CN116150299B - 一种可信度传播网络指引的多源轨迹关联方法 - Google Patents

一种可信度传播网络指引的多源轨迹关联方法 Download PDF

Info

Publication number
CN116150299B
CN116150299B CN202310429540.0A CN202310429540A CN116150299B CN 116150299 B CN116150299 B CN 116150299B CN 202310429540 A CN202310429540 A CN 202310429540A CN 116150299 B CN116150299 B CN 116150299B
Authority
CN
China
Prior art keywords
track
association
time
space
similarity
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
Application number
CN202310429540.0A
Other languages
English (en)
Other versions
CN116150299A (zh
Inventor
朱熙
高亚玲
刘佳
安宇航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310429540.0A priority Critical patent/CN116150299B/zh
Publication of CN116150299A publication Critical patent/CN116150299A/zh
Application granted granted Critical
Publication of CN116150299B publication Critical patent/CN116150299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Library & Information Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种可信度传播网络指引的多源轨迹关联方法，包括：对多信号源轨迹信息进行预处理后，将按照时刻排序的轨迹点信息分别存储到与信号源对应的时序轨迹库中；根据异源时空联合约束匹配条件，对来自不同时序轨迹库中的轨迹进行匹配得到多源轨迹关联对作为多源轨迹关联结果；对同一时序轨迹库中轨迹进行期望时间长度的轨迹预测；根据同源时空联合约束匹配条件，对预测后的轨迹进行匹配得到同源轨迹的中断轨迹关联对，作为中断轨迹关联结果；基于多源轨迹和中断轨迹的关联结果构建可信度传播轨迹关联网络，通过网络节点之间连边的传递性实现对轨迹的增强关联。本发明解决多源轨迹关联问题，提高轨迹关联的准确性。

Description

一种可信度传播网络指引的多源轨迹关联方法
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种可信度传播网络指引的多源轨迹关联方法。
背景技术
船舶在世界各海域进行远洋生产、运输、勘测等作业，为了保证船舶航行的安全，需要对目标船舶进行持续的跟踪监视，然而仅依靠单一的手段或单个探测平台无法保证监测的准确性和可靠性，只有充分综合利用多种探测手段或多个探测平台采集到的目标数据进行多源信息融合，才能实现多源信息的优势互补，得到准确、合理的目标信息。作为多源信息融合的核心关键技术，轨迹关联是目标跟踪、态势感知、轨迹融合的前提和基础。受探测系统误差、平台姿态角误差以及时间误差等影响，不同探测手段或平台得到的目标轨迹是存在时空差异的，传统的基于时刻对齐的轨迹间统计距离的关联算法难以可靠地关联目标轨迹，极易造成态势混乱。因此亟需实现多源轨迹的稳定可靠关联，以有效提高对目标的跟踪监视、实时预警和及时处理的能力。
发明内容
鉴于上述的分析，本发明旨在公开了一种可信度传播网络指引的多源轨迹关联方法；解决多源轨迹关联问题，提高轨迹关联的准确性。
本发明公开了一种可信度传播网络指引的多源轨迹关联方法，包括：
预处理步骤；对读入的、包括多传感器采集的多信号源轨迹信息进行预处理后，将按照时刻排序的轨迹点信息分别存储到与信号源对应的时序轨迹库中；
多源轨迹关联步骤；根据异源时空联合约束匹配条件，对来自不同时序轨迹库中的轨迹进行匹配，得到多源轨迹关联对作为多源轨迹关联结果；
中断轨迹关联步骤；对同一时序轨迹库中轨迹进行期望时间长度的轨迹预测；根据同源时空联合约束匹配条件，对预测后的轨迹进行匹配，得到同源轨迹的中断轨迹关联对，作为中断轨迹关联结果；
轨迹增强关联步骤；基于多源轨迹和中断轨迹的关联结果构建可信度传播轨迹关联网络，通过网络节点之间连边的传递性，实现对轨迹的增强关联。
进一步地，所述预处理步骤具体包括：
S1-1、根据读入的、多信号源轨迹点信息的属性数据将读入的轨迹点存储到与信号源所对应的时序轨迹库中；
所述多信号源轨迹点信息的属性数据包括信源号、轨迹标号、时间、经度、纬度、航速和航向；
S1-2、对于每个时序轨迹库中由同一轨迹标号的轨迹点形成的轨迹进行异常离群点去除；
S1-3、对去除离群点的轨迹数据进行平滑去噪。
进一步地，所述多源轨迹关联步骤具体包括：
步骤S2-1、建立多源轨迹点的异源时空联合约束匹配条件，以及在约束匹配条件下，异源的两个轨迹点的相似度计算模型；
所述异源时空联合约束匹配条件包括时间约束条件和空间约束条件；
所述相似度计算模型中，异源的两个轨迹点的相似度的范围为[0,1]，时间约束条件下的两个轨迹点在空间上越邻近，相似度越接近1，超过空间约束条件后相似度为0；
步骤S2-2、基于两个轨迹点的相似度计算模型，计算异源时空联合约束匹配条件下，轨迹点与异源的另一条轨迹的时空相似度；
从轨迹点与异源的另一条轨迹中满足约束匹配条件的点集合中，寻找出异源两轨迹点的最大相似度作为轨迹点与异源的另一条轨迹的时空相似度；
步骤S2-3、根据轨迹点与异源另一条轨迹的时空相似度，计算所述轨迹点所在轨迹与所述异源另一条轨迹之间的时空相似度；
步骤S2-4、根据在不同的时序轨迹库中满足约束匹配条件的异源的轨迹对之间的时空相似度，进行多源关联轨迹对判断，得到多源轨迹关联结果。
进一步地，步骤S2-3中轨迹
Figure SMS_1
相对于异源的轨迹/>
Figure SMS_2
的时空相似度为：
Figure SMS_3
，
其中，轨迹
Figure SMS_4
上轨迹点与轨迹/>
Figure SMS_5
的最优匹配点的数量为M；
Figure SMS_6
为轨迹/>
Figure SMS_7
上轨迹点/>
Figure SMS_8
与轨迹/>
Figure SMS_9
的时空相似度。
进一步地，所述中断轨迹关联步骤具体包括：
步骤S3-1、在一个时序轨迹库中，通过对各条轨迹进行轨迹整时刻插值，将读入的任意时刻的轨迹点信息转换为与整时刻对齐后的轨迹点信息；
步骤S3-2、基于对齐后的轨迹点信息，进行轨迹的后向预测，得到期望时间长度的预测轨迹，使得预测轨迹与同源的其他轨迹在时空上具有交集；
步骤S3-3：通过进行时空约束，对在时空上具有交集的轨迹进行匹配，得到关联对作为中断轨迹关联结果。
进一步地，所述步骤S3-3包括：
1）建立同源时空联合约束匹配条件，以及在约束匹配条件下，同源的两个轨迹点的相似度计算模型；
所述同源时空联合约束匹配条件包括时间约束条件和空间约束条件；
所述相似度计算模型中，同源的两个轨迹点的相似度的范围为[0,1]，时间约束条件下的两个轨迹点在空间上越邻近，相似度越接近1，超过空间约束条件后相似度为0；
2）基于同源的两个轨迹点的相似度计算模型，计算约束匹配条件下，轨迹点与同源的另一条轨迹的时空相似度；
从轨迹点与同源的另一条轨迹中满足约束匹配条件的点集合中，寻找出同源两轨迹点的最大相似度作为轨迹点与同源的另一条轨迹的时空相似度；
3）根据轨迹点与同源的另一条轨迹的时空相似度，计算所述轨迹点所在轨迹与所述同源的另一条轨迹之间的时空相似度；
4）根据各时序轨迹库中满足约束匹配条件的各同源的轨迹对之间的时空相似度，进行中断轨迹对判断，得到中断轨迹关联结果。
进一步地，所述轨迹增强关联步骤具体包括：
步骤S4-1、根据多源轨迹和中断轨迹的关联结果构建基于目标的可信度传播轨迹的初始关联网络模型；
步骤S4-2、根据初始关联网络模型中的节点和连边确定目标的邻接矩阵；
步骤S4-3、将邻接矩阵与其转置后的矩阵求和得到对称的特征矩阵；
步骤S4-4、对特征矩阵中上三角位置处的各元素进行遍历，对于元素值为0所在位置所对应的两条航迹进行补关联，得到增强关联的特征矩阵，根据增强关联的特征矩阵修改目标的邻接矩阵；
步骤S4-5、根据轨迹与实体目标对应的唯一性，将包括相同轨迹的不同初始关联网络模型进行合并与邻接矩阵的扩充，得到增强后的目标的多源轨迹关联。
进一步地，所述基于目标的可信度传播轨迹的初始关联网络模型中，由多个轨迹点组成的轨迹记作
Figure SMS_10
，其中s表示信号源，l表示轨迹标号,并将轨迹抽象为节点v；轨迹之间的多源关联关系抽象为双向连边，中断关联关系抽象为单向连边，将连边记为e；节点v的集合V和连边e的集合E构建有向图G（V，E）；
在所述邻接矩阵中，当初始关联网络模型中两节点之间存在连边时，边权记为1，否则边权为0。
进一步地，步骤S4-4中进行补关联的判别方法，包括：
当特征矩阵中元素
Figure SMS_11
时，其中，p行对应的轨迹为/>
Figure SMS_12
，q列对应的轨迹为/>
Figure SMS_13
，若/>
Figure SMS_14
，两轨迹来自同一信号源，进行中断补关联判别：
Figure SMS_15
，
若
Figure SMS_16
，两轨迹来自不同信号源，进行多源补关联判别：
Figure SMS_17
，
其中，
Figure SMS_19
为轨迹/>
Figure SMS_21
开始时间，/>
Figure SMS_24
为轨迹/>
Figure SMS_20
结束时间，/>
Figure SMS_23
为轨迹/>
Figure SMS_26
开始时间，/>
Figure SMS_27
为轨迹/>
Figure SMS_18
结束时间，
Figure SMS_22
为中断时间间隔阈值；/>
Figure SMS_25
为异源轨迹相交时间阈值。
进一步地，所述步骤S4-5包括：
1）根据轨迹与实体目标对应的唯一性，将包括相同轨迹的不同关联网络模型进行有向图合并；
2）根据合并后的有向图进行目标的邻接矩阵的扩充；得到扩充的邻接矩阵；
3）将扩充的邻接矩阵与其转置后的矩阵求和得到对称的扩充特征矩阵；
4）对扩充特征矩阵中上三角位置处的没有进行过补关联的各元素进行遍历，对于元素值为0对应的两条航迹进行补关联，得到增强关联的新扩充特征矩阵，根据增强关联的扩充特征矩阵修改目标的邻接矩阵得到增强邻接矩阵；通过所述增强邻接矩阵中元素来表示目标轨迹的增强关联关系。
本发明可实现以下有益效果之一：
1.本发明通过对来自多信号源的轨迹信息进行挖掘，将实时读入的轨迹点信息组合成时序的轨迹信息，并进行轨迹平滑、异常点剔除等预处理步骤，避免对后续轨迹的预测准确性及关联正确性产生影响，提高了结果的可靠性；
2.本发明将表示同一目标的轨迹关联问题分为对来自同一信号源的中断轨迹关联和来自不同信号源的多源关联，并使用时空约束方法对轨迹的相似性进行计算，进而进行轨迹关联匹配，提高了关联的准确性；
3.本发明提出可信度传播轨迹关联网络的概念，将多种信号源中不同轨迹标号的轨迹抽象为不同的节点，轨迹之间的关联关系抽象为连边，构建了有向复杂网络图；并通过节点之间连边的传递性进行轨迹的增强关联判别；
4.本发明考虑因素较为全面，具备可操作性，关联的结果较为准确。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明实施例中的多源轨迹关联方法流程图；
图2为本发明实施例中的预处理步骤流程图；
图3为本发明实施例中的多源轨迹关联步骤流程图；
图4为本发明实施例中的中断轨迹关联步骤流程图；
图5为本发明实施例中的轨迹增强关联步骤流程图；
图6为本发明实施例中的可信度传播轨迹关联网络模型示例图；
图7为本发明实施例中的得到补关联后的有向图；
图8为本发明实施例中的具有相同轨迹的两个目标的有向图；
图9为本发明实施例中的有向图进行合并后的有向图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个实施例公开了一种可信度传播网络指引的多源轨迹关联方法，如图1所示，包括以下步骤：
步骤S1、预处理步骤；对读入的、包括多传感器采集的多信号源轨迹信息进行预处理后，将按照时刻排序的轨迹点信息分别存储到与信号源对应的时序轨迹库中；
具体的，如图2所示，步骤S1的预处理具体包括：
S1-1、根据读入的、多信号源轨迹点信息的属性数据将读入的轨迹点存储到与信号源所对应的时序轨迹库中；
所述多信号源轨迹点信息的属性包括{信源号、轨迹标号、时间、经度、纬度、航速和航向}；
所述信源号表示来自同一个/不同传感器，所述轨迹标号表示来自同一条/不同轨迹；
按照属性数据中的信源号和轨迹标号数据将读入的轨迹点数据依次存储到不同信号源所对应的时序轨迹库中，在每个时序轨迹库中形成多条时序轨迹数据。
具体的，任一时序轨迹库中第i条轨迹表示为：
Figure SMS_28
，
其中
Figure SMS_30
为信号源；/>
Figure SMS_33
为轨迹标号；/>
Figure SMS_37
为轨迹i包含的轨迹点序列，其中/>
Figure SMS_31
表示属于轨迹i的轨迹点/>
Figure SMS_35
在时刻/>
Figure SMS_39
的经度/>
Figure SMS_42
、纬度/>
Figure SMS_29
、速度/>
Figure SMS_34
、航向
Figure SMS_38
，/>
Figure SMS_41
；轨迹的起始时间/>
Figure SMS_32
；结束时间
Figure SMS_36
；轨迹的长度/>
Figure SMS_40
。
S1-2、对于每个时序轨迹库中由同一轨迹标号的轨迹点形成的轨迹进行异常离群点去除；
具体的，由于传感器测量误差以及环境噪声等影响，少量轨迹点存在明显偏离同一轨迹标号的其余轨迹点形成的轨迹的情况，因此以轨迹标号相同的轨迹点的三倍经纬度标准差为阈值判别异常点，将其去除。
S1-3、对去除离群点的轨迹数据进行平滑去噪。
具体的，利用指数滑动滤波进行轨迹点的平滑，公式为：
Figure SMS_43
，
其中，
Figure SMS_44
表示时刻t的轨迹点实际值，/>
Figure SMS_45
表示t时刻的轨迹点的预测值，/>
Figure SMS_46
表示t-1时刻的轨迹点的预测值，w为平滑常数。
步骤S2、多源轨迹关联步骤；根据异源时空联合约束匹配条件，对来自不同时序轨迹库中的轨迹进行匹配，得到多源轨迹关联对作为多源轨迹关联结果；具体的，如图3所示，步骤S2的多源轨迹关联步骤具体包括：
步骤S2-1、建立多源轨迹点的异源时空联合约束匹配条件，以及在约束匹配条件下，异源的两个轨迹点的相似度计算模型；
所述异源时空联合约束匹配条件包括时间约束条件和空间约束条件。
设
Figure SMS_48
和/>
Figure SMS_51
为属于异源的两条轨迹，其中m和n分别为/>
Figure SMS_53
和/>
Figure SMS_47
的长度，度量/>
Figure SMS_50
和/>
Figure SMS_52
的相似度，本质是对/>
Figure SMS_54
和/>
Figure SMS_49
的时空轨迹点集合进行相似性度量。
其中，轨迹点的异源时空联合约束匹配条件包括空间阈值
Figure SMS_55
和时间阈值/>
Figure SMS_56
；建立的确定异源的两条轨迹/>
Figure SMS_57
和/>
Figure SMS_58
上的轨迹点/>
Figure SMS_59
和/>
Figure SMS_60
是否为时空匹配点的条件为：
时间约束条件：
Figure SMS_61
；
空间约束条件：
Figure SMS_62
；
其中，
Figure SMS_63
；/>
Figure SMS_64
；/>
Figure SMS_65
为两点的欧式距离；/>
Figure SMS_66
，
Figure SMS_67
。时间阈值和空间阈值根据场景大小进行动态阈值的设置，当场景中轨迹数量较多时，阈值设置过大，会导致轨迹之间的错误关联，因此阈值设置需小一些；反之，可以适当调大。
所述相似度计算模型中，异源的两个轨迹点的相似度的范围为[0,1]，时间约束条件下的两个轨迹点在空间上越邻近，相似度越接近1，超过空间约束条件后相似度为0；
具体的，在满足异源时空联合约束匹配条件下，异源的两个轨迹点的相似度为：
Figure SMS_68
，
上式的值域为[0,1]，两个轨迹点在空间上越邻近，函数值越大，相似性越强。
步骤S2-2、基于两个轨迹点的相似度计算模型，计算异源时空联合约束匹配条件下，轨迹点与异源的另一条轨迹的时空相似度；
从轨迹点与异源的另一条轨迹中满足约束匹配条件的点集合中，寻找出异源两轨迹点的最大相似度作为轨迹点与异源的另一条轨迹的时空相似度。
具体的，在异源时空联合约束匹配条件的约束下，一条轨迹上的一个轨迹点相对于异源的轨迹上的匹配点可能会超过一个，假设
Figure SMS_69
为轨迹/>
Figure SMS_70
上的轨迹采样点，
Figure SMS_71
为轨迹/>
Figure SMS_72
上与轨迹点/>
Figure SMS_73
的轨迹匹配点集合，则需在轨迹匹配点集合中找到轨迹点/>
Figure SMS_74
的最优匹配点；
轨迹
Figure SMS_75
上轨迹点/>
Figure SMS_76
在异源的轨迹/>
Figure SMS_77
上的最优匹配点公式为：
Figure SMS_78
，
满足上式的
Figure SMS_79
为/>
Figure SMS_80
在/>
Figure SMS_81
上的最优匹配点；/>
Figure SMS_82
为最优匹配点的时空相似度。
从轨迹
Figure SMS_83
中的轨迹点/>
Figure SMS_84
与轨迹/>
Figure SMS_85
的最优匹配点的匹配结果得到，该轨迹点
Figure SMS_86
与对比轨迹/>
Figure SMS_87
的时空相似度为：
Figure SMS_88
，
步骤S2-3、根据轨迹点与异源另一条轨迹的时空相似度，计算所述轨迹点所在轨迹与所述异源另一条轨迹之间的时空相似度；
具体的，在轨迹
Figure SMS_89
与轨迹/>
Figure SMS_90
进行匹配时，轨迹/>
Figure SMS_91
上轨迹点与轨迹/>
Figure SMS_92
的最优匹配点的数量为M；
则，轨迹
Figure SMS_93
相对于轨迹/>
Figure SMS_94
的时空相似度为：
Figure SMS_95
，
同理，在轨迹
Figure SMS_96
与轨迹/>
Figure SMS_97
进行匹配时，轨迹/>
Figure SMS_98
上轨迹点与轨迹/>
Figure SMS_99
的最优匹配点的数量为N；
则，轨迹
Figure SMS_100
相对于轨迹/>
Figure SMS_101
的时空相似度定义为：
Figure SMS_102
，
当两条轨迹足够相似时，
Figure SMS_103
和/>
Figure SMS_104
是相近的，都足以代表/>
Figure SMS_105
和/>
Figure SMS_106
的相似性。
步骤S2-4、根据在不同的时序轨迹库中满足约束匹配条件的异源的轨迹对之间的时空相似度，进行多源关联轨迹对判断，得到多源轨迹关联结果；
具体的，当异源的两条轨迹之间的时空相似度大于设置阈值时，判断该两条轨迹为多源关联轨迹。
由于不同种类传感器对目标定位的工作原理不同，来自不同传感器的轨迹点具有一定的位置偏差，但同一目标的运动趋向是一致的，因此同一目标不同信号源的两条轨迹在时间相交的区段内具有较高的相似度；且相似度值越大，两条轨迹的关联性越强。
步骤S3、中断轨迹关联步骤；对同一时序轨迹库中轨迹进行期望时间长度的轨迹预测；根据同源时空联合约束匹配条件，对预测后的轨迹进行匹配，得到同源轨迹的中断轨迹关联对，作为中断轨迹关联结果；
具体的，如图4所示，步骤S3的中断轨迹关联步骤具体包括：
步骤S3-1、在一个时序轨迹库中，通过对各条轨迹进行轨迹整时刻插值，将读入的任意时刻的轨迹点信息转换为与整时刻对齐后的轨迹点信息；
所述整时刻插值中，依据信号源采集轨迹点的时间间隔来确定n的取值，使得整时刻轨迹点的连续时间长度为200s。
具体的，基于整时刻的前一时刻与后一时刻的轨迹点，采用线性插值方法对每条轨迹进行时刻对齐处理得到等时间间隔的轨迹点信息；
优选的，通过线性差值将读入的任意时刻的轨迹点信息转换为整30s倍数时刻的轨迹点信息。
步骤S3-2、基于对齐后的轨迹点信息，进行轨迹的后向预测，得到期望时间长度的预测轨迹，使得预测轨迹与同源的其他轨迹在时空上具有交集；
在进行轨迹的后向预测时，可采用seq2seq算法进行预测。
步骤S3-3、通过进行时空约束，对在时空上具有交集的轨迹进行匹配，得到关联对作为中断轨迹关联结果。
具体的，步骤S3-3包括：
1）建立同源时空联合约束匹配条件，以及在约束匹配条件下，同源的两个轨迹点的相似度计算模型；
所述同源时空联合约束匹配条件包括时间约束条件和空间约束条件；
其中，同源时空联合约束匹配条件中的时间阈值和空间阈值根据场景大小进行动态阈值的设置,由于中断轨迹来源于同一信号源，不同轨迹点的定位误差具有相似性，因此空间阈值的取值相比多源关联的空间阈值较小。
具体的，同源的两条轨迹
Figure SMS_107
和/>
Figure SMS_108
上的轨迹点/>
Figure SMS_109
和/>
Figure SMS_110
是否为同源时空匹配点的条件为：
时间匹配条件：
Figure SMS_111
；
空间匹配条件：
Figure SMS_112
；
其中，
Figure SMS_113
；/>
Figure SMS_114
；/>
Figure SMS_115
为两点的欧式距离；
Figure SMS_116
，/>
Figure SMS_119
；/>
Figure SMS_121
为/>
Figure SMS_117
的经度、纬度，/>
Figure SMS_120
为/>
Figure SMS_122
的经度、纬度。/>
Figure SMS_123
为时间阈值、/>
Figure SMS_118
为空间阈值。
所述相似度计算模型中，同源的两个轨迹点的相似度的范围为[0,1]，时间约束条件下的两个轨迹点在空间上越邻近，相似度越接近1，超过空间约束条件后相似度为0；
具体的，在满足同源时空联合约束匹配条件下，轨迹
Figure SMS_124
和/>
Figure SMS_125
上的两个轨迹点的相似度为：
Figure SMS_126
，
上式的值域为[0,1]，两个轨迹点在空间上越邻近，函数值越大，相似性越强。
2）基于同源的两个轨迹点的相似度计算模型，计算约束匹配条件下，轨迹点与同源的另一条轨迹的时空相似度；
从轨迹点与同源的另一条轨迹中满足约束匹配条件的点集合中，寻找出同源两轨迹点的最大相似度作为轨迹点与同源的另一条轨迹的时空相似度。
具体的，在满足同源时空联合约束匹配条件下，一条轨迹上的一个轨迹点相对于的轨迹上的匹配点可能会超过一个，
Figure SMS_127
为轨迹/>
Figure SMS_128
上的轨迹点，点集/>
Figure SMS_129
为轨迹/>
Figure SMS_130
上轨迹点/>
Figure SMS_131
的轨迹匹配点集合，则需在轨迹匹配点集合中找到最优匹配点；
轨迹
Figure SMS_132
上轨迹点/>
Figure SMS_133
在轨迹/>
Figure SMS_134
上的最优匹配点公式为：
Figure SMS_135
，
满足上式的
Figure SMS_136
为/>
Figure SMS_137
在/>
Figure SMS_138
上的最优匹配点；/>
Figure SMS_139
为最优匹配点的时空相似度。
从轨迹
Figure SMS_140
轨迹点/>
Figure SMS_141
与轨迹/>
Figure SMS_142
的最优匹配点的匹配结果得到，该轨迹点/>
Figure SMS_143
与轨迹/>
Figure SMS_144
的时空相似度为：
Figure SMS_145
，
3）根据轨迹点与同源的另一条轨迹的时空相似度，计算所述轨迹点所在轨迹与所述同源的另一条轨迹之间的时空相似度；
在轨迹
Figure SMS_146
与轨迹/>
Figure SMS_147
进行匹配时，轨迹/>
Figure SMS_148
上轨迹点与轨迹/>
Figure SMS_149
的最优匹配点的数量为/>
Figure SMS_150
；
则，轨迹
Figure SMS_151
相对于轨迹/>
Figure SMS_152
的时空相似度为：
Figure SMS_153
，
同理，在轨迹
Figure SMS_154
与轨迹/>
Figure SMS_155
进行匹配时，轨迹/>
Figure SMS_156
上轨迹点与轨迹/>
Figure SMS_157
的最优匹配点的数量为/>
Figure SMS_158
；
则，轨迹
Figure SMS_159
相对于轨迹/>
Figure SMS_160
的时空相似度定义为：
Figure SMS_161
，
当两条轨迹足够相似时，
Figure SMS_162
和/>
Figure SMS_163
是相近的，都足以代表/>
Figure SMS_164
和/>
Figure SMS_165
的相似性。
4）根据各时序轨迹库中满足约束匹配条件的各同源的轨迹对之间的时空相似度，进行中断轨迹对判断，得到中断轨迹关联结果。
具体的，当同源的两条轨迹之间的时空相似度大于设置阈值时，判断该两条轨迹为中断关联轨迹。
步骤S4、轨迹增强关联步骤；基于多源轨迹和中断轨迹的关联结果构建可信度传播轨迹关联网络，通过网络节点之间连边的传递性，实现对轨迹的增强关联。
具体的，如图5所示，步骤S4的轨迹增强关联具体包括：
步骤S4-1、根据多源轨迹和中断轨迹的关联结果构建基于目标的可信度传播轨迹的初始关联网络模型；
所述基于目标的可信度传播轨迹的初始关联网络模型中，由多个轨迹点组成的轨迹记作
Figure SMS_166
，其中s表示信号源，l表示轨迹标号,并将轨迹抽象为节点v；轨迹之间的多源关联关系抽象为双向连边，中断关联关系抽象为单向连边，将连边记为e；节点v的集合V和连边e的集合E构建有向图G（V，E）；
步骤S4-2、根据初始关联网络模型中的节点和连边确定目标的邻接矩阵；
在所述邻接矩阵A中，当初始关联网络模型中两节点之间存在连边时，边权记为1，否则边权为0。
Figure SMS_167
，
如图6所示，目标A的网络邻接矩阵表示见下式：
Figure SMS_168
，
步骤S4-3、将邻接矩阵与其转置后的矩阵求和得到对称的特征矩阵
Figure SMS_169
，/>
Figure SMS_170
，
步骤S4-4、对特征矩阵中上三角位置处的各元素进行遍历，对于元素值为0所在位置所对应的两条航迹进行补关联，得到增强关联的特征矩阵，根据增强关联的特征矩阵修改目标的邻接矩阵；
具体的，对矩阵中上三角位置处的各元素进行遍历，将元素值为0对应的两条航迹进行补关联判别，具体如下：
当特征矩阵中元素
Figure SMS_171
时，其中，p行对应的轨迹为/>
Figure SMS_172
，q列对应的轨迹为/>
Figure SMS_173
，若/>
Figure SMS_174
，两轨迹来自同一信号源，进行中断补关联判别：
Figure SMS_175
，
若
Figure SMS_176
，两轨迹来自不同信号源，进行多源补关联判别：
Figure SMS_177
，
其中，
Figure SMS_179
为轨迹/>
Figure SMS_181
开始时间，/>
Figure SMS_184
为轨迹/>
Figure SMS_180
结束时间，/>
Figure SMS_183
为轨迹/>
Figure SMS_186
开始时间，/>
Figure SMS_187
为轨迹/>
Figure SMS_178
结束时间，
Figure SMS_182
为中断时间间隔阈值；/>
Figure SMS_185
为异源轨迹相交时间阈值。
根据上述步骤，当轨迹的后向预测存在较大误差导致中断轨迹漏关联或多源关联空间阈值限制效果较大导致多源轨迹漏关联时，利用可信度传播轨迹关联网络中节点之间连边的传递性，进行轨迹的增强关联，当特征矩阵
Figure SMS_188
的上三角位置不含0元素时，则轨迹对的增强关联结束，并修改目标的邻接矩阵/>
Figure SMS_189
。
得到补关联后的有向图如图7所示，对应的邻接矩阵为：
Figure SMS_190
，
步骤S4-5、根据轨迹与实体目标对应的唯一性，将包括相同轨迹的不同初始关联网络模型进行合并与邻接矩阵的扩充，得到增强后的目标的多源轨迹关联。
具体的，所述步骤S4-5包括：
1）根据轨迹与实体目标对应的唯一性，将包括相同轨迹的不同关联网络模型进行有向图合并；
由如图8所示两个有向图中，由于
Figure SMS_191
，同时
Figure SMS_192
；因此/>
Figure SMS_193
，将目标A与目标B的有向图进行合并，图9所示；
2）根据合并后的有向图进行目标的邻接矩阵扩充；得到扩充的邻接矩阵；
根据图9中的有向图得到扩充的邻接矩阵为：
Figure SMS_194
，
3）将扩充的邻接矩阵与其转置后的矩阵求和得到对称的扩充特征矩阵
Figure SMS_195
；
4）对扩充特征矩阵
Figure SMS_196
中上三角位置处的没有进行过补关联的各元素进行遍历，对于元素值为0对应的两条航迹进行补关联，得到增强关联的新扩充特征矩阵，根据增强关联的扩充特征矩阵修改目标的邻接矩阵得到增强邻接矩阵；通过所述增强邻接矩阵中元素来表示目标轨迹的增强关联关系。
具体的，假设
Figure SMS_197
中新加入的节点数为k，特征矩阵的行数为m，列数为n，则对矩阵中上三角处的元素/>
Figure SMS_198
进行遍历，其中/>
Figure SMS_199
。/>
因此，利用网络中节点与连边之间复杂的交互性，可以递推出具有关联关系的轨迹对，以更全面地构建表示同一目标的多源信息关联网，将不同信号源的信息进行融合，为船舶监视和定位工作提供支持。
综上所述，本发明实施例的可信度传播网络指引的多源轨迹关联方法具有以下效果：
1.通过对来自多信号源的轨迹信息进行挖掘，将实时读入的轨迹点数据组合成时序的轨迹信息，并进行轨迹平滑、异常点剔除等预处理步骤，避免对后续轨迹预测及关联正确性产生影响，提高结果的可靠性；
2.将表示同一目标的轨迹关联问题分为对来自同一信号源的中断轨迹关联和来自不同信号源的多源轨迹关联，并使用时空约束方法对轨迹的相似性进行计算，进而进行轨迹关联匹配，提高了关联的准确性；
3.提出可信度传播轨迹关联网络的概念，将多种信号源中不同轨迹标号的轨迹抽象为不同的节点，轨迹之间的关联关系抽象为连边，构建了有向复杂网络；并通过节点之间连边的传递性，进行轨迹的增强关联判别；
4.本发明考虑因素较为全面，具备可操作性，关联的结果较为准确。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种可信度传播网络指引的多源轨迹关联方法，其特征在于，包括：
预处理步骤；对读入的、包括多传感器采集的多信号源轨迹信息进行预处理后，将按照时刻排序的轨迹点信息分别存储到与信号源对应的时序轨迹库中；
多源轨迹关联步骤；根据异源时空联合约束匹配条件，对来自不同时序轨迹库中的轨迹进行匹配，得到多源轨迹关联对作为多源轨迹关联结果；
中断轨迹关联步骤；对同一时序轨迹库中轨迹进行期望时间长度的轨迹预测；根据同源时空联合约束匹配条件，对预测后的轨迹进行匹配，得到同源轨迹的中断轨迹关联对，作为中断轨迹关联结果；
轨迹增强关联步骤；基于多源轨迹和中断轨迹的关联结果构建可信度传播轨迹关联网络，通过网络节点之间连边的传递性，实现对轨迹的增强关联；
所述轨迹增强关联步骤具体包括：
步骤S4-1、根据多源轨迹和中断轨迹的关联结果构建基于目标的可信度传播轨迹的初始关联网络模型；
所述基于目标的可信度传播轨迹的初始关联网络模型中，由多个轨迹点组成的轨迹记作
Figure QLYQS_1
，其中s表示信号源，l表示轨迹标号,并将轨迹抽象为节点v；轨迹之间的多源关联关系抽象为双向连边，中断关联关系抽象为单向连边，将连边记为e；节点v的集合V和连边e的集合E构建有向图G（V，E）；
步骤S4-2、根据初始关联网络模型中的节点和连边确定目标的邻接矩阵；
在邻接矩阵中，当初始关联网络模型中两节点之间存在连边时，边权记为1，否则边权为0；
步骤S4-3、将邻接矩阵与其转置后的矩阵求和得到对称的特征矩阵；
步骤S4-4、对特征矩阵中上三角位置处的各元素进行遍历，对于元素值为0所在位置所对应的两条航迹进行补关联，得到增强关联的特征矩阵，根据增强关联的特征矩阵修改目标的邻接矩阵；
步骤S4-4中进行补关联的判别方法，包括：
当特征矩阵中元素
Figure QLYQS_2
时，其中，p行对应的轨迹为/>
Figure QLYQS_3
，q列对应的轨迹为/>
Figure QLYQS_4
，若/>
Figure QLYQS_5
，两轨迹来自同一信号源，进行中断补关联判别：
Figure QLYQS_6
，
若
Figure QLYQS_7
，两轨迹来自不同信号源，进行多源补关联判别：
Figure QLYQS_8
，
其中，
Figure QLYQS_10
为轨迹/>
Figure QLYQS_14
开始时间，/>
Figure QLYQS_17
为轨迹/>
Figure QLYQS_11
结束时间，
Figure QLYQS_13
为轨迹/>
Figure QLYQS_16
开始时间，/>
Figure QLYQS_18
为轨迹/>
Figure QLYQS_9
结束时间，/>
Figure QLYQS_12
为中断时间间隔阈值；/>
Figure QLYQS_15
为异源轨迹相交时间阈值；
步骤S4-5、根据轨迹与实体目标对应的唯一性，将包括相同轨迹的不同初始关联网络模型进行合并与邻接矩阵的扩充，得到增强后的目标的多源轨迹关联；
所述步骤S4-5包括：
1）根据轨迹与实体目标对应的唯一性，将包括相同轨迹的不同关联网络模型进行有向图合并；
2）根据合并后的有向图进行目标的邻接矩阵的扩充；得到扩充的邻接矩阵；
3）将扩充的邻接矩阵与其转置后的矩阵求和得到对称的扩充特征矩阵；
4）对扩充特征矩阵中上三角位置处的没有进行过补关联的各元素进行遍历，对于元素值为0对应的两条航迹进行补关联，得到增强关联的新扩充特征矩阵，根据增强关联的扩充特征矩阵修改目标的邻接矩阵得到增强邻接矩阵；通过所述增强邻接矩阵中元素来表示目标轨迹的增强关联关系。
2.根据权利要求1所述的可信度传播网络指引的多源轨迹关联方法，其特征在于，
所述预处理步骤具体包括：
S1-1、根据读入的、多信号源轨迹点信息的属性数据将读入的轨迹点存储到与信号源所对应的时序轨迹库中；
所述多信号源轨迹点信息的属性数据包括信源号、轨迹标号、时间、经度、纬度、航速和航向；
S1-2、对于每个时序轨迹库中由同一轨迹标号的轨迹点形成的轨迹进行异常离群点去除；
S1-3、对去除离群点的轨迹数据进行平滑去噪。
3.根据权利要求1所述的可信度传播网络指引的多源轨迹关联方法，其特征在于，
所述多源轨迹关联步骤具体包括：
步骤S2-1、建立多源轨迹点的异源时空联合约束匹配条件，以及在约束匹配条件下，异源的两个轨迹点的相似度计算模型；
所述异源时空联合约束匹配条件包括时间约束条件和空间约束条件；
所述相似度计算模型中，异源的两个轨迹点的相似度的范围为[0,1]，时间约束条件下的两个轨迹点在空间上越邻近，相似度越接近1，超过空间约束条件后相似度为0；
步骤S2-2、基于两个轨迹点的相似度计算模型，计算异源时空联合约束匹配条件下，轨迹点与异源的另一条轨迹的时空相似度；
从轨迹点与异源的另一条轨迹中满足约束匹配条件的点集合中，寻找出异源两轨迹点的最大相似度作为轨迹点与异源的另一条轨迹的时空相似度；
步骤S2-3、根据轨迹点与异源另一条轨迹的时空相似度，计算所述轨迹点所在轨迹与所述异源另一条轨迹之间的时空相似度；
步骤S2-4、根据在不同的时序轨迹库中满足约束匹配条件的异源的轨迹对之间的时空相似度，进行多源关联轨迹对判断，得到多源轨迹关联结果。
4.根据权利要求3所述的可信度传播网络指引的多源轨迹关联方法，其特征在于，
步骤S2-3中轨迹
Figure QLYQS_19
相对于异源的轨迹/>
Figure QLYQS_20
的时空相似度为：
Figure QLYQS_21
，
其中，轨迹
Figure QLYQS_22
上轨迹点与轨迹/>
Figure QLYQS_23
的最优匹配点的数量为M；
Figure QLYQS_24
为轨迹/>
Figure QLYQS_25
上轨迹点/>
Figure QLYQS_26
与轨迹/>
Figure QLYQS_27
的时空相似度。
5.根据权利要求1所述的可信度传播网络指引的多源轨迹关联方法，其特征在于，
所述中断轨迹关联步骤具体包括：
步骤S3-1、在一个时序轨迹库中，通过对各条轨迹进行轨迹整时刻插值，将读入的任意时刻的轨迹点信息转换为与整时刻对齐后的轨迹点信息；
步骤S3-2、基于对齐后的轨迹点信息，进行轨迹的后向预测，得到期望时间长度的预测轨迹，使得预测轨迹与同源的其他轨迹在时空上具有交集；
步骤S3-3：通过进行时空约束，对在时空上具有交集的轨迹进行匹配，得到关联对作为中断轨迹关联结果。
6.根据权利要求5所述的可信度传播网络指引的多源轨迹关联方法，其特征在于，
所述步骤S3-3包括：
1）建立同源时空联合约束匹配条件，以及在约束匹配条件下，同源的两个轨迹点的相似度计算模型；
所述同源时空联合约束匹配条件包括时间约束条件和空间约束条件；
所述相似度计算模型中，同源的两个轨迹点的相似度的范围为[0,1]，时间约束条件下的两个轨迹点在空间上越邻近，相似度越接近1，超过空间约束条件后相似度为0；
2）基于同源的两个轨迹点的相似度计算模型，计算约束匹配条件下，轨迹点与同源的另一条轨迹的时空相似度；
从轨迹点与同源的另一条轨迹中满足约束匹配条件的点集合中，寻找出同源两轨迹点的最大相似度作为轨迹点与同源的另一条轨迹的时空相似度；
3）根据轨迹点与同源的另一条轨迹的时空相似度，计算所述轨迹点所在轨迹与所述同源的另一条轨迹之间的时空相似度；
4）根据各时序轨迹库中满足约束匹配条件的各同源的轨迹对之间的时空相似度，进行中断轨迹对判断，得到中断轨迹关联结果。
CN202310429540.0A 2023-04-21 2023-04-21 一种可信度传播网络指引的多源轨迹关联方法 Active CN116150299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310429540.0A CN116150299B (zh) 2023-04-21 2023-04-21 一种可信度传播网络指引的多源轨迹关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310429540.0A CN116150299B (zh) 2023-04-21 2023-04-21 一种可信度传播网络指引的多源轨迹关联方法

Publications (2)

Publication Number Publication Date
CN116150299A CN116150299A (zh) 2023-05-23
CN116150299B true CN116150299B (zh) 2023-07-04

Family

ID=86341077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310429540.0A Active CN116150299B (zh) 2023-04-21 2023-04-21 一种可信度传播网络指引的多源轨迹关联方法

Country Status (1)

Country Link
CN (1) CN116150299B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133635A (zh) * 2017-03-30 2017-09-05 南京航空航天大学 一种多源异构飞行事故航迹数据融合方法
CN108803622A (zh) * 2018-07-27 2018-11-13 吉利汽车研究院（宁波）有限公司 一种用于对目标探测数据进行处理的方法、装置
CN115346192A (zh) * 2022-07-27 2022-11-15 纵目科技（上海）股份有限公司 基于多源传感器感知的数据融合方法、系统、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110057353B (zh) * 2019-03-20 2023-03-14 西安电子科技大学 一种基于通信信号辅助下的中断航迹关联的方法
AU2020103979A4 (en) * 2020-12-09 2021-02-18 Army Academy of Armored Forces Multi-sensor cooperative target tracking system
CN113702979B (zh) * 2021-07-16 2024-03-15 中国船舶重工集团公司第七一五研究所 一种跨区目标跟踪轨迹片段时空拼接方法
CN115545293A (zh) * 2022-09-28 2022-12-30 大连海事大学 一种基于多源异构船舶航运数据的船舶轨迹预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133635A (zh) * 2017-03-30 2017-09-05 南京航空航天大学 一种多源异构飞行事故航迹数据融合方法
CN108803622A (zh) * 2018-07-27 2018-11-13 吉利汽车研究院（宁波）有限公司 一种用于对目标探测数据进行处理的方法、装置
CN115346192A (zh) * 2022-07-27 2022-11-15 纵目科技（上海）股份有限公司 基于多源传感器感知的数据融合方法、系统、设备及介质

Also Published As

Publication number Publication date
CN116150299A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN113032502B (zh) 一种基于改进轨迹段dbscan聚类的船舶异常检测方法
EP3633615A1 (en) Deep learning network and average drift-based automatic vessel tracking method and system
CN105955258B (zh) 基于Kinect传感器信息融合的机器人全局栅格地图构建方法
CN106353821B (zh) 一种微地震事件定位方法
CN110400332A (zh) 一种目标检测跟踪方法、装置及计算机设备
CN110363846A (zh) 一种井下3d激光成像智能巡检系统及其使用方法
Piccoli et al. Fussi-net: Fusion of spatio-temporal skeletons for intention prediction network
CN103680291A (zh) 基于天花板视觉的同步定位与地图绘制的方法
CN112013862A (zh) 一种基于众包轨迹的行人路网提取及更新方法
CN106447698B (zh) 一种基于距离传感器的多行人跟踪方法和系统
Hansson et al. Lane-level map matching based on HMM
CN113592905A (zh) 基于单目摄像头的车辆行驶轨迹预测方法
Fujii et al. A two-block RNN-based trajectory prediction from incomplete trajectory
CN116415202A (zh) 一种多源数据融合方法、系统、电子设备及存储介质
Wang et al. Detecting and mapping trees in unstructured environments with a stereo camera and pseudo-lidar
CN116150299B (zh) 一种可信度传播网络指引的多源轨迹关联方法
Zhang et al. A LiDAR-intensity SLAM and loop closure detection method using an intensity cylindrical-projection shape context descriptor
Cheng et al. Graph-based proprioceptive localization using a discrete heading-length feature sequence matching approach
CN115546497A (zh) 一种基于轨迹大数据的船舶航路网络提取方法
CN116052469A (zh) 一种基于车路协同轨迹预测的车辆碰撞预警方法
Zhang et al. Vehicle detection and tracking in remote sensing satellite vidio based on dynamic association
CN112937563A (zh) 一种基于模型预测控制的无人车避障方法
CN113611112A (zh) 一种目标关联方法、装置、设备及存储介质
CN116630764B (zh) 水面目标融合辨识方法、系统、存储介质、计算机设备及终端
Yuan et al. Real-time long-range road estimation in unknown environments

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