CN112146648B - 一种基于多传感器数据融合的多目标跟踪方法 - Google Patents
一种基于多传感器数据融合的多目标跟踪方法 Download PDFInfo
- Publication number
- CN112146648B CN112146648B CN202011006510.1A CN202011006510A CN112146648B CN 112146648 B CN112146648 B CN 112146648B CN 202011006510 A CN202011006510 A CN 202011006510A CN 112146648 B CN112146648 B CN 112146648B
- Authority
- CN
- China
- Prior art keywords
- target
- sensor
- data
- formula
- observation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明一种基于多传感器数据融合的多目标跟踪方法,包括步骤1、多个传感器分别采集各个目标的位置信息,得到每个传感器对各个目标的观测数据;步骤2、对各个目标的观测数据进行航迹关联,得到各个传感器对各个目标的航迹关联数据;步骤3、对目标的航迹关联数据进行滤波处理,得到每个传感器对各个目标的滤波轨迹,并获取各个目标的位置估计数据;步骤4、计算传感器对目标的即时偏差,计算传感器对目标的即时最优动态权值;步骤5、将各个传感器对相同目标的位置估计数据和即时最优动态权值进行融合,得到同一目标经过融合后的位置信息。该方法的融合精度更高,目标跟踪更加精准,每个采样时刻都对传感器的动态权值进行更新,实时性好。
Description
技术领域
本发明属于目标跟踪技术领域,具体涉及一种基于多传感器数据融合的多目标跟踪方法,适用于复杂环境下多传感器对多个目标进行实时跟踪。
背景技术
基于多传感器数据融合的多目标跟踪是指融合多个传感器对多个目标的观测数据实现对多个目标的轨迹跟踪,以达到单一传感器和单一信号源所不能达到的测量精度。随着技术的进步,基于多传感器数据融合的对目标位置锁定和跟踪在各应用场合有着重要的价值,也是学者们研究的热点。例如,在军事方面,在执行拦截任务时会对敌方目标进行定位、跟踪和打击,若不能准确地获取敌方目标的运动轨迹,后续的拦截、打击就无从谈起。当在复杂环境下通过融合多传感器数据对多运动目标进行跟踪时,所有传感器的量测数据都会受到噪音等杂波的污染,使得观测数据受到虚警目标和冗余信息的影响,导致跟踪的准确率降低,因此在融合多传感器信息完成对多个目标的跟踪时,需要建立高效的目标跟踪系统,以降低杂波环境对融合系统的影响,并且能够保证系统的实时性。
与单目标跟踪相比,多目标跟踪问题更加复杂。多目标的跟踪绝不是简单的单目标跟踪的叠加,它不仅需要解决单目标跟踪中的估计滤波问题,还需要考虑观测数据与待定目标之间的数据关联问题。在数据融合算法方面,实际应用中多采用加权平均融合法来得到融合后的目标位置信息,权值的分配方法对融合精度影响很大。在多传感器多目标跟踪的过程中,准确地赋予每个传感器合适的权值可以很大程度上提高融合精度,使得目标跟踪更加准确。目前基于多传感器位置数据信息融合的多目标跟踪系统尚不完善,而且加权融合算法中各传感器的权值大多是固定的,而且传感器的权值大多是通过传感器自身的参数或经验确定,没有考虑环境干扰等因素,不能根据实际环境因素来进行实时调节,导致目标跟踪的结果不理想,准确性和实时性较差。
发明内容
针对现有技术的不足,本发明拟解决的技术问题是,提供一种基于多传感器数据融合的多目标跟踪方法。
本发明为解决上述技术问题采用的技术方案是:
一种基于多传感器数据融合的多目标跟踪方法,其特征在于,该方法包括以下步骤:
步骤1、多个传感器分别采集各个目标的位置信息,得到每个传感器对各个目标的观测数据;
步骤2、对各个目标的观测数据进行航迹关联,将各个观测数据进行分类,得到各个传感器对各个目标的航迹关联数据;
步骤3、对目标的航迹关联数据进行滤波处理,得到每个传感器对各个目标的滤波轨迹,并获取各个目标的位置估计数据;
步骤4、计算传感器对目标的即时偏差,并利用公式(15)计算传感器对目标的即时最优动态权值;
步骤5、按照公式(16)将各个传感器对相同目标的位置估计数据和即时最优动态权值进行融合,得到同一目标在k时刻经过融合后的位置信息Xα,完成目标α的位置估计;
式(16)中,XUKF{j,α}表示k时刻传感器j对目标α的位置估计数据;
基于上述步骤能够完成对多目标的位置估计,实现多目标跟踪。
与现有技术相比,本发明的有益效果是:
本发明针对复杂环境下的多目标跟踪问题,提出一种基于动态加权数据融合的UKF滤波多目标跟踪算法,采用分布式融合结构,可靠性高。对于每个传感器得到的多个目标的观测信息,首先通过最近邻数据关联算法进行目标的航迹关联,以确定传感器采集到的数据属于哪个目标,剔除虚警目标和冗余信息;然后每个传感器的观测数据分别对每个运动目标进行无迹卡尔曼滤波,完成复杂环境下对多目标状态的估计,降低杂波对观测数据的影响,得到目标的滤波轨迹;最后,综合多个传感器估计的滤波轨迹,充分利用UKF滤波的状态估计特性,在结合历史信息的基础上,基于观测值和滤波值估计值得到传感器即时偏差,按照“即时偏差越小,权重越大”的原则推导出每个传感器对任意目标的动态权值表达式,进而获得每个传感器对各个目标的即时最优动态权值,获得的目标位置信息更加精准;然后对每个传感器对同一目标的位置信息进行实时最优加权融合得到最终轨迹,使得融合精度更高,目标跟踪更加精准,每个采样时刻都对传感器的动态权值进行更新,实时性好。
本申请不仅将各个算法进行有机融合,在复杂环境中有效地剔除虚警目标和冗余信息,而且实时性好,还解决了传统加权融合算法精度低、效果差等问题;能够充分发挥多传感器融合的优势,增加系统的鲁棒性,实现对多运动目标的有效跟踪。
附图说明
图1为本发明的整体流程图;
图2为本发明实施例中的传感器1对三个目标的观测、关联以及滤波轨迹的结果示意图;
图3为本发明实施例中的传感器2对三个目标的观测、关联以及滤波轨迹的结果示意图;
图4为本发明实施例中的三个目标融合轨迹的结果示意图;
图5(a)为本发明实施例中传感器1和2对目标1的即使偏差以及目标1融合后的偏差的折线图;
图5(b)为本发明实施例中传感器1和2对目标1即使偏差均值以及目标1融合后的偏差均值的直方图;
图6(a)为本发明实施例中传感器1和2对目标2的即使偏差以及目标2融合后的偏差的折线图;
图6(b)为本发明实施例中传感器1和2对目标2即使偏差均值以及目标2融合后的偏差均值的直方图;
图7(a)为本发明实施例中传感器1和2对目标3的即使偏差以及目标3融合后的偏差的折线图;
图7(b)为本发明实施例中传感器1和2对目标3即使偏差均值以及目标3融合后的偏差均值的直方图。
具体实施方式
下面结合实施例及附图进一步解释本发明,但并不用于对本申请保护范围的限定。
本发明提供一种基于多传感器数据融合的多目标跟踪方法,具体包括以下步骤:
步骤1、多个传感器分别采集各个目标的位置信息,得到每个传感器对各个目标的观测数据;
步骤2、利用最近邻数据关联算法对各个目标的观测数据进行航迹关联,将各个观测数据进行分类,以准确判断每个观测数据所属的目标类别,并得到各个传感器对各个目标的航迹关联数据;
步骤3、利用无迹卡尔曼(UKF)滤波算法对目标的航迹关联数据进行滤波处理,得到每个传感器对各个目标的滤波轨迹,并获取各个目标的位置估计数据;
步骤5、按照公式(16)将各个传感器对相同目标的位置估计数据和即时最优动态权值进行融合,得到同一目标在k时刻经过融合后的位置信息Xα,完成目标α的位置估计;
式(16)中,XUKF{j,α}表示k时刻传感器j对目标α的位置估计数据;
基于上述步骤能够完成对多目标的位置估计,实现多目标跟踪。
实施例
本实施例基于多传感器数据融合的多目标跟踪方法,具体步骤为:
步骤1、多个传感器分别采集多个目标的位置信息,每个传感器采集的信息经过预处理都获取一组包含所有目标位置信息的观测数据;
本实施例包含安装同一平台(坦克、作战车)上的传感器1(雷达)和传感器2(红外传感器),雷达适用于天气好和白天等视线较好的情景,红外传感器适用于天气不好和晚上等视线较差的情景;雷达和红外传感器的数量不限制;
步骤2、利用最近邻数据关联算法(NN)对各个目标的观测数据进行航迹关联,将各个观测数据进行分类,以准确判断每个观测数据所属的目标类别,并得到各个传感器对各个目标的航迹关联数据;
将每个观测数据都作为一个待识别样本,分别计算待识别样本r到各个观测数据的距离,根据公式(1)判定待识别样本属于与待识别样本距离最近的观测数据的目标类别,进行航迹关联;
假定有c个目标的类别识别问题,每个目标有标明类别的样本Vm个,m=1,2,...c;
步骤3、利用无迹卡尔曼(UKF)滤波算法对目标的航迹关联数据进行滤波处理,得到每个传感器对各个目标的滤波轨迹,并获取每个传感器对各个目标的位置估计数据;
式(2)中,n表示状态量的维度,λ表示缩放比,i表示任意一个sigma点;
将k时刻的sigma点集的状态量X(i)(k|k)代入系统状态方程f中,得到sigma点集在k+1时刻的一步预测X(i)(k+1|k),如公式(3)和(4);利用公式(5)求系统状态量的一步预测它由sigma点集的预测值加权求和得到;利用公式(6)计算系统的协方差阵P(k+1|k);
X(i)(k+1|k)=f[k,X(i)(k|k)] (3)
式(3)-(6)中,表示k时刻系统的所有状态量均值;P(k|k)表示k时刻系统的状态量方差;X(i)(k+1|k)表示k+1时刻系统的第i个状态量;表示k+1时刻系统的所有状态量均值;T表示矩阵的转置;Q表示系统噪声方差;
步骤3.2:重复步骤3.1产生新的2n+1个sigma点集,并将这些sigma点的状态量分别代入系统观测方程中,得到如公式(7)的各个sigma点的观测预测值;
Z(i)(k+1|k)=h[X(i)(k+1|k)] (7)
式中,Z(i)(k+1|k)表示第i个sigma点的观测预测值;h表示系统观测方程;
式中,R表示观测噪声方差;ω(i)表示第i个sigma点的权值;
利用公式(11)计算Kalman增益矩阵K(k+1):
步骤3.4:计算系统的状态更新和协方差更新,得到如公式(12)的系统更新后的滤波值和如公式(13)的求解状态后验方差阵;
经过步骤3的操作,得到每个传感器分别对各个目标的滤波轨迹,完成对目标的位置估计;
步骤4、分别利用公式(14)计算各个传感器对目标α在k-1时刻滤波得到的滤波结果与k时刻的观测值之间的即时偏差“即时偏差”很大程度上能反应当前时刻传感器包括观测噪声和过程噪声在内的测量误差,基于此条件,按照“即时偏差越小,权重越大”的原则,将当前时刻测量误差小的传感器赋予更大的即时权值,测量误差大的传感器赋予较小的权值,因此分别利用公式(15)计算各个传感器在k时刻对目标α的即时最优动态权值kj;
步骤5、按照公式(16)将各个传感器对相同目标的位置估计数据和即时最优动态权值进行融合处理,得到同一目标在k时刻经过融合后的位置信息Xα,形成目标α的最终轨迹;
式(16)中,XUKF{j,α}表示k时刻传感器j对目标α的位置估计数据;
基于上述步骤能够完成对多目标的位置估计,实现多目标跟踪。
为了验证本方法的效果,基于MATLAB进行实验仿真;以二维目标为例,设有两个传感器分别对三个目标进行跟踪;三个目标起始位置分别为(3,0)、(3,80)、(3,160),三个目标在x和y方向上分别以2m/s和2.1m/s的速度做匀速运动,传感器的采样周期Δt为1s,总仿真时间为30s;
图2和3分别为传感器1和传感器2对三个目标的观测、关联、滤波轨迹,其中观测轨迹是未处理之前传感器的原始采集数据,关联轨迹是观测数据进行最近邻数据关联算法处理得到的,滤波轨迹是将航迹关联数据进行UKF滤波处理后得到的;图4为三个目标融合后的轨迹;从图2-4的图像对比结果可知,传感器对各个目标的观测、关联以及滤波轨迹都与目标的真实轨迹存在偏差,经过本方法的融合处理后,目标的融合轨迹与真实轨迹基本重合,表明本方法对目标跟踪的精度较高;
图5(a)-图7(b)分别为三个目标的即时偏差和平均偏差的结果示意图;“即时偏差”是指每个采样周期滤波值与真实值之间的差值,“平均偏差”是指把每个采样周期的即时偏差求均值;从图中可知,无论从即时偏差还是平均偏差来看,经过本方法融合处理后的偏差比任何一个传感器测得的偏差都小,这是由于本发明在每一个定位点对两个传感器的位置估计数据和即时最优动态权值进行融合处理,提高了目标跟踪的精度。
本发明未述及之处适用于现有技术。
Claims (1)
1.一种基于多传感器数据融合的多目标跟踪方法,其特征在于,该方法包括以下步骤:
步骤1、多个传感器分别采集各个目标的位置信息,得到每个传感器对各个目标的观测数据;
步骤2、对各个目标的观测数据进行航迹关联,将各个观测数据进行分类,得到各个传感器对各个目标的航迹关联数据;
步骤3、对目标的航迹关联数据进行滤波处理,得到每个传感器对各个目标的滤波轨迹,完成对目标的位置估计,并获取各个目标的位置估计数据;
式(2)中,n表示状态量的维度,λ表示缩放比,i表示任意一个sigma点;
将k时刻的sigma点集的状态量X(i)(k|k)代入系统状态方程f中,得到sigma点集在k+1时刻的一步预测X(i)(k+1|k),如公式(3)和(4);利用公式(5)求系统状态量的一步预测它由sigma点集的预测值加权求和得到;利用公式(6)计算系统的协方差阵P(k+1|k);
X(i)(k+1|k)=f[k,X(i)(k|k)] (3)
式(3)-(6)中,表示k时刻系统的所有状态量均值;P(k|k)表示k时刻系统的状态量方差;X(i)(k+1|k)表示k+1时刻系统的第i个状态量;表示k+1时刻系统的所有状态量均值;T表示矩阵的转置;Q表示系统噪声方差;
步骤3.2:重复步骤3.1产生新的2n+1个sigma点集,并将这些sigma点的状态量分别代入系统观测方程中,得到如公式(7)的各个sigma点的观测预测值;
Z(i)(k+1|k)=h[X(i)(k+1|k)] (7)
式中,Z(i)(k+1|k)表示第i个sigma点的观测预测值;h表示系统观测方程;
式中,R表示观测噪声方差;ω(i)表示第i个sigma点的权值;
利用公式(11)计算Kalman增益矩阵K(k+1):
步骤3.4:计算系统的状态更新和协方差更新,得到如公式(12)的系统更新后的滤波值和如公式(13)的求解状态后验方差阵;
步骤4、通过公式(14)计算传感器对目标的即时偏差,并利用公式(15)计算传感器对目标的即时最优动态权值;
式(15)中,N表示传感器的个数;
步骤5、按照公式(16)将各个传感器对相同目标的位置估计数据和即时最优动态权值进行融合,得到同一目标在k时刻经过融合后的位置信息Xα,完成目标α的位置估计;
式(16)中,XUKF{j,α}表示k时刻传感器j对目标α的位置估计数据;
基于上述步骤能够完成对多目标的位置估计,实现多目标跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011006510.1A CN112146648B (zh) | 2020-09-23 | 2020-09-23 | 一种基于多传感器数据融合的多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011006510.1A CN112146648B (zh) | 2020-09-23 | 2020-09-23 | 一种基于多传感器数据融合的多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112146648A CN112146648A (zh) | 2020-12-29 |
CN112146648B true CN112146648B (zh) | 2022-08-19 |
Family
ID=73897739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011006510.1A Active CN112146648B (zh) | 2020-09-23 | 2020-09-23 | 一种基于多传感器数据融合的多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112146648B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283511B (zh) * | 2021-05-28 | 2023-12-05 | 广东中科新微安全科技有限公司 | 一种基于权重预分配的多源信息融合方法 |
CN113776538B (zh) * | 2021-09-16 | 2024-08-06 | 中国人民解放军91388部队 | 基于指显平台对目标航迹的实时数据融合方法 |
CN114353794A (zh) * | 2021-11-25 | 2022-04-15 | 深圳市鸿逸达科技有限公司 | 一种基于配戴式定位装置和距离传感器的融合的目标定位方法 |
CN114608589B (zh) * | 2022-03-04 | 2024-06-25 | 西安邮电大学 | 一种多传感器信息融合方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832575A (zh) * | 2017-10-10 | 2018-03-23 | 中国航空无线电电子研究所 | 基于伪测量的带反馈机动目标异步航迹融合算法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3415037B2 (ja) * | 1998-08-27 | 2003-06-09 | 三菱電機株式会社 | センサ群管理装置 |
CN1233986C (zh) * | 2003-07-03 | 2005-12-28 | 上海交通大学 | 多传感器融合跟踪系统配准偏差在线补偿方法 |
US7884754B1 (en) * | 2006-04-28 | 2011-02-08 | The United States Of America As Represented By The Secretary Of The Navy | Method of distributed estimation using multiple asynchronous sensors |
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
JP6786313B2 (ja) * | 2016-09-05 | 2020-11-18 | 株式会社東芝 | バイアス誤差推定装置、バイアス誤差推定システム、バイアス誤差推定方法及びバイアス誤差推定プログラム |
CN106443622B (zh) * | 2016-09-13 | 2018-12-07 | 哈尔滨工程大学 | 一种基于改进联合概率数据关联的分布式目标跟踪方法 |
CN106597498B (zh) * | 2017-01-18 | 2020-04-24 | 哈尔滨工业大学 | 多传感器融合系统空时偏差联合校准方法 |
CN108319570B (zh) * | 2018-01-31 | 2021-06-08 | 哈尔滨工业大学 | 一种异步多传感器空时偏差联合估计与补偿方法及装置 |
-
2020
- 2020-09-23 CN CN202011006510.1A patent/CN112146648B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832575A (zh) * | 2017-10-10 | 2018-03-23 | 中国航空无线电电子研究所 | 基于伪测量的带反馈机动目标异步航迹融合算法 |
Non-Patent Citations (1)
Title |
---|
EKF交互多模型算法在目标跟踪的应用;高春艳等;《机械设计与制造》;20200208(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112146648A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112146648B (zh) | 一种基于多传感器数据融合的多目标跟踪方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN108490409A (zh) | 基于航迹风险评估的三坐标雷达自动起始方法 | |
CN108344981A (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
CN111999735A (zh) | 一种基于径向速度和目标跟踪的动静目标分离方法 | |
CN112328959A (zh) | 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法 | |
CN108320302B (zh) | 基于随机超曲面的CBMeMBer多目标跟踪方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
CN111896946A (zh) | 一种基于航迹拟合的连续时间目标跟踪方法 | |
CN113311430A (zh) | 蜂群无人机数量估计和航迹生成方法 | |
CN114740467B (zh) | 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法 | |
CN112198504B (zh) | 一种主被动观测特征交织的融合滤波方法 | |
Dubey et al. | Integrated classification and localization of targets using Bayesian framework in automotive radars | |
Wang et al. | Research on multi-maneuvering target tracking JPDA algorithm | |
CN102426357B (zh) | 一种具有图像确认的多目标跟踪方法 | |
Lu et al. | A new performance index for measuring the effect of single target tracking with Kalman particle filter | |
CN106950550B (zh) | 测距测速均模糊条件下基于跨模糊区间判决的高动态偏差在线估计方法 | |
Zhang et al. | The research for a kind of information fusion model based on BP neural network with multi position sources and big data selection | |
CN113534131B (zh) | 基于gm-phd的运动参数估计组合平滑滤波方法 | |
Zhang et al. | Intelligent data processing of marine target tracking process based on fuzzy clustering | |
CN114624688B (zh) | 一种基于多传感器联合的跟踪定位方法 | |
CN116862003A (zh) | 一种基于混合推理的机动目标跟踪方法 | |
Thompson | Data Fusion Techniques for Enhanced UAV Near-Ground Distance Measurement Using Point and Surface Sensors | |
Gao et al. | An improved particle filter based on 4D discontinuous measurements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |