CN114202025A - 一种多传感器数据融合方法 - Google Patents

Abstract

本发明公开了一种多传感器数据融合方法，通过粗聚类和细聚类去除脏数据并将可信度较高的数据进行关联，然后对同一个簇内的目标数据，进行时空对准，对时空对准后的目标数据进行同一性判定，将不满足同一性的目标数据从簇中删除，最后将簇中同一性判定通过的目标数据进行融合。实现了多个传感器多个目标的数据融合，减少时空对准和同一性判定的计算量，有效提高了数据融合的精度，避免较大误差。

Description

一种多传感器数据融合方法

技术领域

本申请属于数据融合技术领域，尤其涉及一种多传感器数据融合方法。

背景技术

数据融合是通过获取探测系统中多个传感器的资源数据，对系统的各类观测目标信息进行合理支配与使用，将空间和时间上的互补信息依据优化准则组合起来，达成对事物和事态的一致性解释和描述，并将融合后的目标信息发送给上层业务系统进行感知分析、威胁性分析。

现有技术是基于多个传感器上报的目标数据进行数据融合，若传感器上报为点迹时则无法自动建航后进行融合。本申请数据融合的思想是以某一个传感器上报的目标信息为基准将其他传感器上的同一个目标信息进行融合。

发明内容

本申请的目的是提供一种多传感器数据融合方法，实现了多个传感器对不同的目标进行数据融合。

为了实现上述目的，本申请技术方案如下：

一种多传感器数据融合方法，包括：

对于各个传感器采集的目标数据，先将同一传感器采集的同一个目标的目标数据进行关联，然后对不同传感器下所有目标数据根据测度特征进行聚类分簇，并根据与簇心的距离选择预设数量的目标数据进行关联，去除簇类其他目标数据；

对于同一个簇内的目标数据，进行时空对准；

对时空对准后的目标数据进行同一性判定，将不满足同一性的目标数据从簇中删除；

将簇中同一性判定通过的目标数据进行融合。

进一步的，所述对于同一个簇内的目标数据，进行时空对准，包括时间对准和空间对准。

进一步的，所述时间对准，包括：当簇中目标数据数量少于预设数量时采用线性插值法将目标数据对准在各个时间片上；当簇中目标数据数量不少于预设数量时，采用最小二乘法将目标数据对准在各个时间片上。

进一步的，所述时间对准，以高数据率目标数据推算低数据率的目标数据。

进一步的，所述空间对准，包括：选择一个基准坐标系，将不同平台的异类传感器目标数据统一转换为基准坐标系。

进一步的，所述基准坐标系为地心惯性坐标系。

进一步的，所述对时空对准后的目标数据进行同一性判定，包括：

计算同一个簇内目标数据的加权平均欧式距离，计算公式如下：

上式中：distance即为所求的加权平均欧式距离，k表示传感器发送的目标数据点数，longitude₁表示簇心纬度，latitude₁表示簇心经度，height₁表示簇心高度，longitude₂表示目标数据纬度，latitude₂表示目标数据经度，height₂表示目标数据高度；

将加权平均欧式距离大于预设距离阈值的目标数据从簇中删除。

本申请提出的一种多传感器数据融合方法，通过粗聚类和细聚类去除脏数据并将可信度较高的数据进行关联，然后对同一个簇内的目标数据，进行时空对准，对时空对准后的目标数据进行同一性判定，将不满足同一性的目标数据从簇中删除，最后将簇中同一性判定通过的目标数据进行融合。

本申请实现了多个传感器多个目标的数据融合，具有以下几点优势，第一、本申请通过粗聚类与细聚类对目标信息进行分簇，减少时空对准和同一性判定的计算量，有效提高算法性能；第二、本申请不限制传感器类型，仅需传感器上报目标时空信息即可，可宽泛算法应用场景；第三、本申请根据不同的数据率采用不同的计算方式，有效提高了数据融合的精度，并且在本申请聚类基础上，可对传感器上报目标时空信息误差进行校正，可减小因设备所处环境及其他因素带来的较大误差。

附图说明

图1为本申请多传感器数据融合方法流程图；

图2为粗聚类示例图；

图3为细聚类示例图；

图4为线性插值法示意图；

图5为目标航迹融合效果图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

数据融合的工作原理可以概况为：利用计算机技术对按时序获得的若干传感器观测信息在一定的准则下加以自动分析、综合已完成所需决策和估计任务而进行的信息处理过程。从这一层面可以看出，数据融合的基础是各个传感器，加工对象是传感器提供的多源信息，核心则是协调优化和综合处理各类信息以达成决策。

在一个实施例中，如图1所示，提供了一种多传感器数据融合方法，包括：

步骤S1、对于各个传感器采集的目标数据，先将同一传感器采集的同一个目标的目标数据进行关联，然后对所有目标数据根据测度特征进行聚类分簇，并根据与簇心的距离选择预设数量的目标数据进行关联，去除簇类其他目标数据。

数据聚类的核心思想是去除脏数据和相似度计算，本申请对不同传感器探测到同一时刻出现在同一位置的目标进行数据关联。

假设传感器i观测到目标集为R_i＝{R1,R2,...RN}，传感器j观测到目标集为S_j＝{S1,S2,...SM}，对传感器的每个目标建立如下的特征属性集U＝{U1，U2，U3}，其中U1表示标识信息，U2表示目标的飞行状态，U3表示目标属性信息。为了计算传感器i的R_i目标和传感器j的S_j目标是否相互关联，需要先进行粗关联再进行精细化的关联。

假设一共有L个传感器进行工作，其中每个传感器探测到目标数目是不同的，需要对众多的探测目标进行相互关联并输出。

粗关联阶段：主要是分为两个步骤进行关联。首先：由于传感器网络延迟或者路由延迟，可能在同一时刻，传感器A发来同一目标在两种不同时刻的目标信息，此时就可以基于目标的id信息进行关联。如图2中的A1和A5，A2和A6，C2和C5。其次，当传感器内部数据关联结束之后，需要基于同样的测度特征对传感器间的目标数据进行KMeans聚类，聚类的中心数CenterNum设置为传感器内部数据关联后含有最大的目标个数。在图2中最大含有四类目标信息，设置聚类中心数为4，KMeans聚类算子结束后得到粗关联目标信息集合，一共得到四个集合。例如，A4、B4和C4位于一个簇中。本申请测度特征是指传感器测量目标的特征信息，主要为传感器测量目标的在某个时间点所在位置、各方向速度、俯仰角以及对目标点位测量时传感器的测量误差信息，这里相当于包含了时间、位置、速度、俯仰角、传感器误差等信息。

精细化关联阶段：由在粗关联阶段得到的目标信息集合，为了计算同一簇C_t中传感器i的R_i目标和传感器j的S_j目标是否精细关联，使用欧式距离进行相似度计算，在同一个簇中，取出距离簇心最近ε个目标信息进行关联：

上述公式中D_t表示为：第C_t簇中所有目标到簇心距离大小的集合；coll_t表示：在C_t簇中取出前ε个目标信息的集合；

和

分别表示传感器i的R_i目标特征集合和传感器j的S_j目标特征集合；ε的取值应综合当前簇的目标个数及各个目标到簇心距离进行设置，从而保证匹配到的数据信息是相同目标。

最后对各个簇中的数据关联结果进行汇总Coll＝{coll₁,coll₂,...,coll_t}，形成数据集。本申请通过粗聚类和细聚类去除脏数据并将可信度较高的数据进行关联。例如，如图3所示，第四个簇中，最终剩下的目标数据为B4和C4，A4作为脏数据被排除。在进行粗细关联后，会把相似度较高的目标数据关联到一起，暂认为这一组属于同一个目标。

步骤S2、对于同一个簇内的目标数据，进行时空对准。

聚类完成后，因为各个传感器可能分布在不同平台上，同时各自的数据送往融合中心，由于观测坐标系、测量精度及采样频率的差异，所以在进行数据融合前就需要对不同平台的异类传感器进行空间和时间的对准。

时间对准就是在同一段时间内的不同平台传感器的观测，通过内插、外推或者最小二乘规则等方式将高精度观测数据与低精度观测数据，在数据与时间点上对应统一起来。在针对特定的场景中，还需要考虑目标与各个传感器平台的距离、相对运动对目标观测数据在时间上的补偿，以及传感器之间的距离在数据传输上的延迟等。

从时间上来看，传感器所观测的目标数据均可视为目标的一条运动曲线上的点迹，因此在依照拟合误差最小的原则上，对观测目标的点迹进行曲线拟合，选择好采样时间间隔T进行采样，就可以得到目标在采样间隔下的目标点迹，实现量测数据的时间对准。

在一个具体的实施例中，所述时间对准，包括：

当簇中目标数据数量少于预设数量时采用线性插值法将目标数据对准在各个时间片上；当簇中目标数据数量不少于预设数量时，采用最小二乘法将目标数据对准在各个时间片上。

其中，线性插值法参见附图4，以周期大的红外观测数据为时间基准，设雷达观测数据和红外观测数据的周期分别为T1和T2，T1<T2，x1，x2分别为雷达在t1和t2＝t1+T时刻的测量值，融合时刻为t，且t1<t<t2，则根据分段线性插值可得到雷达在t时刻的测量为：

x＝x₁+(t-t₁)(t₂-t₁)^-1(x₂-x₁)

线性插值法的优点在于，插值、压缩过程受目标运动规则的影响较小，计算结果精度较高，是一种批处理的时间对准方式，缺点为数据量较大时，内存占用较高，适用于轨迹点较少的航迹拟合。

此外，还可以采用最小二乘法来进行时间对准，最小二乘法是通过最小化误差的平方和寻找数据最佳函数，可以能简便的求得未知的数据。

例如：设雷达、红外观测周期的关系T1/T2＝1/n，则意味着红外两次测量中，雷达有n次测量。通过最小二乘法将雷达的n次测量数据整合到对应的红外测量时刻的值上。

用集合X_n＝(x₁,x₂,…x_n)^T表示雷达从k-1至k时刻的n个测量值，红外测量值在k时刻与x_n同步，用列向量

表示x₁,x₂,…x_n整合后的测量值及导数，则雷达的测量值x_i可以表示为：

x_i＝x+(i-n)T·z+v_i

v_i表示测量过程中的噪声，改为向量形式可以表示为

X_n＝W_nU+v_n

其中

同时过程噪声向量V_n＝(V₁,V₂,…V_n)^T协方差阵表示为：

其中

为整合前位置噪声测量方法。

根据最小二乘准则，要是目标函数J最小：

求偏导，并令其为零，求得U的估值和协方差阵估值：

则整合后的测量值及其测量噪方差为：

其中，c₁＝-2/n，C₂＝6/[n(n+1)]。

最小二乘法是通过最小化误差的平方和寻找数据最佳函数，可以能简便的求得未知的数据。缺点为已经默认了航迹是线性关系，使用有一定的局限性，适用于点迹较多时的轨迹拟合。

本申请在时间片上，将高数据率的光电观测数据推算到低数据率的雷达观测时间序列上，达到对准目的。采用时间片的好处是可以任意划分时间片，无需考虑观测数据的时间起点，处理起来比较灵活，适应各种采样方式；采用以高数据率目标数据推算低数据率的目标数据可以提高推算的精度，避免较大误差。

目标数据空间对准即选择一个基准坐标系，将不同平台的异类传感器mu表数据统一到基准坐标系下。基准坐标系的选取要考虑运算精度、算法复杂度等。在整个探测以及监测过程中，探测雷达的观测，光电，声呐以及摄像机等传感器构成了整个系统的中的不同平台的异类传感器，共同来对目标进行方位、状态、属性、轨迹、威胁等级等相关信息的评判和采集。本实施例选取地心惯性坐标系为基准坐标系，目标的关联算法在惯性坐标系上进行。

步骤S3、对时空对准后的目标数据进行同一性判定，将不满足同一性的目标数据从簇中删除。

时空对准后，需要判断多传感器发送的目标数据是否为同一目标数据，本申请综合经度、维度、高度三维立体信息来计算传感器发送过来的数据的加权平均欧式距离，通过计算加权平均欧式距离与设置的阈值进行比较，如果在阈值范围以内，则认为两个传感器发送的数据为同一个目标，否则是两个单独的目标，不进行融合，上述设置的阈值需要后期根据实验调整具体代销。

在一个具体的实施例中，对时空对准后的目标数据进行同一性判定，包括：

步骤F1、计算同一个簇内目标数据的加权平均欧式距离，计算公式如下：

上式中：distance即为所求的加权平均欧式距离，k表示传感器发送的目标数据点数，longitude₁表示簇心纬度，latitude₁表示簇心经度，height₁表示簇心高度，longitude₂表示目标数据纬度，latitude₂表示目标数据经度，height₂表示目标数据高度。

在计算时，例如雷达和光电在经过时空对准后发送的数据如下：

雷达发送的数据：

radar:[{radarLongitude1,radarLatitude1,radarHeight1},{...},{...}]

光电发送的数据：

crema:[{cremaLongitude1,cremaLatitude1,cremaHeight1},{...},{...}]

每个传感器经过时空对准后都分别发送三条数据，并且由于时间对准后，每条数据时间都是相同的，比如radarLongitude1和cremaLongitude1此时对应的时间都是相同的。

使用公式1，转化为：

步骤F2、将加权平均欧式距离大于预设距离阈值的目标数据从簇中删除。

本步骤将distance与阈值进行比较，即可判断是否为同一目标，加权平均欧式距离大于预设距离阈值的目标数据认为不是同一目标，将其从簇中删除。

例如，对于簇内的A1、A5、B1、C1和D1,通过上述公式，将在同一个时间段内的五条进行同一性判定。判定方式是以A1为基准，将其余四条航迹同A1进行一一计算。如果计算结果在阈值的范围内，则认为是同一个目标，若在阈值之外，则将该目标数据从簇中剔除。

步骤S4、将簇中同一性判定通过的目标数据进行融合。

当同一性判定处理通过之后，则认定这一簇内为同一个目标的移动轨迹。然后对这一簇进行融合处理，先将原始的经纬高转化为xyz，并将其中的目标数据按照时间顺序进行排列，再通过多项式拟合对所有目标数据进行计算得出多项式的表达式，最后通过表达式计算在目标数据出现过的时间点内的值。通过此方法可以在多传感器上获取到同一个目标的真实移动轨迹。通过此方法得出目标在对应时间段内的移动轨迹，最后将计算出来目标数据的xyz转化为经纬高进行上报，最终目标在多个传感器下的可形成的完整航迹效果如图5所示。

需要说明的是，本申请还可以使用JPDA算法进行数据过滤和聚类，先使用波门对多传感器传输的数据进行粗聚类，再使用目标置信度进行细聚类。对过滤后的数据做时空对准，将视为同一目标的数据对齐到同一个时间点，对准后再对数据使用欧式距离进行同一性判定，判定为同一个目标的数据进行融合。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种多传感器数据融合方法，其特征在于，所述多传感器数据融合方法，包括：

对于各个传感器采集的目标数据，先将同一传感器采集的同一个目标的目标数据进行关联，然后对所有目标数据根据测度特征进行聚类分簇，并根据与簇心的距离选择预设数量的目标数据进行关联，去除簇类其他目标数据；

对于同一个簇内的目标数据，进行时空对准；

对时空对准后的目标数据进行同一性判定，将不满足同一性的目标数据从簇中删除；

将簇中同一性判定通过的目标数据进行融合。

2.根据权利要求1所述的多传感器数据融合方法，其特征在于，所述对于同一个簇内的目标数据，进行时空对准，包括时间对准和空间对准。

3.根据权利要求2所述的多传感器数据融合方法，其特征在于，所述时间对准，包括：当簇中目标数据数量少于预设数量时采用线性插值法将目标数据对准在各个时间片上；当簇中目标数据数量不少于预设数量时，采用最小二乘法将目标数据对准在各个时间片上。

4.根据权利要求2所述的多传感器数据融合方法，其特征在于，所述时间对准，以高数据率目标数据推算低数据率的目标数据。

5.根据权利要求2所述的多传感器数据融合方法，其特征在于，所述空间对准，包括：选择一个基准坐标系，将不同平台的异类传感器mu表数据统一到基准坐标系下。

6.根据权利要求5所述的多传感器数据融合方法，其特征在于，所述基准坐标系为地心惯性坐标系。

7.根据权利要求1所述的多传感器数据融合方法，其特征在于，所述对时空对准后的目标数据进行同一性判定，包括：

计算同一个簇内目标数据的加权平均欧式距离，计算公式如下：

上式中：distance即为所求的加权平均欧式距离，k表示传感器发送的目标数据点数，longitude₁表示簇心纬度，latitude₁表示簇心经度，height₁表示簇心高度，longitude₂表示目标数据纬度，latitude₂表示目标数据经度，height₂表示目标数据高度；

将加权平均欧式距离大于预设距离阈值的目标数据从簇中删除。

Images