CN109143224A - 一种多目标关联方法和装置 - Google Patents

Abstract

本发明公开了一种多目标关联方法和装置，方法包括：获取第一观测平台和第二观测平台下各目标对应的方位观测序列；利用卡尔曼滤波算法以及所述方位观测序列进行航迹不变量信息估计，得到目标的航向信息；联合利用方位观测序列和航迹不变量信息，计算关联度，并对关联度进行排序，当最大关联度大于预设的阈值时，确定第一观测平台观测到的目标的航迹与第二观测平台观测到的相应目标的航迹关联，输出关联结果。与传统的仅利用方位信息的关联算法相比，本方案有较高的关联准确度。

Description

一种多目标关联方法和装置

技术领域

本发明涉及数据融合技术领域，具体涉及一种多目标关联方法和装置。

背景技术

网络信息战是现代战争的趋势，而多传感器融合是其中的关键技术。由于多传感器融合技术利用不同类型的多种传感器，具有较好的鲁棒性，可以有效扩展时间、空间覆盖能力，减小系统的模糊性程度。因其具有如此多的优点，多传感器融合技术在水声和雷达领域也有着广泛应用。公知的是，多传感器数据融合的前提是数据关联，通过雷达、声呐等平台获取的目标方位跟踪信息，经过预处理，将这些量测信息统一到同一坐标系下，并计算得到合成的航迹。多传感器融合难点是如何判断来自于不同观测平台的两条航迹代表的是同一个目标，目前传统的关联方法关联准确度低，不能满足需求。

发明内容

本发明提供了一种多目标关联方法和装置，以解决传统的关联方法关联准确度低不能满足需求的技术问题。

根据本申请的一个方面，提供了一种多目标关联方法，包括：

获取第一观测平台和第二观测平台下目标对应的方位观测序列；

利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息；

联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度，并对每个目标对应的各关联度进行排序；当目标的最大关联度大于第一模糊阈值时，确定第一观测平台目标的航迹与第二观测平台相应目标的航迹粗关联并输出关联结果。

可选地，该方法还包括：

计算航迹的关联质量，并将计算出的关联质量与第二模糊阈值比较，

如果关联质量大于第二模糊阈值，则确定粗关联的航迹为固定关联对。

可选地，计算航迹的关联质量包括：

当第一观测平台的目标的航迹i与第二观测平台的目标的航迹j^*被确定为粗关联时，通过下列公式计算航迹的关联质量：其中l表示时刻；否则，通过下列公式计算航迹的关联质量时刻l为0时，航迹的关联质量为0；

可选地，利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息包括：

定义状态估计量X＝[v_x v_y]^T,其中υ为航迹不变量，v_x,v_y均为目标与观测平台的相对速度分量；状态方程X(t_k)＝AX(t_k-1)+W_k-1,其中为转移矩阵，W_k-1为过程噪声矢量；测量方程Z_k＝H_kX(t_k)+v_k,测量方程中H_k表示测量矩阵，v_k为测量噪声；H_k＝[(sinθ₁-βsinθ₀)-(cosθ₁-βcosθ₀)]，θ₀、θ₁分别为s₀、s₁时刻的目标方位；

确定初始状态估计量和初始状态估计方差其中v_x(t₀),v_y(t₀)分别为目标初始速度水平分量和垂直分量，分别为状态估计量的方差；

卡尔曼滤波算法步骤如下：

步骤41，由所述状态方程得到状态预估值：

步骤42，预测误差协方差矩阵：P_k/k-1＝AP_k-1A^T+Q_k-1；

步骤43，计算最优滤波增益

步骤44，计算状态向量预测值

步骤45，更新误差协方差矩阵P_k＝(I-K_kH_k)P_k/k-1；其中，Q_k-1为过程噪声方差矩阵；

根据以下公式计算目标的航向信息其中为目标航向。

可选地，第一观测平台和第二观测平台分别为雷达观测平台和声呐观测平台，

方法还包括：

在联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度之前，对所述航迹不变量信息以及所述方位观测序列进行归一化处理，将航迹不变量以及所述方位观测序列映射到预设区间内。

可选地，选取声呐观测平台下目标的航迹作为参考序列，记为X_i(k)＝{X_i(k)|k＝1,2,...,n}，将雷达观测平台下目标的航迹作为比较序列，记为X_j＝{X_j(k)|k＝1,2,...,n}，(j＝1,2,3,...n)；

通过下列公式(1)计算参考序列与比较序列的关联系数：

其中表示两级最小差，表示两级最大差，Δ_j(k)表示第k个X₀与第k个X_j的绝对差，ξ_j(k)表示关联系数，ρ为分辨系数；

令Δ_j(k)＝|X_i(k)-X_j(k)|，则关联系数

以及，通过对方位观测序列和航迹不变量信息进行关联计算得到加权之后的关联度

其中γ(X_i,X_j)表示关联度，a(k)表示信息ξ_j(k)在所有量测信息中的权重。

可选地，还包括：利用卡尔曼滤波对所述方位观测序列进行去野值点预处理或平滑滤波预处理。

可选地，利用卡尔曼滤波对所述方位观测序列进行去野值点预处理包括：

通过下列公式(3)计算航迹不变量序列的残差：

其中，为状态预测值，P_k/k-1为预测协方差矩阵，R_k为观测噪声的协方差矩阵，z_k：量测信息，H_k：测量矩阵；

通过下列公式(4)计算残差的协方差矩阵：

判断是否成立，其中，α为常数，d_k表示残差，diag[R_k]表示观测噪声协方差矩阵的对角阵；

如果成立则不做处理，如果不成立，则将残差置0后去除野值点。

根据本申请的另一个方面，提供了一种多目标关联装置，包括：

获取模块，用于获取第一观测平台和第二观测平台下目标对应的方位观测序列；

估计模块，用于利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息；

关联模块，用于联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度，并对每个目标对应的各关联度进行排序；当目标的最大关联度大于第一模糊阈值时，确定第一观测平台目标的航迹与第二观测平台相应目标的航迹粗关联并输出关联结果。

可选地，该装置还包括：关联质量模块，用于计算航迹的关联质量，并将计算出的关联质量与第二模糊阈值比较，如果关联质量大于第二模糊阈值，则确定粗关联的航迹为固定关联对。

有益效果：本发明实施例的多目标关联方法和装置，获取观测平台所有目标对应的方位观测序列，利用卡尔曼滤波算法以及方位观测序列进行航迹不变量信息估计，得到航迹不变量信息；联合利用方位观测信息和航迹不变量信息计算目标航迹的关联度并对关联度排序，如果最大关联度大于第一模糊阈值时，确定航迹关联并输出关联结果。由此可知，通过利用卡尔曼滤波实时估计观测平台多个目标的航迹不变量信息，联合利用方位和航迹两类信息计算关联度并进行模糊门限判决得到关联结果，与单纯利用方位信息的关联方案相比，关联准确度有显著提高，甚至有时能关联出传统算法无法关联上的目标，具有重大工程应用价值。

附图说明

图1是本发明一个实施例的多目标关联方法的流程图；

图2是本发明另一个实施例的多目标关联方法的流程图；

图3是本发明一个实施例的含野值点的方位观测信息与真值的对比示意图；

图4是本发明一个实施例的含野值点的方位观测信息与滤波平滑结果的对比示意图；

图5是本发明一个实施例的雷达观测平台的目标的方位信息的示意图；

图6是本发明一个实施例的声呐观测平台的目标的方位信息的示意图；

图7是本发明一个实施例的雷达观测平台的目标航迹不变量信息的示意图；

图8是本发明一个实施例的声呐平台的目标航迹不变量信息的示意图；

图9是本发明一个实施例的多目标关联装置的框图。

具体实施方式

下面结合附图和具体实施例，进一步阐述本发明。这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明记载的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明所要求保护的范围。

目前传统的关联方法，主要是统一坐标系之后，进行纯方位信息的关联。由于无法直接获得目标的距离信息，故不能将声呐目标的方位信息统一到雷达系统的坐标系中。如表1所示，表1给出的是仅利用方位信息进行多目标关联的结果，表1中，每一行代表雷达的一个目标对声呐的四个目标的关联度，四个关联度中的最大值代表雷达的一个目标关联上的声呐目标。

表1所示，传统的多目标关联算法仅利用目标的方位信息进行关联时，雷达1号目标和声呐2号目标关联上(见下表1中加粗显示的最大值0.38)，关联错误。雷达2号目标和声呐2号目标关联上，关联正确，但关联质量低(只有0.37)。雷达3号目标和声呐3号目标关联上，关联正确，关联质量高；雷达4号目标和声呐2号目标关联上，关联错误。由表1所示，在示意的四

个目标的关联上，传统的关联方法的错误率为50％，即，两个目标关联正确，2个目标关联错误。

本发明的设计构思在于：针对上述仅利用目标的方位信息导致的关联度低的技术问题，本发明公开了一种利用雷达和声呐等探测平台进行多目标关联的融合算法，能够实现水面舰船等目标的多平台联合观测和目标跟踪，该方案基于扩展的卡尔曼滤波框架，同时通过双门限模糊关联算法进行多目标的关联计算，最后实现航迹合成。相比于传统的仅利用纯方位的关联算法而言，本实施例基于新的量测信息即航迹不变量并结合模糊双门限关联算法进行融合计算得到合成的关联航迹，更为稳健、有效，具有更好的关联性能。

图1是本发明一个实施例的多目标关联方法的流程图，参见图1，本实施例的多目标关联方法包括下列步骤：

步骤S101，获取第一观测平台和第二观测平台下目标对应的方位观测序列；

步骤S102，利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息；

步骤S103，联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度，并对每个目标对应的各关联度进行排序；当目标的最大关联度大于第一模糊阈值时，确定第一观测平台目标的航迹与第二观测平台相应目标的航迹粗关联并输出关联结果。

由图1所示可知，本实施例的多目标关联方法利用卡尔曼滤波框架实时估计两个观测平台多个目标的航迹不变量信息，并结合模糊关联算法进行关联判决，得到关联结果并输出，关联准确度显著提高，甚至有时能关联出传统方法无法关联上的目标。

图2是本发明另一个实施例的多目标关联方法的流程图，参见图2，本实施例的多目标关联方法，本实施例中第一观测平台和第二观测平台为雷达观测平台和声呐观测平台，也就是说，在本发明的一个实施例中，以雷达平台和声呐平台为例对这两个观测平台下多目标的关联方法进行示意性说明。但可以理解，本实施例的多目标关联方法应用范围不限于此，本发明实施例公开的关联方法同样可以应用到其他多传感器平台的信息融合。

由图2所示，本实施例的这种多目标关联方法包括下列具体步骤：

步骤S201，雷达和声呐方位信息获取；

获取两个观测平台同一坐标系下所有目标的方位观测序列，在本实施例中以目标数量为四个进行示意性说明，而且，这四个目标的方位和航向都不相同。

本发明在下面的描述中所涉及的数学符号均为本技术领域的常用符号具体的：d_k：残差。z_k：量测信息。H_k：测量矩阵。状态预测值。R_k：量测噪声的协方差矩阵。P_k/k-1：预测协方差矩阵。A：转移矩阵。Q_k-1：过程噪声方差矩阵。K_k：增益矩阵。v_x(t_k)：目标速度水平分量。v_y(t_k)：目标速度垂直分量。υ：航迹不变量。目标航向。X₀(k)：参考序列。X_j(k)：比较序列。ρ：分辨系数。两级最小差。两级最大差。Δ_j(k)：第k个指标X₀与X_j的绝对差。ξ_j(k)：关联系数。γ(X_i,X_j)：双门限关联度。m_ij(l)：关联质量。th1：第一模糊阈值。th2：第二模糊阈值。

步骤S202，数据预处理以及统一坐标系；

通常量测序列中都会含有噪声和野值点(野值点为采样值的变化梯度在实际系统中一个采样周期内无法达到的点)，需做关联的两组方位序列(即方位序列和航迹不变量序列)进行预处理，包括去野值和平滑。

如图3所示，图3示意了测量值中包含野值点以及野值点剔除，本实施例通过以下方法实现野值点的剔除，并只需对残差项进行控制即可。具体的，通过下列公式(3)计算方位观测序列的残差：

其中，为状态预测值，P_k/k-1为预测协方差矩阵，R_k为观测噪声的协方差矩阵，z_k为量测信息，H_k为测量矩阵；

通过下列公式(4)计算残差的协方差矩阵：

判断残差的值是否小于或等于约束值，即其中，α为常数，d_k表示残差，diag[R_k]表示观测噪声协方差矩阵的对角阵；

如果残差的值小于或等于约束值，则不做处理，如果残差的值大于约束值，则将残差置0并去除野值点。

需要说明的是，残差项及其协方差矩阵中为状态预测值，P_k/k-1为预测协方差矩阵，R_k为量测噪声的协方差矩阵。

这里给定残差项的约束范围，即：其中，α为常系数，通常在3至10之间取值，本实施例将其设定为5。diag[R_k]表示量测噪声协方差矩阵的对角阵。

若上式成立，则无需做任何改变。当残差项不满足上述约束，则将其置0即可剔除野值，卡尔曼滤波算法的其余步骤保持不变。其处理结果如图4所示。

本实施例中预处理还包括：统一两组观测序列的坐标系，主要是以大地坐标系为基准，通过各自平台的GPS进行换算处理。若声呐平台无法直接获取目标的距离信息，则将雷达和声呐平台的所有量测信息统一到大地坐标系中。

步骤S203，航迹不变量估计；

本步骤中引入非线性方程线性化思路，构建伪线性方程。通过设定状态估计量，转移矩阵，以及测量矩阵，结合扩展卡尔曼滤波流程实现对航迹不变量的实时估计。通过公式得到目标的航迹不变量，进而得到目标的航向信息。

实际应用过程中，利用卡尔曼滤波算法以及方位观测序列实时估计航迹不变量，得到航迹不变量信息包括：

定义状态估计量X＝[v_x v_y]^T,其中υ为航迹不变量，v_x,v_y均为目标与观测平台的相对速度分量；状态方程X(t_k)＝AX(t_k-1)+W_k-1,其中为转移矩阵，W_k-1为过程噪声矢量；测量方程Z_k＝H_kX(t_k)+v_k,测量方程中H_k表示测量矩阵，v_k为测量噪声；H_k＝[(sinθ₁-βsinθ₀)-(cosθ₁-βcosθ₀)]，θ₀、θ₁分别为s₀、s₁时刻的目标方位；

确定初始状态估计量和初始状态估计方差其中v_x(t₀),v_y(t₀)分别为目标初始速度水平分量和垂直分量，分别为状态估计量的方差；

卡尔曼滤波算法步骤如下：

步骤41，由所述状态方程得到状态预估值：

步骤42，预测误差协方差矩阵：P_k/k-1＝AP_k-1A^T+Q_k-1；

步骤43，计算最优滤波增益

步骤44，计算状态向量预测值

步骤45，更新误差协方差矩阵P_k＝(I-K_kH_k)P_k/k-1；其中，Q_k-1为过程噪声方差矩阵；

根据以下公式计算目标的航向信息：其中为目标航向。

参见图5和图6，本实施例中利用图5、图6给出的雷达平台和声呐平台的多目标方位历程信息进行航迹不变量的实时估计，状态估计量X＝[v_x v_y]^T,其中v_x,v_y为目标与观测平台的相对速度分量，由此可得到目标的航向信息。状态方程X(t_k)＝AX(t_k-1)+W_k-1,其中为转移矩阵，W_k-1为过程噪声矢量。

测量方程Z_k＝H_kX(t_k)+v_k,其中H_k＝[(sinθ₁-βsinθ₀)-(cosθ₁-βcosθ₀)]，θ₀、θ₁分别为s₀、s₁时刻的目标方位。v_k为测量噪声。比值是计算航迹不变量时的中间量，表示的是平台1和平台2针对同一目标的距离比值，也就是说，r₀表示一个平台如平台1的一个目标的距离，r₁表示一个平台如平台2的同个一目标的距离。可以理解，卡尔曼滤波的框架基本都是一样的，只是这里构造出本实施例的测量矩阵，从而根据方位信息估计出航迹不变量信息。

航迹不变量的估计步骤如下：

(1)确定初始状态估计量和初始状态估计方差其中v_x(t₀),v_y(t₀)分别为目标初始速度分量，分别为状态估计量的方差。

(2)进行卡尔曼滤波，算法步骤如下：

步骤41，由状态方程得到状态预估值：

步骤42，预测误差协方差矩阵：P_k/k-1＝AP_k-1A^T+Q_k-1。

步骤43，计算最优滤波增益

步骤44，计算状态向量预测值

步骤45，更新滤波误差协方差矩阵P_k＝(I-K_kH_k)P_k/k-1；其中，Q_k-1为过程噪声方差矩阵。

(3)最后根据以下公式得到目标的航向信息：

由此，利用多个观测方位信息和采样时间间隔即可得到各自平台每个目标的航迹不变量信息。

步骤S204，模糊双门限融合关联算法；

需要说明的是，这里的模糊双门限融合关联算法是不仅计算航迹的关联度还计算航迹的关联质量，关联质量可以理解为本实施例提出的控制航迹关联、合成的一个判断准则。因此，双门限中的门限一是指关联度阈值，门限二是指关联质量阈值。以下对联合利用方位观测序列以及前述的航迹不变量信息，计算航迹的关联系数和关联度进行重点说明。

具体的，选取声呐观测平台下目标的航迹数据作为参考序列，记为X_i(k)＝{X_i(k)|k＝1,2,...,n}，将雷达观测平台下目标的航迹作为比较序列，记为X_j＝{X_j(k)|k＝1,2,...,n}，(j＝1,2,3,...n)；

对雷达方位观测序列进行归一化处理计算参考序列X_i(k)与比较序列X_j(k)的关联系数：

令Δ_j(k)＝|X_i(k)-X_j(k)|，则其中表示两级最小差，表示两级最大差，Δ_j(k)表示第k个指标X₀与X_j的绝对差，ξ_j(k)表示关联系数，ρ为分辨系数，X_i(k)与X_j(k)的关联度ξ_j(k)＝{ξ_j(k),k＝1,2,...,n}；

雷达方位序列X_j对声呐参考序列X_j的关联度为：γ(X_i,X_j)表示关联度。

需要说明的是，在进行目标关联之前，需要对量测信息(即方位和航迹不变量)进行归一化和标准化处理。本实施例中选取声呐平台的航迹为参考序列，记为X_i(k)＝{X_i(k)|k＝1,2,...,n}，对应前述四个目标，航迹也有四条。相应的，来自雷达平台航迹也有四条，将其作为比较序列，记为X_j＝{X_j(k)|k＝1,2,...,n}，(j＝1,2,3,4)。

在本实施例中，航迹信息包括两类，一类是方位观测序列，如图5和图6所示。另一类是航迹不变量序列，如图7和图8所示。在图7和图8中横轴表示时间，纵轴表示航迹不变量，从图7和图8可看出，在150秒之后，雷达目标1的航迹不变量基本稳定在90，同样的，声呐目标1在150秒之后也基本稳定在90。基于此，利用或联合航迹不变量计算关联度的准确度更高。

这里以雷达方位序列为例对数据进行行归一化处理进行示意性说明，归一化采用区间值化方法，具体如下：

其中，k表示第k个采样点，共有n个采样点。

需要说明的是，本实施例中是以雷达平台的方位序列的归一化为例进行的说明，针对航迹不变量信息的归一化处理过程与雷达平台方位序列归一化类似，此处不再赘述。

本实施例中联合了方位信息和航迹不变量这两种不同的信息来计算航迹的关联系数和关联度，实际应用中，方位和航迹不变量在不同情况下重要性程度不同，因此计算时可以为方位信息和航迹不变量信息分配不同的权重

然后，计算模糊双门限关联。计算模糊门限也可以细分为，计算关联系数，计算加权关联度，以及计算关联质量等过程。具体是计算声呐参考序列X_i(k)与雷达比较序列X_j(k)的关联系数：

记Δ_j(k)＝|X_i(k)-X_j(k)|，则本实施例中将ρ设定为0.3。

通过对两类信息，即方位观测序列和航迹不变量信息进行关联计算得到加权之后的模糊关联度其中a(k)表示信息ξ_j(k)在所有量测信息中的权重分量。

根据模糊关联度计算公式相对于每个声呐目标的航迹，可以获得4个雷达目标的一共16个模糊关联度。

步骤S205，输出关联结果。

这里对步骤S204中得到的关联度进行排序，按照取最大原则，即

且

其中，第一模糊阈值th1与观测序列的长度有关，本实施例中th1设定为0.85。若满足判决条件且则声呐航迹i在l时刻与雷达航迹j^*关联。

为了控制航迹关联合成，本实施例中，进一步给出一个模糊评价量，即关联质量m_ij(l)。若在l时刻判决声呐航迹i与雷达航迹j^*为关联对，则否则：

其中

如果则规定航迹i与航迹j^*为固定关联对，通过累计一定的关联序列长度并不大于预设的第二模糊阈值th2，在后续的检验中，它们不再接受关联检验，直接进入航迹合成阶段。

以上，利用模糊双门限法对上述两组信息序列进行归一化，计算关联系数，给出加权关联度和关联准则，通过对关联质量进行约束，最终实现航迹合成，确保更为准确和稳健的关联。

表2给出的是利用航迹不变量进行多目标关联的结果，

表2

表2所示，本实施例的多目标关联方法，雷达1号目标和声呐1号目标关联上，关联正确，关联质量较高(0.83)。雷达2号目标和声呐2号目标关联上，关联正确，关联质量高(0.85)。雷达3号目标和声呐3号目标关联上，关联正确，关联质量高(0.94)。雷达4号目标和声呐4号目标关联上，关联错误，关联质量较高(0.68)，由表1所示，在示意的同样的四个目标的关联上，本发明实施例的多目标关联方法的错误率为25％，即，三个目标关联正确，一个目标关联错误。由此可知，基于航迹不变量的多目标关联算法的性能相比于传统算法有显著提高，有很好工程应用价值。

与上述多目标关联方法同属一个发明构思，本发明实施例还提供了一种多目标关联装置，参见图9，多目标关联装置900包括：

获取模块901，用于获取第一观测平台和第二观测平台下目标对应的方位观测序列；

航迹不变量估计模块902，用于利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息；

关联模块903，用于联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度，并对每个目标对应的各关联度进行排序；当目标的最大关联度大于第一模糊阈值时，确定第一观测平台目标的航迹与第二观测平台相应目标的航迹粗关联并输出关联结果。

在本发明的一个实施例中，该装置还包括：关联质量控制模块，用于计算航迹的关联质量，并将计算出的关联质量与第二模糊阈值比较，

如果关联质量大于第二模糊阈值，则确定粗关联的航迹为固定关联对。

在本发明的一个实施例中，关联质量控制模块具体用于，当第一观测平台的目标的航迹i与第二观测平台的目标的航迹j^*被确定为粗关联时，通过下列公式计算航迹的关联质量：其中l表示时刻；否则，通过下列公式计算航迹的关联质量时刻l为0时，航迹的关联质量为0；

在本发明的一个实施例中，航迹不变量估计模块902，具体用于定义状态估计量为：X＝[v_x v_y]^T,其中υ为航迹不变量，v_x,v_y均为目标与观测平台的相对速度分量；状态方程为：X(t_k)＝AX(t_k-1)+W_k-1,其中为转移矩阵，W_k-1为过程噪声矢量；测量方程为：Z_k＝H_kX(t_k)+v_k,测量方程中H_k表示测量矩阵，v_k为测量噪声；H_k＝[(sinθ₁-βsinθ₀)-(cosθ₁-βcosθ₀)]，θ₀、θ₁分别为s₀、s₁时刻的目标方位；

确定初始状态估计量和初始状态估计方差： 其中v_x(t₀),v_y(t₀)分别为目标初始速度水平分量和垂直分量，分别为状态估计量的方差；卡尔曼滤波算法步骤如下：

步骤41，由所述状态方程得到状态预估值：步骤42，预测误差协方差矩阵：P_k/k-1＝AP_k-1A^T+Q_k-1；步骤43，计算最优滤波增益步骤44，计算状态向量预测值步骤45，更新误差协方差矩阵P_k＝(I-K_kH_k)P_k/k-1；其中，Q_k-1为过程噪声方差矩阵；根据以下公式计算目标的航向信息其中为目标航向。

在本发明的一个实施例中，第一观测平台和第二观测平台分别为雷达观测平台和声呐观测平台，航迹不变量估计模块还用于在联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度之前，对所述航迹不变量信息以及所述方位观测序列进行归一化处理，将航迹不变量以及所述方位观测序列映射到预设区间内。

在本发明的一个实施例中，选取声呐观测平台下目标的航迹作为参考序列，记为X_i(k)＝{X_i(k)|k＝1,2,...,n}，将雷达观测平台下目标的航迹作为比较序列，记为X_j＝{X_j(k)|k＝1,2,...,n}，(j＝1,2,3,...n)；

通过下列公式(1)计算参考序列与比较序列的关联系数：

其中表示两级最小差，表示两级最大差，Δ_j(k)表示第k个X₀与第k个X_j的绝对差，ξ_j(k)表示关联系数，ρ为分辨系数；

令Δ_j(k)＝|X_i(k)-X_j(k)|，则关联系数

以及，通过对方位观测序列和航迹不变量信息进行关联计算得到加权之后的关联度：

其中γ(X_i,X_j)表示关联度，a(k)表示信息ξ_j(k)在所有量测信息中的权重。

在本发明的一个实施例中，还包括预处理模块，用于利用卡尔曼滤波对所述方位观测序列进行去野值点预处理或平滑滤波预处理。

在本发明的一个实施例中，所述预处理模块，具体用于通过下列公式(3)计算航迹不变量序列的残差：

其中，为状态预测值，P_k/k-1为预测协方差矩阵，R_k为观测噪声的协方差矩阵，z_k：量测信息，H_k：测量矩阵；

通过下列公式(4)计算残差的协方差矩阵：

判断下式是否成立，其中，α为常数，d_k表示残差，diag[R_k]表示观测噪声协方差矩阵的对角阵；

如果成立则不做处理，如果不成立，则将残差置0后去除野值点。

需要说明的是，关于图9所示多目标关联装置900中的各单元所执行的各步骤的举例解释说明，与前述方法实施例中的举例解释说明一致，这里不再一一赘述。

综上可知，本发明实施例的多目标关联方法和装置，对两个平台(声呐和雷达观测平台)的两组方位序列进行预处理，统一两组观测序列的坐标系，保证两组测量信息时空一致。结合扩展卡尔曼滤波流程实现对以上两个估计量的实时估计。对两组信息序列进行归一化，计算关联系数，给出模糊双门限算法加权关联度和关联准则，最终实现航迹合成。本发明实施例的提出一种更为稳健及有效的不同平台之间的多目标关联方案，相比于传统的仅利用纯方位的关联算法而言，具有更好的关联性能，准确度更高。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围以权利要求的保护范围为准。

Claims (10)

1.一种多目标关联方法，其特征在于，包括：

获取第一观测平台和第二观测平台下目标对应的方位观测序列；

利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息；

联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度，并对每个目标对应的各关联度进行排序；当目标的最大关联度大于第一模糊阈值时，确定第一观测平台目标的航迹与第二观测平台相应目标的航迹粗关联并输出关联结果。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

计算航迹的关联质量，并将计算出的关联质量与第二模糊阈值比较，

如果关联质量大于第二模糊阈值，则确定粗关联的航迹为固定关联对。

3.根据权利要求2所述的方法，其特征在于，计算航迹的关联质量包括：

当第一观测平台的目标的航迹i与第二观测平台的目标的航迹j^*被确定为粗关联时，通过下列公式计算航迹的关联质量：其中l表示时刻；

否则，通过下列公式计算航迹的关联质量时刻l为0时，航迹的关联质量为0。

4.根据权利要求1所述的方法，其特征在于，利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息包括：

定义状态估计量X＝[v_x v_y]^T,其中υ为航迹不变量，v_x,v_y均为目标与观测平台的相对速度分量；状态方程X(t_k)＝AX(t_k-1)+W_k-1,其中为转移矩阵，W_k-1为过程噪声矢量；测量方程Z_k＝H_kX(t_k)+v_k,测量方程中H_k表示测量矩阵，v_k为测量噪声；H_k＝[(sinθ₁-βsinθ₀) -(cosθ₁-βcosθ₀)]，θ₀、θ₁分别为s₀、s₁时刻的目标方位；

确定初始状态估计量和初始状态估计方差其中v_x(t₀),v_y(t₀)分别为目标初始速度水平分量和垂直分量，分别为状态估计量的方差；

卡尔曼滤波算法步骤如下：

步骤41，由所述状态方程得到状态预估值：

步骤42，预测误差协方差矩阵：P_k/k-1＝AP_k-1A^T+Q_k-1；

步骤43，计算最优滤波增益

步骤44，计算状态向量预测值

步骤45，更新误差协方差矩阵P_k＝(I-K_kH_k)P_k/k-1；其中，Q_k-1为过程噪声方差矩阵；

根据以下公式计算目标的航向信息其中为目标航向。

5.根据权利要求1或2所述的方法，其特征在于，第一观测平台和第二观测平台分别为雷达观测平台和声呐观测平台，

方法还包括：

在联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度之前，对所述航迹不变量信息以及所述方位观测序列进行归一化处理，将航迹不变量以及所述方位观测序列映射到预设区间内。

6.根据权利要求5所述的方法，其特征在于，选取声呐观测平台下目标的航迹作为参考序列，记为X_i(k)＝{X_i(k)|k＝1,2,...,n}，将雷达观测平台下目标的航迹作为比较序列，记为X_j＝{X_j(k)|k＝1,2,...,n}，(j＝1,2,3,...n)；

通过下列公式(1)计算参考序列与比较序列的关联系数：

其中表示两级最小差，表示两级最大差，Δ_j(k)表示第k个X₀与第k个X_j的绝对差，ξ_j(k)表示关联系数，ρ为分辨系数；

令Δ_j(k)＝|X_i(k)-X_j(k)|，则关联系数以及，通过对方位观测序列和航迹不变量信息进行关联计算得到加权之后的关联度

其中γ(X_i,X_j)表示关联度，a(k)表示信息ξ_j(k)在所有量测信息中的权重。

7.根据权利要求1所述的方法，其特征在于，还包括：利用卡尔曼滤波对所述方位观测序列进行去野值点预处理或平滑滤波预处理。

8.根据权利要求7所述的方法，其特征在于，利用卡尔曼滤波对所述方位观测序列进行去野值点预处理包括：

通过下列公式(3)计算航迹不变量序列的残差：

其中，为状态预测值，P_k/k-1为预测协方差矩阵，R_k为观测噪声的协方差矩阵，z_k为量测信息，H_k为测量矩阵；

通过下列公式(4)计算残差的协方差矩阵：

判断是否成立，其中，α为常数，d_k表示残差，diag[R_k]表示观测噪声协方差矩阵的对角阵；

如果成立则不做处理，如果不成立，则将残差置0后去除野值点。

9.一种多目标关联装置，其特征在于，包括：

获取模块，用于获取第一观测平台和第二观测平台下目标对应的方位观测序列；

航迹不变量估计模块，用于利用卡尔曼滤波算法以及所述方位观测序列实时估计航迹不变量，得到航迹不变量信息；

关联模块，用于联合利用所述航迹不变量信息以及所述方位观测序列计算第一观测平台下各目标的航迹分别与第二观测平台下目标的航迹之间的关联度，并对每个目标对应的各关联度进行排序；当目标的最大关联度大于第一模糊阈值时，确定第一观测平台目标的航迹与第二观测平台相应目标的航迹粗关联并输出关联结果。

10.根据权利要求9所述的装置，其特征在于，该装置还包括：

关联质量模块，用于计算航迹的关联质量并将计算出的关联质量与第二模糊阈值比较，如果关联质量大于第二模糊阈值，则确定粗关联的航迹为固定关联对。