CN111854729A - 一种基于运动信息和属性信息的航迹关联方法 - Google Patents

Abstract

本发明公开了一种基于属目标运动信息和属性信息的航迹关联方法，包括以下步骤：步骤一多传感器采集多目标的运动信息和属性信息；步骤二计算基于目标运动信息的航迹关联度；步骤三计算基于目标属性信息的航迹关联度；步骤四加权融合步骤二和步骤三中的航迹关联度；步骤五根据步骤四计算得到的总关联度判断航迹是否关联。本发明将基于目标属性信息的航迹关联度作为权重修正基于目标运动信息的航迹关联度，并对目标属性信息之间的冲突进行度量，避免航迹误关联与漏关联，提升目标航迹关联准确度，使其在多目标、干扰和交叉、分叉航迹较多时依然可以进行正确的航迹关联。

Description

一种基于运动信息和属性信息的航迹关联方法

技术领域

本发明属于目标识别领域，具体涉及一种基于运动信息和属性信息的航迹关联方法。

背景技术

在分布式多传感器环境中，每个传感器都有自己的信息处理系统，并且各系统中都收集了大量的目标航迹信息。那么，一个重要的问题是如何判断来自不同系统的两条航迹是否代表同一个目标，这就是航迹与航迹关联(或相关)问题。在多目标、干扰、杂波、噪声和交叉、分岔航迹较多的场合下，航迹关联问题将变得复杂。目标航迹正确关联是战场目标识别、态势评估与战场决策的基础，因此，尽可能提升传感器探测的目标航迹的关联正确度是作战必不可少的部分，具有重要的价值。

目前用于航迹关联的算法通常可分为2类：一类是基于统计的方法，另一类是基于模糊数学的方法。这些方法都只利用了目标的方位角、坐标、速度等运动状态信息。事实上，传感器不只是获取这些信息，它还可以获得更多的有关目标的其他特征数据(如属性信息等)。关于如何利用属性信息来提高分布式无源多目标跟踪系统的航迹关联性能，国内外的文献报道尚不多见。

由于传感器存在测量误差，特别是在密集目标环境下或交叉、分岔及机动航迹较多的场合，仅仅利用目标的运动信息来判断来自两个局部节点的航迹是否对应同一个目标是很困难的。因此，本申请基于传感器探测的目标的运动信息和属性信息，使其在多目标、干扰和交叉、分叉航迹较多时依然可以进行正确的航迹关联，提升目标航迹关联正确率。

发明内容

本发明所要解决的技术问题是：如何实现传感器探测的目标航迹关联。使用该方法进行目标航迹关联对目标识别与态势评估决策具有重要的军事价值。

为解决上述技术问题，本发明采用的技术方案是一种基于运动信息和属性信息的航迹关联方法，其特征在于，包括以下步骤：

步骤一、N_s个传感器采集目标运动信息与目标属性信息，传感器l采集的第i个目标在k时刻的运动信息为

属性信息为

l＝1,2,…,N_s，p＝1,2,…,n，A_p表示第p个目标类型；

步骤二、计算基于目标运动信息的航迹关联度；

步骤201：计算传感器a采集的第i条航迹在k时刻与传感器b采集的第j条航迹在k时刻的统计距离

a＝1,2,…,N_s，b＝1,2,…,N_s，a≠b，计算公式为：

其中，P_i ^a(k)为传感器a的第i条航迹在k时刻状态估计的误差协方差矩阵，

为传感器b的第j条航迹在k时刻状态估计的误差协方差矩阵，

为传感器a的第i条航迹在k时刻的运动信息的状态估计，

为传感器b的第j条航迹在k时刻的运动信息的状态估计；

步骤202：依次计算传感器a的第i条航迹和传感器b的第j条航迹在所有时刻的统计距离，并根据公式

计算航迹i，j的统计距离

步骤203：根据公式

计算基于目标运动信息的航迹i，j的关联度

i＝1,2,…,n_a，j＝1,2,…,n_b；

步骤三、计算基于目标属性信息的航迹关联度；

步骤301：根据公式

计算航迹i，j在k时刻的关联系数，其中

p＝1,2,…,n，q＝1,2,…,n；

步骤302：依次计算传感器a的第i条航迹和传感器b的第j条航迹在所有时刻的关联系数，并根据公式

计算航迹i，j的关联系数

步骤303：将步骤302的关联系数归一化，计算基于目标属性信息的航迹i，j的关联度

步骤四、加权融合步骤二和步骤三中的航迹关联度；

步骤401：将基于目标属性信息的航迹关联度

作为权重代入基于目标运动信息的航迹关联度

中，根据公式

计算最终航迹关联系数

步骤402：根据公式

计算航迹i，j的总关联度

步骤五、根据步骤四计算得到的总关联度判断航迹是否关联：若总关联度

大于识别门限λ，λ＝0.6，则航迹i，j关联，对应同一目标；反之，航迹i，j不关联。

本发明与现有技术相比具有以下有益效果：

1、本发明的步骤简单、设计合理，实现及使用操作方便。

2、本发明在基于目标属性信息计算航迹关联度时，充分考虑了多传感器探测的目标属性信息冲突因素，避免属性信息冲突造成的航迹误关联与漏关联；

3、本发明将基于目标属性信息的航迹关联度作为权重修正基于目标运动信息的航迹关联度，使其在多目标、干扰和交叉、分叉航迹较多时依然可以进行正确的航迹关联。

综上所述，本发明技术方案设计合理，将基于目标属性信息的航迹关联度作为权重修正基于目标运动信息的航迹关联度，并对目标属性信息之间的冲突进行度量，避免航迹误关联与漏关联，提升目标航迹关联准确度。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明多传感器探测多目标的航迹示意图

图2为本发明的方法流程图

具体实施方式

下面结合附图及本发明的实施例对本发明的方法做进一步的详细说明。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的属性可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

需要注意的是，这里所使用的术语仅仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

实际使用时，传感器探测的目标航迹信息由一段时间内探测到的目标位置信息构成，即传感器l采集的第i个目标在k时刻的运动信息

为传感器l探测的第i个目标k时刻的所在位置；然而，当两个不同的传感器探测的两个不同的目标在k时刻所在位置相同时，此时二者的航迹存在交叉，如图1所示，图中实线表示传感器a探测到的两个目标的航迹，虚线表示传感器b探测到的两个目标的航迹。若仅基于目标运动信息进行航迹关联，当传感器采集时间较短，即目标航迹较短时(如仅包含相交位置附近一段距离)，会将不同目标的航迹关联为同一目标，造成航迹关联错误。因此，本申请融合目标运动信息与属性信息进行航迹关联，提升航迹关联的正确度。

如图2所示，本发明包括以下步骤：

步骤一、N_s个传感器采集目标运动信息与目标属性信息，传感器l采集的第i条航迹在k时刻的运动信息为

属性信息为

l＝1,2,…,N_s，p＝1,2,…,n，A_p表示第p个目标类型；

这里，共有N_s个传感器同时探测多个目标，传感器l在k时刻探测到的属性信息为目标为类型A_p的可能性，记为

步骤二、计算基于目标运动信息的航迹关联度；

步骤201：计算传感器a采集的第i条航迹在k时刻与传感器b采集的第j条航迹在k时刻的统计距离

a＝1,2,…,N_s，b＝1,2,…,N_s，a≠b，计算公式为：

其中，P_i ^a(k)为传感器a的第i条航迹在k时刻状态估计的误差协方差矩阵，

为传感器b的第j条航迹在k时刻状态估计的误差协方差矩阵，

为传感器a的第i条航迹在k时刻的运动信息的状态估计，

为传感器b的第j条航迹在k时刻的运动信息的状态估计；

为便于区分不同传感器，步骤一中的传感器的符号表示l在该步骤中用传感器a和传感器b进行说明，即步骤1中的符号l与符号a，b在步骤二中的含义相同，均表示传感器，l,a,b＝1,2,…,N_s。

该步骤根据传感器a采集的第i条航迹与传感器b采集的第j条航迹在k时刻的运动信息的状态估计

与

计算两条航迹在k时刻的统计距离，避免直接采用传感器探测的真实运动信息

与

带来的探测误差。此外，对于传感器a采集的第i条航迹与传感器b采集的第j条航迹在k时刻的运动信息的状态估计

与

误差协方差矩阵P_i ^a(k)与

采用卡尔曼滤波方法求解。

步骤202：依次计算传感器a的第i条航迹和传感器b的第j条航迹在所有时刻的统计距离，并根据公式

计算航迹i，j的统计距离

步骤203：根据公式

计算基于目标运动信息的航迹i，j的关联度

i＝1,2,…,n_a，j＝1,2,…,n_b；这里需要说明的是，n_a表示传感器a探测到的航迹个数，n_b表示传感器b探测到的航迹个数；传感器a和传感器b探测到的航迹个数可以相同，也可以不同，因此，n_a可以等于n_b，也可以不等于n_b。

步骤三、计算基于目标属性信息的航迹关联度；

步骤301：根据公式

计算航迹i，j在k时刻的关联系数，其中

p＝1,2,…,n，q＝1,2,…,n；

步骤302：依次计算传感器a的第i条航迹和传感器b的第j条航迹在所有时刻的关联系数，并根据公式

计算航迹i，j的关联系数

步骤303：将步骤302的关联系数归一化，计算基于目标属性信息的航迹i，j的关联度

步骤四、加权融合步骤二和步骤三中的航迹关联度；

步骤401：将基于目标属性信息的航迹关联度

作为权重代入基于目标运动信息的航迹关联度

中，根据公式

计算最终航迹关联系数

步骤402：根据公式

计算航迹i，j的总关联度

步骤五、根据步骤四计算得到的总关联度判断航迹是否关联：若总关联度

大于识别门限λ，λ＝0.6，则航迹i，j关联，对应同一目标；反之，航迹i，j不关联。

以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (1)

1.一种基于运动信息和属性信息的航迹关联方法，其特征在于，包括以下步骤：

步骤一、N_s个传感器采集目标运动信息与目标属性信息，传感器l采集的第i条航迹在k时刻的运动信息为

属性信息为

A_p表示第p个目标类型；

步骤二、计算基于目标运动信息的航迹关联度；

步骤201：计算传感器a采集的第i条航迹在k时刻与传感器b采集的第j条航迹在k时刻的统计距离

a＝1,2,…,N_s，b＝1,2,…,N_s，a≠b，计算公式为：

其中，P_i ^a(k)为传感器a的第i条航迹在k时刻状态估计的误差协方差矩阵，

为传感器b的第j条航迹在k时刻状态估计的误差协方差矩阵，

为传感器a的第i条航迹在k时刻的运动信息的状态估计，

为传感器b的第j条航迹在k时刻的运动信息的状态估计；

步骤202：依次计算传感器a的第i条航迹和传感器b的第j条航迹在所有时刻的统计距离，并根据公式

计算航迹i，j的统计距离

步骤203：根据公式

计算基于目标运动信息的航迹i，j的关联度

步骤三、计算基于目标属性信息的航迹关联度；

步骤301：根据公式

计算航迹i，j在k时刻的关联系数，其中

步骤302：依次计算传感器a的第i条航迹和传感器b的第j条航迹在所有时刻的关联系数，并根据公式

计算航迹i，j的关联系数

步骤303：将步骤302的关联系数归一化，计算基于目标属性信息的航迹i，j的关联度

步骤四、加权融合步骤二和步骤三中的航迹关联度；

步骤401：将基于目标属性信息的航迹关联度

作为权重代入基于目标运动信息的航迹关联度

中，根据公式

计算最终航迹关联系数

步骤402：根据公式

计算航迹i，j的总关联度

步骤五、根据步骤四计算得到的总关联度判断航迹是否关联：若总关联度

大于识别门限λ，λ＝0.6，则航迹i，j关联，对应同一目标；反之，航迹i，j不关联。

Images