CN101984362B - 基于数据压缩的集中式多源广义相关跟踪方法 - Google Patents

Abstract

本发明公开了一种基于数据压缩的集中式多源广义相关跟踪器，该技术属于雷达数据处理领域。杂波环境下的多目标跟踪技术是目标跟踪领域重要且难以处理的问题，在对算法实时性和跟踪精度均有一定要求的实际场合下，现有的多源多目标跟踪方法难以满足系统的要求。本发明基于数据压缩中的点迹合并方法把对应同一目标的多个量测压缩成一个等效量测，根据各等效量测及进行数据压缩后剩余的量测产生互联假设，同时利用多源广义相关算法得分函数递推公式计算各互联假设的得分，并挑选得分最大的互联假设实现融合中心的状态估计。该跟踪器对杂波下多目标跟踪时同时具有较好的跟踪精度和实时性，可以应用于各种集中式结构的多源信息融合系统，具有推广应用价值。

Description

基于数据压缩的集中式多源广义相关跟踪方法

一、技术领域

本发明涉及雷达数据处理领域中的基于数据压缩的集中式多源广义相关方法，适用于各种集中式结构的信息融合系统。 

二、背景技术

在许多实际的集中式多源多目标跟踪系统中，数据压缩方法常用于提高系统的实时处理速度。点迹合成式是一种最基本的数据压缩方法，其将多部传感器在同一时间对同一目标的点迹合并起来，将多个探测数据合成一个等效数据。 

广义相关方法是极大似然类数据互联技术中的一种经典方法，其利用最大似然法实现量测与航迹的最优互联和交接，主要特征是定义了一个得分函数，并通过该得分函数实现对航迹的起始、确认、门限逻辑和撤销，很好的解决了密集杂波环境下的多目标跟踪问题，而且，与其他多目标跟踪算法相比，广义相关算法计算量较小。 

密集杂波环境下的集中式多源多目标跟踪技术是目标跟踪领域重要且难以处理的问题。在对系统实时性及跟踪精度均有一定要求的实际场合下，L.Y.Pao提出的并行处理结构的集中式多传感器联合概率数据互联(Centralized Multi-sensor Joint Probabilistic Data Association：CMS-JPDA)算法和顺序处理结构的CMS-JPDA算法跟踪精度较高，但算法计算量太大，难以满足系统的实时性要求，工程上实现起来比较困难；其他经典的集中式多源多目标跟踪方法也存在上述问题，如集中式多源多假设方法、集中式多源广义S-维分配方法；基于最近邻域及概率最近邻域思想的集中式多源多目标跟踪方法实时性较好，但在杂波较密集时跟踪精度偏低，难以满足系统的跟踪精度要求。 

三、发明内容

1.要解决的技术问题 

本发明的目的在于提供一种在对系统实时性及跟踪精度均有一定要求的实际场合下适用的基于数据压缩的集中式多源广义相关跟踪器。该跟踪器基于广义相关方法，拥有广义相关方法本身的优点，通过建立多传感器状态下的得分函数，实现量测与航迹的最优互联和交接，使其在密集杂波环境下对多目标保持较高的跟踪精度；而且，该跟踪器在融合中心利用数据压缩中的点迹合并方法把对应同一目标的多个量测压缩成一个等效量测，解决当量测数较大时系统存储量饱和的问题，使该跟踪器更便于工程实现。 

2.技术方案 

本发明所述的基于数据压缩的集中式多源广义相关跟踪器，包括以下技术措施：首先，应用点迹-点迹互联算法对每个传感器送来的观测数据进行排列组合，找出各传感器在同一时间对同一目标的点迹集合；然后，利用数据压缩中的点迹合并方法把对应同一目标的多个量测压缩成一个等效量测；最后，根据各等效量测及进行数据压缩后剩余的量测产生互联假设，同时利用多传感器广义相关算法得分函数递推公式计算各互联假设的得分，并挑选得分最大的互联假设完成融合中心的状态更新。 

3.有益效果 

本发明相比背景技术具有如下的优点： 

(1)该跟踪器可避免当融合中心量测数较大时集中式系统存储量饱和的问题； 

(2)该跟踪器同时具备较好的跟踪精度和实时性，适用于对系统实时性及跟踪精度均有一定要求的实际场合。 

四、附图说明

说明书附图是本发明目标状态更新的单次循环流程图。 

五、具体实施方式

以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明目标状态更新的单次循环方式分以下几个步骤： 

(1)计算装置1接收k时刻融合中心所得综合量测集Z(k)，确定N_s个传感器落入目标t确认区域内的量测集合。设该集合为 

${\tilde{Z}}^t\left(k\right)={\left\{Z^{l^{*}}\left(k\right)\right\}}_{l=1}^{N_t}$

$Z^{l^{*}}\left(k\right)={\left\{z_i^{l^{*}}\left(k\right)\right\}}_{l=1}^{{\tilde{m}}_l^t\left(k\right)}$

其中，N_t为量测落入目标t确认区域内的传感器个数； 

为传感器l落入目标t确认区域内的量测数。 

(2)计算装置2接收来自计算装置1的输出结果完成点迹互联。若目标t确认区域内来自传感器m的第i个量测 

和来自传感器n的第j个量测 

满足 

$|z_i^{m^{*}}\left(k\right)-z_j^{n^{*}}\left(k\right)|\≤d_0$

则称两点迹互联，其中d₀为关联波门；在多目标情况下，一个传感器的点迹可能与另一传感器的多个点迹互联，此时采用最近邻域法确定互联点迹。利用上述点迹-点迹互联方法可得 出N_t个传感器在k时刻对应于目标t的量测集合，记为 

同时将剩余的量测存入存储装置3。 

(3)计算装置4接收来计算装置2的输出数据，利用点迹合成公式得出等效量测点z″^t(k)，点迹合成公式为 

$z^{\′\′t}\left(k\right)=R\underset{l=1}{\overset{N_t}{\mathrm{\Σ}}}{R}_{i_l}^{l-1}{z}_{i_l}^l{\left(k\right)}^{\′}$

其中， 

为落入目标t确认区域内的传感器l的第i_l个量测 的量测误差协方差；R为等效量测z″^t(k)的量测误差协方差，且 

$R={\left[\underset{l=1}{\overset{N_t}{\mathrm{\Σ}}}{R}_{i_l}^{l-1}\right]}^{-1}$

将z″^t(k)存入存储装置3，此时，存储装置3中为数据压缩后落入目标t确认区域内的量测集合，其由等效量测点z″^t(k)及数据压缩后的剩余量测组成，设该集合为Z^t(k)，量测个数为 

(4)对每个目标重复上述三步，并将每次循环中存储装置3中的数据全部存入存储装置5；存储装置5中存储的是所有目标数据压缩之后确认区域内的量测集合，记为 

其中T为目标总数，量测个数集合为 

(5)计算装置6接收存储装置5的输出结果，定义量测集合 其中， 

为Z^t(k)中的任一量测，令θ(k)为量测集合 

中的各量测与目标t(t＝1，2，…，T)对应互联的事件；根据θ(k)的定义方法，可得到多个互联事件。 

(6)计算装置7接收来计算装置6的输出结果，根据多源状态下广义相关得分函数递推公式计算每个互联事件的得分，得分最高的事件为最可能出现的互联假设，利用得分最高的互联事件完成各目标在k时刻的状态更新及状态协方差更新。 

Claims (1)

1.基于数据压缩的集中式多源广义相关跟踪方法，其特征在于，利用各目标数据压缩后的等效量测及确认区域内的剩余量测构造互联事件；推导多源广义相关算法得分函数递推公式，并利用该公式计算每个互联事件的得分；具体为：

根据融合中心所得综合量测集，确定落入各目标确认区域内的量测集合，通过点迹互联、点迹合并将对应同一目标的多个量测压缩成一个等效量测；设z″^t(k)为目标t的等效量测点，集合Z^t(k)由z″^t(k)与目标t确认区域内数据压缩后的剩余量测组成，记所有目标数据压缩之后确认区域内的量测集合为

定义量测集合

其中，为Z^t(k)中的任一量测，令θ(k)为量测集合

中的各量测与目标t对应互联的事件，其中t＝1，2，…，T，T为目标总数；根据θ(k)的定义方法，可得到多个互联事件；

针对互联事件θ(k)，根据单传感器广义相关算法中得分函数的递推公式，推导多源广义相关算法得分函数递推公式为：

$L^{\mathrm{\θ}}\left(k\right)=(n_k-n_{k-1})\ln \frac{\underset{l=1}{\overset{N_s}{\mathrm{\Σ}}}{\mathrm{\β}}_l}{\underset{l=1}{\overset{N_s}{\mathrm{\Σ}}}{\mathrm{\λ}}_{N_l}^{\′}}+\underset{i=1}{\overset{n_{k-1}}{\mathrm{\Σ}}}{L}_i\left(k\right),$

其中，n_k和n_k-1分别为k时刻和k-1时刻融合中心所跟踪的航迹条数；N_s为传感器的个数；β_l为传感器l新源密度，包含传感器l能检测到的新目标密度β′_l和虚警密度λ_N；L_i(k)为互联事件θ(k)为真时k时刻第i条航迹的得分；且

${\mathrm{\λ}}_{N_l}^{\′}={\mathrm{\λ}}_N+{\mathrm{\β}}_l^{\′}(1-e^{-1/D_E^l})$

其中，

为传感器l的平均航迹长度。

Images