CN103116688B - 用于机载航电系统的多源异类传感器目标航迹关联方法 - Google Patents

Abstract

本发明公开了一种用于机载航电系统的多源异类传感器目标航迹关联方法,本发明的实现步骤是：首先利多源异类传感器提供的目标运动状态信息进行一次解关联，并计算基于目标运动状态的航迹关联成功概率；然后再利用多源异类传感器提供的目标属性（或特征）信息计算基于目标特征信息的航迹关联成功概率；最后通过对上述二类关联成功概率进行加权合成，形成最终的关联矩阵，并通过二次解关联确定最终的关联航迹对。该关联结果将送入其他融合处理模块进行进一步处理。本发明航迹关联方法具有关联判决简单易行，计算量小、关联正确概率高，对目标交叉不敏感，特别适用于工程实现等优点。

Description

用于机载航电系统的多源异类传感器目标航迹关联方法

技术领域

本发明涉及机载航电综合技术,尤其涉及机载多源异类传感器信息融合技术，主要提出了基于目标状态与特征信息的航迹关联方法，以解决目标密集、交叉情况下的多源异类信息源航迹关联问题。

背景技术

未来战争将由以平台为中心演变成以网络为中心，是海、陆、空、天、电一体化的网络战、信息战。在网络一体化作战环境中，电磁环境十分恶劣，诱饵干扰非常复杂，所以依靠单传感器已无法满足现代战争需求，必须综合利用机载多传感器信息(如雷达、红外、激光、电视摄像、敌我识别、电子支援措施、电子情报等多种有源、无源探测设备)以及机外陆海空天一体化多平台信息网络资源。这样，军事指挥员所需处理的信息种类非常复杂，信息的来源和形式多种多样，甚至面临着多源信息组合爆炸的难题，所以迫切需要信息融合技术对多种类型、多种形式的巨量信息进行相关、分析、加工、优化和推理，给出多平台多传感器信息的统一描述，形成精确统一的战场态势信息。

多源信息融合的关键在于数据关联。由于每个机载传感器往往是独立、异步工作的，不同平台上的传感器更是如此。在多目标环境下，数据关联的目的是将不同传感器针对同一目标的探测跟踪信息关联起来，利用信息的冗余和互补特性进行优化综合处理。在网络化作战环境中，只有通过一定的准则和算法把不同平台、不同传感器的数据进行有效的组织和关联起来，才能进行综合分析、优化合成和融合推理判决。因此，从我国新一代战机作战的军事需求出发，开展多源异类传感器目标信息关联技术的研究，具有相当重要的理论意义和国防应用价值。

国内外研究者在多源信息关联方面已开展了大量的研究，主要分为目标点迹-点迹的关联、点迹-航迹的关联、航迹与航迹的关联。

已有的研究成果中，用于目标点迹-点迹的关联以及目标点迹-航迹的关联算法有：全局最近领方法(NN)、联合概率数据互联(JPDA)方法和多假设检验法(MHT)等。JPDA比较适合于在均匀杂波或已知杂波分布的目标环境下解决目标回波与航迹的数据关联问题，不适合解决有一一对应关系的传感器航迹之间的相关处理。MHT法原本是用于点迹—点迹、点迹-航迹的关联，当把航迹看作点迹时，也可解决航迹与航迹的关联，但MHT法不仅考虑落于跟踪门内的所有回波，而且考虑跟踪过程中所建立的所有假设及其所产生的虚拟航迹，虽然互联准确性高，但须消耗系统大量的计算资源和存储资源，且由于MHT需要对历史进行追溯，不能根据当前假设结果实时输出，所以存在实时性问题，不便于工程实现。NN方法计算量小，便于工程实现，且即可用于点迹-点迹的关联、点迹-航迹的关联，也可用于航迹与航迹的关联。但在目标交叉飞行或杂波密集情况下，NN方法容易误跟或丢失目标，或造成误判。

已有的研究成果中，用于航迹-航迹关联的方法主要有加权航迹关联算法、序贯航迹关联算法、有限记忆和衰减记忆航迹关联算法、双门限航迹关联算法、全局最近领方法(NN)和K近领(K-NN)法等。

加权航迹关联算法主要根据二条航迹之间的统计距离是否落入一定门限来判决它们是否相关，相当于NN关联算法中的粗判决；序贯航迹关联算法是在加权航迹关联的基础上把航迹当前时刻的关联与历史联系起来、并赋予一定的关联质量管理和多义性处理，因而其相关正确概率得到了很大改善；有限记忆航迹关联算法则在序贯航迹关联算法的基础上加了滑窗，取最近的k次统计距离进行判断，衰减记忆航迹关联算法则在有限记忆航迹关联算法的基础上对每个时刻的统计距离乘上衰减因子，从而可去掉滑窗，减小不必要的计算量；双门限航迹关联算法则在序贯航迹关联算法的基础上又定义了航迹脱离质量，通过航迹关联质量和航迹脱离质量来控制关联检验的完成与终结，依次提高关联速度

上述几种算法都是由加权航迹关联算法发展而来的，在一定程度上提高了关联正确性，但带来了较大的关联延迟和关联判决的复杂性。NN算法是在加权航迹关联算法的基础上增加了最小统计距离判决，其关联准确性较加权航迹关联算法高，并具有计算量小、无关联延迟、便于工程实现的优点。但在某时刻二条最接近的航迹未必是同一目标，尤其是在目标密集或交叉飞行的情况下。K-NN算法是在序贯航迹关联算法的基础上增加了最小统计距离判决，较NN算法提高了关联准确性，但同时又增加了滑窗和计算量，并带来了较大的关联延迟。

另外，上述所有关联算法都没有考虑利用目标的特征信息，而事实上，许多传感器都可以提供目标在不同层次的特征信息或属性识别信息，并能提供相应的识别置信度，如果将目标的特征或属性信息用于航迹关联，则必然大大提高目标航迹关联的正确概率。

发明内容

针对现有航迹关联技术存在的缺陷,本发明的目的在于提供一种用于机载航电系统的多源异类传感器目标航迹关联方法，该方法基于目标状态与特征信息的二次解关联方法来解决目标密集、交叉情况下的多源异类信息源航迹关联问题，并采用了易于工程实现的修正NN关联处理算法，彻底解决了现有关联算法中的关联延迟与提高关联准确性这一对矛盾。对现有NN关联算法的修正之处主要是充分利用航迹的历史信息，采用衰减记忆法来对统计距离进行累积，以克服目标密集和交叉情况下的关联错误。本发明方法能用于机载航电综合系统和各类多平台多传感器信息融合系统。

本发明的发明目的是通过以下的技术方案实现的：

1)对多源异类传感器数据进行时空对准

由于机载传感器往往是异步工作的，各传感器的探测机理不同，所获得的数据具有不同的坐标系和不同的系统延迟，所以关联处理前需将不同传感器的数据在时间上进行对准，并选用一个合适的坐标系，用坐标变换把各传感器数据都统一到同一个的坐标系中。这是数据关联处理的前提，时空对准误差将直接影响关联处理的准确性和置信度。

2)对时空对准后多源异类传感器数据进行关联粗判决

为提高关联的正确概率，也为了减少关联处理所需的运算时间，首先要针对待关联的二个传感器中每条目标航迹所有相同的参数，分别计算参数之间的差值，并设置一系列门限，对所有参数差值进行判断，只要有一对参数差超出门限的，就可直接设其统计距离为最大值D_max。

3)针对待关联的二个异类传感器，根据目标运动状态(位置、速度、加速度)，采用衰减记忆法计算统计距离，并构建统计距离矩阵，设和分别为传感器1第i条航迹和传感器2第j条航迹第k帧的状态估计,则采用衰减记忆法计算这二条航迹的统计距离方法如下：

当 $D_{ij}^k\≥D_{max}$ 时， $D_{ij}^k=D_{max}$

其中：分别为传感器1第i条航迹和传感器2第j条航迹第k帧状态估计的协方差矩阵,λ为小于1的衰减系数，为第k帧的统计距离，为考虑历史积累的统计距离，D_max为根据目标密度和这二条航迹的方差所设定的阈值，当时认为这二条航迹肯定不是针对同一目标的，即不可能关联。

根据构建基于目标运动状态的统计距离矩阵，即

4)针对关联矩阵D(k)进行一次解关联，并计算二个传感器每个航迹对基于目标运动状态的关联成功概率；

根据关联矩阵，用全局最优的方法(Munkres法)或次优的方法(工程上使用)进行一对一解关联，并设置计数器m_ij和M_ij，分别记录每个航迹对的关联成功次数m_ij和总的关联处理次数M_ij，每次解关联运算后根据解关联结果对m_ij和M_ij进行累加，并对每个航迹对，根据m_ij和M_ij计算基于目标运动状态的关联成功概率

$P_{ij}^s=\frac{m_{ij}}{M_{ij}}$

5)计算二个传感器每个航迹对基于目标属性关联的成功概率

设传感器1第i条航迹和传感器2第j条航迹具有同一层次上的目标属性识别信息(或特征信息)A_i、A_j，其识别置信度分别为m₁(A_i)、m₁(θ)和m₂(A_j)、m₂(θ)，(θ为不确定或未识别判决)，则基于二个传感器特征信息的关联成功概率计算方法如下：

$\begin{array}{c}{P}_{ij}^c=\underset{A_i\∩A_j\≠\mathrm{\φ}}{\underset{A_i\⋐A,A_j\⋐A}{\Σ}}\left(m_1\right(A_i)*m_2(A_j)+0.5*m_1(\mathrm{\θ})*m_2(A_j\left)\right)\\ +0.5*m_2\left(\mathrm{\θ}\right)*\underset{A_i\⋐A}{\Σ}{m}_1\left(A_i\right)+m_1\left(\mathrm{\θ}\right)*m_2\left(\mathrm{\θ}\right))\end{array}$

其中，A表示目标属性集，φ表示空集，A_i∩A_j≠φ表示传感器1第i条航迹与传感器2第j条航迹的目标属性识别结果相容(不冲突)，表示对传感器1第i条航迹与传感器2第j条航迹所有具有相容目标属性识别结果进行求和，表示对传感器1第i条航迹的所有目标属性识别结果求和。

若传感器1第i条航迹和传感器2第j条航迹在几个不同层次上都有相应的目标属性识别信息(或特征信息)，则可根据这些目标属性(或特征)信息的重要程度，通过加权平均方法计算基于二个传感器特征信息的总的关联成功概率：

$P_{ij}^c={\mathrm{\α}}_1*P_{ij}^{c1}+{\mathrm{\α}}_2*P_{ij}^{c2}+...+{\mathrm{\α}}_n*P_{ij}^{cn}$

其中，α₁、α₂…α_n为加权系数，α₁+α₂+…+α_n＝1。分别表示传感器1第i条航迹和传感器2第j条航迹基于目标属性n的关联成功概率，n为属性层次总数。

6)结合基于目标运动状态和目标属性的关联成功概率，构建总的关

联成功概率矩阵P，并进行二次解关联

基于目标运动状态和特征信息的总的关联成功概率计算方法如下：

其中，β₁、β₂为加权系数，β₁+β₂＝1。M分别为M_ij的门限值。

根据P_ij构建传感器1和传感器2的总的关联矩阵针对P进行二

次解关联，二次解关联算法同一次解关联，其解算结果即确定为传感

器1和传感器2航迹的最终关联结果。该关联结果将送入其他融合处理

模块进行进一步处理，如：航迹合成与融合识别判决等。

需要说明的是：

●每帧都能实时计算，所以每帧都可根据关联矩阵P进行解关联，并把解关联结果输出，没有时间延迟。随着时间的推移，解关联的正确概率和置信度会越来越高。

●由于关联的可传递性，对于多平台多传感器系统，可根据传感器精度先选择二个传感器进行关联，形成局部航迹，然后再用同样的方法将局部航迹文件与第三个传感器进行关联，以此类推。一般先选数据精度高的传感器进行关联运算，这样可保证有较关联正确概率。

较现有的航迹关联方法，要发明方法同时利用了目标的运动状态和特征信息，并充分利用了航迹的历史信息。在目标密集和交叉环境中，它有效地提高了关联准确概率，它没有给系统带来任何关联延迟，也不需要加滑窗，且关联判决也变的简单易行。实验室测试证明本发明提出的航迹关联方法具有计算量小、关联正确概率高，对目标交叉不敏感，特别适用于工程实现等优点。

附图说明

以下将结合附图和实施例对本发明作进一步的说明。

图1是本发明的工作原理图；

图2是100个目标环境下ESM(32个目标)与数据链(100个目标)的正确关联概率曲线(横轴为时间，单位为帧号，纵轴为关联正确概率)，

图3是100个目标的真实运动轨迹(横轴纵轴单位均为米)；

图4是数据链仿真器提供的目标运动轨迹(横轴纵轴单位均为米)；

图5是在目标真实运动轨迹上叠加了ESM仿真器提供的目标运动轨迹(横轴纵轴单位均为米)。

具体实施方式

结合附图1—图5进一步说明本发明方法是如何实现的。

实施例

如图1所示，ESM是无源探测系统，它能提供目标相对于本机的距离和方位、和电磁辐射特征信息，通过对目标电磁辐射特征参数进行分选，并与辐射特征库比较，ESM可识别出目标的敌我属性、目标类型和型号，并给出识别置信度；数据链能提供目标的经纬度、高度、速度、航向以及目标敌我属性、目标类型、型号信息。因此，基于本发明所提供的航迹关联方法，数据链与ESM航迹关联的具体实施方式包括以下步骤：

1)将ESM与数据链数据进行时空对准：

●将数据链提供的目标经度、纬度、高度转换成飞机地理系统的三维位置(XYZ)

●针对每个ESM目标，计算ESM与数据链目标数据的时差T，根据时差T和数据链目标速度、航向信息，将数据链目标位置(XYZ)数据推至ESM目标数据时刻

●将时间对准后的数据链目标位置(XYZ)转换成相对于载机的距离和方位

2)对时空对准后ESM和数据链目标数据进行关联粗判决：

●根据数据链目标与电子对抗的方位差、距离变化趋势、方位变化趋势进行粗判决，将距离差、方位差大于门限或距离变化趋势、方位变化趋势不一致的航迹对的统计距离设为最大值，即

当 $\left|{\mathrm{\α}}_1-{\mathrm{\α}}_2\right|\≥m\×\sqrt{{\mathrm{\σ}}_{1\mathrm{\α}}^2+{\mathrm{\σ}}_{2\mathrm{\α}}^2}$

或 $\left|r_1-r_2\right|\≥m\×\sqrt{{\mathrm{\σ}}_{1r}^2+{\mathrm{\σ}}_{2r}^2}$

或Δr₁*Δr₂＜0

或Δα₁*Δα₂＜0时，

$D_{ij}^k=D_{max}$

其中为当前帧的统计距离，D_max为统计距离的最大值；α₁、α₂、r₁、r₂分别为ESM目标和经时间对准后的数据链目标相对于本机的方位、距离，σ_1α、σ_2α、σ_1r、σ_2r分别为ESM和数据链目标相对于本机的方位、距离均方根误差，Δα₁、Δα₂分别为ESM和数据链目标的方位变化趋势，Δr₁、Δr₂分别为ESM和数据链目标的距离变化趋势

3)针对时间对准的ESM和数据链目标航迹对，根据距离和方位角，采用衰减记忆法计算统计距离，构建统计距离矩阵。具体计算方法如下：

$d_{ij}^k=\frac{{({\mathrm{\α}}_1-{\mathrm{\α}}_2)}^2}{{\mathrm{\σ}}_{1\mathrm{\α}}^2+{\mathrm{\σ}}_{2\mathrm{\α}}^2}+\frac{{(r_1-r_2)}^2}{{\mathrm{\σ}}_{1r}^2+{\mathrm{\σ}}_{2r}^2}$

当 $D_{ij}^k\≥D_{max}$ 时， $D_{ij}^k=D_{max}$

根据构建基于目标运动状态的统计距离矩阵，即

4)一次解关联，并计算每对航迹基于目标运动状态的关联成功概率：

通常我们采用计算量较小、宜于工程实现的次优方法解关联，其解算方法是：找出D(k)中最小元素，并划去对应的行和列，形成新的关联矩阵D₁(k)，再在D₁(k)找出最小元素,并划去对应的行和列,形成新的关联矩阵D₂(k)，依次类推直到找不到最小元素为止。

在上述过程中找到的每个最小元素所对应的行和列即为根据目标状态所确定的ESM和数据链成功关联的航迹对，在计数器矩阵[m_ij]中为与之对应的计数器m_ij加1，同时在计数器矩阵[M_ij]中为所有参与关联计算的ESM和数据链目标航迹对所对应的M_ij加1。然后计算基于目标状态的航迹关联成功概率

$P_{ij}^s=\frac{m_{ij}}{M_{ij}}$

5)计算每个航迹对目标属性关联成功概率

ESM和数据链都能提供敌我属性信息、目标类型信息、目标型号信息及相应的识别置信度。对每个ESM和数据链目标航迹对，可先根据识别置信度，计算出基于敌我属性信息的特征关联成功概率基于目标类型的特征关联成功概率基于目标的特征关联成功概率然后加权合成，形成基于目标属性的关联成功概率：

$P_{ij}^c=0.2*P_{ij}^{IFF}+0.4*P_{ij}^{KIND}+0.4*P_{ij}^{TYPE}$

6)结合基于目标运动状态的关联成功概率，构建总的关联成功概率矩阵P，并进行二次解关联

根据P_ij构建传感器1和传感器2的总的关联矩阵针对P进行二次解关联，二次解关联算法同一次解关联，其解算结果即确定为ESM和数据链航迹的最终关联结果。

仿真测试结果：

表1列出100个目标环境下，ESM与数据链基于目标运动状态的航迹关联正确概率(方法1)以及采用本发明提出的基于目标运动状态和特征信息的航迹关联正确概率(方法2)统计，图2给出了10000帧(40ms为一帧)的航迹关联正确概率曲线，其中玫红色曲线表示采用本发明(方法2)的航迹关联正确概率，绿色表示基于目标运动状态的航迹关联正确概率(方法1)。

表1.ESM与数据链目标航迹关联正确概率

仿真测试条件：

100个目标均作匀速直线运动，初始位置在±45°、100-200km范围内均匀分布，速度在100m/s-200m/s范围内随机取值，ESM仿真器输出距离最近的32个目标的探测信息，距离误差为8％R，角度误差为5°(偏移)+0.5°(随机)；数据链仿真器输出100个目标的探测信息，航迹质量根据目标与载机的距离范围取为8、9、10、11，所对应的位置误差参见表2；载机作匀速直线运动，航向为45°，俯仰横滚为零。图3是100个目标的真实运动轨迹，图4是数据链仿真器输出的目标运动轨迹，图5是在目标真实运动轨迹上叠加了ESM仿真器输出的目标运动轨迹。

表2.数据链航迹质量与对应的位置误差

Claims (2)

1.一种用于机载航电系统的多源异类传感器目标航迹关联方法，其特征在于，该方法包括以下步骤：

1)对多源异类传感器数据进行时空对准；

2)对时空对准后多源异类传感器数据进行关联粗判决；

3)针对关联的二个异类传感器，根据目标运动状态，采用衰减记忆法计算二条航迹的统计距离方法如下：

当 $D_{ij}^k\≥D_{max}$ 时， $D_{ij}^k=D_{max}$

其中：和分别为传感器1第i条航迹和传感器2第j条航迹第k帧的状态估计,P_i ¹(k)、P_j ²(k)为相应的状态估计协方差矩阵，λ为小于1的衰减系数，为第k帧的统计距离，为考虑历史积累的统计距离，D_max为根据目标密度和这二条航迹的方差所设定的阈值，当时认为这二条航迹肯定不是针对同一目标的，即不可能关联；

根据构建基于目标运动状态的统计距离矩阵，即

4)针对统计距离矩阵进行一次解关联，并计算二个传感器每个航迹对基于目标运动状态的关联成功概率，方法如下；

设置计数器m_ij和M_ij，分别记录每个航迹对应的关联成功次数m_ij和总的关联处理次数M_ij，每次解关联运算后根据解关联结果对m_ij和M_ij进行累加，并对每个航迹对，根据m_ij和M_ij计算基于目标运动状态的关联成功概率：

$P_{ij}^s=\frac{m_{ij}}{M_{ij}};$

其中为传感器1第i条航迹和传感器2第j条航迹的关联成功概率；

5)再计算二个传感器基于目标属性关联成功概率，方法为：

$\begin{array}{c}{P}_{ij}^c=\underset{A_i\∩A_j\≠\mathrm{\φ}}{\underset{A_i\⋐A,A_j\⋐A}{\mathrm{\Σ}}}\left(m_1\left(A_i\right)*m_2\left(A_j\right)+0.5*m_1\left(\mathrm{\θ}\right)*m_2\left(A_j\right)\right)\\ +0.5*\left(m_2\left(\mathrm{\θ}\right)*\underset{A_i\⋐A}{\Σ}{m}_1\left(A_i\right)+m_1\left(\mathrm{\θ}\right)*m_2\left(\mathrm{\θ}\right)\right)\end{array}$

其中，A_i、A_j为传感器1和传感器2在同一层次上的目标属性，θ为不确定或未识别判决，m₁为传感器1第i条航迹目标识别置信度，m₂为传感器2第j条航迹的目标识别置信度；A表示目标属性集合，φ表示空集，A_i∩A_j≠φ表示传感器1第i条航迹与传感器2第j条航迹的目标属性识别结果相容，表示对传感器1第i条航迹与传感器2第j条航迹所有具有相容目标属性识别结果进行求和，表示对传感器1第i条航迹的所有目标属性识别结果求和；

若传感器1和传感器2在几个不同层次上都有相应的目标属性，则根据这些目标属性的重要程度，通过加权平均方法计算基于二个传感器目标属性的总的关联成功概率：

$P_{ij}^c={\mathrm{\α}}_1*P_{ij}^{c1}+{\mathrm{\α}}_2*P_{ij}^{c2}+...+{\mathrm{\α}}_n*P_{ij}^{cn}$

其中，α₁、α₂…α_n为加权系数，α₁+α₂+…+α_n＝1；表示传感器1第i条航迹和传感器2第j条航迹基于目标属性n的关联成功概率，n为属性层次总数；

6)将基于目标运动状态的关联成功概率和基于目标属性关联成功概率加权求和，构建总的关联矩阵，并进行二次解关联，方法如下：

其中，β₁、β₂为加权系数，β₁+β₂＝1；M分别为M_ij的门限值；

根据P_ij构建传感器1和传感器2的总的关联矩阵针对P进行二次解关联，二次解关联算法同一次解关联，其解算结果即确定为传感器1和传感器2航迹的最终关联结果。

2.根据权利要求1所述的用于机载航电系统的多源异类传感器目标航迹关联方法，其特征在于，所述传感器1和传感器2航迹的最终关联结果将送入其他融合处理模块进行进一步处理。