CN103645487B - 水下多目标跟踪方法 - Google Patents

Abstract

本发明公开了一种水下多目标跟踪方法，无线传感器网络定位系统包括多个传感器节点、簇头节点以及控制系统，系统定位采用一种改进重采样非扩维无味粒子滤波算法实现在基于传感器网络配置下的目标定位，该算法充分利用当前时刻方位测量的信息来估计粒子后验概率密度函数，克服了PF算法中粒子选择具有盲目性的缺点，在很少粒子数目的情况下就能达到比PF算法近似且更好的定位精度，并且不需要扩展向量中状态维数，这样大大降低了计算复杂度，提高了计算时间，有利于系统的实时实现。

Description

水下多目标跟踪方法

技术领域

本发明涉及一种水下多目标跟踪方法，尤其涉及一种改进重采样非扩维无味粒子滤波算法的水下多目标跟踪方法，属于信息技术领域。

背景技术

水下运动目标的定位与跟踪技术具有广阔的应用背景，涉及到军事和民用领域。传统的目标被动定位技术中，多采用基于纯方位测量的目标被动定位技术，其主要解决的问题是如何利用观测的目标方位信息来估计目标的运动参数进而实现目标的定位跟踪。系统配置多为机载或舰载单站测量系统，该系统配置由于受到运动目标可观测性原理的限制，要实现对目标的定位，观测平台需要在观测期内进行机动，可有时候由于观测平台无法机动，因而不能实现目标的定位。从技术方面讲，基于纯方位目标运动分析问题本质上是一个非线性Bayes滤波问题。由于非线性的原因，其精确解通常并不解析，所以工程上多采用基于扩展卡尔曼滤波(EKF)的次优解，它是利用泰勒级数展开，取其一阶近似使模型线性化，再利用卡尔曼滤波(KF)算法进行求解。但是，EKF滤波在模型非线性较强以及系统噪声非高斯时估计的精度严重降低，并可能造成滤波器的发散。而无味卡尔曼(UKF)采用UT(Unscented Transformation)变化，虽然较EKF有更好的滤波效果，但都是在基于模型线性化和Gauss假设的条件下。因此人们一直在寻找适用于非线性非高斯Bayes滤波方法来提高估计精度。近年来国际上在该方向的研究取得了令人瞩目的成就，其中尤以粒子滤波(PF)受到更为广泛的关注，所以近年来又出现了基于粒子滤波方法实现目标的纯方位测量定位技术，该方法虽然比基于KF的方法定位精度高，但是该方法对实现后验概率的精确估计需要较多的粒子数，导致计算量大，计算时间长，不利于实时应用。

发明内容

本发明的目的在于提供一种水下多目标跟踪方法，用于需要对水下运动目标进行定位及跟踪的应用场合，克服现有技术单站观测系统的不可观测性和粒子滤波计算速度慢的不足。

本发明的目的通过以下技术方案予以实现：

一种水下多目标跟踪方法，基于无线传感器网络定位系统，所述无线传感器网络定位系统包括多个传感器节点1、簇头节点2以及控制系统3，水下多目标跟踪方法包括以下步骤：

1)无线传感器网络定位系统中的传感器节点1自我编号，标示唯一身份，所述传感器节点1以自带的GPS装置完成时间同步与自身定位；

2)依据传感器节点1通信距离对网络进行簇划分，并且选择簇头节点2，完成网络初始化；

3)所述传感器节点1对所在簇内进行监测，依据采集信号判断是否有目标出现，当出现目标后，利用阵列信号处理技术对目标的方位进行测量；

4)传感器节点1将测量到的目标相对于传感器节点1的方位角及自身所在位置经纬度信息通过无线方式发送给簇头节点2；

5)根据k-1时刻的估计值预测k时刻的测量值其中x_p(k-1),x_v(k-1)分别表示目标在x轴方向的位置和速度，y_p(k-1),y_v(k-1)分别表示目标在y轴方向的位置和速度，z_p(k-1),z_v(k-1)分别表示目标在z轴方向的位置和速度；表示k时刻传感器节点1测量到的方位角，包含两个角度即：水平方位角以及俯仰角

6)拆分得到与目标t所有可能的互联集合L，其中t表示k时刻的目标，t=1,2,…,T；T表示目标总数；

7)对于所有可能的互联集合L，for i=1到N_s，N_s表示系统中传感器的个数；

①根据预测确定目标t确认区域，产生确认矩阵Ω=[w_jt],j=1,2,…,m_k;t=0,1,…,T，其中w_jt表示量测j落入目标t的确认门内，当量测j落入目标t的跟踪门时w_jt=1，否则w_jt=0；确认矩阵用来表示有效回波和各目标跟踪门的关系；

②把确认矩阵拆成互联矩阵；

③根据式计算互联概率表示给定测量序列Z^k的条件下事件(k)的概率，是第i个传感器的第l_i个量测与目标t互联的单个传感器联合概率数据互联事件的概率；

8)按照改进重采样非扩维UPF算法根据L计算所述是k时刻第t个目标的改进重采样非扩维UPF的状态估计；所述改进重采样非扩维UPF算法包括：

①采用非扩维UKF产生粒子建议分布；

②将需要复制的粒子和被抛弃粒子进行组合，生成新的粒子，使新粒子同时包含被复制粒子和被抛弃粒子的信息，保证了粒子包含足够的信息来表示目标状态在状态空间的分布；

9)根据式计算X^t(k)，得到k时刻目标状态估计，式中是k时刻第t个目标的改进重采样非扩维UPF的状态估计，是第i个传感器的第l_i个量测与目标t互联的单个传感器联合概率数据互联事件的概率；

10)跳转到步骤5)进行下一时刻的循环。

与现有技术相比，本发明的有益效果是：本发明在进行目标的定位应用中，对系统的配置借鉴无线传感器网络的技术特点，采用多传感器基于对多目标方位的观测最终实现对多目标的定位跟踪，该网络配置可以克服传统机载或舰载单站系统在观测期间必须进行机动的约束，当采用多传感器测量的目标方位信息实现目标协同定位，不需要观测平台的机动，提高了目标定位的灵活性，而且采用该系统配置实现可以大大增加目标监测定位的区域面积，避免存在定位盲区的不足。

对于系统协同定位的算法，针对粒子滤波算法需要粒子数多，导致计算量很大且计算时间长的不足，本发明采用一种改进重采样非扩维无味粒子滤波算法实现在基于传感器网络配置下的目标定位方法，该算法充分利用当前时刻方位测量的信息来估计粒子后验概率密度函数，克服了PF算法中粒子选择具有盲目性的缺点，在很少粒子数目的情况下就能达到比PF算法近似且更好的定位精度，并且不需要扩展向量中状态维数，这样大大降低了计算复杂度，提高了计算时间，有利于系统的实时实现。

附图说明

图1是本发明系统配置示意图；

图2是本发明传感器节点设计功能模块图；

图3是本发明传感器节点功能划分图；

图4是本发明定位系统初始化流程图；

图5是本发明改进重采样非扩维UPF算法流程图；

图6是本发明并行结构MSJPDA结合改进重采样非扩维UPF描述图；

图7是本发明多目标定位方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

下面将系统的阐述本发明定位系统配置、定位算法原理及采用的多目标数据融合算法。整个定位系统主要由以下几个部分组成：传感器节点1、簇头节点2、控制系统3，如图1所示。定位算法采用改进重采样非扩维无味粒子滤波算法实现目标的定位。下面从系统配置和定位算法及多传感器数据融合三个方面介绍本发明的具体实施例。

1.系统配置：

本发明是在基于传感器网络的系统配置基础上，采用一种改进重采样非扩维无味粒子滤波算法实现目标的运动分析，对目标进行定位和跟踪应用。系统由多个传感器节点1和簇头节点2及一个控制系统3组成；传感器节点1静态部署，也可以进行小范围的移动。其位置坐标可通过传感器节点1利用自带的GPS装置完成自定位，也可以通过几个已知坐标的锚节点依据一定的自定位协议完成自定位；单传感器节点1需具有测向功能，这个功能可通过采用阵列信号处理手段实现目标的方位估计；为了进行数据的交互和组网功能，传感器节点1需具有无线通信功能；簇头节点2负责本小区域内目标定位跟踪，它可做为本小区的网关节点看待；簇头节点2存储有该区域内所有传感器节点1的位置坐标；并负责收集该簇内传感器节点1所测量的目标方位信息；利用改进重采样非扩维无味粒子滤波算法实现对目标的定位跟踪；控制系统3负责收集各个区域内簇头节点定位跟踪结果，在终端对定位结果进行显示，以便让定位跟踪结果用于不同的应用需求。所述簇头节点2具有无线通信功能。簇头节点2可以事先规定，也可以在一个簇内动态选择。

对于整个定位系统的同步问题，采用GPS授时的方式实现网络的时间同步。所以本系统内节点需装配有GPS系统。

对于定位系统的网络互连，采用无线通信方式，对于一个簇内传感器节点1之间没有通信链路，传感器节点1之间无需链接进行数据交换。本系统存在三种链路链接方式，第一就是传感器节点1与负责该区域内的簇头节点2之间的通信链路，负责将自己测量的方位信息发送给簇头节点实现EFK-PF定位跟踪算法；第二是簇头节点2与控制系统3之间的通信链路，簇头节点2负责将定位跟踪结果发送给控制系统3进行显示；第三类是各个区域簇头节点2之间的通信链路，随着目标的动动，它进入不同的区域，则前一个区域的簇头节点2将最终的定位结果发送给此时的簇头节点2做为该簇内目标定位跟踪的初始结果。

如图2所示，给出了本发明中涉及到的传感器节点1及簇头节点2的设计模块，主要有四个模块组成。供电模块完成对整个节点的电能供给；处理模块是节点的计算单元，采用商业的DSP芯片，负责将传感器所采集数据进行分析和处理，并进行数据打包；通信模块，发送打包数据，同时接收其它节点发送的数据包与通信模块一起完成节点的无线通信任务。对于传感器节点1来说，其通信模块器件包括无线射频通信系统。传感器模块主要完成对目标信号数据进行采集。

基于传感器节点1的在定位系统中的应用，在网络七层协议的基础上对传感器节点1数据处理功能进行了简单的划分，主要分为以下三个部分：通信系统；支撑系统；应用系统。如图3所示，对于通信系统主要由物理层，数据链层，网络层和传输层组成，负责完成节点的正常组网功能。支撑系统包括节点同步与自定位，传感器节点1可通过GPS装置完成传感器节点的时间同步与节点自身的定位技术。应用系统主要在基于传感器采集数据的基础上负责完成传感器节点的测向功能，可使用阵列信号处理中的相关技术完成。

对系统配置结束后，接下来就是整个定位系统的初始化过程，如图4所示：

步骤S4-1：定位系统中的传感器节点1实现对自己的编号，可以唯一标示自己的身份。

步骤S4-2：传感器节点1借助GPS系统实现时间同步。

步骤S4-3：传感器节点1借助GPS系统实现自身定位。

步骤S4-4：依据传感器节点1通信距离对网络进行簇划分，并且选择簇头节点2。此步骤可以人为指定簇头，也可以随机在簇内选择簇头。

上述网络初始化过程结束后，整个定位系统的配置也已经结束，系统处于待定状态，当有目标出现后可以依据下面所述的改进重采样非扩维无味粒子滤波算法实现目标的定位跟踪。

2.改进重采样非扩维UPF算法：

1)在非扩维UPF中，当前的粒子值和方差可直接用于UKF，不需要进行扩展，具体步骤如下：

(1)初始化

给出水下目标初始状态估计X₀，初始状态分布p(X₀)，产生初始粒子集，其中权值并设定跟踪步长Ts。用非扩维UKF产生粒子建议分布的跟踪算法在初始化的时候不用对各个粒子及其方差进行扩展，用于UKF的初始状态向量和协方差矩阵即为当前时刻粒子值和所对应方差

(2)递推计算：for k=1…T；

对于每个粒子计算其非扩维UKF估计值和方差具体包括如下步骤：

①产生sigma采样点集并计算各个点权值：

式中，n为目标状态向量的维数，为各点的一阶权重和二阶权重，λ=α²(n+κ)-n，α，β和κ为可调节的参数。

②时间更新(sigma点集递推):

③测量更新(包含新的测量值):

(3)对i=1…N进行重要性采样:

(4)对i=1…N计算权值:

式中，

(5)对i=1…N归一化权值:

(6)重采样:

复制大权值粒子，抛弃小权值粒子，生成新的粒子集合且满足式中Pr()表示概率，重新定义权值

(7)状态输出：

2)传统残差重采样从N个粒子中选择M(M≦N)个大权值粒子，并复制这M个粒子中的部分或全部，重新生成一个新的粒子集。新粒子集中的粒子数目和重采样前的粒子数目相同，即重采样保持粒子总数的不变。则需要由原有粒子复制得到的粒子数为N-M，被抛弃的粒子数为N-M，二者相等。正好将需要复制的粒子和被抛弃粒子进行组合，生成新的粒子，使新粒子同时包含被复制粒子和被抛弃粒子的信息，保证了粒子包含足够的信息来表示目标状态在状态空间的分布，提了高跟踪精度。线性组合是最简单的结合方式，记需要复制的粒子为X_c，被抛弃的粒子为X_g，二者线性组合后的新粒子记为X_n，线性组合方式可表示如下:

X_n=X_c+L(X_g-X_c) (2.9)

式中，L表示被复制粒子向抛弃粒子靠近的步长。很容易想到将L取为被抛弃粒子的权值w，即L=w_g，被抛弃粒子的权值越大，它在新粒子中所占比重越大，这也符合一般推理习惯。重新组合后新粒子的UKF估计方差为：

P_n=(1-L²)P_c+L²P_g (2.10)

则k时刻新粒子集表示为：

其中表示重采样中选中的不需要优化组合的M个粒子，表示N-M个线性组合后的新粒子。新粒子集中所有粒子的权值均为1/N。

将1)中的非扩维方法和2)中所述改进重采样方法组合即得到改进重采样非扩维UPF水下传感器网络被动目标跟踪方法，算法流程如图5所示。

3.基于多传感器联合概率数据互联算法(MSJPDA）的水下传感器网络多目标跟踪方法

1)单传感器联合概率数据互联主要解决每个量测具体与哪个目标互联的问题。该方法的思想是一定的条件下每个测量可以和任意目标互联，每种互联情况有自己的概率，所以单传感器联合概率数据互联的关键是第j个测量和目标t互联概率的计算问题。

(1)互联矩阵与互联概率

设k时刻落入跟踪波门中的有效回量测目为m_k，为了表示各个跟踪门和有效量测的关系，引入确认矩阵

Ω=[w_jt],j=1,2,…,m_k;t=0,1,…,T (3.1)

式中，当量测j落入目标t的跟踪门时w_jt=1，否则w_jt=0。

当量测落入多个跟踪门相交叉的区域时可能存在这量测和目标的多种互联可能，此时用表示k时刻所有可能的联合互联事件的集合，其中是第i个联合互联事件(i=1,2,…,n_k)，表示m_k个量测与各个目标相匹配的一种可能，具体表示了此联合事件中量测j来源于目标t。第j个量测与第t个目标互联的事件为具有互不相容性，即基于两个基本假设：每个量测来自于唯一的目标或者杂波；每个给定的目标只产生一个测量，可以把联合互联事件表示成矩阵，成为联合互联矩阵：

式中，当时否则表示在第i个联合事件中量测j是否来源于目标t，且满足

令

β_jt(k)=Pr(θ_jt(k)|Z^k),j=1,2,…m_k;t=0,1,…,T (3.5)

表示第j个测量和目标t互联的概率，则该概率具备完备性，即也即式中Z^k={Z(1),Z(2),…,Z(k)}为第从开始到k时刻的所有量测的集合。

为了方便后续讲述，引入下列变量。

量测互联指示：

代表了量测j在联合互联事件θ_i(k)中是否和真实目标相关联。

目标检测指示：

代表了联合互联事件θ_i(k)中目标是否被检测到。由此，量测中的虚假量测的个数可以表示为

(2)互联概率计算

根据贝叶斯公式，联合互联事件θ_i(k)的后验条件概率是：

式中，对于式中的两个乘数项用以下两式计算：

式中，V并表示确认区域的体积；为与目标t_j互联的量测的高斯密度函数值，此高斯分布的均值和方差由上一时刻目标测量预测得到；表示检测到目标t的概率，μ_F(φ(θ_i(k)))表示虚假测量的先验概率密度函数。将式(4.9)、(4.10)带入(4.8)式可以得到联合互联事件θ_i(k)的后验条件概率是：

对于水下环境，水下随机混响和环境噪声引起的虚假量测通常都服从泊松分布，故虚假量测的概率密度函数采用泊松模型，即λ为虚假测量的空间密度，表示单位体积内的虚假测量数。此时的联合互联事件θ_i(k)的后验条件概率可表示为：

在已知联合互联事件θ_i(k)的后验条件概率的基础上可以很容易得到j个测量和目标t互联的概率：

2)水下传感器网络多目标跟踪中的数据关联问题本质上是一种多传感器多目标数据关联问题，采用多传感器多目标联合概率数据关联进行量测和目标的互联，核心在于计算目标与其在各个传感器节点上所引起的量测的集合的互联概率的计算。这里鉴于水下环境复杂性要允许虚假量测(由环境噪声、随机混响等引起的)和漏测量(没有和目标相对应的测量)的存在。

考虑T个目标与N_s组来自各个传感器的测量集合的映射：

表示了k时刻目标t(t=1,2,…,T)与N_s个传感器的一组量测之间的互联关系。a_ms是一个一对多的映射，包含了N_s个表示目标t与第i个传感器的某一测量相互关联的一对一映射a_i:{1,2,…,T}→{0,1,…m_ki}。对每一个映射a_ms，令和其中的每一个表示k时刻量测与目标正确关联的事件。对于1≤t≤T和其中0≤l₁≤m_k1,…,令表示在正确互联a_ms(t)条件下a_ms(t)=L的事件。对于1≤t≤T,1≤i≤N_s,0≤l_i≤m_ki，令表示a_ms(t)中关于第i个传感器的正确互联a_i(t)满足a_i(t)=l_i的事件。事件和可由和表示为：

式中∪表示并操作。让表示给定测量序列Z^k的条件下事件的概率，表示给定Z^k的条件下的概率。很容易可以想到正是第i个传感器的第l_i个量测与目标t互联的单个传感器联合概率数据互联事件的概率。下式给出了多传感器联合概率关联中互联概率和单传感器联合概率数据关联互联概率的关系：

上式表明，多传感器情况下的联合事件关联概率正好是单个传感器情况下联合事件关联概率的乘积。

3)本发明设计的水下传感器网络多目标跟踪采用多传感器联合概率数据互联算法(MSJPDA)进行数据关联，目标t在量测Z^k条件下的状态估计为：

式中的求和是在所有可能的互联集合L上进行的，由MSJPDA中联合事件关联概率的计算式(3.17)得：

式中，的计算由单传感器联合事件互联概率计算公式(3.13)可以得到，是基于来自于N_s个传感器节点的对目标t的测量集合L以及k-1时刻目标的状态进行滤波得到的X^t(k)的估计值。此处选择滤波方法即为上述改进重采样非扩维UPF方法。

本发明使用并行结构的MSJPDA结合上述改进重采样非扩维UPF算法实现水下传感器网络的多目标跟踪。下面给出该方法用于水下传感器网络目标跟踪求得目标t的状态估计的具体步骤如图6所示：

步骤S6-1：根据k-1时刻的估计值对测量值进行预测得到

步骤S6-2：拆分得到与目标t所有可能的互联集合L；

步骤S6-3：对于所有可能的L，for i=1到N_s；

步骤S6-4：①根据确定目标t确认区域，产生确认矩阵；

步骤S6-5：②把确认矩阵拆成互联矩阵；

步骤S6-6：③根据式(3.13)计算互联概率

步骤S6-7：利用改进重采样非扩维UPF根据L计算

步骤S6-8：根据式(3.19)计算X^t(k)，得到目标状态估计。

如图7所示是本发明多目标系统的定位方法流程：

步骤S7-1：完成系统配置，包括传感器节点1、簇头节点2和控制系统3。

步骤S7-2：完成如图4所示的网络初始化。

步骤S7-3：传感器节点对所在簇内进行监测，依据采集信号判断是否有目标出现。

步骤S7-4：当出现目标后，传感器节点对目标的方位进行测量。借鉴阵列信号处理技术。

步骤S7-5：传感器节点将自己的方位测量值及自身坐标信息通过无线方式发送给簇头节点。

步骤S7-6：在上述基于改进重采样非扩维算法的MSJPDA算法推导基础上，利用步骤S7-5中获得的信息完成目标状态估计，实现目标的定位跟踪。

步骤S7-7：簇头节点将所估计目标的信息通过无线方式发送给控制系统进行结果显示。

除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (1)

1.一种水下多目标跟踪方法，基于无线传感器网络定位系统，所述无线传感器网络定位系统包括多个传感器节点(1)、簇头节点(2)以及控制系统(3)，其特征在于，水下多目标跟踪方法包括以下步骤：

1)无线传感器网络定位系统中的传感器节点(1)自我编号，标示唯一身份，所述传感器节点(1)以自带的GPS装置完成时间同步与自身定位；

2)依据传感器节点(1)通信距离对网络进行簇划分，并且选择簇头节点(2)，完成网络初始化；

3)所述传感器节点(1)对所在簇内进行监测，依据采集信号判断是否有目标出现，当出现目标后，利用阵列信号处理技术对目标的方位进行测量；

4)传感器节点(1)将测量到的目标相对于传感器节点(1)的方位角及自身所在位置经纬度信息通过无线方式发送给簇头节点(2)；

5)根据k-1时刻的估计值预测k时刻的测量值其中x_p(k-1),x_v(k-1)分别表示目标在x轴方向的位置和速度，y_p(k-1),y_v(k-1)分别表示目标在y轴方向的位置和速度,z_p(k-1),z_v(k-1)分别表示目标在z轴方向的位置和速度；表示k时刻传感器节点(1)测量到的方位角，包含两个角度即：水平方位角以及俯仰角其中，x(k)，y(k)，z(k)表示目标在k时刻的位置坐标，x₁，y₁，z₁表示1号传感器节点所部署的位置坐标；

6)拆分得到与目标t所有可能的互联集合L，其中t表示k时刻的目标，t＝1,2,…,T；T表示目标总数；

7)对于所有可能的互联集合L，for i＝1到N_s，N_s表示系统中传感器的个数；

①根据预测确定目标t确认区域，产生确认矩阵Ω＝[w_jt],j＝1,2,…,m_k；t＝0,1,…,T，其中m_k表示k时刻落入跟踪波门中的有效回波量测数目，w_jt表示量测j落入目标t的确认门内，当量测j落入目标t的跟踪门时w_jt＝1，否则w_jt＝0；确认矩阵用来表示有效回波和各目标跟踪门的关系；

②把确认矩阵拆成互联矩阵；

③根据式计算互联概率其中，Pr()表示括号内所指事件发生的概率；θ_i(k)是第i个联合互联事件，i＝1,2,…,n_k，表示m_k个量测与各个目标相匹配的一种可能；具体表示了此联合事件中θ_i(k)量测j来源于目标t；θ_jt(k)指第j个量测与第t个目标互联的事件；为目标检测指示，代表了联合互联事件θ_i(k)中目标是否被检测到；表示给定测量序列Z^k的条件下事件的概率，是第i个传感器的第l_i个量测与目标t互联的单个传感器联合概率数据互联事件的概率；

8)按照改进重采样非扩维UPF算法根据L计算所述是k时刻第t个目标的改进重采样非扩维UPF的状态估计；所述改进重采样非扩维UPF算法包括：

①采用非扩维UKF产生粒子建议分布；

②将需要复制的粒子和被抛弃粒子进行组合，生成新的粒子，使新粒子同时包含被复制粒子和被抛弃粒子的信息，保证了粒子包含足够的信息来表示目标状态在状态空间的分布；

9)根据式计算得到k时刻目标状态估计，式中是k时刻第t个目标的改进重采样非扩维UPF的状态估计，是第i个传感器的第l_i个量测与目标t互联的单个传感器联合概率数据互联事件的概率，指由多传感器的联合事件关联概率和对k时刻第t个目标的改进重采样非扩维UPF的状态估计，得出的最终多传感器系统中第t个目标的状态估计；

10)跳转到步骤5)进行下一时刻的循环。