CN109444899A - 一种基于纯角度信息的航迹关联方法 - Google Patents

Abstract

本发明公开了一种基于纯角度信息的航迹关联方法。纯角度信息无法得到航迹间的距离，只有航迹与声呐传感器间的角度信息，会出现两条航迹距离很远然而其角度很近等复杂情况而产生误关联，干扰航迹关联结果。本发明如下：一、k＝1,2,…；依次执行步骤二至五。二、第一声呐传感器和第二声呐传感器第k次进行检测。三、将第一声呐传感器检测到的第i个目标作为第一目标集X的第i个元素。将第二声呐传感器检测到的第j个目标作为第二目标集Y的第j个元素。四、计算统计角度差、平均角度差和关联率。五、进行第一目标集X内n个元素与第二目标集Y内m个元素进行匹配。本发明能够提高了多声呐传感器阵列的检测精度和稳定性。

Description

一种基于纯角度信息的航迹关联方法

技术领域

本发明属于多声呐传感器多目标航迹关联技术领域，具体涉及一种基于纯角度信息的航迹关联方法。

背景技术

航迹关联是信息融合中最为关键的一步，只有正确的将来自不同声呐传感器中跟踪同一目标的航迹关联成功，才能正确融合，达到提高跟踪精度的目的。传统的航迹关联方法有加权法、序贯法、局部最近邻法以及全局最近邻等算法。这些算法在基于统计距离的航迹关联效果很好，然而应用到基于纯角度的航迹关联中，算法性能严重下滑。

基于目标状态的航迹关联问题可利用航迹间距离信息作为航迹关联的依据，可靠性高。然而纯角度信息无法得到航迹间的距离，只有航迹与声呐传感器间的角度信息，会出现两条航迹距离很远然而其角度很近等复杂情况而产生误关联，干扰航迹关联结果，所以传统航迹关联算法无法作为这类复杂情况下的航迹关联解决方案。

发明内容

本发明的目的在于提供一种基于纯角度信息的航迹关联方法。

本发明的具体步骤如下：

步骤1、建立第一目标集X和第一目标集Y。k＝1,2,…；依次执行步骤2至5。

步骤2、第一声呐传感器s₁和第二声呐传感器s₂第k次进行检测，第一声呐传感器s₁检测到n个目标的角度值τ_i和协方差i＝1,2,…n。第二声呐传感器s₂检测到m个目标的角度值η_j和协方差j＝1,2,…m。

步骤3、将第一声呐传感器s₁检测到的第i个目标作为第一目标集X的第i个元素x_i。将第二声呐传感器s₂检测到的第j个目标作为第二目标集Y的第j个元素y_j。

步骤4、计算统计角度差θ_ij、平均角度差和关联率P_ij。

4-1.将1赋值i和j。

4-2.计算第一目标集X的第i个元素x_i对应的跟踪门限值其中，Q为跟踪门参数，3≤Q≤5。

4-3.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的统计角度差θ_ij：

若θ_ij≤g_i，则第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的关联次数A_ij加1。

4-4.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的平均角度差

其中，B_ij为在k次检测中，第一目标集X的第i个元素x_i被第一声呐传感器s₁检测到，且第二目标集Y的第j个元素y_j被第二声呐传感器s₂检测到的次数。为在第k-1次检测后，第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j计算出的平均角度差，若B_ij＝1，则

4-5.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j关联率P_ij：

4-6.若j小于m，则将j增大1，并重复执行步骤4-3、4-4和4-5，否则进入步骤4-7。

4-7.若i小于n，则将i增大1，并重复执行步骤4-2至4-5，否则进入步骤5。

步骤5、进行第一目标集X内n个元素与第二目标集Y内m个元素与匹配。

5-1.将1赋值i和j。

5-2.若B_ij＞10；A_ij≥A_i(max)-2，且P_ij＞0.5，则将第二目标集Y的第j个元素y_j加入第一目标集X的第i个元素x_i对应的预测关联集G_xi。A_i(max)为A_i1、A_i2、…、A_im中的最大值。

5-3.若j小于m，则将j增大1，并重复执行步骤5-2，否则，进入步骤5-4。

5-4.若第一目标集X的第i个元素x_i对应的预测关联集G_xi内没有元素，则第一目标集X的第i个元素x_i在第二目标集Y中没有能够关联的元素，直接进入步骤5-9。

若第一目标集X的第i个元素x_i对应的预测关联集G_xi内有元素，选取预测关联集G_xi中与第一目标集X的第i个元素x_i平均角度差最小的那个元素，记为第二目标集Y的第e个元素y_e。之后将第二目标集Y的第e个元素y_e移除到预测关联集G_xi外，并进入步骤5-5。

5-5.若第二目标集Y的第e个元素y_e未与第一目标集X内的任意一个元素关联，则将第一目标集X的第i个元素x_i与第二目标集Y的第e个元素y_e相关联。之后进入步骤5-9。

若第二目标集Y的第e个元素y_e已经与第一目标集X内的第z个元素x_z关联，则将对比关联次数A_ze与关联次数A_ie的大小，若A_ze≥A_ie，则将重复步骤5-4。若A_ze＜A_ie，则解除第一目标集X的第z个元素x_z与第二目标集Y的第e个元素y_e的关联；将第一目标集X的第i个元素x_i与第二目标集Y内的第e个元素相关联；进入步骤5-6。

5-6.若第一目标集X的第z个元素x_z对应的预测关联集G_xz内没有元素，则第一目标集X的第z个元素x_z在第二目标集Y中没有能够关联的元素，直接进入步骤5-9。

若第一目标集X的第z个元素x_z对应的预测关联集G_xz内有元素，则选取预测关联集G_xz中与第一目标集X的第z个元素x_z平均角度差最小的那个元素，记为第二目标集Y的第p个元素y_p，之后将第二目标集Y的第p个元素y_p移除到预测关联集G_xz外后，进入步骤5-7。

5-7.若第二目标集Y的第p个元素y_p未与第一目标集X内的任意一个元素关联，则将第一目标集X的第z个元素与第二目标集Y的第p个元素y_p相关联。之后进入步骤5-9。

若第二目标集Y的第p个元素y_p已经与第一目标集X内的第z'个元素x_z'关联，则将对比关联次数A_zp与关联次数A_z′p的大小，若A_ze≥A_z′e，则将重复步骤5-6。若A_ze＜A_ie，则解除第一目标集X的第z'个元素与第二目标集Y的第p个元素y_p的关联；将第一目标集X的第z个元素与第二目标集Y内的第p个元素y_p相关联；进入步骤5-8。

5-8.将z'作为新的z，重复执行步骤5-6和5-7。

5-9.若i小于n，则将i增大1，并重复执行步骤5-2至5-8，否则，步骤5执行完毕。

本发明具有的有益效果是：

1、本发明仅根据声呐传感器采集到的角度和协方差信息，即可实现两个声呐传感器的多目标航迹关联，从而提高了多声呐传感器阵列的检测精度和稳定性。

2、本发明能够有效提高基于纯角度信息的航迹关联正确率。

附图说明

图1为本发明在一个实例中关联正确率随时间变化而变化的折线图。

具体实施方式

以下结合附图对本发明作进一步说明。

一种基于纯角度信息的航迹关联方法，具体步骤如下：

步骤1、建立第一目标集X和第一目标集Y。k＝1,2,…；依次执行步骤2至5。

步骤2、需要进行关联的第一声呐传感器s₁和第二声呐传感器s₂第k次对自身检测范围内的目标进行检测，第一声呐传感器s₁检测到n个目标的角度值τ_i和协方差i＝1,2,…n。第二声呐传感器s₂检测到m个目标的角度值η_j和协方差j＝1,2,…m。

步骤3、将第一声呐传感器s₁检测到的第i个目标作为第一目标集X的第i个元素x_i。将第二声呐传感器s₂检测到的第j个目标作为第二目标集Y的第j个元素y_j。若第一目标集X的第i个元素x_i在第一声呐传感器s₁的第k-1次检测中被检测到，则第一目标集X的第i个元素x_i继承前k-1次检测中与第二目标集Y内各元素的关联次数。(即若x_i与y_j在前k-1次检测中，曾有c次被第一声呐传感器s₁、第二声呐传感器s₂分别检测到并关联在一起，在x_i与y_j的关联次数为c)

步骤4、计算统计角度差θ_ij、平均角度差和关联率P_ij。

4-1.将1赋值i和j。

4-2.计算第一目标集X的第i个元素x_i对应的跟踪门限值其中，Q为跟踪门参数，3≤Q≤5。

4-3.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的统计角度差θ_ij：

若θ_ij≤g_i，则第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的关联次数A_ij加1。

4-4.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的平均角度差

其中，B_ij为在k次检测中，第一目标集X的第i个元素x_i被第一声呐传感器s₁检测到，且第二目标集Y的第j个元素y_j被第二声呐传感器s₂检测到的次数。为在第k-1次检测后，第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j计算出的平均角度差，若B_ij＝1(即第一目标集X的第i个元素x_i为第一次被第一声呐传感器s₁检测到，或第二目标集Y的第j个元素y_j为第一次被第二声呐传感器s₂检测到)，则

计算出后，使得将赋值给以待第k+1次检测中使用。

4-5.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j关联率P_ij：

4-6.若j小于m，则将j增大1，并重复执行步骤4-3、4-4和4-5，否则进入步骤4-7。

4-7.若i小于n，则将i增大1，并重复执行步骤4-2至4-5，否则进入步骤5。

步骤5、进行第一目标集X内n个元素与第二目标集Y内m个元素与匹配。

5-1.将1赋值i和j。

5-2.若B_ij＞10；A_ij≥A_i(max)-2，且P_ij＞0.5，则将第二目标集Y的第j个元素y_j加入第一目标集X的第i个元素x_i对应的预测关联集G_xi。A_i(max)为A_i1、A_i2、…、A_im中的最大值。

5-3.若j小于m，则将j增大1，并重复执行步骤5-2，否则，进入步骤5-4。

5-4.若第一目标集X的第i个元素x_i对应的预测关联集G_xi内没有元素(即是空集)，则第一目标集X的第i个元素x_i在第二目标集Y中没有能够关联的元素，直接进入步骤5-9。

若第一目标集X的第i个元素x_i对应的预测关联集G_xi内有元素(即不是空集)，则选取第一目标集X的第i个元素x_i对应的预测关联集G_xi中与第一目标集X的第i个元素x_i平均角度差最小的那个元素，记为第二目标集Y的第e个元素y_e，之后将第二目标集Y的第e个元素y_e移除到第一目标集X的第i个元素x_i对应的预测关联集G_xi外，并进入步骤5-5。

5-5.若第二目标集Y的第e个元素y_e未与第一目标集X内的任意一个元素关联，则将第一目标集X的第i个元素x_i与第二目标集Y的第e个元素y_e相关联。之后进入步骤5-9。

若第二目标集Y的第e个元素y_e已经与第一目标集X内的第z个元素x_z关联，则将对比关联次数A_ze与关联次数A_ie的大小，若A_ze≥A_ie，则将重复步骤5-4。若A_ze＜A_ie，则解除第一目标集X的第z个元素x_z与第二目标集Y的第e个元素y_e的关联；将第一目标集X的第i个元素x_i与第二目标集Y内的第e个元素相关联；进入步骤5-6。

5-6.若第一目标集X的第z个元素x_z对应的预测关联集G_xz内没有元素，则第一目标集X的第z个元素x_z在第二目标集Y中没有能够关联的元素，直接进入步骤5-9。

若第一目标集X的第z个元素x_z对应的预测关联集G_xz内有元素(即不是空集)，则选取第一目标集X的第z个元素对应的预测关联集G_xz中与第一目标集X的第z个元素x_z平均角度差最小的那个元素，记为第二目标集Y的第p个元素y_p，之后将第二目标集Y的第p个元素y_p移除到第一目标集X的第z个元素x_z对应的预测关联集G_xz外后，进入步骤5-7。

5-7.若第二目标集Y的第p个元素y_p未与第一目标集X内的任意一个元素关联，则将第一目标集X的第z个元素与第二目标集Y的第p个元素y_p相关联。之后进入步骤5-9。

若第二目标集Y的第p个元素y_p已经与第一目标集X内的第z'个元素x_z'关联，则将对比关联次数A_zp与关联次数A_z′p的大小，若A_ze≥A_z′e，则将重复步骤5-6。若A_ze＜A_ie，则解除第一目标集X的第z'个元素与第二目标集Y的第p个元素y_p的关联；将第一目标集X的第z个元素与第二目标集Y内的第p个元素y_p相关联；进入步骤5-8。

5-8.将z'作为新的z，重复执行步骤5-6和5-7。

5-9.若i小于n，则将i增大1，并重复执行步骤5-2至5-8，否则，第一声呐传感器s₁检测到的n个目标与第二声呐传感器s₂检测到的m个目标关联完成。

以下提供一个示例；假设第一声呐传感器s₁在二十次检测中均检测到目标x₁、x₂、x₃。第二声呐传感器s₂在二十次检测中均检测到目标y₁、y₂、y₃、y₄。x₁、x₂、x₃与y₁、y₂、y₃、y₄各自的关联次数如下表所示：

	y<sub>1</sub>	y<sub>2</sub>	y<sub>3</sub>	y<sub>4</sub>
					x<sub>1</sub>	18	17	3	5
x<sub>2</sub>	19	16	1	0
					x<sub>3</sub>	0	3	14	2

x₁、x₂、x₃与y₁、y₂、y₃、y₄各自的平均角度差如下表所示：

	y<sub>1</sub>	y<sub>2</sub>	y<sub>3</sub>	y<sub>4</sub>
					x<sub>1</sub>	0.23	0.17	0.71	0.83
x<sub>2</sub>	0.16	0.27	2.3	0
					x<sub>3</sub>	0	2.1	0.11	3.4

根据本发明的关联方法，x₁对应的预测关联集内有y₁、y₂两个元素；由于x₁与y₁的平均角度差为0.23；x₁与y₂的平均角度差为0.17；故x₁与y₂相关联；同理可得，x₂与y₁相关联；x₃与y₃相关联。

对利用本发明进行关联正确率试验，结果如图1所示。可以看出，本发明的关联正确率随时间逐步提高。

Claims (1)

1.一种基于纯角度信息的航迹关联方法，其特征在于：步骤1、建立第一目标集X和第一目标集Y；k＝1,2,…；依次执行步骤2至5；

步骤2、第一声呐传感器s₁和第二声呐传感器s₂第k次进行检测，第一声呐传感器s₁检测到n个目标的角度值τ_i和协方差第二声呐传感器s₂检测到m个目标的角度值η_j和协方差

步骤3、将第一声呐传感器s₁检测到的第i个目标作为第一目标集X的第i个元素x_i；将第二声呐传感器s₂检测到的第j个目标作为第二目标集Y的第j个元素y_j；

步骤4、计算统计角度差θ_ij、平均角度差和关联率P_ij；

4-1.将1赋值i和j；

4-2.计算第一目标集X的第i个元素x_i对应的跟踪门限值其中，Q为跟踪门参数，3≤Q≤5；

4-3.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的统计角度差θ_ij：

若θ_ij≤g_i，则第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的关联次数A_ij加1；

4-4.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j的平均角度差

其中，B_ij为在k次检测中，第一目标集X的第i个元素x_i被第一声呐传感器s₁检测到，且第二目标集Y的第j个元素y_j被第二声呐传感器s₂检测到的次数；为在第k-1次检测后，第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j计算出的平均角度差，若B_ij＝1，则

4-5.计算第一目标集X的第i个元素x_i与第二目标集Y的第j个元素y_j关联率P_ij：

4-6.若j小于m，则将j增大1，并重复执行步骤4-3、4-4和4-5，否则进入步骤4-7；

4-7.若i小于n，则将i增大1，并重复执行步骤4-2至4-5，否则进入步骤5；

步骤5、进行第一目标集X内n个元素与第二目标集Y内m个元素与匹配；

5-1.将1赋值i和j；

5-2.若B_ij＞10；A_ij≥A_i(max)-2，且P_ij＞0.5，则将第二目标集Y的第j个元素y_j加入第一目标集X的第i个元素x_i对应的预测关联集G_xi；A_i(max)为A_i1、A_i2、…、A_im中的最大值；

5-3.若j小于m，则将j增大1，并重复执行步骤5-2，否则，进入步骤5-4；

5-4.若第一目标集X的第i个元素x_i对应的预测关联集G_xi内没有元素，则第一目标集X的第i个元素x_i在第二目标集Y中没有能够关联的元素，直接进入步骤5-9；

若第一目标集X的第i个元素x_i对应的预测关联集G_xi内有元素，选取预测关联集G_xi中与第一目标集X的第i个元素x_i平均角度差最小的那个元素，记为第二目标集Y的第e个元素y_e；之后将第二目标集Y的第e个元素y_e移除到预测关联集G_xi外，并进入步骤5-5；

5-5.若第二目标集Y的第e个元素y_e未与第一目标集X内的任意一个元素关联，则将第一目标集X的第i个元素x_i与第二目标集Y的第e个元素y_e相关联；之后进入步骤5-9；

若第二目标集Y的第e个元素y_e已经与第一目标集X内的第z个元素x_z关联，则将对比关联次数A_ze与关联次数A_ie的大小，若A_ze≥A_ie，则将重复步骤5-4；若A_ze＜A_ie，则解除第一目标集X的第z个元素x_z与第二目标集Y的第e个元素y_e的关联；将第一目标集X的第i个元素x_i与第二目标集Y内的第e个元素相关联；进入步骤5-6；

5-6.若第一目标集X的第z个元素x_z对应的预测关联集G_xz内没有元素，则第一目标集X的第z个元素x_z在第二目标集Y中没有能够关联的元素，直接进入步骤5-9；

若第一目标集X的第z个元素x_z对应的预测关联集G_xz内有元素，则选取预测关联集G_xz中与第一目标集X的第z个元素x_z平均角度差最小的那个元素，记为第二目标集Y的第p个元素y_p，之后将第二目标集Y的第p个元素y_p移除到预测关联集G_xz外后，进入步骤5-7；

5-7.若第二目标集Y的第p个元素y_p未与第一目标集X内的任意一个元素关联，则将第一目标集X的第z个元素与第二目标集Y的第p个元素y_p相关联；之后进入步骤5-9；

若第二目标集Y的第p个元素y_p已经与第一目标集X内的第z'个元素x_z'关联，则将对比关联次数A_zp与关联次数A_z′p的大小，若A_ze≥A_z′e，则将重复步骤5-6；若A_ze＜A_ie，则解除第一目标集X的第z'个元素与第二目标集Y的第p个元素y_p的关联；将第一目标集X的第z个元素与第二目标集Y内的第p个元素y_p相关联；进入步骤5-8；

5-8.将z'作为新的z，重复执行步骤5-6和5-7；

5-9.若i小于n，则将i增大1，并重复执行步骤5-2至5-8，否则，步骤5执行完毕。