题，计算复杂度较高，不适用于实时目标跟踪系统。另外，为了方便起见，该方法也忽略了目标类状态的估计。为此，Lan等人在2014年提出了基于随机矩阵非椭圆扩展目标联合跟踪与分类方法。该方法与第一种方法不同的是加入了类的先验结构信息，包括椭圆子目标之间的空间关系。另外，为了简化模型，该方法仅估计主椭圆的状态。相比于第一种方法，该方法计算简单，误差较小，更易于实现。但是，为了方便起见，该方法忽略了非椭圆扩展目标发生机动的情况，造成此时目标运动状态、扩展状态和类状态的估计误差较大，所以该方法不能应用于基于随机矩阵机动非椭圆扩展目标联合跟踪与分类。
技术实现要素：
本发明的目的在于针对上述问题，提出一种基于随机矩阵机动非椭圆扩展目标联合跟踪与分类方法，以处理非椭圆扩展目标跟踪的机动情况，减小目标的估计误差，提高处于机动时非椭圆扩展目标状态的估计精度。本发明的技术思路是：首先，将非椭圆扩展目标划分为多个椭圆子目标，并通过子目标之间的相对关系表示其结构信息；其次，基于用随机矩阵描述子目标状态的方式，在贝叶斯框架下用多模型方法对子目标进行滤波；最后，根据滤波结果和子目标之间的结构信息实时估计子目标的运动状态、扩展状态以及非椭圆扩展目标的类状态。其实现步骤包括如下：基于随机矩阵机动非椭圆扩展目标联合跟踪与分类方法，包括：(1)初始化k-1时刻的目标状态初始化第i类概率和第i类第j个模型的模型概率分别为：和其中，是第i类第j个模型中目标的运动状态，是第i类第j个模型中目标的扩展状态，j＝1,...,N，N表示模型数，i＝1,...,nc，nc是类数，k＝1；(2)在k≥1时，将nk个k时刻收集到的量测划分为组，并将每一组看为一个整体，得到量测与子椭圆之间的关联事件数为：其中为子椭圆数，(3)对k-1时刻的目标状态进行重新初始化，得到状态其中，是第i类第j个模型中重新初始化后的目标运动状态，是第i类第j个模型中重新初始化后的目标扩展状态；(4)对于重新初始化后的状态进行滤波，得到滤波后第i类第j个模型关联事件l下的更新状态和对应的模型似然其中，和分别为第i类第j个模型关联事件l下的目标更新运动状态和目标更新扩展状态；进一步计算得到第i类第j个模型的模型似然和k时刻对应的目标更新状态x^kj|i=Σl=1nkEx^k(j|i)|lΛkl,j,i]]>V^kj|i=Σl=1nkEV^k(j|i)|lΛkl,j,i]]>Λkj,i=Σl=1nkEΛkl,j,inkE]]>其中，第i类第j个模型中状态更新后的目标运动状态，第i类第j个模型中状态更新后的目标扩展状态；(5)根据已知似然和k-1时刻第i类第j个模型的模型概率计算k时刻第i类第j个模型的模型概率(6)由k时刻的模型概率和目标状态计算得到第i类的目标状态是第i类中目标运动状态，是第i类中目标扩展状态；(7)根据第i类第j个模型的模型似然和对应的模型概率计算第i类的类似然并依据第i类的类似然和第k-1时刻的第i类概率计算得到k时刻的第i类概率并输出；(8)根据第i类中的运动状态和扩展状态计算第i类中所有子椭圆的运动状态和扩展状态并将这两个状态与类i的概率进行概率加权计算，得到子椭圆s的运动状态估计和扩展状态估计并输出；(9)判断跟踪是否结束，若输入下一时刻的目标量测，则令k＝k+1，返回步骤(2)对下一时刻的目标状态进行估计，否则，目标跟踪过程结束。本发明具有以下优点：1)本发明由于是用非椭圆扩展目标状态描述模型，不再把目标近似为一个椭圆，而是近似为多个椭圆，所以能较好拟合目标复杂的扩展状态，较好地减少了有用信息的丢失。2)本发明由于是用非椭圆扩展目标联合跟踪与分类方法，并且融入了交互多模型机制，所以能较好的解决非椭圆扩展目标联合跟踪与分类中目标的机动问题，不仅能较好地跟踪机动非椭圆扩展目标，且能在目标机动情况下给出正确的目标分类状态。附图说明图1是本发明的整体流程图；图2简化的非椭圆目标结构图3是仿真中使用的目标运动轨迹图；图4是本发明部分跟踪结果局部放大图；图5是本发明与基于随机矩阵非椭圆扩展目标跟踪方法的位置均方误差对比图；图6是本发明与基于随机矩阵非椭圆扩展目标跟踪方法的速度均方误差对比图；图7是本发明与基于随机矩阵非椭圆扩展目标跟踪方法的扩展状态均方误差对比图；图8是本发明类概率仿真结果。具体实施方式参照图1，本发明的具体实施包括以下步骤：步骤1.初始化目标状态估计、类概率和类条件下的模型概率。1.1)初始化k-1时刻的目标状态其中，是第i类第j个模型中目标运动状态，是第i类第j个模型中目标扩展状态，j＝1,...,N，N表示模型个数，i＝1,...,nc，nc是类数，初始时刻k＝1；1.2)初始化第i类概率和第i类第j个模型的模型概率分别为：和步骤2.量测划分。在k≥1时，将nk个k时刻收集到的量测用K-means方法划分为组，其中将每一组看为一个整体，计算量测与子椭圆之间的关联事件数为：其中为子椭圆数。步骤3.重新初始化。对k-1时刻的目标状态进行重新初始化，得到重新初始化后的目标状态其中，是重新初始化后的目标运动状态，是重新初始化后的目标扩展状态。步骤4.模型滤波。4.1)对k-1时刻重新初始化后的目标状态进行一步转移，得到第i类第j个模型目标运动预测状态和对应的目标扩展预测状态其中，是在第i类第j个模型中与的一一映射函数，ψj|i(·)是在第i类第j个模型中与的一一映射函数；4.2)根据目标预测状态和k时刻收集到的观测，计算当前时刻第i类第j个模型中关联事件l下的目标状态以及对应模型似然其中为关联事件l下的目标更新运动状态，为关联事件l下的目标更新扩展状态：x^k(j|i)|l=φ(j|i)|l(x^k|k-1j|i,zkl)V^k(j|i)|l=Φ(j|i)|l(V^k|k-1j|i,zkl)---2>]]>其中，表示k时刻关联事件l中nk个量测分配结果，φ(j|i)l(·,·)是第i类第j个模型中关联事件l下与的一一映射函数，Φ(j|i)l(·,·)第i类第j个模型中关联事件l下与的一一映射函数；4.3)估计第i类第j个模型中关联事件l下模型似然Λkl,j,i=f(V^k|k-1j|i,V^k(j|i)|l)---(3)]]>其中，f(·,·)是与的一一映射函数；4.4)根据k时刻第i类第j个模型所有关联事件目标状态和对应的模型似然进行计算，其中得到目标k时刻第i类第j个模型的目标更新状态x^kj|i=Σl=1nkEx^k(j|i)|lΛkl,j,iV^kj|i=Σl=1nkEV^k(j|i)|lΛkl,j,i---4>]]>其中，为目标更新运动状态，为目标更新扩展状态；4.5)对第i类第j个模型中所有关联事件的模型似然进行概率加权求和，得到第i类第j个模型的模型似然Λkj,i=Σl=1nkEΛkl,j,inkE---5>]]>步骤5.模型概率更新。已知第i类第j个模型的模型似然和k-1时刻第i类第j个模型的模型概率得到k时刻第i类第j个模型的模型概率μkj|i=1ckΛkj,iμk-1j|i---6>]]>其中，ck为归一化因数。步骤6.模型估计融合。根据k时刻第i类第j个模型的模型概率和对应的目标状态计算得到第i类的目标状态x^ki=Σj=1Nx^kj|iμkj|i]]>V^ki=Σj=1NV^kj|iμkj|i]]>其中，是第i类中目标运动状态，第i类中目标扩展状态。步骤7.类的概率更新。7.1)根据第i类第j个模型的模型似然和对应模型概率计算得到第i类的类似然Λki=Σj=1NΛkj,iμkj|i---(7)]]>7.2)根据k-1时刻的第i类概率和第i类的类似然计算得到k时刻的第i类概率μki=1ckiΛkiμk-1i---8>]]>其中，nc为类数。步骤8.类的估计融合。Lan等人在2014年提出了基于随机矩阵非椭圆扩展目标联合跟踪与分类方法时给出了类的估计融合计算方法，具体计算方法如下：8.1)根据第i类中的运动状态和扩展状态计算第i类中所有子椭圆的运动状态和扩展状态8.1.1)根据第i类中的目标状态计算第i类中主子椭圆的运动状态和扩展状态x‾k1,i=x^kiV‾k1,i=V^ki/λ,---9>]]>其中，λ为常数；8.1.2)根据第i类中主子椭圆的运动状态和扩展状态利用第i类中包含的非椭圆结构信息，计算第i类中所有子椭圆的运动状态和扩展状态x‾ks,i=x‾ki+[(O^kids,i)T,01×(2d)]TV‾ks,i=O^kiO‾s,iΨ‾s,iΣ^k(Ψ‾s,i)T(O‾s,i)T(O^ki)T---10>]]>其中，ds,i表示第i类的子椭圆s以主子椭圆为参考点的坐标，和分别是主子椭圆扩展状态进行奇异值分解得到的旋转矩阵和对角矩阵，对角矩阵中对角元素是以主椭圆半轴的平方降序排列的；对角矩阵中对角元素是第i类的子椭圆s与主子椭圆半轴之比，旋转矩阵是第i类的非椭圆结构子椭圆s相对于主子椭圆的方向，(·)T表示对矩阵进行转置操作。8.2)根据第i类中所有子椭圆的运动状态扩展状态和第i类的概率计算得到子椭圆s的运动状态估计和扩展状态估计x‾ks=ΔE[xks]=Σi=1ncx‾ks,iμkiV‾ks=ΔE[V‾ks]=Σi=1ncV‾ks,iμki---11>]]>其中，E[·]是求均值操作。8.3)输出子椭圆s的运动状态估计和扩展状态估计步骤9.判断跟踪是否结束。若输入下一时刻的目标量测，则令k＝k+1，返回步骤2对下一时刻的目标状态进行估计，否则，目标跟踪过程结束。本发明的效果可通过以下仿真实验进一步说明：1.仿真条件。仿真环境：计算机采用IntelCorei5-2400CPU3.1Ghz，4GB内存，软件采用MatlabR2012a仿真实验平台。仿真方法：方法一：本发明方法MNEOT-JTC；方法二：现有基于随机矩阵机动非椭圆扩展目标跟踪方法MNEOT。仿真参数：在仿真场景中，简化的非椭圆目标结构如图2所示。假设数据库中已知两类非椭圆扩展目标，即第1类和第2类，它们的结构信息参数分别为：第1类结构信息参数如下：d1,1＝[0,0]T,d2,1＝[0,16.1]Tm,d3,1＝-d2,1,Ψ‾1,1=I2,Ψ‾2,1=Ψ‾3,1=diag([41/70,1]),]]>第2类结构信息参数如下：d1,2＝[0,0]T,d2,2＝[0,7.05]Tm,d3,2＝-d2,2,Ψ‾1,2=I2,Ψ‾2,2=Ψ‾3,2=diag([15.65/30.53,1]),]]>其中，旋转矩阵将仿真场景的非椭圆扩展目标的结构信息参数设定为第1类结构信息参数，设目标从位置[x,y]＝[0,104m]T以的速度移动，其中x和y分别表示目标在x轴和y轴坐标，和分别表示目标在x轴方向和y轴方向上的速度。采样时间间隔T＝0.3s。量测产生点的个数服从参数β＝50的泊松分布，量测产生点的位置服从高斯分布。2.仿真内容和结果分析仿真实验1，用本发明在不同时刻对图3所示的目标运动轨迹进行跟踪，结果如图4，其中：图4(a)是本发明在发生机动前时刻跟踪的局部放大图；图4(b)是本发明在发生机动时刻跟踪的局部放大图；图4(c)是本发明在发生机动后时刻跟踪的局部放大图。从图4可见非椭圆扩展目标在发生机动前时刻、发生机动时刻与发生机动后时刻都能较好的被多个子椭圆拟合，说明本发明方法在不同时刻都能较好地跟踪机动非椭圆扩展目标。仿真实验2，用本发明与现有基于随机矩阵非椭圆扩展目标跟踪方法对图3所示的目标运动轨迹进行位置估计，结果如图5。从图5可见，本发明方法比现有基于随机矩阵非椭圆扩展目标跟踪方法具有更小的位置均方误差RMSE，说明本发明方法较现有基于随机矩阵非椭圆扩展目标跟踪方法具有更好的位置估计。仿真实验3，用本发明与现有基于随机矩阵非椭圆扩展目标跟踪方法对图3所示的目标运动轨迹进行速度估计，结果如图6。从图6可见，本发明方法比现有基于随机矩阵非椭圆扩展目标跟踪方法具有更小的速度均方误差，说明本发明方法较现有基于随机矩阵非椭圆扩展目标跟踪方法具有更好的速度估计。仿真实验4，用本发明与现有基于随机矩阵非椭圆扩展目标跟踪方法对图3所示的目标运动轨迹进行扩展状态估计，结果如图7。从图7可，见本发明方法比现有基于随机矩阵非椭圆扩展目标跟踪方法具有更小的扩展状态均方误差，说明本发明方法较现有基于随机矩阵非椭圆扩展目标跟踪方法具有更好的扩展状态估计。仿真实验5，用本发明在对图3所示的目标运动轨迹进行类概率估计，结果如图8。从图8可见，第1类的类概率逐渐趋于1，第2类的类概率逐渐趋于0，说明仿真实验中非椭圆扩展目标被分为第1类，分类结果与仿真场景中结构信息参数设定吻合，表明本发明方法对机动非椭圆扩展目标分类结果正确。综上所述，本发明方法不仅能在不同时刻较好地跟踪机动非椭圆扩展目标，而且本发明方法较现有基于随机矩阵非椭圆扩展目标跟踪方法在位置、速度和扩展状态估计上有更好的性能，此外本发明方法还能在跟踪机动非椭圆扩展目标同时对非椭圆扩展目标给出正确的分类。仿真实验结果说明了本发明方法有效地解决了基于随机矩阵机动非椭圆扩展目标的联合跟踪与分类问题。