CN109657732A - 利用目标可见性实现航迹管理的多传感器航迹融合方法 - Google Patents

Abstract

本发明公开了利用目标可见性实现航迹管理的多传感器航迹融合方法。现有多传感器航迹融合方法将所有可能航迹上传至融合中心，通讯量大且计算复杂。本发明如下：一、选取两个航迹集分别作为主航迹集和辅航迹集。二、融合中心对主航迹集内的各航迹与辅航迹集内的各航迹分别进行航迹关联融合，得到最终的融合航迹集。三、将融合航迹集中的各航迹分为目标航迹、终止航迹、未知身份航迹。本发明可减少传感器送至融合中心的航迹数目，可降低传感器与融合中心间的通讯量，同时减少融合中心的计算量。本发明的航迹管理功能可在融合中心进一步加快目标航迹的确认，并抑制虚假航迹，减少虚假航迹对航迹关联和融合的干扰，复杂环境下表现更优。

Description

利用目标可见性实现航迹管理的多传感器航迹融合方法

技术领域

本发明属于多传感器航迹关联以及融合技术领域，具体涉及利用目标可见性实现航迹管理的多传感器航迹融合方法，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，融合中心完成航迹融合。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)由于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，融合中心没有航迹管理功能，在复杂环境下算法表现欠佳。

发明内容

本发明的目的在于以Bar-Shalom Y教授提出的先关联后融合算法为基础，将传感器满足航迹上传条件的航迹上传至融合中心，并在融合中心对目标可见性进行融合同时利用目标可见性进行航迹管理功能，进而提供利用目标可见性实现航迹管理的多传感器航迹融合方法。

本发明的具体步骤如下：

步骤1、c个传感器分别将自身跟踪到的初始航迹集上传至融合中心。初始航迹集中的每条航迹信息均包含状态估计、误差协方差和目标可见性。将2赋值给p；以第一个初始航迹集作为主初始航迹集τ，第p个初始航迹集作为辅初始航迹集η。

步骤2、融合中心对主初始航迹集τ内的各航迹与辅初始航迹集η内的各航迹分别进行航迹关联融合。来自主初始航迹集τ的航迹i与来自辅初始航迹集η的航迹j的航迹关联融合方法，具体如下：

2.1、计算统计量如式(1)：

式(1)中，分别为航迹i第k帧的状态估计和误差协方差； 是航迹j第k帧的状态估计和误差协方差；为向量的转置；为新息协方差，其表达式如式(2)所示。

式(2)中，表示航迹i和航迹j的互协方差，其表达式如式(3)所示。

式(3)中，I为单位矩阵。分别为航迹i、航迹j的卡尔曼增益；分别为主初始航迹集对应的传感器和辅初始航迹集对应的传感器的观测矩阵；F为状态转移矩阵；Q_k-1为第k-1帧的过程噪声矩阵，Q₀为过程噪声的初始值；

若统计量小于门限值Dα，则航迹i与航迹j相关联。否则，航迹i与航迹j不关联。其中，D_α根据双边概率α、自由度n_z查卡方分布临界值表得到；α是双边概率；n_z为目标状态维数。

2.2、若航迹i与航迹j相关联，则将航迹i和航迹j为融合为航迹s，并执行步骤2.3；若航迹i与航迹j不关联，则执行步骤2.4。

2.3、计算航迹s的航迹状态如式(4)，误差协方差如式(5)，目标可见性如式(6)。

式(6)中，为航迹i的目标可见性。δ_k为航迹s的似然比，其表达式如式(7)琐事。

式(7)中，P_d为各传感器的探测概率；为航迹i的跟踪门体积；p(x^j|H₁,χ_k,χ_k,1)为航迹j的状态概率密度函数。

之后，将航迹s加入融合航迹集，并进入步骤3。

2.4、将航迹i的目标可见性更新为其表达式如式(8)所示；将航迹j的目标可见性更新为其表达式如式(9)所示；

式(8)及(9)中，为航迹i更新前的目标可见性；为航迹j更新前的目标可见性；δ′_k＝1-P_d。

之后，将航迹i及航迹j均加入融合航迹集，并进入步骤3。

步骤3、若p＜c，则将p增大1后，将融合航迹集复制后作为主初始航迹集τ，第p个初始航迹集作为辅初始航迹集η，将融合航迹集置为空集，并重复执行步骤2。若p＝c，则进入步骤4。

步骤4、将融合航迹集中目标可见性小于t_FT的航迹作为终止航迹不再跟踪，并直接从融合航迹集中删除。将融合航迹集中目标可见性大于t_CT的航迹作为目标航迹输出；将融合航迹集中目标可见性处于t_FT～t_CT之间的航迹作为未知身份航迹继续跟踪；t_FT＝0.01；t_CT＝0.99。

进一步地，所述初始航迹集的获取方法如下：对应的传感器通过综合概率数据关联算法局部跟踪获得各航迹，并将跟踪到的航迹的目标可见性与航迹上传条件进行对比，将满足航迹上传条件的航迹组成各自的初始航迹集。

进一步地，α＝0.05。

本发明具有的有益效果是：

1、本发明可减少传感器送至融合中心的航迹数目，可降低传感器与融合中心间的通讯量，同时减少融合中心的计算量，在实际应用中可减轻计算机以及通信的硬件负担。

2、本发明的航迹管理功能可在融合中心进一步加快目标航迹的确认，并抑制虚假航迹，减少虚假航迹对航迹关联和融合的干扰，复杂环境下表现更优。

附图说明

图1是本发明和单传感器跟踪的平均正确航迹个数对比曲线。

具体实施方式

以下结合附图对本发明作进一步说明。

利用目标可见性实现航迹管理的多传感器航迹融合方法的具体步骤如下：

步骤1、c个传感器(雷达)采用综合概率数据关联(IPDA)算法局部跟踪获得各自的航迹，并将跟踪到的航迹的目标可见性与航迹上传条件进行对比，将满足航迹上传条件的航迹组成各自的初始航迹集，上传至融合中心，c为传感器的数量。初始航迹集中的每条航迹信息均包含状态估计、误差协方差和目标可见性。其中目标可见性以概率的形式体现。将2赋值给p；第一个初始航迹集作为主初始航迹集τ，第p个初始航迹集作为辅初始航迹集η。主初始航迹集τ包含n条航迹；辅初始航迹集η包含m条航迹。τ＝{τ₁,τ₂,...,τ_n}，η＝{η₁,η₂,...,η_m}。

步骤2、融合中心对主初始航迹集τ内的各航迹与辅初始航迹集η内的各航迹分别进行航迹关联融合。航迹关联融合的方法是通过假设检验判断两条航迹是否关联；来自主初始航迹集τ的航迹i与来自辅初始航迹集η的航迹j的关联融合方法(主初始航迹集τ内的各航迹与辅初始航迹集η内的各航迹须分别进行关联融合，关联融合方法相同)，具体如下：

2.1、定义以下假设：

H₀:航迹i与航迹j跟踪同一目标；

H₁:航迹i与航迹j跟踪不同目标；

定义统计量如式(1)：

式(1)中，分别为航迹i第k帧的状态估计和误差协方差； 是航迹j第k帧的状态估计和误差协方差；为向量的转置；k表示第k帧，下标k|k表示第k帧的估计值。为新息协方差，其表达式如式(2)所示。

式(2)中，表示航迹i和航迹j的互协方差，其表达式如式(3)所示；表示矩阵的转置。

式(3)中，为矩阵的转置；I为单位矩阵。分别为航迹i、航迹j的卡尔曼增益；分别为主初始航迹集对应的传感器和辅初始航迹集对应的传感器的观测矩阵；F为状态转移矩阵；Q_k-1为第k-1帧的过程噪声矩阵，Q₀为过程噪声的初始值；的初始化设置

统计量服从自由度为n_z的卡方分布；其中，n_z为目标状态维数(即对单一目标直接检测到的数据类型个数)。

若统计量小于门限值D_α，则接受假设H₀并拒绝H₁，此时判定两条航迹关联。否则拒绝假设H₀并接受H₁，即两条航迹不关联。其中，α是双边概率(本实施例中0.05)；D_α根据双边概率α、自由度n_z查卡方分布临界值表得到。

2.2、若接受假设H₀，则将航迹i和航迹j融合为航迹s，并执行步骤2.3；若接受假设H₁，则执行步骤2.4。

2.3、计算航迹s的航迹状态如式(4)，误差协方差如式(5)，目标可见性如式(6)。

式(6)中，为航迹i的目标可见性。δ_k为航迹s的似然比，其表达式如式(7)琐事。

式(7)中，P_d为各传感器的探测概率；为航迹i的跟踪门体积；p(x^j|H₁,χ_k,X_k,1)为航迹j的状态概率密度函数。

之后，将航迹s加入初始空集的融合航迹集，并进入步骤3。

2.4、将航迹i的目标可见性更新为如式(8)所示；将航迹j的目标可见性更新为如式(9)所示；

式(8)及(9)中，为航迹i更新前的目标可见性；为航迹j更新前的目标可见性；δ′_k＝1-P_d。

之后，将航迹i及航迹j均加入初始空集的融合航迹集，并进入步骤3。

步骤3、若p＜c，则将p增大1后，将融合航迹集复制后作为主初始航迹集τ，第p个初始航迹集作为辅初始航迹集η，将融合航迹集置为空集，并重复执行步骤2。若p＝c，则进入步骤4。

步骤4、对融合航迹集内的航迹进行航迹管理。航迹管理的功能是，确认每条航迹的身份，删除虚假航迹，保留感兴趣的目标航迹。而航迹管理的评判指标为目标可见性，即通过对目标可见性的判断，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、目标航迹、终止航迹。

将融合航迹集中目标可见性小于t_FT的航迹作为终止航迹不再跟踪，并直接从融合航迹集中删除。将融合航迹集中目标可见性大于t_CT的航迹作为目标航迹输出；将融合航迹集中目标可见性处于t_FT～t_CT之间的航迹作为未知身份航迹继续跟踪；t_FT＝0.01；t_CT＝0.99。

以空间中设置有监控区域的两个传感器，监控区域存在三个匀速直线运动的目标作为实例，以本发明和现有的单传感器跟踪方法进行对比，平均正确航迹个数随时间的变化曲线对比情况如图1和表1所示。

表1

	本发明	单传感器跟踪
			5s平均正确航迹个数/个	0.01	0
7s平均正确航迹个数/个	0.53	0.27
			9s平均正确航迹个数/个	1.30	1.01
11s平均正确航迹个数/个	1.83	1.67

可以看出，单传感器在第5时刻无正确航迹产生，而本发明已经出现正确航迹，接下来每一帧本发明的正确航迹均高于单传感器跟踪。在目标跟踪领域，根据经验一般算法可在6-10秒内得到目标航迹，而如何在短短的几秒内提升对目标的确认速度十分困难，而更快速的得到目标航迹可有助于更早了解目标并在实际场景中针对目标做出相应判断。所以结果显示本发明可提前得到正确航迹，大幅度帮助掌握传感器的监控区域情况，意义重大。

Claims (3)

1.利用目标可见性实现航迹管理的多传感器航迹融合方法，其特征在于：

步骤1、c个传感器分别将自身跟踪到的初始航迹集上传至融合中心。初始航迹集中的每条航迹信息均包含状态估计、误差协方差和目标可见性。将2赋值给p；以第一个初始航迹集作为主初始航迹集τ，第p个初始航迹集作为辅初始航迹集η。

步骤2、融合中心对主初始航迹集τ内的各航迹与辅初始航迹集η内的各航迹分别进行航迹关联融合。来自主初始航迹集τ的航迹i与来自辅初始航迹集η的航迹j的航迹关联融合方法，具体如下：

2.1、计算统计量如式(1)：

式(1)中，分别为航迹i第k帧的状态估计和误差协方差； 是航迹j第k帧的状态估计和误差协方差；为向量的转置；为新息协方差，其表达式如式(2)所示。

式(2)中，表示航迹i和航迹j的互协方差，其表达式如式(3)所示。

式(3)中，I为单位矩阵。分别为航迹i、航迹j的卡尔曼增益；分别为主初始航迹集对应的传感器和辅初始航迹集对应的传感器的观测矩阵；F为状态转移矩阵；Q_k-1为第k-1帧的过程噪声矩阵，Q₀为过程噪声的初始值；

若统计量小于门限值D_α，则航迹i与航迹j相关联。否则，航迹i与航迹j不关联。其中，D_α根据双边概率α、自由度n_z查卡方分布临界值表得到；是双边概率；n_z为目标状态维数。

2.2、若航迹i与航迹j相关联，则将航迹i和航迹j为融合为航迹s，并执行步骤2.3；若航迹i与航迹j不关联，则执行步骤2.4。

2.3、计算航迹s的航迹状态如式(4)，误差协方差如式(5)，目标可见性如式(6)。

式(6)中，为航迹i的目标可见性。δ_k为航迹s的似然比，其表达式如式(7)琐事。

式(7)中，P_d为各传感器的探测概率；为航迹i的跟踪门体积；p(x^j|H₁,X_k,χ_k,1)为航迹j的状态概率密度函数。

之后，将航迹s加入融合航迹集，并进入步骤3。

2.4、将航迹i的目标可见性更新为其表达式如式(8)所示；将航迹j的目标可见性更新为其表达式如式(9)所示；

式(8)及(9)中，为航迹i更新前的目标可见性；为航迹j更新前的目标可见性；δ′_k＝1-P_d。

之后，将航迹i及航迹j均加入融合航迹集，并进入步骤3。

步骤3、若p＜c，则将p增大1后，将融合航迹集复制后作为主初始航迹集τ，第_p个初始航迹集作为辅初始航迹集η，将融合航迹集置为空集，并重复执行步骤2。若p＝c，则进入步骤4。

步骤4、将融合航迹集中目标可见性小于t_FT的航迹作为终止航迹不再跟踪，并直接从融合航迹集中删除。将融合航迹集中目标可见性大于t_CT的航迹作为目标航迹输出；将融合航迹集中目标可见性处于t_FT～t_CT之间的航迹作为未知身份航迹继续跟踪；t_FT＝0.01；t_CT＝0.99。

2.根据权利要求1所述的利用目标可见性实现航迹管理的多传感器航迹融合方法，其特征在于：所述初始航迹集的获取方法如下：对应的传感器通过综合概率数据关联算法局部跟踪获得各航迹，并将跟踪到的航迹的目标可见性与航迹上传条件进行对比，将满足航迹上传条件的航迹组成各自的初始航迹集。

3.根据权利要求1所述的利用目标可见性实现航迹管理的多传感器航迹融合方法，其特征在于：α＝0.05。