CN105066995B - 一种情报处理目标关联方法 - Google Patents
一种情报处理目标关联方法 Download PDFInfo
- Publication number
- CN105066995B CN105066995B CN201510416872.0A CN201510416872A CN105066995B CN 105066995 B CN105066995 B CN 105066995B CN 201510416872 A CN201510416872 A CN 201510416872A CN 105066995 B CN105066995 B CN 105066995B
- Authority
- CN
- China
- Prior art keywords
- association
- target
- door
- value
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种情报处理目标关联方法,包括:步骤1、针对不同传感器发送过来的报文进行自适应的选择关联波门,选择的关联波门包括椭圆形关联门、环形关联门以及截尾扇形关联门;步骤2、根据报文内容选取关联波门之后,对关联波门的有效区域内的多个传感器量测值进行选择,其中选择策略是根据已有目标个数进行关联算法自适应。本发明的目标关联方法针对不同传感器发送过来的报文进行自适应的选择关联波门,并根据已有目标个数进行关联算法的自适应,从而提高信息报的去重率,降低误关联率,提高多源多目标背景下目标融合的精度。
Description
技术领域
本发明涉及数据处理尤其是目标运动数据信息的融合领域,尤其是多传感器情况下目标识别以及目标运动预测模型的设计,具体而言涉及一种情报处理目标关联方法。
背景技术
目标关联在数据融合领域是核心技术之一,相关的研究非常多,其突破始于上个世纪70年代。1971年,R.A.Singer和R.G.Sea提出了最近邻算法,认为在某一时刻的所有量测中,距离与被跟踪目标预测位置最近的量测应该作为目标的真实量测,并预测目标在下一时刻的预测位置。实际上,目标的真实量测未必与目标的预测位置最近,因此,最近邻法在杂波环境下容易导致目标的丢失或误跟。1972年,Bar-shalom和Tse提出了概率数据互联算法,将跟踪波门中所有的量测进行概率意义上的加权平均作为滤波输出,。随后,Shalom又针对多个目标跟踪门相交情况进行了详尽的研究,提出了确认矩阵的概念,将概率数据互联算法推广为适用于多目标跟踪的联合概率数据互联算法。2000年以后,国外有大量学者针对多目标跟踪做出了大量的研究成果。
与欧美国家相比,国内的相关技术起步较晚,目前开展相关研究的单位有:中电29所,中电14所,中电28所等,他们在多传感器目标跟踪领域研制出一批目标跟踪系统。尽管我国在多目标理论和应用实践方面有了一定的研究成果,但是与国外先进国家相比,我国仍有较大差距,需要进一步深入研究。
发明内容
本发明目的在于提供一种情报处理目标关联方法,针对不同传感器发送过来的报文进行自适应的选择关联波门,并根据已有目标个数进行关联算法的自适应,从而提高信息报的去重率,降低误关联率,提高多源多目标背景下目标融合的精度。
本发明的上述目的通过独立权利要求的技术特征实现,从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的,本发明提出一种情报处理目标关联方法,包括:
步骤1、针对不同传感器发送过来的报文进行自适应的选择关联波门,选择的关联波门包括椭圆形关联门、环形关联门以及截尾扇形关联门;
步骤2、根据报文内容选取关联波门之后,对关联波门的有效区域内的多个传感器量测值进行选择,其中选择策略是根据已有目标个数进行关联算法自适应。
进一步的实施例中,前述步骤1中,对于不同传感器发送的报文进行自适应的选择关联波门,其实现包括:
1)对于速度、运动方向以及速度最大值、最小值均未知的报文,选择椭圆形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内;
2)对于运动方向未知,速度已知或者速度最大值、最小值已知的报文,选取环形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内;
3)对于目标初始运动方向明确,且速度的最大值、最小值均可知时,选取截尾扇形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内。
进一步的实施例中,前述步骤2中,对关联波门的有效区域内的多个传感器量测值进行选择,根据已有目标个数进行关联算法自适应,其实现包括:
1)目标个数小于判定阈值的情况下,选取最近邻域算法对多个传感器量测值进行选择;
2)目标个数大于判定阈值时,则选取联合概率数据关联方法对多个传感器量测值进行选择。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是说明根据本发明某些实施例的椭圆形关联门的示意图。
图2是说明根据本发明某些实施例的环形关联门的示意图。
图3是说明根据本发明某些实施例的截尾扇形关联门的示意图。
图4是说明根据本发明某些实施例的情报处理目标关联方法的流程示意图。
图5是说明根据本发明某些实施例的利用椭圆形关联门进行目标关联的示意图。
图6是说明根据本发明某些实施例的环形关联门进行目标关联的示意图。
图7是说明根据本发明某些实施例的截尾扇形关联门进行目标关联的示意图。
图8是说明根据本发明某些实施例的最近邻域数据关联的示意图
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
本发明提出一种自适应的情报处理目标关联方法,针对不同传感器发送过来的报文进行自适应的选择关联波门,对于速度、运动方向以及速度最大值、最小值均未知的报文选取椭圆形关联门;对于运动方向未知,速度已知或者速度最大最小值已知的报文选取环形关联门;对于速度未知,运动方向已知的报文选取扇形关联门;对于速度和方向均已知的报文选取截尾扇形关联门;再根据已有目标个数进行关联算法自适应,小于判定阈值的选取最近领域算法,大于判定阈值则选取联合概率数据关联方法。
下面结合图1-3所示的关联波门模型以及图4、5-8所示,更加具体地说明本发明的实施例的目标关联方法的实现。
图1、图2以及图3所示的关联波门的模型示例图中,灰色区域均为关联门的有效区域,三角图标为预测值,方形图标为观测值。
(1)椭圆形关联门
椭圆形关联门是对两个已知目标通过所选运动模型预测到与新信息报同时刻,分别使用各自的关联门与新信息报进行关联,如图1所示。
其关联方程为:
对于椭圆形关联门,其椭圆中心是点(x0,y0),为已知目标的预测值,a,b分别为椭圆的长轴和短轴,如果预测值落入有效区域外,则认为该量测值与目标不关联。这样就可以很大程度上排除其它目标和干扰。
特别指出,当椭圆关联门在a=b的情况下转化为圆形关联门。所以也可以说圆形关联门是椭圆关联门的一种特殊情况。
(2)环形关联门
环形关联门与矩形和椭圆形关联门的情况有些不同,如图2所示。其关联公式为:
R1 2≤(x-x1)2+(y-y1)2≤R2 2 (1-2)
式中:
R1=vmint
R2=vmaxt
其中:R1、R2——环的内径和外径;
vmin——速度的最小值;
vmax——速度的最大值;
t——目标运动的持续时间。
(3)截尾扇形关联门
截尾扇形关联门是扇形关联门的一种,在目标初始运动方向明确,速度的最大值、最小值也可知的情况下使用的,如图3所示。
其关联方程为:
式中:Δθ——运动方向偏离轴向的角度大小;
α——偏离轴向的最大的角度值。
结合图4所示,总体来说,根据本发明的实施例,一种情报处理目标关联方法,包括:步骤1、针对不同传感器发送过来的报文进行自适应的选择关联波门,选择的关联波门包括椭圆形关联门、环形关联门以及截尾扇形关联门;步骤2、根据报文内容选取关联波门之后,对关联波门的有效区域内的多个传感器量测值进行选择,其中选择策略是根据已有目标个数进行关联算法自适应。
根据本发明某些实施例的情报处理目标关联方法,针对情报处理工程应用背景中,不同传感器发送的报文内容不同,有的传感器发送的报文目标属性信息比较全面,有的传感器发送的报文属性信息则比较简单,以及报文内容可能缺失,采用单一的关联门进行目标关联可能会导致误关联和消息冗余的问题,提出一种自适应的目标关联方法,提高信息报的去重率,降低误关联率,提高多源多目标背景下目标融合的精度。
在一些例子中,前述步骤1中,对于不同传感器发送的报文进行自适应的选择关联波门,其实现包括:
1)对于速度、运动方向以及速度最大值、最小值均未知的报文,选择椭圆形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内;
2)对于运动方向未知,速度已知或者速度最大值、最小值已知的报文,选取环形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内;
3)对于目标初始运动方向明确,且速度的最大值、最小值均可知时,选取截尾扇形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内。
下面结合图5、图6与图7,对前述三种不同情形下的关联门的自适应选择进行具体说明。
1)如图5所示,对于速度、运动方向以及速度最大值、最小值均未知的报文,椭圆形关联门能较大范围的将可能与目标关联的量测值包括在有效区域内,其关联过程如图5所示:
对于椭圆形关联门,根据前述公式1-1,其椭圆中心是点(x0,y0)为目标前一时刻对下一时刻的预测值,a,b分别是椭圆的长轴和短轴。
关联准则为:
当(|x1-x0|≤a)∩(|y1-y0|≤b)满足时,则认为这两个目标相关联,其中(x1,y1)为传感器传送过来的量测值;
当(|x1-x0|≥a)∪(|y1-y0|≥b)满足时,则认为这两个目标不关联。
这样就可以很大程度上排除其它目标和干扰。
2)对于运动方向未知,速度已知或者速度最大最小值已知的报文选取环形关联门,在目标的运动范围可知,目标的运动方向未知的情况下环形关联门的效果是相当好的,它可以得到目标运动到下一时刻目标位置的范围。其关联过程如图6所示。
确切地说方程1-2中的速度应该是目标运动的径向速度,一般取速度的最小值小于目标运动的最小速度,最大值大于目标运动的最大速度来设置参数的。
同样,如前述的方程1-2进行关联,其中(x1,y1)为传感器传送过来的量测值。
当前述方程1-2满足时,则认为这两个目标相关联;否则,认为这两个目标不相关联。
3)截尾扇形关联门是扇形关联门的一种,在目标初始运动方向明确,速度的最大最小值也可知的情况下使用的,其关联过程如图7所示。
截尾扇形关联门通过运动规律将那些出现概率极小的地方截去,用以降低目标关联时的误关联的可能性。它在扇形关联门的基础上加入了角度信息,将关联门的面积限制到更小的范围内。
结合图7以及前述方程1-3进行关联,当前述方程1-3满足时,则认为这两个目标相关联;否则,认为这两个目标不相关联。
结合图4所示,根据报文内容选取关联门之后,接下来需要对关联门有效区域内的多个量测值进行选择,选择策略是根据已有目标个数进行关联算法自适应,包括:1)目标个数小于判定阈值的情况下,选取最近邻域算法对多个传感器量测值进行选择;2)目标个数大于判定阈值时,则选取联合概率数据关联方法对多个传感器量测值进行选择。
前述的判定阈值可根据各关联门的实际情况进行预先设定。
下面示例性地表达前述两个算法——最近邻域算法以及联合概率数据关联方法实现原理或者过程。
(1)最近邻域关联算法
最近邻域关联算法是把落在关联门之内并且与已知目标的预测位置“最近邻的”的观测航迹作为关联航迹。这里的“最近邻”一般是指观测航迹在统计意义上离已知目标点迹的预测位置最接近,如图8所示。
接近程度是以统计距离定义的,一般使用欧氏距离作为统计距离。
假设已经建立了N条航迹,第K次新观测为Zj(k),j=1,2,…,N,在第i条航迹的关联门内,观测j和航迹i的差矢量定义为测量值和预测值之间的差,即残差,表示为:
设S(k)是eij(k)的协方差矩阵,则统计距离(平方)为:
d2 ij(k)=eij(k)Sij -1(k)eij T(k) (1-5)
它是判断哪个点迹为“最近邻”点迹的度量标准。最近邻域数据关联主要适用于多目标或者目标较少的情况,也可以说是适用于对稀疏目标环境的目标关联。
(2)联合概率数据关联算法
联合概率数据关联算法适用于杂波环境下对多目标进行数据互联。该方法不需要关于目标和杂波的先验信息,只需充分利用跟踪门内的所有数据来获取可能的后验信息。如果被跟踪的多个目标没有回波落入波门的相交区域内,此时多目标数据关联便可转化为单目标关联。
联合概率数据关联算法依据的两个基本假设是:
①每一个量测有唯一的源,即任何一个量测不是来源于某个目标,则必然源于杂波或虚警,换句话说,不可分辨的探测可能性将不被考虑。
②对于一个给定的目标,最多有一个量测以其为源。如果一个目标产生多个量测,将一个设为真,其它设为假。
设θjt(k)表示量测j源于目标t(0≤t≤T)的事件,而事件θj0(k)表示量测j源于杂波或虚警,按照单目标概率数据互谅滤波器中条件概率的定义有:
表示第j个量测与目标t互联的概率,则k时刻目标t的状态估计为:
其中
表示k时刻没有量测源于目标的情况,这时使用来代替。第j个量测与目标互关联的概率:
其中表示量测j在第i个联合事件中源于目标t(0≤t≤T)的事件;θi(k)表示第i个联合事件;nk表示联合事件的个数,而
表示在第i个联合事件中,量测j是否源于目标t,在量测j源于目标t时为1,否则为0。
综上所述,本发明提出的自适应的目标关联方法适用于战场大数据背景下,多类型传感器下产生大量不同类型报文的目标识别问题,并可以应用于态势估计系统中的多目标航迹的生成以及目标运动轨迹的预测,提供较为准确的辅助决策信息。通过本发明的方案的实施,能够提高目标关联信息报的去重率,以及目标关联和预测的准确率,适用于各个领域中的目标识别、目标运动预测和航迹生成。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (2)
1.一种情报处理目标关联方法,其特征在于,包括:
步骤1、针对不同传感器发送过来的报文进行自适应的选择关联波门,选择的关联波门包括椭圆形关联门、环形关联门以及截尾扇形关联门;
步骤2、根据报文内容选取关联波门之后,对关联波门的有效区域内的多个传感器量测值进行选择,其中选择策略是根据已有目标个数进行关联算法自适应;
其中,前述步骤1中,对于不同传感器发送的报文进行自适应的选择关联波门,其实现包括:
1)对于速度、运动方向以及速度最大值、最小值均未知的报文,选择椭圆形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内;
2)对于运动方向未知,速度已知或者速度最大值、最小值已知的报文,选取环形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内;
3)对于目标初始运动方向明确,且速度的最大值、最小值均可知时,选取截尾扇形关联门进行目标关联,将可能与目标关联的量测值包括在有效区域内;
前述步骤1中,各个关联门的关联方程及目标关联的判断包括:
1)椭圆形关联门的关联方程为:
对于椭圆形关联门,其椭圆中心是点(x0,y0),为目标前一时刻对下一时刻的预测值,a,b分别为椭圆的长轴和短轴,其中:
关联准则为:当(|x1-x0|≤a)∩(|y1-y0|≤b)满足时,则认为这两个目标相关联,其中(x1,y1)为传感器传送过来的量测值;当(|x1-x0|≥a)∪(|y1-y0|≥b)满足时,则认为这两个目标不关联;
2)环形关联门的关联公式为:
R1 2≤(x-x1)2+(y-y1)2≤R2 2 (1-2)
式中:
R1=vmint
R2=vmaxt
其中:R1、R2——环的内径和外径;
vmin——速度的最小值;
vmax——速度的最大值;
t——目标运动的持续时间;
关联准则为:当前述方程(1-2)满足时,则认为这两个目标相关联;否则,认为这两个目标不相关联;
3)截尾扇形关联门的关联方程为:
式中:Δθ——运动方向偏离轴向的角度大小;
α——偏离轴向的最大的角度值;
关联准则为:当前述方程(1-3)满足时,则认为这两个目标相关联;否则,认为这两个目标不相关联;
前述步骤2中,对关联波门的有效区域内的多个传感器量测值进行选择,根据已有目标个数进行关联算法自适应,其实现包括:
1)目标个数小于判定阈值的情况下,选取最近邻域算法对多个传感器量测值进行选择;
2)目标个数大于判定阈值时,则选取联合概率数据关联方法对多个传感器量测值进行选择。
2.根据权利要求1所述的情报处理目标关联方法,其特征在于,前述方法更加包括:
接受目标个数的判定阈值的设定,并以此作为对关联波门的有效区域内多个量测值关联算法自适应选择的判定阈值依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510416872.0A CN105066995B (zh) | 2015-07-15 | 2015-07-15 | 一种情报处理目标关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510416872.0A CN105066995B (zh) | 2015-07-15 | 2015-07-15 | 一种情报处理目标关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105066995A CN105066995A (zh) | 2015-11-18 |
CN105066995B true CN105066995B (zh) | 2018-11-13 |
Family
ID=54496421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510416872.0A Active CN105066995B (zh) | 2015-07-15 | 2015-07-15 | 一种情报处理目标关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105066995B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199583A (zh) * | 2016-06-30 | 2016-12-07 | 大连楼兰科技股份有限公司 | 多目标数据匹配与跟踪的方法及系统 |
CN110927712B (zh) * | 2019-10-28 | 2022-02-01 | 珠海格力电器股份有限公司 | 跟踪方法和装置 |
CN111044986B (zh) * | 2019-12-25 | 2022-05-10 | 成都纳雷科技有限公司 | 一种用于雷达目标检测的密度聚类方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7725258B2 (en) * | 2002-09-20 | 2010-05-25 | M7 Visual Intelligence, L.P. | Vehicle based data collection and processing system and imaging sensor system and methods thereof |
CN1251144C (zh) * | 2002-09-12 | 2006-04-12 | 上海交通大学 | 复杂背景条件下红外弱小目标的检测与跟踪方法 |
CN101840579A (zh) * | 2010-01-28 | 2010-09-22 | 浙江大学 | 一种利用视频分割与粒子滤波实现多目标跟踪方法 |
CN102930276B (zh) * | 2012-11-05 | 2015-10-14 | 中国船舶重工集团公司第七二四研究所 | 基于线性回归和聚类分析理论的高速机动目标跟踪方法 |
-
2015
- 2015-07-15 CN CN201510416872.0A patent/CN105066995B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105066995A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Munz et al. | Generic centralized multi sensor data fusion based on probabilistic sensor and environment models for driver assistance systems | |
CN106054169B (zh) | 基于跟踪信息的多站雷达信号融合检测方法 | |
CN107063259A (zh) | 一种航迹关联方法及电子设备 | |
CN105066995B (zh) | 一种情报处理目标关联方法 | |
CN104050368A (zh) | 系统误差下基于误差补偿的群航迹精细关联算法 | |
Shieh et al. | Improved node localization for WSN using heuristic optimization approaches | |
Xue et al. | DeepTAL: Deep learning for TDOA-based asynchronous localization security with measurement error and missing data | |
Yang et al. | : An Adaptive Object Detection System based on Early-exit Neural Networks | |
Mantoro et al. | Extreme learning machine for user location prediction in mobile environment | |
Liu et al. | Energy-balanced multiple-sensor collaborative scheduling for maneuvering target tracking in wireless sensor networks | |
Giri et al. | Information-theoretic approach for secure localization against sybil attack in wireless sensor network | |
Bi et al. | Detection and Mitigation of Position Spoofing Attacks on Cooperative UAV Swarm Formations | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
Dakhlallah et al. | Type-2 Fuzzy Kalman Hybrid Application for Dynamic Security Monitoring Systems based on Multiple Sensor Fusion | |
Krout et al. | Likelihood surface preprocessing with the JPDA algorithm: Metron data set | |
An et al. | Efficient data association to targets for tracking in passive wireless sensor networks | |
Vasconcelos et al. | Mathematical model for a collaborative indoor position system (IPS) and movement detection of devices within IoT environment | |
Zhang et al. | Model‐switched Gaussian sum cubature Kalman filter for attitude angle‐aided three‐dimensional target tracking | |
Vallikannu et al. | An Analysis of Situational Intelligence for First Responders in Military | |
Jiang et al. | Network Radar Countermeasure Systems | |
Lee | Adaptive data association for multi-target tracking using relaxation | |
Masnica et al. | Signal processing from sensors in a probabilistic model for recognition—IFF | |
Chen et al. | Data Association Approach for Two Dimensional Tracking Based on Bearing-Only Measurements in Clutter Environment. | |
Ji et al. | Technique of anti-multi-range-false-target jamming for radar network based on double discrimination | |
Tian et al. | A Global Optimal Association Algorithm Based on Fuzzy Comprehensive Decision-Making |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |