基于广义概率假设密度的多目标运动估计方法研究.docx

?

?

基于广义概率假设密度的多目标运动估计方法研究

?

?

余萌徐琰珂胡茄乾

摘要：面向空对空作业的发展需求，提出了一种基于广义概率假设密度的多目标运动估计方法。在Faster-RCNN方法基础上引入多尺度分析，并利用改进K-means方法对观测目标进行粗聚类，以此为前置输入，提出了基于广义泊松分布的概率假设密度滤波器，将聚类信息纳入滤波估计的权重更新中，增强了对变阵群目标的跟踪时效性。仿真结果表明，本文方法在没有初始聚类信息的先验知识下，依然能够完成对多目标的识别分类与跟踪，且精度优于现有的集群目标运动估计方法。

关键词：多目标运动估计;K-means聚类;目标识别;概率假设密度;态势感知

：TJ765;TP391.4?：???A：1673-5048（2021）04-0037-06

0引?言

为适应日趋复杂的作战环境，多飞行器协同作战方案逐渐成为当前空中打击作业的热点方向。美国海军研究的低成本无人机蜂群（DroneSwarm）技术已经成功完成了多次实地测验，初步实现了无人机集群编队飞行与快速机动。俄罗斯新的S-70“猎人”（Okhotnik-B）重型隐形无人机成功伴飞苏-57，突出了战斗支援角色，旨在扩大战斗机的能力。这些无人机集群和无人机与有人机的编队，大大加强了空中打击力量的突防能力，为国土防空增加了新的压力。为实现对空中集群目标的有效防御，需要发展具有集群目标针对性的跟踪应对技术。

通常情况下，多飞行器集群目标都是按照一定的编队飞行方式进行空中作业，通过在复杂背景中进行机动目标集群聚类分析，可以实现对集群目标的阵群态势粗估计。传统的无监督聚类方法（如谱聚类、K-means等）容错性差，且对初始值非常敏感，尤其对有噪声的机动目标聚类效果欠佳。本文在Faster-RCNN方法基础上引入多尺度分析，并利用改进K-means方法对观测目标进行了粗聚类，将集群目标的态势粗估计分为群目标识别以及类别数估计两部分，旨在提升集群目标运动估计精度的同时，增强估计方式的灵活性。

在群目标识别方面，本文以Faster-RCNN为基础进行改进。经典R-CNN[1]采用了SelectiveSearch算法来提取图像中可能存在的兴趣区域（RegionsofInterest），之后对每个提取区域采用标准的卷积神经网络（CNN）进行分类。在R-CNN后，?2015年提出的Fast-RCNN[2]采用兴趣区域池化来共享计算量较大的部分，以此提高模型的效率，随后发展的Faster-RCNN[3-4]是建立在Fast-RCNN基础上的一个完全可微分模型，在卷积层后使用RegionProposalNetwork（RPN）生成一系列靶块，对其进行裁剪过滤后利用softmax判断靶块属于前景还是后景，同时使用另一分支进行靶块修正，凝练较为精确的提议（Proposal）。Faster-RCNN与Fast-RCNN的明显区别就是使用了RPN代替了选择性搜索来产生提议，并强调提议的CNN网络与目标识别的CNN共享。Faster-RCNN同时将特征抽取、候选区域提取、边界框回归、分类整合到了一个网络当中，使目标识别的综合性能得到了很大改进。

分类态势粗估计可以为多目标跟踪提供前置输入。传统的多目标跟踪方法有联合数据关联方法（JPDA）[5]、假设目标跟踪方法（MHT）[6-7]等，这些方法多利用先验假设，将集群目标出现的几类运动情景综合考虑（如遮挡、虚报或目标合并等）。考虑到目标以集群为单位运动时，目标的数量、阵群会发生变化，而传统方法对阵群可变的目标运动估计解释性不足[8]，本文基于随机有限集合思想的扩展目标概率假设密度（ET-PHD）滤波方法[9]，面向阵群可变的多目标运动估计提出相应的方案。核心方法是利用先验的粗聚类信息为ET-PHD方法提供聚类初值，并引入广义泊松分布来增强对概率强度估计的解释性，进而提高对阵群可变的目标跟踪品质。航空兵器2021年第28卷第4期

余萌，等：基于广义概率假设密度的多目标运动估计方法研究

1多目标编队的态势粗估计

1.1基于Faster-RCNN的多目标识别

多目标识别是多目标运动估计的前置环节，能够为后续态势感知、运动估计提供基礎数据。考虑应用背景，本文选择深度学习方法——Faster-RCNN，对组网结构进行量体裁衣，发展了基于Faster-RCNN的集群目标识别方法，使用的敏感器为机载单目相机。

1.1.1数据库选择与组建

选择的深度学习训练集为DOTA（ALarge-ScaleDatasetforObject