CN111735443B - 一种基于赋值矩阵的密集目标航迹关联方法 - Google Patents

Abstract

本发明公开了一种基于赋值矩阵的密集目标航迹关联方法，该方法包括：通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集；根根据目标之间的绝对坐标信息得到目标之间的相对坐标信息后计算局部航迹集中各目标的赋值矩阵信息；根据目标的赋值矩阵信息计算来自不同传感器的两目标之间的综合相似度；以两航迹集各目标之间的综合相似度为元素生成两航迹集之间目标关联的综合相似性矩阵；基于匈牙利算法求解，得到最优航迹关联解。通过使用本发明，可在传感器存在角度和测距系统偏差情况下保证目标航迹的正确关联率。本发明作为一种基于赋值矩阵的密集目标航迹关联方法，可广泛适用于多传感器信息处理领域。

Description

一种基于赋值矩阵的密集目标航迹关联方法

技术领域

本发明涉及多传感器信息处理领域，尤其涉及一种基于赋值矩阵的密集目标航迹关联方法。

背景技术

在多传感器多目标跟踪系统中，每个局部传感器都各自完成对目标的跟踪与滤波生成局部航迹，融合多个传感器的关于同一个目标的航迹能获取比单一传感器更加完整、精确的目标航迹信息。但是在航迹融合估计之前，一个基本的问题是要判断来自不同传感器的两条航迹是否都来源于同一个目标，这属于航迹-航迹关联问题。航迹-航迹关联是多传感器多目标跟踪数据融合系统中的一个核心问题。传统的航迹关联算法多是基于目标绝对坐标信息进行的，但是在存在传感器系统偏差，特别是角度偏差的情况下，现有的基于统计和模糊数学的航迹关联方法的正确关联性能将受到较大的影响。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于赋值矩阵的密集目标航迹关联方法，可以解决传感器存在角度、测距系统偏差情况下的多目标航迹关联问题。

本发明所采用的第一技术方案是：一种基于赋值矩阵的密集目标航迹关联方法，包括以下步骤：

通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集；

根据目标之间的绝对坐标信息得到目标之间的相对坐标信息后计算局部航迹集中各目标的赋值矩阵信息；

根据目标的赋值矩阵信息计算来自不同传感器的两目标之间的相似性矩阵、位置状态相似度和速度状态相似度，并得到两航迹集各目标之间的综合相似度；

以两航迹集各目标之间的综合相似度为元素生成两航迹集之间目标关联的综合相似性矩阵；

基于匈牙利算法求解综合相似性矩阵，得到最优航迹关联解。

进一步，所述通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集这一步骤，其具体包括：

根据至少两个传感器获取目标的第一量测信息并将第一量测信息转换为二维笛卡尔坐标系的第二量测信息；

根据第二量测信息得到目标之间的绝对坐标信息并生成各传感器的局部航迹集。

进一步，所述根据目标之间的绝对坐标信息得到目标之间的相对坐标信息后计算局部航迹集中各目标的赋值矩阵信息这一步骤，其具体包括：

根据目标之间的绝对坐标信息得到目标之间的相对坐标信息；

根据目标之间的相对坐标信息得到目标之间的空间分布信息；

以一个目标为坐标原点按预设规则建立矩阵，并对矩阵内的单元格赋值以得到该目标的赋值矩阵信息，重复此规则直至得到所有目标的赋值矩阵信息。

进一步，所述计算目标之间的相似性矩阵，其表达式如下：

W_ij＝H_i-H_j；

所述W_ij表示为目标i和目标j之间的相似性矩阵，所述H_i表示为目标i的赋值矩阵，所述H_j表示为目标j的赋值矩阵，所述目标i和目标j来源于不同传感器。

进一步，计算目标之间的位置状态相似度，其表达式如下：

D_ij＝sum(abs(W_ij))；

所述D_ij表示为目标i和目标j之间的位置状态相似度。

进一步，计算目标之间的速度状态相似度，其表达式如下：

所述d_ij表示为目标i和目标j之间的速度状态相似度，所述Δv_x表示目标i和目标j在X轴方向上的速度差，所述Δv_y表示目标i和目标j在Y轴方向上的速度差，所述m表示为调整因子，所述Δv表示为单位速度差。

进一步，所述得到综合相似度，其表达式如下：

C_ij＝(D_ij+d_ij)；

所述C_ij表示为目标i和目标j之间的的综合相似度。

本发明方法的有益效果是：本发明通过传感器获取目标的量测信息，生成综合相似度来判断来自不同的传感器的两条航迹是否来源于同一目标，实现航迹关联，可以在传感器存在角度和测距系统偏差的情况下，保证良好的正确关联率。

附图说明

图1是本发明一种基于赋值矩阵的密集目标航迹关联方法的步骤流程图；

图2是本发明一种基于赋值矩阵的密集目标航迹关联方法与GNN方法的正确关联率对比图；

图3是传感器角度和测距系统偏差模型图；

图4是50个真实目标的航迹示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

传感器是在存在角度、测距系统偏差的情况下获取目标的量测信息，且受到环境噪声的影响，可能包含虚假目标量测信息，本发明利用空间拓扑特征计算目标的赋值矩阵信息，计算来自不同传感器的目标之间的相似性矩阵并获得综合相似度，生成目标关联的相似性矩阵，求解最优航迹关联并得到解矩阵。

如图1所示，本发明提供了一种基于赋值矩阵的密集目标航迹关联方法，该方法包括以下步骤：

S101、通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集。

具体地，还包括分析传感器角度、测距系统偏差对目标量测信息的影响，k时刻目标i的观测状态信息表达式如下：

其中

表示目标真实状态信息，

表示由随机噪声产生的随机误差，B_sb_s表示传感器角度和测距系统偏差，B_s是由极坐标系转换到笛卡尔坐标系的转换矩阵。

另外，

S102、根据目标之间的绝对坐标信息得到目标之间的相对坐标信息后计算局部航迹集中各目标的赋值矩阵信息；

S103、根据目标的赋值矩阵信息计算来自不同传感器的两目标之间的相似性矩阵、位置状态相似度和速度状态相似度，并得到两航迹集各目标之间的综合相似度。

S104、以两航迹集各目标之间的综合相似度为元素生成两航迹集之间目标关联的综合相似性矩阵。

S105、基于匈牙利算法求解综合相似性矩阵，得到最优航迹关联解。

具体地，所述传感器不要求精确的空间配准与时间同步，各局部传感器能独自完成目标的滤波跟踪，即不考虑点迹-航迹关联问题。

进一步作为本方法的优选实施例，所述通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集这一步骤，其具体包括：

根据至少两个传感器获取目标的第一量测信息并将第一量测信息转换为二维笛卡尔坐标系的第二量测信息；

具体地，所述传感器获取目标的量测信息，其表达式如下：

所述

分别是k时刻目标i的测距信息和角度信息，所述N_s是k时刻来自传感器s的量测数量。

将第一量测信息转换到二维笛卡尔坐标系下，k时刻传感器s获取目标i的量测信息

所述S是传感器数量，N_s是k时刻来自传感器s的量测数量；x，y是目标的位置信息；

是目标在X、Y坐标轴方向上的速度信息。

另外，参照图3，传感器存在角度、测距系统偏差，传感器的角度、测距系统偏差表达式如下：

所述S是传感器数量，

表示传感器s的测距偏差，

表示传感器s的角度偏差；

根据第二量测信息得到目标之间的绝对坐标信息并生成各传感器的局部航迹集。

具体地，k时刻某传感器的航迹集合表达式如下：

{X_i(k)，P_i(k)}，i∈1…N₁；

所述N₁是目标数量，所述X_i、P_i分别是目标i的状态向量和状态估计误差协方差矩阵。

进一步作为本方法优选实施例，所述根据目标之间的绝对坐标信息得到目标之间的相对坐标信息后计算局部航迹集中各目标的赋值矩阵信息这一步骤，其具体包括：

根据目标之间的绝对坐标信息得到目标之间的相对坐标信息；

根据目标之间的相对坐标信息得到目标之间的空间分布信息；

以一个目标为坐标原点按预设规则建立矩阵，并对矩阵内的单元格赋值以得到该目标的赋值矩阵信息，重复此规则直至得到所有目标的赋值矩阵信息。

具体地，给定一个目标i，以该目标为坐标原点，建立一个边长为2R、单元格边长为r的正方形矩阵，若某单元格落入T个目标，则将该单元格赋值为T，则来自传感器s的目标i的赋值矩阵可表示为：

所述m、n分别是矩阵行和列的索引。

进一步作为本方法优选实施例，根据目标的赋值矩阵信息计算目标之间的相似性矩阵、位置状态相似度和速度状态相似度，并得到目标之间综合相似度，下面以两传感器多目标跟踪系统作阐述，两传感器在k时刻报告的目标航迹集合分别为：

SENSOR1:{X_i(k)，P_i(k)}，i∈1…N₁；

SENSOR2:{X_j(k)，P_j(k)}，j∈1…W₂；

所述N₁、N₂分别是传感器1和传感器2报告的目标数量。

所述计算目标之间的相似性矩阵，其表达式如下：

W_ij＝H_i-H_j；

所述W_ij表示为目标i和目标j之间的相似性矩阵，所述H_i表示为目标i的赋值矩阵，所述H_j表示为目标j的赋值矩阵，所述目标i和目标j来源于不同传感器。

进一步作为本方法优选实施例，计算目标之间的位置状态相似度，其表达式如下：

D_ij＝sum(abs(W_ij))；

所述D_ij表示为目标i和目标j之间的位置状态相似度，D_ij为相似性矩阵W_ij中所有元素的绝对值之和，D_ij越小表明目标i与目标j越相似。

进一步作为本方法优选实施例，计算目标之间的速度状态相似度，其表达式如下：

所述d_ij表示为目标i和目标j之间的速度状态相似度，所述Δv_x表示目标i和目标j在X轴方向上的速度差，所述Δv_y表示目标i和目标j在Y轴方向上的速度差，所述m表示为调整因子，所述Δv表示为单位速度差，floor是向下取整函数，即目标i、j在X、Y轴方向上的速度差异每超过一个单位速度差Δv时，d_ij将增加一个m。同样地，d_ij越小表明目标i、j越相似。

进一步作为本方法优选实施例，所述得到综合相似度，其表达式如下：

C_ij＝(D_ij+d_ij)；

所述C_ij表示为目标i和目标j之间的的综合相似度。

以两航迹集各目标之间的综合相似度为元素生成两航迹集之间目标关联的综合相似性矩阵；

基于匈牙利算法求解综合相似性矩阵，得到最优航迹关联解。

具体地，如果目标i、j来自同一个传感器，则目标i、j被判为不可能关联对；来自传感器的目标i最多只能与来自不同传感器的另一个目标j相关联；若目标i、j关联成功，则返回1，若目标i、j关联不成功，则返回0；经匈牙利寻优算法求解后的解矩阵形式如下：

M₀[i，j]＝(1，0}；i∈1…N₁、j∈1…N₂；

基于上述解矩阵判断目标是否来源于同一目标。

另外，仿真参数空域范围设置70*70km，真实目标个数设置为50个，虚假目标个数设置为10个，量测采样间隔为2s，参考拓扑半径为15000m，单元格精度为1500m，传感器角度偏差为2°，传感器测距偏差为200m，随机误差为80m,跟踪步长为100步，通过仿真实验得到图2和图4的结果，在传感器存在角度、测距系统偏差情况下，GNN方法的正确关联率在75％左右；而本发明所提方法能保持在95％以上的正确关联率，具有更优的抗系统偏差性能。

综上所述，本发明的一种于赋值矩阵的密集目标航迹关联具有可靠性和准确性。

本发明还提供另一种具体实施例：一种于赋值矩阵的密集目标航迹关联系统，包括：

量测信息模块，用于通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集；

赋值模块，用于根据目标之间的绝对坐标信息得到目标之间的相对坐标信息后计算局部航迹集中各目标的赋值矩阵信息；

相似度模块，用于根据目标的赋值矩阵信息计算来自不同传感器的两目标之间的相似性矩阵、位置状态相似度和速度状态相似度，并得到两航迹集各目标之间的综合相似度；

矩阵模块，用于以两航迹集各目标之间的综合相似度为元素生成两航迹集之间目标关联的综合相似性矩阵；

关联模块，用于基于匈牙利算法求解综合相似性矩阵，得到最优航迹关联解。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

还包括，一种基于赋值矩阵的密集目标航迹关联装置：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于赋值矩阵的密集目标航迹关联方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于赋值矩阵的密集目标航迹关联方法。

上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种基于赋值矩阵的密集目标航迹关联方法，其特征在于，包括：

通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集；

根据目标之间的绝对坐标信息得到目标之间的相对坐标信息；

根据目标之间的相对坐标信息得到目标之间的空间分布信息；

以一个目标为坐标原点按预设规则建立矩阵，并对矩阵内的单元格赋值以得到该目标的赋值矩阵信息，重复此规则直至得到所有目标的赋值矩阵信息；

根据目标的赋值矩阵信息计算来自不同传感器的两目标之间的相似性矩阵、位置状态相似度和速度状态相似度，并得到两航迹集各目标之间的综合相似度；

以两航迹集各目标之间的综合相似度为元素生成两航迹集之间目标关联的综合相似性矩阵；

基于匈牙利算法求解综合相似性矩阵，得到最优航迹关联解，表示为M₀[i，j]＝{1，0}；i∈1…N₁、j∈1…N₂，所述i、j表示不同的目标。

2.根据权利要求1所述一种基于赋值矩阵的密集目标航迹关联方法，其特征在于：所述通过至少两个传感器获取目标的量测信息并得到目标之间的绝对坐标信息和各传感器的局部航迹集这一步骤，其具体包括：

根据至少两个传感器获取目标的第一量测信息并将第一量测信息转换为二维笛卡尔坐标系的第二量测信息；

根据第二量测信息得到目标之间的绝对坐标信息并生成各传感器的局部航迹集。

3.根据权利要求2所述一种基于赋值矩阵的密集目标航迹关联方法，其特征在于，计算目标之间的相似性矩阵，其表达式如下：

W_ij＝H_i-H_j；

所述W_ij表示为目标i和目标j之间的相似性矩阵，所述H_i表示为目标i的赋值矩阵，所述H_j表示为目标j的赋值矩阵，所述目标i和目标j来源于不同传感器。

4.根据权利要求3所述一种基于赋值矩阵的密集目标航迹关联方法，其特征在于，计算目标之间的位置状态相似度，其表达式如下：

D_ij＝sum(abs(W_ij))；

所述D_ij表示为目标i和目标j之间的位置状态相似度。

5.根据权利要求4所述一种基于赋值矩阵的密集目标航迹关联方法，其特征在于，计算目标之间的速度状态相似度，其表达式如下：

所述d_ij表示为目标i和目标j之间的速度状态相似度，所述Δv_x表示目标i和目标j在X轴方向上的速度差，所述Δv_y表示目标i和目标j在Y轴方向上的速度差，所述m表示为调整因子，所述Δv表示为单位速度差。

6.根据权利要求5所述一种基于赋值矩阵的密集目标航迹关联方法，其特征在于，得到综合相似度，其表达式如下：

C_ij＝(D_ij+d_ij)；

所述C_ij表示为目标i和目标j之间的综合相似度。

Images