CN104268865A - 基于模板匹配的集中式多传感器编队目标跟踪方法 - Google Patents

Abstract

本发明提供一种可以在复杂背景下对非机动编队目标进行精确跟踪的集中式数据互联跟踪方法。该方法基于非机动情况下各探测周期内编队内目标真实回波位置相对固定的特性，通过预关联成功的编队状态集合与编队量测集合分别建立模板形状矩阵和待匹配形状矩阵，利用匹配搜索模型和匹配矩阵确认规则选出代价最小的匹配矩阵，并基于模板和对应的匹配矩阵利用kalman滤波完成编队内各目标航迹的状态更新，该方法能最大限度的消除杂波，并保证编队内目标结构的稳定性，从而不会出现编队内目标交叉错误互联的情况；同时，该方法能充分利用多个传感器的探测信息，避免冗余航迹的产生。

Description

基于模板匹配的集中式多传感器编队目标跟踪方法

技术领域

本发明涉及数据处理领域中基于模板匹配的集中式多传感器编队目标跟踪方法，适用于各种集中式结构的信息融合系统。 

背景技术

在现实环境中，经常因为不可控制或特定人为目的等因素，会在一个较小的空域范围内构成一个复杂的目标群，如空间碎片的分裂、弹道导弹突防过程中伴随的大量诱饵、导弹和飞机编队等，这些目标分布范围较小，运动特征差异不明显，相对运动速度较低且特性接近。目标跟踪领域将此类目标称为编队目标。传统的多传感器多目标跟踪算法对编队目标的跟踪效果十分有限。此类算法通常基于测量直接对编队内目标进行建航，但因编队内目标间距较小，各目标跟踪波门会严重交叠，数据互联难度大增；而且，因编队内目标行为模式相似，错误的航迹起始及维持能在后续时刻得以延续，易造成整体态势混乱。 

为解决该问题，近年来国内外学者提出了一系列编队目标跟踪算法，基本思路大多为：利用各种技术建立编队的等效量测，基于等效量测实现目标编队的整体跟踪。其优点是避免了编队内目标的相互影响，降低了跟踪混乱和计算量爆炸的几率，提高了整个跟踪系统的稳定性，节省了大量的雷达资源。但随着传感器分辨率的提高，逐步表现出以下不足：第一，现有编队目标跟踪算法的推导环境大多比较简单，通常假设编队中个体目标完全可辨，然而在实际探测过程中，因目标的互相遮挡、传感器分辨率不够充分等因素，编队目标通常是部分可辨的；第二，在一些实际工程应用中，如低空编队突防目标的拦截、编队内具有特殊价值的目标跟踪等，在跟踪整个编队的同时，十分需要对编队内个体目标进行单独跟踪，然而现有编队目标跟踪算法通常只能得到编队整体的状态，没有考虑编队内目标的精确跟踪问题。特别地，当工程上利用组网传感器探测编队目标时，必然需要进行数据互联和融合等处理，尤其是在云雨杂波、带状干扰等复杂背景下对于集中式多传感器编队目标跟踪技术，目前尚没有文献进行研究。 

针对上述问题，有必要研究如何在复杂背景下实现编队内目标的多维点-航互联及量测合并，完成复杂环境下集中式多传感器非机动编队内目标的精确跟踪。这也是本发明的思路来源。 

发明内容

要解决的技术问题 

本发明的目的在于提供一种可以在复杂背景下对非机动编队目标进行精确跟踪的集中式数据互联跟踪方法。为了达到上述目的，本发明基于非机动情况下各探测周期内编队内目标真实回波位置相对固定的特性，利用模板匹配的方式区别目标真实测量和杂波，提出了一种基于模板匹配的集中式多传感器编队目标跟踪方法。该方法最大限度的消除了杂波，并保证了编队内目标结构的稳定性，从而不会出现编队内目标交叉错误互联的情况；同时，该方法既充分利用了多个传感器的探测信息，又避免了冗余航迹的产生。 

技术方案 

本发明所述的基于模板匹配的集中式多传感器编队目标跟踪方法，包括以下技术措施：首先，进行编队整体的预互联，利用循环阈值法进行编队的预分割，将量测集分割为不同的编队量测，再将编队量测与编队航迹的互联转变为编队中心量测与对应编队中心航迹的互联，从而实现编队的预互联；然后，建立模板匹配模型，通过预关联成功的编队状态集合与编队量测集合分别建立模板形状矩阵和待匹配形状矩阵，利用匹配搜索模型和匹配矩阵确认规则选出代价最小的匹配矩阵；最后，实现编队内航迹的更新，基于模板和对应的匹配矩阵利用kalman滤波，从而完成编队内各目标航迹的状态更新。 

有益效果 

本发明利用非机动模式下各时刻同一编队内目标真实回波整体结构的相似性，基于模板匹配消除背景杂波，实现编队目标的精确跟踪。其主要有以下优点： 

(1)该跟踪方法通过模板与待匹配区域的搜索匹配，最大限度的消除了杂波，并保证了编队内目标结构的稳定性，不会出现编队内目标交叉错误互联的情况； 

(2)该跟踪方法基于匹配矩阵确认模型，在所有传感器的匹配矩阵中，获取代价最小的匹配矩形完成编队内各目标的状态更新，既充分利用了多个传感器的探测信息，又避免了冗余航迹的产生。 

附图说明

图1为跟踪方法流程图； 

图2为循环阈值模型流程图； 

图3为矩阵A划分示意图； 

图4为匹配搜索模型示意图； 

具体实施方式

以下结合说明书附图，对技术方案中的具体步骤进行详细描述。 

1.基于编队整体的预互联 

设G(k-1)为k-1时刻编队航迹状态更新值和协方差更新值的集合， 

$G(k-1)=\{X_n^t(k-1),P_n^t(k-1)\}t=1,...,T_g(k-1);n=1,N_g^t(k-1)---\left(1\right)$

式中，T_g(k-1)为k-1时刻编队的个数；为k-1时刻第t个编队中的目标个数。 

针对第i个传感器上报的量测集合Zⁱ(k)，利用附图2中的循环阙值法进行编队的预分割，其中d₀为常数阈值。设为分割后获得的第l个编队量测，为中的量测个数。 

设为的中心点， ${\stackrel{\‾}{G}}^t(k-1)=[{\stackrel{\‾}{X}}^t(k-1),{\stackrel{\‾}{P}}^t(k-1)]$ 为编队G^t(k-1)中心航迹的状态更新值和协方差更新值。此时，编队量测与编队航迹的互联，暂时转变为与之间的互联。与传统目标相同，以的一步预测值为中心，建立关联波门。若满足式(2)，则认为落入关联波门内。 

${[{\stackrel{\‾}{z}}_l^i\left(k\right)-H_i\left(k\right){\stackrel{\‾}{X}}^t\left(k\right|k-1)]}^T{\stackrel{\‾}{S}}_{\mathrm{il}}^{-1}\left(k\right)[{\stackrel{\‾}{z}}_l^i\left(k\right)-H_i\left(k\right){\stackrel{\‾}{X}}^t\left(k\right|k-1)]\≤\mathrm{\γ}---\left(2\right)$

式中，γ为常数阙值；为新息协方差； 

通常情况下，编队与编队之间相距较远，落入同一关联门的概率较小；假如同一传感器有多个编队量测落入同一关联波门内，基于最近邻域的思想，选取最近的编队量测为关联量。设各传感器上报量测中与G^t(k-1)关联成功的编队量测集合为 

${\underset{\‾}{g}}^t\left(k\right)=\left\{{\underset{\‾}{g}}_i^t\left(k\right)\right\},i=1,...,N_s^{\′}---\left(3\right)$

式中，N_s′为存在关联编队量测的传感器个数。 

2.模板匹配模型的建立 

基于预关联成功的G^t(k-1)和g ^t(k)，建立模板匹配模型，剔除杂波并实现编队内航迹与真实量测的互联，具体过程分为以下四步。 

1)模板形状矩阵的建立 

基于G^t(k-1)建立模板，并获取x、y方向量测最大值和最小值的集合  $E_{\mathrm{xy}}\left(k\right)={[z_{\max }^x\left(k\right),z_{\min }^x\left(k\right),z_{\max }^y\left(k\right),z_{\min }^y\left(k\right)]}^T,$ 基于E_xy(k)构建附图3所示的矩形A。 

可以描述为 

式中，为服从高斯分布的随机噪声；ω_i为k时刻传感器i的位置；ω_t为目标t 的真实位置；在传感器探测区域内服从均匀分布。当编队未发生机动时，编队内各目标真实位置构成的图形在相临时刻是基本一致的；受量测误差的影响，量测值会发生一定的摆动，由式(4)可知，在x、y方向摆动的范围大致为 按附图3的方式将矩形A划分成多个小矩形，其中μ_x、μ_y分别为x、y方向上的划分依据，其定义为 

$\left\{\begin{array}{c}{\mathrm{\μ}}_x^m=\min \left[4\max \right\{w_{\mathrm{jx}}^{\mathrm{il}}\},x_{\min }^c(k-1)\}\\ {\mathrm{\μ}}_y^m=\min \left\{4\max \right\{w_{\mathrm{jy}}^{\mathrm{il}}\},y_{\min }^c(k-1)\}\end{array}\right.---\left(5\right)$

其中，分别为是G^t(k-1)各目标在x、y方向的最小差值。 

定义矩形A模板形状矩阵为 

$E_m^t(k-1)=\left\{e_{\mathrm{ij}}^m\right\}i=1,...,l_x^m;j=1,...,l_y^m---\left(6\right)$

式中，分别为矩形A在x、y方向上的矩形个数； 

2)待匹配形状矩阵的建立 

以g ^t(k)为待匹配对象，建立待匹配形状矩阵描述具体分为以下三步： 

(1)基于找出x、y方向上的最大值和最小值，建立如附图4所示的矩形B； 

(2)依据把矩形B划分成多个小矩形，其中和的定义同式(5)。 

(3)基于有无量测落入小矩形中建立待匹配形状矩阵为 

$E_P^t\left(k\right)=\left\{e_{\mathrm{ij}}^P\right\}i=1,...,l_x^P;i=1,...,l_y^P---\left(8\right)$

其中，的定义同式(7)。同时记录小矩形内量测集为 

其中，为量测集合中落入小矩形的量测个数。 

3)匹配搜索模型的建立 

如附图4所示，以矩形B在x、y方向上最小的矩形为起点，将矩形A嵌入B内，基于 与建立B_ij与A的匹配度矩阵为 

$P^t=\left[p_{\mathrm{ij}}\right],i=1,...,m_x^{\′p};j=1,...,m_y^{\′p}---\left(10\right)$

其中，分别为x、y方向上进行匹配的次数，且 

$\left\{\begin{array}{c}{m}_x^{\′p}=l_x^P-l_x^m+1\\ m_y^{\′p}=l_y^P-l_y^m+1\end{array}\right.---\left(11\right)$

$p_{\mathrm{ij}}=\underset{i=1}{\overset{l_x^m\·l_y^m}{\mathrm{\Σ}}}{p}_{i^{\′}{j}^{\′}}^m{i}^{\′}=1,...,l_x^m;j^{\′}=1,...,l_y^m---\left(12\right)$

其中， 

若则认为B_ij与A匹配，即B_ij中各量测的内部结构与A中各量测的内部结构相似。 

4)匹配矩阵的确认 

矩形B中满足匹配条件的B_ij可能有多个，在此通过建立匹配代价矩阵确定最终的匹配矩阵。基于传感器s的匹配度矩阵定义匹配代价矩阵为 

$L_s^t=\left\{{\mathrm{\ζ}}_{\mathrm{ij}}^s\right\}i=1,...,m_x^{\′p};j=1,...,m_y^{\′p}---\left(14\right)$

${\mathrm{\ζ}}_{\mathrm{ij}}^s=\left\{\begin{array}{cc}\underset{i^{\′}=1}{\overset{l_x^m}{\mathrm{\Σ}}}\underset{j^{\′}=1}{\overset{l_y^m}{\mathrm{\Σ}}}{d}_{i^{\′}{j}^{\′}}& p_{\mathrm{ij}}=l_x^m{l}_y^m\\ 0& p_{\mathrm{ij}}\≠l_x^m{l}_y^m\end{array}\right.---\left(15\right)$

其中，d_i′j′为B_ij中第i′j′个方格中量测与模板A对应方格中所包含目标状态一步的预测值的差值，即 

同时，储存B_ij各方格中用于计算d_i′j′的量测集对s个传感器，均建立取代价最小的矩阵为匹配矩形，记中各方格的互联量测集为

3.编队内航迹的状态更新 

基于G^t(k-1)和利用模板A和匹配矩形若落入A中的小矩形a_i′j′中，则基于落入中的量测利用kalman滤波完成状态和协方差更新。 

在此，需要注意的是，在完成编队内所有航迹的状态更新后，还需要利用当前时刻剩余的量测集与前三个时刻剩余的量测集进行航迹起始，并建立航迹终结原则，判断编队内各条航迹是否终结。 

Claims (4)

1.基于模板匹配的集中式多传感器编队目标跟踪方法，是一种用于密集杂波背景下编队目标跟踪的集中式跟踪方法，其特征在于包括以下步骤：

步骤1：基于编队整体的预互联；

步骤2：基于预关联结果建立模板匹配模型，剔除杂波并实现编队内航迹与真实量测的互联；

步骤3：编队内航迹的状态更新。

2.根据权利1所述的方法，其特征在于步骤1具有以下技术特征：由于密集杂波环境下易产生交叉互联，造成多跟、错跟等情况，要实现多传感器探测时编队内目标的精确跟踪，编队内目标与多传感量测值间的对应互联是关键，为此需要对编队目标进行预关联。对于第i个传感器上报的量测集，首先进行编队的预分割，将量测集分割为不同的编队量测；然后将编队量测与编队航迹的互联转变为与之间的互联，其中为编队l的中心点，为编队k-1时刻中心航迹的状态和协方差更新值。与传统目标相同，以的一步预测值为中心，建立关联波门。若满足下式，则认为落入关联波门内。

${[{\stackrel{\‾}{z}}_l^i\left(k\right)-H_i\left(k\right){\stackrel{\‾}{X}}^t\left(k\right|k-1)]}^T{\stackrel{\‾}{S}}_{\mathrm{il}}^{-1}\left(k\right)[{\stackrel{\‾}{z}}_l^i\left(k\right)-H_i\left(k\right){\stackrel{\‾}{X}}^t\left(k\right|k-1)]\≤\mathrm{\γ}$

其中，γ为常数阙值；为新息协方差。若同一传感器有多个编队量测落入同一关联波门内，基于最近邻域的思想，选取最近的编队量测为关联量。设各传感器上报量测中与G^t(k-1)关联成功的编队量测集合为其中N_s′为存在关联编队量测的传感器个数。

3.根据权利1所述的方法，其特征在于步骤2具有以下技术特征：基于预关联成功的G^t(k-1)建立模板，生成模板形状矩阵；以g ^t(k)为待匹配对象，建立待匹配形状矩阵；将模板形状矩阵和待匹配形状矩阵通过匹配搜索模型进行匹配，建立匹配度矩阵；由于匹配度矩阵具有不唯一性，在此建立匹配代价矩阵确定代价最小的匹配矩阵，从而得到互联量测集为由此，便建立了模板匹配模型，通过剔除杂波并实现编队内航迹与真实量测的互联。

4.根据权利1所述的方法，其特征在于步骤3具有以下技术特征：基于G^t(k-1)和利用kalman滤波完成编队状态和协方差的更新，需要注意的是，在完成编队内所有航迹的状态更新后，还需要利用当前时刻剩余的量测集与前三个时刻剩余的量测集进行航迹起始，并建立航迹终结原则，判断编队内各条航迹是否终结。