CN109656271A - 一种基于数据关联思想的航迹软关联方法 - Google Patents

Abstract

本发明公开一种基于数据关联思想的航迹软关联方法。航迹软关联方法通过“软”关联方式，避免传统关联算法的一对一硬关联，在复杂环境下可大大提高关联性能，航迹关联容错性更高。该方法将辅传感器的航迹作为量测，通过计算辅传感器每条航迹关联概率实现软关联并更新主传感器航迹，以实现航迹“软”关联的方式。

Description

一种基于数据关联思想的航迹软关联方法

技术领域

本发明涉及多传感器航迹关联领域，涉及一种基于数据关联的航迹软关联方法，用于解决高杂波、高漏检等复杂环境下的多传感器航迹融合问题，可有效提高复杂环境下多传感器目标跟踪问题中，融合中心的目标航迹确认速度，并减少虚假航迹数量。

背景技术

复杂环境下的多传感器目标跟踪在技术上实现相当复杂，多传感器目标跟踪一般有两种系统结构，一般分为集中式系统以及分布式系统。由于集中式融合具有通讯代价高、计算量大、系统工作不稳定等缺陷，一般采用分布式系统作为多传感器目标跟踪解决方案。基于分布式系统的多传感器目标跟踪中包括单传感器目标跟踪以及多传感器航迹融合。其中，传感器将进行局部目标跟踪得到航迹并上传至融合中心，融合中心将得到的航迹进行关联组合，找出跟踪同一目标的航迹组合然后进行融合。故融合中心需完成两个技术操作：航迹关联和航迹融合。

随着传感器技术的不断进步，传感器的监控范围越来越大，精度得到提升。虽然有利于目标的探测，但是会产生大量非感兴趣目标量测，即杂波。同时，由于恶劣天气以及环境的影响，传感器的探测概率低，目标量测不连续，严重影响目标跟踪性能。

单传感器目标跟踪中，综合概率数据关联算法(IPDA)引入目标存在概率并利用目标存在概率进行航迹管理。航迹管理功能有效解决了复杂环境下目标自动跟踪问题，可以快速得到目标航迹、抑制虚假航迹。多传感器航迹融合中，Bar-Shalom Y将统计学方法中的假设检验理论应用航迹关联中，提出先关联后融合的方法，这套算法被广泛应用航迹融合领域。然而，该算法中，传感器将所有可能航迹上传至融合中心，通讯量大且计算复杂。并且，在航迹关联阶段，该方法通过假设检验的方法唯一确定一组航迹组合，即来自传感器a的某一条航迹与传感器b的某一条航迹唯一关联，这种方式属于一对一硬关联方式，在复杂环境下航迹关联正确率急剧下降。

针对以上问题，本发明提出一种新的航迹软关联方法。利用目标跟踪中数据关联的思想，将辅传感器中的航迹当作量测，分别计算每一个“量测”的航迹关联概率以更新主传感器航迹。这样可以避免一对一硬关联，并且计算每条航迹的航迹关联概率是一种软关联方式，使得在复杂环境下航迹关联容错性更强。同时，在融合中心加入航迹管理功能，可更快速得到目标航迹，抑制虚假航迹。

发明内容

本发明的目的是针对现有技术的不足，提供一种新的航迹软关联方法，该方法利用目标跟踪中数据关联的思想，将辅传感器中的航迹当作量测，分别计算每一个“量测”的航迹关联概率以更新主传感器航迹，具体操作如下：

步骤(1)、若干传感器将航迹的目标存在概率与航迹上传条件进行对比，将满足航迹上传条件的航迹上传至融合中心；其中若干传感器中至少包括一个主传感器，一个辅传感器；

各传感器采用综合概率数据关联(IPDA)算法局部跟踪获得各自的航迹集，其中航迹集中每条航迹信息包含航迹状态和目标存在概率；将每条航迹的目标存在概率与航迹上传条件进行对比，将目标存在概率大于航迹上传条件的航迹上传至融合中心，具体是：

假设融合中心获得主传感器a的航迹集τ、辅传感器b的航迹集η，其中航迹集τ拥有n条航迹，航迹集η拥有m条航迹，具体参见公式(1)；

其中航迹集τ中每条航迹均包含航迹状态误差协方差和目标存在概率同样，航迹集η中每条航迹包含和k为第k帧，下标k|k表示第k帧的估计值。所述的航迹上传条件为人工设定，根据本领域技术人员的经验设置，可设置为0.1。

步骤(2)、融合中心得到各传感器上传的航迹后，进行模型匹配以及身份转换；具体是：

在目标跟踪中，传感器可获得量测，包含目标量测或者杂波；其中杂波个数往往服从一定参数的泊松分布，其状态服从均匀分布，杂波密度往往是先验信息，或者通过一定方式估计而得。航迹关联过程中，将辅传感器中的航迹视为“量测”，包括目标航迹以及虚假航迹，其中目标航迹对应目标量测，虚假航迹对应杂波，即完成身份转换。

此时，定义为虚假航迹发生概率，为初始化虚假航迹个数，则虚假航迹的期望个数为

由以上公式可知，虚假航迹的个数服从二项分布，当足够大时，其分布可近似为泊松分布。

目标跟踪中，目标以一定概率被探测到并返回目标量测，该概率称为探测概率。然后航迹关联阶段中，并无此概念。此时可将航迹关联阶段融合中心的探测概率设置成与目标跟踪的探测概率相同，可以为0.9。即完成模型匹配。

步骤(3)、计算辅传感器中每条航迹的航迹关联概率；

在模型匹配之后，需在融合中心中计算辅传感器中每个量测的航迹关联概率，该步骤为航迹“软关联”的核心。航迹软关联方法中，由于无法确认每条航迹的身份，故将每一条航迹均视为目标航迹，只是其发生的概率不同，即航迹关联概率不同。而航迹关联概率计算见公式(3)；

定义航迹关联事件η表示辅传感器上传的航迹，η≥0。其中代表辅传感器中没有与航迹τ跟踪同一目标的航迹，当η＞0时表示航迹η与航迹τ跟踪同一目标。并且，只有一个事件在实际中是正确的，即两条航迹跟踪同一目标。定义为事件发生的概率，即航迹关联概率。

似然比

且

其中，P_c表示融合中心的探测概率，ρ_η表示杂波密度，表示航迹η的概率密度函数，且其均值为

步骤(4)、将辅传感器每一条航迹作为量测，对第i条主传感器航迹进行更新；并利用辅传感器每条航迹的航迹关联概率将所有更新结果进行高斯混合，得到第i条主传感器航迹的最终融合结果；直至主传感器的每条航迹均获得如上最终融合结果；具体是：

在得到每条辅传感器航迹的航迹关联概率后，需利用量测依次对主传感器的航迹进行更新，利用航迹关联概率作为权重，将所有结果进行高斯混合，得到最终融合结果。而对航迹进行更新需对以下信息进行更新：航迹状态、误差协方差以及目标存在概率。

若η＝0，给定航迹关联事件说明辅传感器中无航迹与之跟踪同一目标，此时主传感器中航迹状态及协方差不需更新，见公式(6)：

其中分别表示航迹τ和航迹η融合后的结果。

若η＞0，给定关联事件且η＞0，此时航迹状态以及误差协方差可根据BC融合算法进行更新，见公式(7)、(8)：

其中卡尔曼增益

新息协方差

其中表示矩阵的转置。航迹τ和航迹η间的互协方差见公式(11)：

其中I为单位矩阵。为分别为传感器a和传感器b的观测矩阵，F为状态转移矩阵，Q_k-1为k-1帧的过程噪声矩阵，的初始化设定

通过每个关联事件进行上述更新，继而将融合结果进行高斯混合，见公式(12)、(13)：

而目标存在概率的融合见公式(14)：

其中似然比

步骤(5)、航迹融合完成后，对航迹进行航迹管理。航迹管理的功能是，确认每条航迹的身份，删除虚假航迹，保留感兴趣目标航迹。而航迹管理的评判指标为目标存在概率，即通过对目标存在概率的判断，实现以上功能。在航迹管理中，航迹共有三种身份：

·未知身份航迹

·确认目标航迹

·终止航迹

当目标存在概率大于确认航迹门限时，该目标存在概率对应的航迹其身份转换为确认目标航迹，若确认目标航迹的目标存在概率小于终止航迹门限，则删除该航迹，即终止航迹；若确认目标航迹的目标存在概率大于终止航迹门限，则身份不变。

当目标存在概率小于确认航迹门限时，该目标存在概率对应的航迹其身份为未知目标航迹；该目标存在概率对应的航迹下一帧重复上述步骤(1)-(4)操作直至完成航迹身份确认。

确认航迹门限、终止航迹门限为人工设定，根据本领域技术人员的经验设置；可分别设置为0.99、0.001。

本发明的有益效果：

本发明采用一种航迹软关联方法,假设每条辅传感器航迹均与主传感器航迹关联，只不过关联概率不同，这种方法避免航迹的进行一对一硬关联，并在融合中心加入航迹管理功能，使得该方法在复杂环境下更快速获得目标航迹，更好的抑制虚假航迹，表现更优。

附图说明

图1是基于数据关联思想的航迹软关联方法流程图；

图2是融合中心航迹身份转化图；

图3是航迹软关联方式、航迹硬关联方式和单传感器跟踪的平均正确航迹数对比。

具体实施方式

以下结合技术方案和附图，详细叙述本发明的具体实施方式。

图1是基于数据关联思想的航迹软关联方法流程图。

假设：空间中有2个传感器，分别为a,b，两传感器监控区域相同。在监控区域内，有3个目标并做匀速直线运动。当跟踪系统对监控区域内的目标进行跟踪时，会产生目标航迹。而航迹包含航迹状态x_k、误差协方差P_k和目标存在概率ψ_k。该描述在数学中用概率密度函数表述，如下

p(x_k,χ_k|Z^k)

通过以上描述，开始进行本发明的实施步骤：

步骤(1)、若干传感器将航迹的目标存在概率与航迹上传条件进行对比，将满足航迹上传条件的航迹上传至融合中心；其中若干传感器中至少包括一个主传感器，一个辅传感器；

各传感器采用综合概率数据关联(IPDA)算法局部跟踪获得各自的航迹集，其中航迹集中每条航迹信息包含航迹状态和目标存在概率；将每条航迹的目标存在概率与航迹上传条件进行对比，将目标存在概率大于航迹上传条件的航迹上传至融合中心，具体是：

假设融合中心获得主传感器a的航迹集τ、辅传感器b的航迹集η，其中航迹集τ拥有n条航迹，航迹集η拥有m条航迹，具体参见公式(1)；

步骤(2)、融合中心得到各传感器上传的航迹后，进行模型匹配以及身份转换；图2是融合中心航迹身份转化图。具体是：

在目标跟踪中，传感器可获得量测，包含目标量测或者杂波；其中杂波个数往往服从一定参数的泊松分布，其状态服从均匀分布，杂波密度往往是先验信息，或者通过一定方式估计而得。航迹关联过程中，将辅传感器中的航迹视为“量测”，包括目标航迹以及虚假航迹，其中目标航迹对应目标量测，虚假航迹对应杂波，即完成身份转换。

此时，定义为虚假航迹发生概率，为初始化虚假航迹个数，则虚假航迹的期望个数见公式(2)。

目标跟踪中，目标以一定概率被探测到并返回目标量测，该概率称为探测概率。然后航迹关联阶段中，并无此概念。此时可将航迹关联阶段融合中心的探测概率设置成与目标跟踪的探测概率相同，可以为0.9。即完成模型匹配。

步骤(3)、计算辅传感器中每条航迹的航迹关联概率；

在模型匹配之后，需在融合中心中计算辅传感器中每个量测的航迹关联概率，该步骤为航迹“软关联”的核心。航迹软关联方法中，由于无法确认每条航迹的身份，故将每一条航迹均视为目标航迹，只是其发生的概率不同，即航迹关联概率不同。而航迹关联概率计算见公式(3)；

定义航迹关联事件η表示辅传感器上传的航迹，η≥0。其中代表辅传感器中没有与航迹τ跟踪同一目标的航迹，当η＞0时表示航迹η与航迹τ跟踪同一目标。并且，只有一个事件在实际中是正确的，即两条航迹跟踪同一目标。定义为事件发生的概率，即航迹关联概率。

步骤(4)、将辅传感器每一条航迹作为量测，对第i条主传感器航迹进行更新；并利用辅传感器每条航迹的航迹关联概率将所有更新结果进行高斯混合，得到第i条主传感器航迹的最终融合结果；直至主传感器的每条航迹均获得如上最终融合结果；具体是：

在得到每条辅传感器航迹的航迹关联概率后，需利用量测依次对主传感器的航迹进行更新，利用航迹关联概率作为权重，将所有结果进行高斯混合，得到最终融合结果。而对航迹进行更新需对以下信息进行更新：航迹状态、误差协方差以及目标存在概率。

若η＝0，给定航迹关联事件说明辅传感器中无航迹与之跟踪同一目标，此时主传感器中航迹状态及协方差不需更新，见公式(6)。

若η＞0，给定关联事件且η＞0，此时航迹状态以及误差协方差可根据BC融合算法进行更新，见公式(7)、(8)。

通过每个关联事件进行上述更新，继而将融合结果进行高斯混合，见公式(12)、(13)。而目标存在概率的融合见公式(14)。

步骤(5)、航迹融合完成后，对航迹进行航迹管理。航迹管理的功能是，确认每条航迹的身份，删除虚假航迹，保留感兴趣目标航迹。而航迹管理的评判指标为目标存在概率，即通过对目标存在概率的判断，实现以上功能。在航迹管理中，航迹共有三种身份：

·未知身份航迹

·确认目标航迹

·终止航迹

当目标存在概率大于确认航迹门限时，该目标存在概率对应的航迹其身份转换为确认目标航迹，若确认目标航迹的目标存在概率小于终止航迹门限，则删除该航迹，即终止航迹；若确认目标航迹的目标存在概率大于终止航迹门限，则身份不变。

当目标存在概率小于确认航迹门限时，该目标存在概率对应的航迹其身份为未知目标航迹；该目标存在概率对应的航迹下一帧重复上述步骤(1)-(4)操作直至完成航迹身份确认。

确认航迹门限、终止航迹门限为人工设定，根据本领域技术人员的经验设置；可分别设置为0.99、0.001。

通过以上5个步骤可实现本发明。图2为本发明的实验结果，根据图2可知，本发明可快速得到目标航迹。表1为某几帧的平均正确航迹数对比：

	本发明	硬关联	单传感器跟踪
				第3帧	0	0	0
第5帧	0.0189	0.0033	0
				第7帧	0.3000	0.1789	0.0911
第9帧	0.5711	0.4344	0.3389

表1某几帧的平均正确航迹数对比。

Claims (1)

1.一种基于数据关联思想的航迹软关联方法，其特征在于该方法包括以下步骤：

步骤(1)、若干传感器将航迹的目标存在概率与航迹上传条件进行对比，将满足航迹上传条件的航迹上传至融合中心；其中若干传感器中至少包括一个主传感器，一个辅传感器；

各传感器采用综合概率数据关联(IPDA)算法局部跟踪获得各自的航迹集，其中航迹集中每条航迹信息包含航迹状态和目标存在概率；将每条航迹的目标存在概率与航迹上传条件进行对比，将目标存在概率大于航迹上传条件的航迹上传至融合中心，具体是：

假设融合中心获得主传感器a的航迹集τ、辅传感器b的航迹集η，其中航迹集τ拥有n条航迹，航迹集η拥有m条航迹，具体参见公式(1)；

其中航迹集τ中每条航迹均包含航迹状态误差协方差和目标存在概率同样，航迹集η中每条航迹包含和k为第k帧；下标k|k表示第k帧的估计值；

步骤(2)、融合中心得到各传感器上传的航迹后，进行模型匹配以及身份转换；具体是：

将辅传感器中的航迹视为“量测”，包括目标航迹以及虚假航迹，其中目标航迹对应目标量测，虚假航迹对应杂波，即完成身份转换；

定义为虚假航迹发生概率，为初始化虚假航迹个数，则虚假航迹的期望个数为

由以上公式可知，虚假航迹的个数服从二项分布，当足够大时，其分布可近似为泊松分布；

将航迹关联阶段融合中心的探测概率设置成与目标跟踪的探测概率相同，即完成模型匹配；

步骤(3)、计算辅传感器中每条航迹的航迹关联概率；

定义航迹关联事件η表示辅传感器上传的航迹，η≥0；其中代表辅传感器中没有与航迹τ跟踪同一目标的航迹，当η＞0时表示航迹η与航迹τ跟踪同一目标；并且，只有一个事件在实际中是正确的，即两条航迹跟踪同一目标；定义为事件发生的概率，即航迹关联概率；

其中P_c表示融合中心的探测概率，ρ_η表示杂波密度表示航迹η的概率密度函数，且其均值为

步骤(4)、将辅传感器每一条航迹作为量测，对第i条主传感器航迹进行更新；并利用辅传感器每条航迹的航迹关联概率将所有更新结果进行高斯混合，得到第i条主传感器航迹的最终融合结果；直至主传感器的每条航迹均获得如上最终融合结果；具体是：

在得到每条辅传感器航迹的航迹关联概率后，需利用量测依次对主传感器的航迹进行更新，利用航迹关联概率作为权重，将所有结果进行高斯混合，得到最终融合结果；而对航迹进行更新需对以下信息进行更新：航迹状态、误差协方差以及目标存在概率；

若η＝0，给定航迹关联事件说明辅传感器中无航迹与之跟踪同一目标，此时主传感器中航迹状态及协方差不需更新，见公式(6)：

其中，和分别表示航迹τ和航迹η融合后的航迹状态以及误差协方差；

若η＞0，给定关联事件且η＞0，此时航迹状态以及误差协方差可根据BC融合算法进行更新，见公式(7)、(8)：

卡尔曼增益

新息协方差

其中表示矩阵的转置；

航迹τ和航迹η间的互协方差

其中I为单位矩阵，分别为传感器a和传感器b的观测矩阵，F为状态转移矩阵，Q_k-1为k-1帧的过程噪声矩阵，的初始化设定

通过每个关联事件进行上述更新，继而将融合结果进行高斯混合，见公式(12)、(13)：

而目标存在概率的融合见公式(14)：

步骤(5)、航迹融合完成后，对航迹进行航迹管理；其中航迹管理的评判指标为目标存在概率；在航迹管理中，航迹共有三种身份：未知身份航迹,确认目标航迹,终止航迹；

当目标存在概率大于确认航迹门限时，该目标存在概率对应的航迹其身份转换为确认目标航迹，若确认目标航迹的目标存在概率小于终止航迹门限，则删除该航迹，即终止航迹；若确认目标航迹的目标存在概率大于终止航迹门限，则身份不变；

当目标存在概率小于确认航迹门限时，该目标存在概率对应的航迹其身份为未知目标航迹；该目标存在概率对应的航迹下一帧重复上述步骤(1)-(4)操作直至完成航迹身份确认。