CN108333571B - 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 - Google Patents
一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 Download PDFInfo
- Publication number
- CN108333571B CN108333571B CN201810123554.9A CN201810123554A CN108333571B CN 108333571 B CN108333571 B CN 108333571B CN 201810123554 A CN201810123554 A CN 201810123554A CN 108333571 B CN108333571 B CN 108333571B
- Authority
- CN
- China
- Prior art keywords
- sensor
- target
- fusion
- time
- trace
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,应用于目标检测跟踪领域,包括:每个传感器节点在本地进行多帧联合检测,得到各传感器节点的目标点迹序列;并将传感器节点的目标点迹序列传递至融合中心;融合中心通过粒子滤波融合多个传感器节点的目标点迹序列,从而输出目标状态的全局估计;本发明的方法实现了在本地传感器进行多帧联合检测改善系统对弱目标的检测能力,同时在融合中心利用粒子滤波融合多传感器提供的点迹序列实现更精确的目标状态估计的效果。
Description
技术领域
本发明属于目标检测跟踪领域,特别涉及一种分布式多传感器融合和多帧联合检测技术。
背景技术
多传感器融合技术能够联合利用空间中多个传感器节点提供的原始回波数据或数据处理结果进行统一处理。相比与单传感器,该技术能掌握更全面的数据信息,得到更稳定、可靠的结果。近年来,该技术逐渐被应用到目标检测跟踪领域。一般来说,多传感器融合技术可以分为两大类:集中式融合和分布式融合。集中式融合方法不在本地对回波数据进行处理,将它们直接送入融合中心进行联合处理。该方法虽避免了本地数据信息的丢失,但传输代价大,且性能不稳定。而分布式融合方法在本地对回波数据进行一定程度的处理,将处理后的局部数据结果传递融合中心进行进一步融合,该方法虽然导致一定的本地信息丢失,但传输代价小且实现灵活,性能稳定。因此,分布式融合具有更广泛的应用。但目前的分布式融合技术在本地均采用单帧检测的方法,这种方法在每个时刻都对接收到的回波数据进行检测,然后利用检测后的结果完成后续的跟踪滤波和融和操作。当目标的信噪比比较高时,这种方法可以表现出较好的性能,但当目标的信噪比低时,由于目标回波能量很弱,目标往往没办法通过单帧检测门限导致漏检,最终大大减低算法性能。
不同于单帧检测技术,多帧联合检测技术不在单个时刻对回波数据进行检测而是联合处理多帧的回波数据,积累目标能量同时抑制噪声改善信噪比。该方法能够有效改善微弱目标的检测性能。在单传感器领域,该方法已被证明具有良好的检测性能。但要将该方法应用到多传感器融合技术中,还存在一定的问题。首先,多帧联合检测输出的是一段时间内的目标状态状态估计序列(称为点迹序列),而非当前时刻的目标状态估计。另外,不同于经典单帧检测后融合方法,这些点迹序列的估计误差协方差也是未知的。因此,传统的分布式融合方法并不能直接用来解决多帧联合检测后的点迹序列融合问题。
发明内容
为了解决传统的分布式融合方法不能直接用来解决多帧联合检测后的点迹序列融合问题,本发明提出了一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,实现更精确的目标状态估计。
本发明采用的技术方案为:一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,包括两个模块:本地多帧联合检测模块,与融合中心点迹序列融合算法模块。
1、本地多帧联合检测模块
通过在本地传感器进行多帧联合检测改善系统对弱目标的检测能力;具体过程为:
A1、各传感器本地值函数进行积累;
A11、若当前时刻k=1,则初始化各传感器本地值函数为
若当前时刻k>1且k≤K,则计算各传感器本地值函数,并转至步骤A12;否则执行步骤A2;
其中,xk表示在k时刻可能的目标状态;K的取值为联合处理帧数;表示第m个传感器在k时刻接收到的回波数据;τ(xk)表示可能转移到状态xk的k-1时刻的状态集合;表示第m个传感器在1到k时刻接收到的回波数据的集合,p(xk|xk-1)表示k-1时刻到k时刻的状态转移函数,表示第m个传感器在k时刻的似然函数,k=1,…,K,K表示联合处理帧数,m=1,…,M,M表示系统包含的传感器数目;
A12、k=k+1,执行步骤A11;
A2、若经步骤A1积累后的传感器本地值函数大于设定检测门限,则表示该传感器检测到目标;否则该传感器未检测到目标;
如果第K时刻第m个传感器本地值函数最大值I(xK|Z1m:K)超过检测门限,则第m个传感器宣布检测到目标,否则未检测到目标;如果所有传感器都没有检测到目标,则宣布当前时刻无目标检测到,进行下一时刻检测,重复步骤A1;否则进行A3步骤。
所检测到目标对应的目标状态估计结果为:
A3、计算检测到目标的各传感器的目标状态估计结果,得到检测到目标的各传感器的目标点迹序列;
A4、将检测到目标的各传感器的目标点迹序列传递至融合中心。
2、融合中心点迹序列算法模块;
在融合中心利用粒子滤波融合多传感器提高的点迹序列实现更精确的目标状态估计;具体过程为:
B1、在设定迭代次数K内进行粒子采样;设定迭代次数K取值为联合处理帧数
初始化,设定时刻l=1。
B2、根据各传感器的目标点迹序列计算当前迭代粒子权值;
B3、根据每一次迭代得到的粒子及其对应的权值,进行融合计算全局目标状态估计。
优选的,步骤B2每次迭代计算得到当前时刻粒子权值后,还包括粒子重采样。
结合上述的本地多帧联合检测模块与融合中心点迹序列融合算法模块,本发明的一种基于点迹序列融合的多传感器多帧联合检测跟踪方法流程为:
S1、每个传感器节点在本地进行多帧联合检测,得到各传感器节点的目标点迹序列;并将传感器节点的目标点迹序列传递至融合中心;
S2、融合中心通过粒子滤波融合多个传感器节点的目标点迹序列,从而输出目标状态的全局估计。
本发明的有益效果:本发明的一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,在本地传感器进行多帧联合检测改善系统对弱目标的检测能力,同时在融合中心利用粒子滤波融合多传感器提高的点迹序列实现更精确的目标状态估计。
附图说明
图1为本发明实施例提供的方法框图;
图2为本发明实施例提供的本发明方法与单传感器单帧检测后融合算法在本地传感器中的检测概率对比图;
图3为本发明实施例提供的本发明方法与单传感器单帧检测后融合算法在不同时刻的目标状态估计误差对比图;
图4为本发明实施例提供的本发明所提算法与单传感器多帧检测后未融合算法在不同时刻的目标状态估计误差对比图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
如图1所示为本发明的方法框图,本发明的技术方案为:一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,包括两个算法模块:本地多帧联合检测模块与融合中心点迹序列融合算法模块;在本地多帧联合检测模块通过值函数积累,得到各个传感器的本地值函数,通过与检测门限进行比较,对检测到目标的传感器进行目标状态估计,得到该传感器的点迹序列;将所有检测到目标的传感器的点迹序列传递至融合中心;融合中心通过粒子滤波融合多个传感器节点的目标点迹序列,从而输出目标状态的全局估计。
1、本地多帧联合检测模块
11、值函数积累
若迭代次数k=1,初始化各传感器本地值函数为:
若迭代次数k>1,计算各传感器本地值函数为:
其中,其中,xk表示在k时刻的目标状态;K的取值为联合处理帧数;表示第m个传感器在k时刻接收到的回波数据;τ(xk)表示可能转移到状态xk的k-1时刻的状态集合;表示第m个传感器在1到k时刻接收到的回波数据的集合,p(xk|xk-1)表示k-1时刻到k时刻的状态转移函数,表示第m个传感器在k时刻的似然函数,k=1,…,K,K表示联合处理帧数,m=1,…,M,M表示系统包含的传感器数目。
12、迭代计算
k=k+1,如果k≤K,则执行步骤A1;否则,执行步骤A3。
13、值函数检测
所述检测门限根据给定的虚警概率计算,虚警概率可通过多次蒙特卡洛仿真得到。假设虚警概率为pfa,则在无目标情况下进行1/pfa次仿真,将取各次仿真中得到的值函数最大值进行从大至小排列,取其中的最大值作为检测门限。
所检测到目标对应的目标状态估计结果为:
14、点迹序列传递
2、融合中心点迹序列融合算法模块;在融合中心利用粒子滤波融合多传感器提高的点迹序列实现更精确的目标状态估计;具体过程为:
21、初始化,迭代次数l=1。
23、计算粒子权值
24、粒子重采样,此步骤为本领域中的常用技术,再次不做详细阐述。
25、执行l=l+1,如果l≤K,执行步骤B2;否则,执行步骤B6。
26、计算目标状态全局估计
本发明的方法与其他算法的比较效果如图2至图4所示,如图2所示相比于单传感器单帧检测后融合算法,本发明所提方法可以获得更高的本地检测概率,能够提高弱目标的检测性能。如图3所示相比于单传感器单帧检测后融合算法,本发明所提方法具有更高的目标状态估计精度。如图4所示通过粒子滤波融合步骤,本发明所提方法的目标状态估计精度大大提高,远优于未进行多传感器融合的多帧检测算法。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (9)
1.一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,其特征在于,包括:
S1、每个传感器节点在本地进行多帧联合检测,得到各传感器节点的目标点迹序列;并将传感器节点的目标点迹序列传递至融合中心;步骤S1具体为:
A1、各传感器本地值函数进行积累;
A2、若经步骤A1积累后的传感器本地值函数大于设定检测门限,则表示该传感器检测到目标;否则该传感器未检测到目标;
如果最后一次迭代对应的时刻某个传感器本地值函数超过检测门限,则该传感器宣布检测到目标,否则未检测到目标;
A3、计算检测到目标的各传感器的目标状态估计结果,得到检测到目标的各传感器的目标点迹序列;
A4、将检测到目标的各传感器的目标点迹序列传递至融合中心;
S2、融合中心通过粒子滤波融合多个传感器节点的目标点迹序列,从而输出目标状态的全局估计。
2.根据权利要求1所述的一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,其特征在于,步骤A1包括以下分步骤:
A11、若当前时刻k=1,则初始化各传感器本地值函数为
若当前时刻k>1且k≤K,则计算各传感器本地值函数,并转至步骤A12;否则执行步骤A2;
其中,xk表示在k时刻可能的目标状态;K的取值为联合处理帧数;表示第m个传感器在k时刻接收到的回波数据;τ(xk)表示可能转移到状态xk的k-1时刻的状态集合;表示第m个传感器在1到k时刻接收到的回波数据的集合,p(xk|xk-1)表示k-1时刻到k时刻的状态转移函数,表示第m个传感器在k时刻的似然函数,k=1,L,K,K表示联合处理帧数,m=1,L,M,M表示系统包含的传感器数目;
A12、k=k+1,执行步骤A11。
4.根据权利要求1所述的一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,其特征在于,所述检测门限根据给定的虚警概率计算。
5.根据权利要求1所述的一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,其特征在于,步骤S2具体为:
B1、在设定迭代次数K内进行粒子采样;设定迭代次数K取值为联合处理帧数;
B2、根据各传感器的目标点迹序列计算当前迭代粒子权值;
B3、根据每一次迭代得到的粒子及其对应的权值,进行融合计算全局目标状态估计。
8.根据权利要求7所述的一种基于点迹序列融合的多传感器多帧联合检测跟踪方法,其特征在于,步骤B2每次迭代计算得到当前时刻粒子权值后,还包括粒子重采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123554.9A CN108333571B (zh) | 2018-02-07 | 2018-02-07 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123554.9A CN108333571B (zh) | 2018-02-07 | 2018-02-07 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108333571A CN108333571A (zh) | 2018-07-27 |
CN108333571B true CN108333571B (zh) | 2020-04-21 |
Family
ID=62928355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810123554.9A Active CN108333571B (zh) | 2018-02-07 | 2018-02-07 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108333571B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983216B (zh) * | 2018-08-20 | 2020-04-21 | 电子科技大学 | 一种基于坐标校准的机载雷达微弱目标检测前跟踪方法 |
CN110673132B (zh) * | 2019-10-11 | 2022-01-11 | 电子科技大学 | 一种用于多帧联合检测与跟踪的点迹序列实时滤波方法 |
CN112130223A (zh) * | 2020-08-29 | 2020-12-25 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种分布式光控阵列协同处理系统 |
CN113408422B (zh) * | 2021-06-21 | 2022-09-09 | 电子科技大学 | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237853A (zh) * | 2014-09-16 | 2014-12-24 | 电子科技大学 | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 |
CN105137420A (zh) * | 2015-09-09 | 2015-12-09 | 电子科技大学 | 一种多帧积累的非相干mimo雷达检测和定位方法 |
CN107247257A (zh) * | 2017-07-03 | 2017-10-13 | 电子科技大学 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
CN107340517A (zh) * | 2017-07-04 | 2017-11-10 | 电子科技大学 | 一种多传感器多帧检测前跟踪方法 |
CN107656265A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
-
2018
- 2018-02-07 CN CN201810123554.9A patent/CN108333571B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237853A (zh) * | 2014-09-16 | 2014-12-24 | 电子科技大学 | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 |
CN105137420A (zh) * | 2015-09-09 | 2015-12-09 | 电子科技大学 | 一种多帧积累的非相干mimo雷达检测和定位方法 |
CN107247257A (zh) * | 2017-07-03 | 2017-10-13 | 电子科技大学 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
CN107340517A (zh) * | 2017-07-04 | 2017-11-10 | 电子科技大学 | 一种多传感器多帧检测前跟踪方法 |
CN107656265A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
Non-Patent Citations (3)
Title |
---|
A centralized asynchronous fusion algorithm for sensors with different resolution via DP-TBD;Yangyang Li et al.;《2017 IEEE Radar Conference》;20170608 * |
An Efficient Recursive Multiframe Track-Before-Detect Algorithm;Jinghe Wang et al.;《IEEE Transactions on Aerospace and Electronic Systems》;20180818 * |
Multi-sensor DP-TBD based on approximation of likelihood functions;Jinghe Wang et al.;《2017 20th International Conference on Information Fusion》;20180815 * |
Also Published As
Publication number | Publication date |
---|---|
CN108333571A (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108333571B (zh) | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 | |
CN109902832B (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
US20240020514A1 (en) | Improper neural network input detection and handling | |
CN111291827B (zh) | 图像聚类方法、装置、设备及存储介质 | |
CN106202756B (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
CN107247257B (zh) | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 | |
CN111177224A (zh) | 一种基于条件式规整化流模型的时间序列无监督异常检测方法 | |
CN116381753A (zh) | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 | |
CN115221017A (zh) | 服务器温度传感器自检的方法、系统、设备及存储介质 | |
CN108846427A (zh) | 非线性系统任意延迟步数的单个失序量测集中式融合方法 | |
CN114048811A (zh) | 一种基于深度学习的无线传感器节点故障诊断方法和装置 | |
Bagi et al. | Generative causal representation learning for out-of-distribution motion forecasting | |
CN110035405B (zh) | 一种基于随机集理论的多传感器分布式高效融合方法 | |
CN112305915A (zh) | Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统 | |
CN108845299B (zh) | 一种基于后验信息融合的多传感器多帧联合检测算法 | |
CN106973364B (zh) | 一种多项式参数化似然函数的分布式批估计数据融合方法 | |
Yi et al. | Minimum description length criterion for modeling of chaotic attractors with multilayer perceptron networks | |
US11250319B1 (en) | Circuit architecture with biased randomization | |
JP5373967B2 (ja) | 終了されるまで深さ優先探索を実行するスフィア検出器 | |
JPWO2021038840A5 (zh) | ||
CN113341391B (zh) | 基于深度学习的未知环境下雷达目标多帧联合检测方法 | |
CN117556261B (zh) | 一种基于mcnn的隔膜泵单向阀寿命预测方法与系统 | |
Zhu et al. | Joint detection and estimation fusion in the presence of correlated sensor quantized data | |
WO2022199783A1 (en) | Device and method for identifying unknown classes for artificial neural networks | |
Le Caillec et al. | Fusion of hypothesis testing for nonlinearity detection in small time series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |