CN110187337A - 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 - Google Patents

Abstract

本发明提供一种基于LS和NEU‑ECEF时空配准的高机动目标跟踪方法及系统，属于通信技术领域，本发明采用改进的最小二乘(LS)虚拟融合方法配准时间，不要求采样周期之比为整数；然后，对于空间配准的坐标系转换关系，将原矩阵的代数运算转化为几何运算，减小运算开销的同时提高运算效率。另外，IMM算法被设计为两种运动模型，与MSPDAF算法结合成可以适用于跟踪不同维度的高度机动目标。本发明解决了现有技术中当数据量过大时，运算开销大的问题。

Description

一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法及 系统

技术领域

本发明属于通信技术领域，尤其涉及异类传感融合技术领域，具体为一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法及系统。

背景技术

如今，数据融合技术广泛适用于多源传感器网络中的目标检测，跟踪和识别等。

现有数据融合方法的研究依赖于贝叶斯框架，其中一种有效的方法是概率数据关联(PDA)，这可以确定数据信息中的不确定性。另外，高度机动目标的运动模型可能随时发生变化，使用任何单个目标运动模型难以描述其真实运动状态，交互式多模型(IMM)方法是通过引入多个目标运动模型，并对每个模型的状态估计按一定的概率加权进行融合，可获得目标空间位置状态的精准测量，进而得到目标状态估计最优解。

论文Chavez-Garcia,R.O.,Aycard,O.:Multiple sensor fusion and classification for moving object detection and tracking.IEEE Transactions onIntelligent Transportation Systems 17(2),525–534(2015)中已经提出了IMM和PDA的组合，但没有应用到多传感器跟踪目标的场景。

论文Zhu,H.,Yuen,K.V.,Mihaylova,L.,Leung,H.:Overview of environmentperception for intelligent vehicles.IEEE Transactions on IntelligentTransportation Systems 18(10),2584–2601(2017)中在多传感器情况下IMM/PDAF算法使用二维状态估计的顺序更新(2-D)，但无法准确知道目标的三维(3-D)状态属性。

此外，在论文Blasch,E.,Yang,C.,Garc′J.,Snidaro,L.,Llinas,J.:Contextual tracking approaches in information fusion.In:Context-EnhancedInformation Fusion,pp.73–97.Springer(2016)和论文Zhu,H.,Yuen,K.V.,Mihaylova,L.,Leung,H.:Overview of environment perception for intelligent vehicles.IEEETransactions on Intelligent Transportation Systems 18(10),2584–2601(2017)中假设雷达和红外传感器同步采样工作且配置在相同位置，而事实上，红外传感器的采样频率明显高于雷达。

因此在数据融合之前，首先需要完成时间-空间校准，因为校准结果的质量通常决定了融合结果。

常用的时间校准方法有内插外推法、拉格朗日插值法和最小二乘虚拟法等，而这些时间配准方法都存在着一些不足。例如，内插外推法在目标处于复杂(如高机动)运动状态时配准误差较大，因其假设运动模型过于简单；拉格朗日插值函数是多项式函数，若多项式次数太高会导致函数不稳定而带来配准误差大，且计算复杂；原始的最小二乘虚拟法对配准周期有特殊的要求，要求采样周期之比为整数。

对于空间校准问题，主要方法为根据NEU坐标系与ECEF坐标系的转换关系进行矩阵运算，因此当数据量过大时，将造成巨大的运算开销。

发明内容

本发明的目的在于：

为了克服上述缺陷和局限性，本发明从时间-空间配准、IMM模型设计以及多源异构传感器在不同空间维度的数据融合出发，提供一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，以达到通过使用多源异构传感器能够在不同空间维度下准确、实时、高效地跟踪高机动运动目标的期望。

本发明的技术方案如下：

一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，包括如下步骤：

多传感器观测信息时空配准得到量测源特征和目标属性数据；每次配准为两类传感器的配准，其中，时间配准将采样频率较高的一类传感器采集次的量测数据合成为一个虚拟量测值，将其看作采样频率较高的一类传感器在k时刻的量测值，然后与采样频率较低的一类传感器在k时刻的量测值进行后续处理，其中,为采样频率较高的传感器的与采样频率较低的传感器的采样周期之比的上确界；再依次配准多个传感器的量测数据；空间配准根据NEU坐标系与ECEF坐标系间的关系进行转换；

采用匀速和匀转速两种运动IMM运动模型，并与MSPDAF算法结合，在二维或三维运动空间跟踪高机动目标。

具体地，所述时间配准具体包括：

设采样频率较高的一类传感器的观测数据集为T_r为采样频率较低的一类传感器的采样周期，T_i为采样频率较高的一类传感器的采样周期；

假设目标最近一次更新状态时刻为(k-1)T_r，则下一次更新时刻为(k-1)T_r+nT_i；

令表示采样频率较高的一类传感器观测融合以后的虚拟测量值及其导函数，其中，z为虚拟测量值，为虚拟测量值的导函数；则采样频率较高的一类传感器的测量值z_i为：

其中v_i表示测量噪声，上式可改写成向量形式为：

其中，

均值为零，方差为σ²为已知测量噪声方差；

根据最小二乘准则，采样频率较高的一类传感器在kT_r时刻的融合虚拟值为：

具体地，所述空间配准根据NEU坐标系与ECEF坐标系间的关系进行转换具体包括：

假定一个球，传感器放置在地表，各传感器处于自身的本地局部坐标系下，地心为球心，然后进行转换：

(1)O_n-O_e得到Z_n坐标轴，其中，O_n为传感器坐标原点，O_e为地心坐标原点，每个传感器以自身为坐标原点；

(2)取Z_n坐标轴的法线为Y_n坐标轴；

(3)根据右手法则，求得与Z_n坐标轴与Y_n坐标轴组成平面垂直的X_n坐标轴。

进一步地，所述采用匀速和匀转速两种运动IMM运动模型，并与MSPDAF算法结合，在二维或三维运动空间跟踪高机动目标的具体步骤包括：

(1)协同初始化:假设M_t(k)表示在第k次采样期间的第t个运动模型M_t有效事件集；根据前一时刻模型M_s的联合估计及其联合协方差P^(s)(k-1|k-1)，计算匹配于运动模型M_t的滤波器的联合初始条件，假设模型之间的变换符合Markov模型，有：

其中，是初始时刻目标位置联合估计值，P^0(t)(k-1|k-1)是初始时刻目标位置联合估计协方差，

其中，p_st是假定的马尔可夫模型转移概率，它给出了由k-1时刻的模型M_s到k时刻的模型M_t的转移概率，μ_s(k-1)是k-1时刻模型M_s出现的概率；是归一化常数；

(2)预测估计：依次计算每一个传感器的预测状态及其协方差P^(t)i(k|k-1)，有：

P^(t)i(k|k-1)＝F^(t)P^0(t)i(k-1|k-1)(F^(t))′+Q^(t)

其中，F^(t)是目标状态转移矩阵，是每一个传感器的初始时刻目标位置联合估计值，Q^(t)是已知的零均值高斯白噪声方差；

(3)概率更新与融合：

其中，Z(k)是传感器时空配准后的观测数据集，包括较高频率传感器虚拟融合测量集和时空配准后的较低频率传感器测量集，是目标状态联合估计，μ_t(k)为在k时刻模型M_t的出现概率，C是μ_t(k)的归一化常数，是每一个运动模型的目标状态估计，p[Z(k)|M_t(k),Z^k-1]是观测量对运动模型的似然函数；

重复上述融合循环和计算步骤以实现目标状态的连续估计。

具体地，所述采用匀速和匀转速两种运动IMM运动模型具体为:

假设总共N_t个目标运动模型，N_t为匀速运动的运动模型和匀转速运动的运动模型个数总数，ECEF坐标系中第t个模型M_t的目标运动模型是：

X^(t)(k+1)＝Φ^(t)X^(t)(k)+V^(t)(k),t＝0,1,…,N_t (5)

其中X^(t)(k)表示当存在第t个模型时在时间k的目标的状态向量；V^(t)(k)是均值为零、已知方差的高斯白噪声；

设t＝1为恒速运动模型，状态向量X⁽¹⁾为：

t＝2是恒定加速度运动模型，其中状态向量X⁽²⁾是：

然后模型t的变换矩阵为：

对模型1和模型2，ψ⁽¹⁾和ψ⁽²⁾分别为：

其中，V^(t)(k)是零均值高斯白噪声，其方差已知：

其中，u_t跟模型t相关，对模型1和模型2分别如下所示：

其中，q₁是模型1中模拟加速度的过程噪声方差，q₂是采样区间T中模型2中模拟加速度增量的过程噪声方差。

同时，本发明还提供一种基于LS和NEU-ECEF时空配准的高机动目标跟踪系统，包括：

传感模块，用于截获包括源特征及目标属性的数据源，为多传感器信息时空配准以及IMM-MSPDAF综合融合处理模块提供量测数据；

时空配准模块，用于对数据源进行时空配准，得到空配准后的量测源特征和目标属性，其中，时间配准将红外传感器n次的量测数据合成为一个虚拟量测值，将其看作红外传感器在k时刻的量测值，然后与雷达传感器在k时刻的量测值进行后续处理，依次配准多个传感器的量测数据，T_r为雷达传感器的采样周期，T_i为红外传感器的采样周期；空间配准根据NEU坐标系与ECEF坐标系间的关系进行转换；

IMM-MSPDAF综合融合处理模块，用于对时空配准后的量测源特征和目标属性进行处理，融合输出目标特征和目标属性。

采用上述方案后，本发明的有益效果如下：

(1)时间配准过程：由于不同传感器的采样间隔不同，配准结果的优劣对融合结果的优劣影响大。本发明提出一种基于LS虚拟融合法，以突破要求各传感器采样时间之比为整数的局限。

(2)空间配准过程：对于空间配准的坐标系转换关系，将原矩阵的代数运算转化为几何运算，减小运算开销的同时提高运算效率。

(3)时空配准过程后设计IMM余MSPDAF结合的算法应用在二维空间，以及考虑到实际情况中存在3-D雷达仅提供距离和方位角信息且测角精度有限的情况下，利用红外提供精确的方位和俯仰数据以补充雷达探测角度信息的不足。

附图说明

图1为本发明的算法流程图；

图2为本发明的实施例1中的各传感器采样序列示意图；

图3为各传感器NEU2ECEF空间配准示意图；

图4为本发明实施例1的方法(LS_IMM/MSPDAF)与现有技术(MSPDAF)在两维的比较结果图，其中包括了目标轨迹；

图5为图4的局部细节图；

图6为本发明实施例1的方法(LS_IMM/MSPDAF)与现有技术(MSPDAF)分别在X和Y轴上的位置误差MAE比较结果图；

图7为本发明实施例1的方法(LS_IMM/MSPDAF)与现有技术(MSPDAF)分别在X和Y轴上的速度误差MAE比较结果图；

图8为本发明实施例2的实验结果图，即LS_IMM/MSPDAF应用在三维空间的实验结果图；

图9为本发明实施例2匀速运动模型和匀转速运动模型的概率值。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合附图和实施例对本发明实施例作详细说明。

如图1所示，本发明的一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，该算法采用改进的最小二乘(LS)虚拟融合方法配准时间，不要求采样周期之比为整数。然后，对于空间配准的坐标系转换关系，将原矩阵的代数运算转化为几何运算，减小运算开销的同时提高运算效率。另外，IMM算法被设计为两种运动模型，与MSPDAF算法结合成可以适用于跟踪不同维度的高度机动目标，具体如图1所示。

实施例1

本具体实施例中，以红外传感器和有源雷达作为示范，来进行说明。针对高机动目标的探测跟踪，有源雷达作为主动传感器提供目标完整的位置状态信息，红外被动探测目标角度信息，有源雷达与红外配合使用，构建相互独立又彼此补充的多源跟踪探测手段。不同的多传感器协同工作模式反映出目标多以高机动姿态运行，用任何单一的目标运动模型都难以从不同维度描述实际的目标运动状态，因此引入交互式多模型(IMM)——通过设计多个目标运动模型，并对每个模型的状态估计按一定的概率加权进行融合。不同于传统多传感器概率数据互联(MSPDAF)算法只针对于在非高机动状态下雷达和红外测量的融合，改进后的IMM_MSPDAF算法针对雷达和红外信号进行处理，融合有源雷达探测的距离测量参数、红外测量的方位/俯仰维角度测量参数可在不同维度下获得目标空间位置和运动状态的精准测量，得到目标状态属性估计最优解。

本实施例具体包括如下步骤：

S1：多传感器观测信息时空配准得到量测源特征和目标属性数据；本发明的配准至少用于两类传感器，可以用于多类传感器，对于多类传感器，先在两类传感器中进行配准，然后将配准后的数据依次和其余种类的传感器进行两两配准。传感器种类包括但不限于红外传感器、有源雷达、无源辐射、光学图像等。本实施例中以有源雷达和红外传感器的配准为例进行说明，根据本实施例的配准方法同样可以用于其他种类传感器之间的配准，本领域技术人员在知晓本发明的技术方案后能够毫无异议地确定其他种类传感器的配准方法。

本实施例中，S1中，输入参数为：(R、θ、φ)_有，RCS特征；(θ、φ)_红，红外特征和目标属性，其中，R为距离信息、θ为方位角信息、φ为俯仰角信息。

其中，针对时间配准中各个传感器采样频率和起始采样时刻不一致的问题,时间配准将红外传感器次的量测数据合成为一个虚拟量测值，将其看作红外传感器(采样频率较高的那类)在k时刻的量测值，如图2所示；然后与雷达传感器(采样频率较低的那类)在k时刻的量测值进行后续处理，依次配准多个传感器的量测数据，T_r为雷达传感器的采样周期，T_i为红外传感器的采样周期。

时间配准具体包括：

S11：设红外传感器的观测数据集为(后续融合步骤中，采样频率较高的一类传感器和采样频率较低的一类传感器观测集统一称为Z(k)。)

假设目标最近一次更新状态时刻为(k-1)T_r，则下一次更新时刻为(k-1)T_r+nT_i；

S12：令表示红外观测融合以后的虚拟测量值及其导函数，其中，z为虚拟测量值，为虚拟测量值的导函数，则红外传感器的测量值z_i为：

其中v_i表示测量噪声，上式可改写成向量形式为：

其中，

均值为零，方差为σ²为已知测量噪声方差；

S13：根据最小二乘准则，红外传感器在kT_r时刻的融合虚拟值为：

空间配准根据NEU坐标系与ECEF坐标系间的关系进行转换，如图3所示，具体包括：

S14:假定一个球，传感器放置在地表，各传感器处于自身的本地局部坐标系下，地心为球心，然后进行转换：

(1)O_n-O_e得到Z_n坐标轴，其中，O_n为传感器坐标原点，O_e为地心坐标原点，每个传感器以自身为坐标原点；

(2)取Z_n坐标轴的法线为Y_n坐标轴；

(3)根据右手法则，求得与Z_n坐标轴与Y_n坐标轴组成平面垂直的X_n坐标轴。

时空配准后的量测源特征和目标属性的输出结果为：(R、θ、φ)’_有，RCS特征；(θ、φ)’_红，红外特征和目标属性。

S2：采用匀速和匀转速两种运动IMM运动模型，并与MSPDAF算法结合，在二维或三维运动空间跟踪高机动目标。此步骤中输入参数为：(R、θ、φ)’_有，RCS特征；(θ、φ)’_红，红外特征和目标属性。其输出结果为：(R、θ、φ)_综，目标状态及属性。

本实施例中本发明的方法用在二维空间中。

假设总共N_t个目标运动模型，本实施例的N_t为匀速运动的运动模型和匀转速运动的运动模型个数总数，ECEF坐标系中第t个模型M_t的目标运动模型是

X^(t)(k+1)＝Φ^(t)X^(t)(k)+V^(t)(k),t＝0,1,…,N_t (5)

其中X^(t)(k)表示当存在第t个模型时在时间k的目标的状态向量；V^(t)(k)是均值为零、已知方差的高斯白噪声。

设t＝1为恒速运动模型，状态向量X⁽¹⁾为：

t＝2是恒定加速度运动模型，其中状态向量X⁽²⁾是：

然后模型t的变换矩阵为：

对模型1和模型2，ψ⁽¹⁾和ψ⁽²⁾分别为：

其中，V^(t)(k)是零均值高斯白噪声，其方差已知：

其中，u_t跟模型t相关，对模型1和模型2分别如下所示：

其中，q₁是模型1中模拟加速度的过程噪声方差，q₂是采样区间T中模型2中模拟加速度增量的过程噪声方差。

LS_IMM/MSPDAF融合过程分为三个步骤：

(1)协同初始化:假设M_t(k)表示在第k次采样期间的第t个运动模型M_t有效事件集；根据前一时刻模型M_s的联合估计及其联合协方差P^(s)(k-1|k-1)，计算匹配于运动模型M_t的滤波器的联合初始条件，假设模型之间的变换符合Markov模型，有：

其中，是初始时刻目标位置联合估计值，P^0(t)(k-1|k-1)是初始时刻目标位置联合估计协方差，

其中，p_st是假定的马尔可夫模型转移概率，它给出了从k时刻的模型M_s到k-1时刻的模型M_t的转移概率。μ_s(k-1)是k-1时刻模型M_s出现的概率。C_t是归一化常数。

(1)预测估计：依次计算每一个传感器i的预测状态及其协方差P^(t)i(k|k-1)，有：

P^(t)i(k|k-1)＝F^(t)P^0(t)i(k-1|k-1)(F^(t))′+Q^(t)

其中，F^(t)是目标状态转移矩阵，Z(k)是传感器观测数据集，是每一个传感器的初始时刻目标位置联合估计值，Q^(t)是已知的零均值高斯白噪声方差。

(2)概率更新与融合：

其中，Z(k)是传感器时空配准后的观测数据集，包括红外传感器虚拟融合测量集和时空配准后的有源雷达测量集，是目标状态联合估计，μ_t(k)为在k时刻模型M_t的出现概率，C是μ_t(k)的归一化常数，是每一个运动模型的目标状态估计，p[Z(k)|M_t(k),Z^k-1]是观测量对运动模型的似然函数。

重复上述融合循环和计算步骤以实现目标状态的连续估计。

本发明的实验结果为每个点运行200次MonteCarlo的计算机模拟结果。

采用本发明的方法后，组中得到的目标轨迹与融合轨迹的实验结果如图4和图5所示，图5为图4的局部细节图。对于恒速运动模型，X轴和Y轴速度功率谱密度Sw＝1m²/s，采样间隔T＝1s。对于恒定转弯运动模型，转弯率Ω＝(π/18)rad/s，X轴和Y轴加速度功率谱密度S_w＝1m²/s³，并且采样间隔T＝1s。图4显示了目标的实际轨迹和融合轨迹，两种算法都可以在恒定速度运动过程中恢复出色。从图5中可以看出，LS_IMM/MSPDAF更接近真实轨迹，特别是在X轴的间隔[0,2500m]内的高机动情况下，比MSPDAF算法更接近。

传统的MSPDAF方法和本发明的LS_IMM/MSPDAF方法在二位的结果比较图如图6和图7所示，其中图6为位置误差MAE比较结果图，图7为速度误差MAE比较结果图。图6分别显示了在X轴和Y轴上的融合目标位置的MAE。注意到MSPDAF算法在[500m，850m]的区间内明显波动，MAE可以达到120m。在整个融合过程中，LS_IMM/MSPDAF算法的绝对MAE不超过50米。特别是在高机动情况下，相对于MSPDAF算法，MAE减少了一半。图7分别显示了X和Y轴上目标速度的MAE。注意到MSPDAF算法在[500m，850m]区间内明显波动，最大值达到80m/s，而LS_IMM/MSPDAF算法的绝对误差不超过50m/s。这表明LS_IMM/MSPDAF算法可以通过使用多个运动模型更好地跟踪高度机动目标。目标通常以高度机动的姿势移动。

实施例2

将本发明的应用扩展到三维空间。

在3-D雷达仅提供距离和方位角信息且测角精度有限的情况下，利用红外提供精确的方位和俯仰数据以补充雷达探测角度信息的不足。本实施例的数据集是实测数据，它是通过使用三维雷达和红外传感器获得的。对于恒速运动模型，X，Y和Z轴速度功率谱密度S_w＝1m²/s，采样间隔T＝1。对于匀转速模型，转速Ω＝(π/18)rad/s，X，Y和Z轴加速度功率谱密度S_w＝1m²/s³，采样间隔T＝1s。图8显示了目标的实际轨迹和融合轨迹。请注意，在两种运动(匀速和匀转速)情况下，都可以完美地跟踪轨迹。模型1和2分别是匀速运动模型和匀转速运动模型。每个模型的初始概率设置为0.5，并且两个模型的值在任何时间都在区间[0,1]中，并且它们的概率之和为1。图9显示了两种运动模型的概率值。可以注意到，模型1的概率值在时间间隔[100s，550s]中增加到0.55～0.6，并且在时间间隔[550s，850s]中减小到0.4～0.45，并且概率值的总和在时间间隔[550s，850s]中增加到0.4～0.45。两个模型在任何时间的概率值之和为1.这是因为目标以正常运动开始然后变为高度机动运动状态，两种模型的概率随目标的不同运动模式而变化。

Claims (6)

1.一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，其特征在于，包括如下步骤：

多传感器观测信息时空配准得到量测源特征和目标属性数据；每次配准为两类传感器的配准，其中，时间配准将采样频率较高的一类传感器采集次的量测数据合成为一个虚拟量测值，将其看作采样频率较高的一类传感器在k时刻的量测值，然后与采样频率较低的一类传感器在k时刻的量测值进行后续处理，其中,为采样频率较高的传感器的与采样频率较低的传感器的采样周期之比的上确界；再依次配准多个传感器的量测数据；空间配准根据NEU坐标系与ECEF坐标系间的关系进行转换；

采用匀速和匀转速两种运动IMM运动模型，并与MSPDAF算法结合，在二维或三维运动空间跟踪高机动目标。

2.根据权利要求1所述的一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，其特征在于，所述时间配准具体包括：

设采样频率较高的一类传感器的观测数据集为T_r为采样频率较低的一类传感器的采样周期，T_i为采样频率较高的一类传感器的采样周期；

假设目标最近一次更新状态时刻为(k-1)T_r，则下一次更新时刻为(k-1)T_r+nT_i；

令表示采样频率较高的一类传感器观测融合以后的虚拟测量值及其导函数，其中，z为虚拟测量值，为虚拟测量值的导函数；则采样频率较高的一类传感器的测量值z_i为：

其中v_i表示测量噪声，上式可改写成向量形式为：

其中，

均值为零，方差为Eσ²为已知测量噪声方差；

根据最小二乘准则，采样频率较高的一类传感器在kT_r时刻的融合虚拟值为：

3.根据权利要求1所述的一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，其特征在于，所述空间配准根据NEU坐标系与ECEF坐标系间的关系进行转换具体包括：

假定一个球，传感器放置在地表，各传感器处于自身的本地局部坐标系下，地心为球心，然后进行转换：

(1)O_n-O_e得到Z_n坐标轴，其中，O_n为传感器坐标原点，O_e为地心坐标原点，每个传感器以自身为坐标原点；

(2)取Z_n坐标轴的法线为Y_n坐标轴；

(3)根据右手法则，求得与Z_n坐标轴与Y_n坐标轴组成平面垂直的X_n坐标轴。

4.根据权利要求1所述的一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，其特征在于，所述采用匀速和匀转速两种运动IMM运动模型，并与MSPDAF算法结合，在二维或三维运动空间跟踪高机动目标的具体步骤包括：

(1)协同初始化:假设M_t(k)表示在第k次采样期间的第t个运动模型M_t有效事件集；根据前一时刻模型M_s的联合估计及其联合协方差P^(s)(k-1|k-1)，计算匹配于运动模型M_t的滤波器的联合初始条件，假设模型之间的变换符合Markov模型，有：

其中，是初始时刻目标位置联合估计值，P^0(t)(k-1|k-1)是初始时刻目标位置联合估计协方差，

其中，p_st是假定的马尔可夫模型转移概率，它给出了由k-1时刻的模型M_s到k时刻的模型M_t的转移概率，μ_s(k-1)是k-1时刻模型M_s出现的概率；是归一化常数；

(2)预测估计：依次计算每一个传感器的预测状态及其协方差P^(t)i(k|k-1)，有：

P^(t)i(k|k-1)＝F^(t)P^0(t)i(k-1|k-1)(F^(t))′+Q^(t)

其中，F^(t)是目标状态转移矩阵，是每一个传感器的初始时刻目标位置联合估计值，Q^(t)是已知的零均值高斯白噪声方差；

(3)概率更新与融合：

其中，Z(k)是传感器时空配准后的观测数据集，包括较高频率传感器虚拟融合测量集和时空配准后的较低频率传感器测量集，是目标状态联合估计，μ_t(k)为在k时刻模型M_t的出现概率，C是μ_t(k)的归一化常数，是每一个运动模型的目标状态估计，p[Z(k)|M_t(k),Z^k-1]是观测量对运动模型的似然函数；

重复上述融合循环和计算步骤以实现目标状态的连续估计。

5.根据权利要求4所述的一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法，其特征在于，所述采用匀速和匀转速两种运动IMM运动模型具体为:

假设总共N_t个目标运动模型，N_t为匀速运动的运动模型和匀转速运动的运动模型个数总数，ECEF坐标系中第t个模型M_t的目标运动模型是：

X^(t)(k+1)＝Φ^(t)X^(t)(k)+V^(t)(k),t＝0,1,…,N_t (5)

其中X^(t)(k)表示当存在第t个模型时在时间k的目标的状态向量；V^(t)(k)是均值为零、已知方差的高斯白噪声；

设t＝1为恒速运动模型，状态向量X⁽¹⁾为：

t＝2是恒定加速度运动模型，其中状态向量X⁽²⁾是：

然后模型t的变换矩阵为：

对模型1和模型2，ψ⁽¹⁾和ψ⁽²⁾分别为：

其中，V^(t)(k)是零均值高斯白噪声，其方差已知：

E[V^(t)(k)(V^(t)(j))′]＝Q^(t)δ′_kj

其中，u_t跟模型t相关，对模型1和模型2分别如下所示：

其中，q₁是模型1中模拟加速度的过程噪声方差，q₂是采样区间T中模型2中模拟加速度增量的过程噪声方差。

6.一种基于LS和NEU-ECEF时空配准的高机动目标跟踪系统，其特征在于，包括：

传感模块，用于截获包括源特征及目标属性的数据源，为多传感器信息时空配准以及IMM-MSPDAF综合融合处理模块提供量测数据；

时空配准模块，用于对数据源进行时空配准，得到空配准后的量测源特征和目标属性，其中，每次配准为两类传感器的配准，其中，时间配准将采样频率较高的一类传感器采集次的量测数据合成为一个虚拟量测值，将其看作采样频率较高的一类传感器在k时刻的量测值，然后与采样频率较低的一类传感器在k时刻的量测值进行后续处理，其中,为采样频率较高的传感器的与采样频率较低的传感器的采样周期之比的上确界；再依次配准多个传感器的量测数据；空间配准根据NEU坐标系与ECEF坐标系间的关系进行转换；

IMM-MSPDAF综合融合处理模块，用于对时空配准后的量测源特征和目标属性进行处理，融合输出目标特征和目标属性。