CN109508000A - 异构多传感器多目标跟踪方法 - Google Patents

Abstract

本发明提出了一种异构多传感器多目标跟踪方法，利用本发明能够快速起始目标航迹，减少计算量，提高航迹跟踪精度及连续度。本发明通过下述技术方案予以实现：在异构多传感器多目标跟踪系统中设置航迹起始与维持模块、航迹修剪与确认模块、假设生成与管理模块、航迹更新与合并模块和航迹管理输出模块，航迹起始与维持模块按照量测数据的属性特征及位置网格进行量测数据粗分类，根据粗分类结果，将落入已有目标航迹跟踪波门内的量测点作为候选点迹送入航迹修剪与确认模块，将通过序列概率比检验确认的航迹送入假设生成与管理模块进行航迹聚类和假设生成，通过航迹更新与合并模块确定目标滤波模型，滤波更新航迹，经航迹管理输出模块输出最新协方差信息。

Description

异构多传感器多目标跟踪方法

技术领域

本发明是关于多目标跟踪领域机器人和智能仪器系统、信息处理、图像分析与理解、目标检测与跟踪、自动目标识别，多源图像复合等领域异构多传感器融合技术，异构多传感器多目标跟踪航迹方法。

背景技术

随着信息论、控制论、计算机技术、网络技术以及传感器技术等的快速发展，进入系统的信息具有数据量大、来源途径多、相关层次多等特点。因此在信息处理中心，仅仅对多源观测信息的简单堆积将不被允许。信息处理中心要对多源的观测信息进行有效的融合处理。信息融合技术在实际应用中表现出来的突出优点和取得的巨大成功，正在受到越来越多的重视，特别是D-S证据理论，凭借其在处理不确定性问题上所特有的能力，已逐渐成为信息融合领域内的一种重要的数学工具。但是，D-S证据理论本身固有的一些缺点或不足在引发研究者争论的同时，也严重制约着它进一步的推广和应用，例如证据理论的理论基础问题和高冲突证据合成问题等。信息融合也称数据融合。信息融合是一种多层次、多方面的处理过程，它包括对多源数据进行检测、相关、组合和估计。数据融合或信息融合包括对各种传感器给出的有用信息进行采集、传输、分析和合成等处理过程。数据融合的基本目标就是通过组合来获得比单个输入数据源更准确、更可靠的信息。多传感器数据融合技术是利用计算机技术对按时序获得的若干传感器的观测信息，以及数据库和知识库的信息，在一定准则下加以自动汇集、相关、分析、综合为一种表示形式以完成所需要的估计和决策任务所进行的信息处理过程。通过数据融合技术给出对目标位置的精确估计，从而改善对目标的跟踪和识别。主要是通过数据处理器依据目标滤波跟踪和数据关联等算法产生局部多目标跟踪航迹，然后把处理过的信息送入融合中心，中心根据各节点的航迹数据完成航迹与航迹关联和航迹融合。关联就是将一组关于目标的说明数据按同种要求进行分组。所谓数据关联就是把来自传感器的观测或点迹与已知确认的事件归并到一起，以保证每个事件集合所包含的观测来自同一实体的概率较大。对于多目标跟踪环境，数据关联问题变得非常复杂。每个目标的跟踪门内存在多个观测值；每个观测值可能落入多个目标的跟踪门内。过去，MHT算法被认为是可以处理多目标跟踪各阶段问题的唯一方法。然而它需要对组合进行穷举并计算出每个关联假设的概率，所以它的实用性和有效性都遇到了困难。一般来说，这种算法需要对关联组合假设进行修剪、合并，以限制组合的爆炸性增长。目前，大多数信息融合是经一种简单的方法合成信息的，并未充分有效地利用多传感器所提供的冗余信息，多目标、多源信息的冗余性和互补性需要对数据进行关联分析与融合。

典型的多传感器数据融合系统信息来源包括本地传感器和远程报告。其中本地传感器包括雷达系统，雷达信号侦收和光电/红外等传感器。其中雷达提供包括距离，方位和速度的位置信息，雷侦如ESM可以提供方位和雷达辐射源特征参数信息。光电/红外传感器可以提供目标位置及特征属性。情报数据和通信数据链是远程报告，远程报告一般都包括位置信息和身份信息。位置信息用代表目标的运动属性的动力学参数表示，包括位置，速度和加速度。身份信息是有助于对目标进行分类识别的信息，包括信号特征，属性特征，身份特征等信息。信号特征主要包括目标辐射源的频率、相位和脉宽等信号参数，属性特征包括目标大小、形状、对称度和辐射源类型。身份特征表示目标身份进行分类的情况。

在一个多传感器系统中，各个分散的传感器获得的数据会不可避免地受到许多因素制约，如环境状态和传感器本身的特性。因此，在多传感器协同目标跟踪过程中，对多目标的准确跟踪是比较难且迫切需要解决的问题。如何快速起始目标航迹，提高目标航迹的精度，减少航迹间的切换及目标丢失率是多传感器多目标跟踪的关键。这里所述的航迹指的是舰船/车辆/飞行器等目标的运动轨迹。传统的多目标跟踪方法有“最近邻”(NN)法和“全局最近邻”(GNN)和联合数据关联(JPDA)法。使用这类算法进行多目标跟踪时，难以去除虚假目标，且在目标机动和密集交叉时算法会失效。多假设跟踪(MHT)能够利用历史量测数据，在获取更多信息之前暂时搁置决策，将航迹起始和航迹维持统一在一个框架下，在密集的跟踪环境中，多目标跟踪的性能明显改进。但现有的研究中MHT算法多使用目标位置状态进行数据关联完成目标跟踪，如何有效利用多种传感器协同的多种量测数据特别是信号特征数据进行跟踪是关键。

发明内容

为了提高在杂波环境、目标密集和机动等情况下的目标航迹跟踪准确度，本发明针对现有技术存在的不足之处，提供一种能够快速起始目标航迹，可以减少计算量，并能提高航迹跟踪精度及连续度和显著提高在干扰，目标密集，机动等复杂环境下的多目标跟踪效果的异构多传感器多目标跟踪航迹方法。

为了实现上述目的，本发明提供的一种异构多传感器多目标跟踪航迹方法，具有如下技术特征：在异构多传感器多目标跟踪系统中设置航迹起始与维持模块、航迹修剪与确认模块、假设生成与管理模块、航迹管理输出模块和航迹更新与合并模块，并由匀加速模型CA，匀速模型CV和转弯模型CT组成目标模型集合；为减少后续计算量，航迹起始与维持模块首先将输入的多传感器量测数据进行属性粗关联，按照接收到的量测数据的属性特征进行量测数据粗分类，然后根据属性特征粗分类结果进行位置网格粗关联，对量测空间进行网格划分，量测点只与邻近位置网格单元的点迹进行波门计算与波门判断，对已有目标航迹进行波门计算，计算量测点迹到波门中心的距离，判断量测点是否在目标跟踪波门内，将落入已有目标航迹波门内的量测点作为候选点迹；航迹修剪与确认模块采用可变证据集合的方法，将候选量测点迹的位置状态，载频，重频，脉宽定义为有效证据集合，根据候选量测的类型，对证据集合进行自动删减，确定当前量测关联证据集合，分别计算每个证据的关联度函数，通过证据组合得到量测综合关联度函数，基于量测综合关联度函数计算航迹综合得分；然后进行序列概率比检验，删除得分低的航迹，将通过航迹确认的航迹送入假设生成与管理模块，并对这些航迹进行聚类合并，基于时间滑窗法进行假设的生成，假设概率计算和假设修剪，删除概率低的假设，统计出所有包含某航迹的假设概率之和，并删除概率低的航迹；修剪后的航迹送入航迹更新与合并模块，基于匀加速模型CA，匀速模型CV和转弯模型CT三个模型相结合的模型集进行机动目标跟踪，利用多模型滤波交互的机制进行目标状态与协方差的预测及更新，滤波更新后的航迹状态经航迹管理输出模块进行航迹更新及删除后，输出航迹最新的状态和协方差信息；综合利用多种传感器多维量测数据，基于D-S证据理论与多假设跟踪MHT结合的异构传感器数据关联算法，使用目标信号特征属性对异构多传感器多目标进行准确跟踪。

本发明相比于现有技术具有如下有益效果：

本发明基于D-S证据理论与多假设跟踪MHT(MultipleHypothesis Tracking,MHT)结合的异构传感器多目标跟踪，将证据理论和MHT框架结合起来，综合利用多种传感器多维量测数据，采用基于证据理论和MHT结合的异构传感器数据关联算法；使用目标信号特征属性来辅助跟踪，可有效对多目标进行准确跟踪，提高在杂波环境、目标密集和机动等情况下的航迹跟踪准确度及实时性，使得关联正确率显著提升，大大提高了航迹跟踪的精度和连续性，减少了航迹重复起始和间断的次数。

本发明综合利用多种传感器多维量测数据，接收到新量测数据时，先按照身份特征如空、海及大小，形状，对称度等属性特征进行量测粗分类，后续的所有计算都在同类航迹中进行，可以大大减少计算量，提高实时性。然后根据属性粗分类结果进行位置网格粗关联，对量测空间进行网格划分，量测点只与邻近位置网格单元的点迹进行波门计算与波门判断。不在任何已有航迹波门内的量测点起始一条新航迹，落在某航迹波门内的点迹进行航迹修剪，采用量测数据粗关联的处理方法，使系统具有更快的处理速度，提供更加及时的处理结果。快速处理多样化信息，缩短信息处理时间，提高信息分析效率。显著提高在干扰，目标密集，机动等复杂环境下的多目标跟踪效果。

本发明航迹修剪与确认模块采用可变证据集合的方法，将航迹位置状态，载频，重频，脉宽定义为有效证据集合，根据候选量测的类型，判断候选量测是否有位置，信号特征等信息，根据量测类型对关联证据集合进行自动删减，确定量测关联证据集合。分别计算位置关联度函数和信号特征关联度函数，通过进行证据组合得到量测综合关联度函数。通过量测综合关联度函数有效利用多传感器多维度的量测信息来计算航迹综合得分，使数据关联结果更准确，目标跟踪航迹连续性更好，并且降低了虚假航迹形成的概率。

本发明采用假设生成与管理模块把通过航迹修剪存活下来的航迹进行聚类合并，在每一类中生成假设并进行假设修剪，基于时间滑窗法进行假设的生成和假设概率计算。通过系统层次的航迹修剪之后进入滤波流程，进一步提高航迹的滤波精度，避免航迹偏差情况的发生，使得计算的时间和复杂度大大减小，有效解决了MHT的计算复杂度高，工程实现难度大的技术难题，提高了多目标跟踪的实时性，避免了出现假设爆炸。

本发明采用航迹更新与合并模块基于多模型滤波交互的机制进行航迹滤波和预测，更新滤波后的航迹状态和协方差输出航迹最新的状态和协方差信息，基于匀加速模型CA，匀速模型CV和转弯模型CT三个模型相结合的机动目标跟踪，进行目标状态与协方差的预测及更新。滤波后的航迹进行航迹删除与更新，并输出更新后的航迹结果，使得目标在高机动运动下，能够完成持续稳定的航迹跟踪，使得目标在近似交叉的情况下，不至于产生跟踪错误的现象，大大减少了跟踪过程中丢失目标的现象，提高了航迹跟踪的质量，解决了对机动交叉目标的持续稳定的跟踪问题。

本发明特别适用于复杂环境下多目标跟踪，在复杂环境下实现目标航迹的快速起始，保证在目标机动、干扰、密集等环境下的高精度跟踪。

附图说明

为了更清楚地理解本发明，现将通过本发明实施方式，同时参照附图，来描述本发明，其中：

图1是异构多传感器多目标跟踪系统原理示意图。

图2是航迹起始与维持模块的航迹起始与维持流程图。

图3是航迹修剪与确认模块的航迹修剪流程图。

图4是假设生成与管理模块的假设生成与管理流程图。

图5是航迹更新与合并模块的航迹更新与合并流程图。

图6是航迹管理及输出模块的航迹管理及输出流程图。

具体实施方式

参阅图1。根据本发明，为了更好的理解本发明，首先分析多传感器量测信息特性和分类。分别进行航迹起始和维持、航迹修剪与确认、假设生成与管理、航迹更新与合并，最后进行航迹管理及输出。在异构多传感器多目标跟踪系统中设置航迹起始与维持模块、航迹修剪与确认模块、假设生成与管理模块、航迹更新与合并模块和航迹管理输出模块；为减少后续计算量，航迹起始与维持模块首先按照接收到的量测数据的属性特征进行量测数据粗分类，然后根据属性特征粗分类结果进行位置网格粗关联，对量测空间进行网格划分，量测点只与邻近位置网格单元的点迹进行波门计算与波门判断。对已有目标航迹进行波门计算，计算量测点迹到波门中心的距离，判断量测点是否在目标跟踪波门内，将落入已有目标航迹波门内的量测点作为候选点迹；航迹修剪与确认模块采用可变证据集合的方法，将候选量测点迹的位置状态，载频，重频，脉宽定义为有效证据集合，根据候选量测的类型，对证据集合进行自动删减，确定当前量测关联证据集合，分别计算每个证据的关联度函数，通过证据组合得到量测综合关联度函数，，基于量测综合关联度函数计算航迹综合得分；进行序列概率比检验，删除得分低的航迹，，将通过航迹确认的航迹送入假设生成与管理模块，并对这些航迹进行聚类合并，基于时间滑窗法进行假设的生成和假设概率计算，并进行假设修剪、删除概率低的假设，统计出所有包含某航迹的假设概率之和，删除概率低的航迹；修剪后的航迹送入航迹更新与合并模块，基于匀加速模型CA，匀速模型CV和转弯模型CT三个模型相结合的模型集，进行机动目标跟踪，利用多模型滤波交互的机制进行目标状态与协方差的预测及更新，，滤波更新后的航迹状态经航迹管理输出模块进行航迹更新及删除后，输出航迹最新的状态和协方差信息。综合利用多种传感器多维量测数据，基于D-S证据理论与多假设跟踪MHT结合的异构传感器数据关联算法，使用目标信号特征属性对异构多传感器多目标进行准确跟踪。

整个流程用计算机软件方式自动实现。具体步骤是：

(1)首先，将一个典型的多传感器跟踪系统分为航迹起始与维持模块、航迹修剪与确认模块、假设生成与管理模块和航迹更新与合并模块，航迹起始与维持模块将新接收到的多传感器的量测数据进行属性粗分类，对属性粗分类后的数据进行位置网格粗关联，对量测空间进行网格划分，对计算已有目标航迹在当前时刻的跟踪波门，并对其邻近位置单元的量测点迹进行波门判断。落入已有目标航迹波门内的量测点为候选点迹，所有的候选点迹可能是真实目标或者虚警。

(2)航迹修剪与确认模块采用可变证据集合的方法将航迹位置状态，载频，重频，脉宽定义为有效证据集合，根据候选量测的类型，对关联证据集合进行自动删减，确定量测关联证据集合，分别计算每个证据的位置关联度函数，同时根据位置状态、载频、重频及脉宽等参数项计算信号特征的关联度函数，基于证据组合计算量测综合关联度函数及航迹得分，通过序列概率比检验方法对航迹进行删除和确认。

(3)假设生成与管理模块对接收到的通过了航迹确认后的航迹进行航迹聚类，航迹聚类即把有相同的历史量测，且运动状态相似的航迹进行合并，然后进行假设生成和删除，假设生成和删除在同一个航迹类中进行。为了避免出现假设爆炸，这里采用滑窗法进行假设的生成和删除。假设生成和删除之后，进行系统层次的修剪，即统计所有包含该航迹的假设概率之和，删除概率低的航迹。

(4)航迹更新与合并模块确定目标模型集合，设置模型初始概率，多个模型并行进行卡尔曼滤波，利用模型概率在多个模型之间实时切换完成航迹状态预测和更新。建立的目标滤波模型包括匀加速模型CA，匀速模型CV和转弯模型CT，由CV，CA，CT三个模型组成目标模型集合。

基于多模型并行滤波交互的机制进行航迹滤波和预测，目标状态及协方差更新，更新滤波后的航迹状态及协方差输出航迹最新的状态和协方差信息。

(5)航迹管理及输出模块根据状态和协方差信息进行航迹更新及删除，更新航迹输出，输出航迹最新的状态和协方差信息。

参阅图2。步骤S11，航迹起始与维持模块针对接收到的新量测数据先进行量测数据分析，判断量测数据是否有身份特征信息，是则按空海陆身份属性、敌我属性进行量测数据粗分类，否则判断是否有属性特征信息，若有则按目标形状，大小，对称度等属性特征进行量测数据粗分类，否则进入S12；

步骤S12，针对已存在的类别相同的已有目标航迹，对目标量测空间进行网格划分，在相同属性类别的已有目标航迹中，判断量测是否在航迹的相邻网格内，若不在相邻网格内，则考虑起始新航迹；

步骤S13，若判断在网格内，则计算航迹预测点与量测数据的欧式距离和航迹跟踪波门，并判断当前量测点是否在跟踪波门内，是则将落入波门内的量测数据作为候选量测，若这些量测数据不波门内，则起始一条临时航迹，这些量测数据可能是新目标也可能虚警。

参阅图3。步骤S21，航迹修剪与确认模块根据航迹起始与维持模块输入的候选量测数据，确认参与关联的证据集合，确定量测数据关联的有效证据集合为{位置状态，载频，重频，脉宽}。根据候选量测来源，判断是否包含航迹位置状态特征和信号特征，如果同时包含航迹位置状态特征和信号特征这两者信息，则证据集合为：{位置状态，载频，重频，脉宽}，如果量测数据只有位置状态，则将证据集合为{位置状态}，如果量测数据只有信号特征，则将证据集合为{载频，重频，脉宽}；然后航迹修剪与确认模块根据参与关联的证据集合，分别计算每个证据的关联度mass函数，且根据目标信号特征类型不同，载频关联度mass函数的计算方法分为频率固定，频率捷变，频率分集三种；重频关联度mass函数的计算方法分为重频固定和重频参差两种。然后进行多个证据综合，计算量测综合关联度mass函数和航迹得分；航迹修剪与确认模块对目标位置状态、载频和重频及脉宽等不同证据进行权重分配，分别以a₁、a₂、a₃、a₄表示目标位置状态，载频，重频及脉宽的权重因子，且满足归一化条件：a₁+a₂+a₃+a₄＝1，然后进行证据综合，计算量测的综合关联度函数mass，且每个证据的关联度函数mass包括：第i个候选量测的位置状态关联度函数m_k(i)、载频的关联度函数m_f(i)、第i个候选量测的载频关联度函数m_pw(i)和基于脉冲重复周期PRI的关联度函数m_PRI。

1)航迹修剪与确认模块计算目标位置状态的关联度，定义第i个候选量测的位置状态关联度函数

式中，k表示第k个时刻，i＝1,2,...,M，M为k时刻候选量测的个数a₁为目标位置状态值的权重，D₁,D₂,...D_M表示候选量测与航迹预测值的统计距离，第i个候选量测的状态量测统计距离D_i可以表示为：且v_i(k)＝Z_i(k)-Z(k/k-1)为第i个观测状态量的第k个时刻滤波残差向量。

2)航迹修剪与确认模块针对不同频率类型的目标计算载频的关联度函数，分别对固定频率类型、频率捷变类型、频率分集类型的目标进行关联度函数计算。假设各个候选量测对应的目标工作频率量测值用f₁(k)、f₂(k)、...f_M(k)表示；设航迹在第k-1时刻的目标载频量测值为f(k-1)。

航迹修剪与确认模块对固定频率类型的目标计算载频关联度函数，第i个候选量测的载频关联度函数定义为：

式中，a₂为载频权重，Δf_i(k)＝|f_i(k)-f(k-1)|为第i个候选量测在k时刻的量测频差，εf是传感器本身系统噪声与量测噪声所确定的测频容差。

航迹修剪与确认模块对频率捷变类型的目标计算载频关联度函数，第i个候选量测的载频关联度函数定义为：

其中，Af是捷变频范围。

航迹修剪与确认模块对频率分集类型的目标计算载频关联度函数，以频率二分集目标为例，设二分集频率的差值记为D_f，第i个候选量测的载频关联度函数定义为：

3)航迹修剪与确认模块计算脉宽关联度函数

假设各个候选量测对应的目标脉宽量测值用PW₁(k)、PW₂(k)、...PW_M(k)表示，设航迹在第k-1时刻的目标脉宽量测值为PW(k-1)，记ΔPW_i(k)＝|PW_i(k)-PW(k-1)|为量测脉宽差，简记为ΔPW_i。第i个候选量测的脉宽关联度函数定义为：

式中，a₃为脉宽的权重，ΔPW_i为脉宽量测偏差，εPW是传感器本身系统噪声与量测噪声所确定的PW测量容差；

4)航迹修剪与确认模块计算基于重频PRI的关联度函数

假设各个候选量测对应的目标PRI量测值用PRI₁(k)、PRI₂(k)、...PRI_M(k)表示。设航迹在第k-1时刻的目标PRI值为PRI(k-1)，记ΔPRI_i(k)＝|PRI_i(k)-PRI(k-1)|为量测PRI差，简记为ΔPRI_i。对不同PRI类型的目标，m_PRI的定义也是不同的，几种常见的PRI类型的m_PRI定义：

对重频固定类型的目标，第i个候选量测的m_PRI关联度函数定义为:

其中，a₄为重频的权重，ΔPRI_i为重频量测偏差，εPRI是传感器本身系统噪声与量测噪声所确定的PRI测量容差。

对重频参差类型的目标，以重频二参差为例，设二参差重频的差值记为DPRI，则第i个有效量测的m_PRI定义为：

式中，a₄为重频的权重，ΔPRI_i为重频量测偏差，εPRI是传感器本身系统噪声与量测噪声所确定的PRI测量容差。然后航迹修剪与确认模块对上述证据进行组合，形成综合关联证据关联度函数，组合规则如下：

其中，m为量测综合关联度函数mass，Φ表示空集，A表示n个证据共同作用的一个命题，m(A)是航迹综合关联度。

在步骤S22，航迹修剪与确认模块基于综合关联证据计算航迹得分，将k时刻航迹得分表示为：

L_LR(k)＝L_LR(k-1)+ΔL_LR(k)

其中，P_F为虚警概率，ΔL_LR(k)为k-1时刻到k时刻之间的航迹得分增量，P_D,P_F,P_N分别为目标检测概率，虚警概率和新目标出现概率。L_LR(k)表示k时刻航迹得分的对数表示形式。

步骤S23，在航迹删除与确认中，航迹修剪与确认模块进行序列概率比检验，删除得分低的航迹，保留确认得分高的航迹。航迹修剪与确认模块设定航迹得分阈值T_L，以及T_H，若航迹得分L_LR≥T_H，航迹确认；若航迹得分L_LR≤T_H，航迹撤销；若T_L≤L_LR≤T_H，则继续测试。

参阅图4。假设生成与管理模块接收航迹修剪与确认模块输出的航迹，对共享量测的航迹进行聚类及生成假设。

步骤S31，假设生成与管理模块根据航迹修剪与确认模块输入航迹修剪后保存下来的航迹，对共享量测的航迹进行航迹聚类。把直接或间接共享量测点航迹类进行合并，后续的假设生成及计算都在每个类别中进行；

步骤S32，在生成假设及航迹相关矩阵中，通过全局最优算法进行分配，从航迹聚类结果中产生假设的航迹相关矩阵，具体步骤如下：

开始：假设集合为空；从一个航迹群的航迹列表中任意选取一条航迹；从剩下的航迹列表中找出所有与所选出航迹不存在共享量测点的航迹；把挑选出来的航迹组成一个航迹列表，重复上述过程，直到剩余的航迹都与新列表中的航迹相冲突；然后从初始航迹列表中去掉第一条被选出的航迹，不断重复，直至得到所有的假设，假设的数目必须被控制，为了减少计算量，本实施例采用基于时间滑窗法进行假设生成及计算，用行表示量测向量z_k,j，列表示航迹T_l，定义用于判断量测与航迹的相关性如下：

假设生成与管理模块按照上述方法产生假设，得到所有假设的数目后，假设在时刻k，假设航迹数目为N_k，新航迹的数目为m_k，进而可以得到航迹相关矩阵，航迹相关矩阵可以表示为：

其中，航迹相关矩阵应该遵循如下规则：当航迹相关矩阵列数l≥1时，对航迹相关矩阵中的每一列，若一个元素为1，则其它元素为0，即每一条航迹至多与一个量测数据关联；对于航迹相关矩阵中的每一行，若一个元素为1，则其它元素为0，即每一个量测向量应对与一条航迹，并基于航迹相关矩阵和量测与航迹之间的似然概率进行最优分配，采用匈牙利算法进行最优分配。

步骤S33，假设生成与管理模块根据航迹概率等于所有包含该航迹的假设概率之和的算法，

进行多传感器数据融合系统层级的航迹修剪，如果航迹概率小于指定的阈值，则删除该航迹。

参阅图5。步骤S41，航迹更新与合并模块首先确定当前时刻的模型及模型的影响因子，设置从模型i转移到模型j的先验转移概率P为：

k-1时刻模型i对模型j的影响因子为：

其中：P_ij代表模型中转移矩阵P的第i行j列元素，是归一化常量，表示其它所有模型对j模型的总影响。

在步骤S42，计算k-1时刻模型j在匀加速模型CA，匀速模型CV和转弯模型CT，三个模型的交互作用下滤波器的输入状态估计向量及协方差，其中输入状态估计向量计算公式：

在步骤S43，航迹更新与合并模块对匀加速模型CA，匀速模型CV和转弯模型CT，三个模型并行进行滤波，计算状态估计向量X^j(k|k)和协方差P^j(k|k)，将状态向量及其方差P^oj(k-1|k-1)与观测值Z(k)一起作为输入值，通过标准卡尔曼滤波器计算每个模型k时刻的概率更新值，获得各自模型的输出状态估计向量X^j(k|k)和协方差P^j(k|k)。计算状态估计向量和协方差的公式如下：

其中：为更新的状态向量k为第k个时刻j为列元素，v为过程噪声，I为9×9的单位阵，K为增益，H为量测值矩阵，P为先验转移概率，R为量测噪声。

在步骤S44，航迹更新与合并模块计算三个模型交互后的状态估计及其协方差，计算公式如下：

航迹更新与合并模块首先根据滤波算法输出的航迹状态和协方差进行航迹更新，并对下一时刻进行预测，形成新的跟踪波门。

参阅图6。在步骤S51，航迹管理及输出模块对已有航迹进行超时判断，如果航迹超过一定时间门限未更新，则进行航迹删除；

在步骤S52，对未超时的航迹，进行航迹更新判断，判断航迹在当前时刻是否有更新，如果有更新则进行航迹更新并输出，如果没有更新，则进行航迹预测，形成新的跟踪波门。完成异构传感器多目标跟踪过程。

以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变、修改、甚至等效，但都将落入本发明的保护范围内。

Claims (10)

1.一种异构多传感器多目标跟踪方法，具有如下技术特征：在异构多传感器多目标跟踪系统中设置航迹起始与维持模块、航迹修剪与确认模块、假设生成与管理模块、航迹更新与合并模块和航迹管理输出模块；航迹起始与维持模块首先将输入的多传感器量测数据进行属性粗关联，按照接收到的量测数据的属性特征进行量测数据粗分类，然后根据属性特征粗分类结果进行位置网格粗关联，对量测空间进行网格划分，量测点只与邻近位置网格单元的航迹进行波门计算与波门判断。首先对已有目标航迹进行波门计算，计算量测点迹到波门中心的距离，判断量测点是否在目标跟踪波门内，将落入已有目标航迹波门内的量测点作为候选点迹送入航迹修剪与确认模块；航迹修剪与确认模块采用可变证据集合的方法，将候选量测点迹的位置状态，载频，重频，脉宽定义为有效证据集合，根据候选量测的类型，对证据集合进行自动删减，确定当前量测关联证据集合，分别计算每个证据的关联度函数，通过证据组合得到量测综合关联度函数，基于量测综合关联度函数计算航迹综合得分；然后进行序列概率比检验，删除得分低的航迹，将保存下来的航迹送入假设生成与管理模块，并对这些航迹进行聚类合并，基于时间滑窗法进行假设的生成，假设概率计算和假设修剪，删除概率低的假设，然后统计出所有包含某航迹的假设概率之和，并删除概率低的航迹；修剪后的航迹送入航迹更新与合并模块，基于匀加速模型CA，匀速模型CV和转弯模型CT三个模型相结合的模型集进行机动目标跟踪，利用多模型滤波交互的机制进行目标状态与协方差的预测及更新，滤波更新后的航迹状态经航迹管理输出模块进行航迹更新及删除后，输出航迹最新的状态和协方差信息；综合利用多种传感器多维量测数据，基于D-S证据理论与多假设跟踪MHT结合的异构传感器数据关联算法，使用目标信号特征属性对异构多传感器多目标进行准确跟踪。

2.如权利要求1所述的异构多传感器多目标跟踪航迹方法，其特征在于：航迹起始与维持模块针对类别相同的已有目标航迹，对目标量测空间进行网格划分，在相同属性类别的已有目标航迹中，判断量测是否在航迹的相邻网格内，若不在网格内则考虑起始新航迹；若判断在网格内，则计算航迹预测点与量测数据的欧式距离和航迹跟踪波门，并判断当前量测点是否在跟踪波门内，若在门限内，将落入波门内的量测数据作为候选量测数据，若这些量测数据不在波门内，则起始一条临时航迹。

3.如权利要求2所述的异构多传感器多目标跟踪航迹方法，其特征在于：航迹修剪与确认模块根据航迹起始与维持模块输入的候选量测数据，确认参与关联的有效证据集合。根据候选量测数据来源，判断是否包含航迹位置状态特征和信号特征，如果同时包含航迹位置状态特征和信号特征这两者信息，则将证据集合设置为：{位置状态，载频，重频，脉宽}，如果量测数据只有位置状态，则将证据集合设置为{位置状态}，如果量测数据只有信号特征，则将证据集合设置为{载频，重频，脉宽}。

4.如权利要求1所述的异构多传感器多目标跟踪航迹方法，其特征在于：航迹修剪与确认模块根据参与关联的证据集合，分别计算每个证据的关联度mass函数，且根据目标信号特征类型不同，载频关联度mass函数的计算方法分为频率固定、频率捷变和频率分集三种；重频关联度mass函数的计算方法分为重频固定和重频参差两种。

5.如权利要求1所述的异构多传感器多目标跟踪航迹方法，其特征在于：假设生成与管理模块根据航迹修剪与确认模块输入的航迹修剪后保存下来的航迹，对直接或间接共享量测点的航迹进行航迹聚类，后续的假设都在每个航迹类中生成。

6.如权利要求1所述的异构多传感器多目标跟踪航迹方法，其特征在于：假设生成与管理模块开始假设集合为空集，在一个航迹群中任意挑选出一条航迹；然后从剩下的航迹列表中找出所有与所选出航迹相兼容的航迹，重复上述过程，直到剩余的航迹都与新列表中的航迹相冲突；然后从初始航迹列表中去掉第一条被选出的航迹，不断重复，直至得到所有的假设。

7.如权利要求1所述的异构多传感器多目标跟踪航迹方法，其特征在于：假设生成与管理模块根据航迹概率等于所有包含该航迹的假设概率之和的算法，进行多传感器数据融合系统层级的航迹修剪，如果航迹概率小于指定的阈值，则删除该航迹。

8.如权利要求7所述的异构多传感器多目标跟踪航迹方法，其特征在于：假设生成与管理模块得到所有假设的数目后，假设在时刻k，假设航迹数目为N_k，新航迹的数目为m_k，得到表示为Ω(H^k,s)的航迹相关矩阵：

并且航迹相关矩阵遵循如下规则：

当航迹相关矩阵列数l≥1时，对航迹相关矩阵中的每一列，若一个元素为1，则其它元素为0，即每一条航迹至多与一个量测数据关联；对于航迹相关矩阵中的每一行，若一个元素为1，则其它元素为0，即每一个量测向量应对与一条航迹，并基于航迹相关矩阵和量测与航迹之间的似然概率进行最优分配。

9.如权利要求1所述的异构多传感器多目标跟踪航迹方法，其特征在于：航迹更新与合并模块对匀加速模型CA，匀速模型CV和转弯模型CT，三个模型并行进行滤波，计算状态估计向量X^j(k|k)和协方差P^j(k|k)，将状态向量及其方差P^oj(k-1|k-1)与观测值Z(k)一起作为输入值，通过标准卡尔曼滤波器计算每个模型k时刻的概率更新值，获得各自模型的输出状态估计向量X^j(k|k)和协方差P^j(k|k)；计算三个模型交互的航迹状态及其协方差，进行航迹更新。

10.如权利要求1所述的异构多传感器多目标跟踪航迹方法，其特征在于：航迹管理及输出模块对已有航迹进行超时判断，如果航迹超过一定时间门限未更新，则进行航迹删除；对未超时的航迹，进行航迹更新判断，判断航迹在当前时刻是否有更新，如果有更新则进行航迹更新并输出，如果没有更新，则进行航迹预测，形成新的跟踪波门，完成异构传感器多目标跟踪过程。