CN104730537B - 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 - Google Patents

Abstract

基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，建立多尺度模型；对目标进行数据采集，得到目标的距离测量值、方位角测量值和俯仰角测量值；在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波法进行估计；在尺度2上将角度估计信息和距离信息进行融合；在尺度2上采用卡尔曼滤波法对目标状态进行估计；将融合估计的信息转换到尺度1上，在尺度1上采用卡尔曼滤波法进行滤波估计，得到精确滤波估计值；重复前述步骤，获得目标运动轨迹。本发明将将多尺度模型引用到信息融合中，更加全面准确的描述目标运动状态，在不同尺度对目标进行估计滤波，提高了目标状态的估计精度，通过不同尺度之间信息的交互，提高目标跟踪精度。

Description

基于多尺度模型的红外/激光雷达数据融合目标跟踪方法

技术领域

本发明属于信息处理技术领域，尤其涉及一种红外/激光雷达多传感器融合的目标跟踪方法。

背景技术

红外探测***作为被动探测***，具有隐蔽性好、不易受电子干扰、低空探测性能好、精度高等优点，可以为近程防御武器***提供目标信息，但红外探测***只能提供测角信息。激光雷达探测***的测距精度较高，测距范围满足近程要求，但缺乏角度信息，因此二者配合使用可以实现信息互补，从而提供完整、精确的测量信息，可以对目标进行精确状态估计，提高***可靠性和稳定性。

但是激光雷达探测***的采样频率远远低于红外探测***的采样频率，使得二者的测量数据不同步。而且，红外和激光雷达的联合探测一般是在球坐标系中完成的，而目标的运动状态通常在直角坐标系中进行描述，在直角坐标系中建模的优点在于滤波和外推过程可以在线性动态模型上实现，而在球坐标系中建模则会导致较为复杂的滤波和外推过程，因此在红外/激光雷达双传感器探测***中需要先将获得的角度信息和距离信息转换到直角坐标***中，再进行状态估计。此时，测量与目标状态之间的转换是非线性关系，由于测量误差的耦合，不再满足卡尔曼滤波条件。传统的方法是先对异步数据进行配准，转换化为同步问题；然后在直角坐标系下进行状态建模，获得相应的转换测量方程，进而对转换测量值用卡尔曼滤波(Converted Measurement Kalman Filter，CMKF)算法进行状态估计。该方法模型简单，但精度较低。

多尺度理论对于多传感器数据融合目标状态估计的问题是一种有效的方法，近年来很多学者对多尺度估计理论进行了大量研究，且取得了许多研究成果。潘泉等提出了一种新的线性动态多尺度的模型，并给出了估计方法；对于多尺度***，文成林等建立其估计理论框架并给出相应的预测、滤波和平滑算法。由于红外/激光雷达探测跟踪***是在不同采样频率下描述目标状态，具有多尺度特征，本申请的发明人提出一种多尺度理论和CMKF算法相融合的目标跟踪方法。

发明内容

针对红外/激光雷达多传感器融合对目标跟踪过程中存在的采样率不同、坐标转换测量值有偏差及观测噪声耦合的问题，本发明的目的在于提供一种基于多尺度模型的红外/激光雷达多传感器融合目标跟踪方法。

为了实现上述目的，本发明采取如下的技术解决方案：

基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，包括以下步骤：

步骤1、根据红外探测***和激光雷达探测***的采样频率建立多尺度模型，所述多尺度模型为：

x(i,k_i+1)＝F(i,k_i)x(i,k_i)+w(i,k_i)

z(i,k_i)＝H(i,k_i)x(i,k_i)+v(i,k_i)

其中，F(i,k_i)为k_i时刻在尺度i上的***状态转移矩阵，x(i,k_i)为k_i时刻在尺度i上的状态向量，w(i,k_i)为***噪声，z(i,k_i)为k_i时刻在尺度i上的观测向量，H(i,k_i)为k_i时刻在尺度i上的观测矩阵，v(i,k_i)为观测噪声，k_i为尺度i上的采样时刻，i＝1,2；

步骤2、红外探测***和激光雷达探测***分别对目标进行数据采集，得到目标的方位角测量值α_m、目标的俯仰角测量值β_m和目标的距离测量值r_m；

步骤3、在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波法进行估计，滤波过程中利用两点递推法进行初始化，得到目标的方位角滤波估计值α′_m和俯仰角滤波估计值β′_m；

步骤4、在尺度2上将步骤3得到角度估计信息和激光雷达探测***获取的距离信息进行融合，计算出目标在直角坐标系下的位置坐标(x_m，y_m，z_m)：

其中，r_m为目标的距离测量值，α′_m为目标的方位角滤波估计值，β′_m为目标的俯仰角滤波估计值；

步骤5、在尺度2上采用卡尔曼滤波法对目标状态进行估计；

步骤5-1、计算目标的无偏观测值得到直角坐标系下的转换测量值

其中，x_m、y_m、z_m为直角坐标系下目标的位置坐标，λ_α和λ_β为无偏系数， 为方位角测量误差，为俯仰角测量误差，分别是和的方差，E[·]表示求期望值，[·]^T表示转置操作；

步骤5-2、计算误差方差矩阵R_p：

式中的α′_m为方位角滤波估计值，β′_m为俯仰角滤波估计值，r_m为距离测量值，为距离测量误差的方差；

步骤5-3、建立目标状态方程和测量方程；

融合后目标的状态方程为：x^u(2,k₂+1)＝Ax^u(2,k₂)+w^u(2,k₂)；

其中，A为去偏后的***状态转移矩阵，x^u(2,k₂)为去偏后的状态向量，x^u(2,k₂)＝[x′,v_x,y′,v_y,z′,v_z]^T，x′、y′和z′是目标在直角坐标系下的位置坐标的滤波值，v_x、v_y和v_z分别为x′、y′和z′方向的速度，w^u(2,k₂)是去偏后的过程噪声；

融合后目标的测量方程为：z^u(2,k₂)＝Bx^u(2,k₂)+v^u(2,k₂)；

其中，B为去偏后的观测矩阵，v^u(2,k₂)为去偏后的观测噪声；

步骤5-4、滤波更新，采用卡尔曼滤波法进行滤波：

k₂-1时刻的滤波值和滤波协方差分别为x^u(2,k₂-1|k₂-1)和P(k₂-1|k₂-1)，则k₂时刻的预测值x^u(2_,k₂|k₂-1)＝Ax^u(2,k₂-1|k₂-1)，k₂时刻的预测协方差P(2,k₂︱k₂-1)＝AP(k₂-1︱k₂-1)A^T+Q(2,k₂)，Q(2,k₂)为去偏后的过程噪声的方差矩阵；

卡尔曼增益矩阵K(2,k₂)＝P(2,k₂|k₂-1)B^T/(R_p+BP(2,k₂|k₂-1)B^T)，

滤波后的状态值x^u(2,k₂|k₂)＝x^u(2,k₂|k₂-1)+K(2,k₂)(Z^u-Bx^u(2,k₂|k₂-1))，

滤波后的协方差矩阵P(2,k₂|k₂)＝P(2,k₂|k₂-1)-K(2,k₂)AP(2,k₂|k₂-1)，

经过融合估计，获得目标在直角坐标系下的位置坐标的滤波值x′、y′和z′；

步骤6、将融合估计的信息转换到尺度1上，计算目标的方位角精确估计值和俯仰角精确估计值以尺度2上的采样时刻n(k₁-1)+1作为当前时刻，在尺度1上采用卡尔曼滤波法进行滤波估计，得到精确滤波估计值：

步骤7、重复步骤2至步骤6，直至目标离开探测***的探测范围，获得目标运动轨迹。

本发明方法更具体的方案为：尺度1为红外探测***的采样频率，尺度2为雷达探测***的采样频率；

k₁时刻在尺度1上的***状态转移矩阵

状态向量x(1,k₁)＝[α′_m，v_α，α_α，β′_m，v_β，α_β]，观测向量z(1,k₁)＝[α_m,β_m]，观测矩阵H(1,k₁)＝[1,0,0,0,0,0；0,0,0,1,0,0]，其中，T为红外探测***的采样周期，α_m为目标的方位角测量值，β_m为目标的俯仰角测量值，α′_m为尺度1上目标的方位角滤波估计值，v_α为α′_m的速度，a_α为α′_m的加速度，β′_m为尺度1上目标的俯仰角滤波估计值，v_β为β′_m的速度，a_β为β′_m的加速度；

k₂时刻在尺度2上的***状态转移矩阵F(2,k₂)＝[1,0,0；0,1,0；0,0,1]，状态向量x(2,k₂)＝[r_m,α′_m,β′_m]，观测向量z(2,k₂)＝[r_m,α′_m,β′_m]，观测矩阵H(2,k₂)＝[1,0,0；0,1,0；0,0,1]，其中，r_m为目标的距离测量值；

红外探测***在尺度1的采样率q₁和激光雷达探测***在尺度2的采样率q₂满足：q₁/q₂＝n，n为正整数，红外探测***在细尺度1上的采样时刻k₁与激光雷达探测***在尺度2上的采样时刻k₂之间关系为：k₂＝n(k₁-1)+1。

由以上技术方案可知，本发明利用红外/激光雷达探测***跟踪目标的多尺度特性建立多尺度模型，获取目标测量值后，在细尺度对角度信息进行估计，然后在粗尺度将估计的角度信息与激光雷达的距离信息融合，再利用CMKF算法对目标状态进行估计，并把融合估计的角度信息转换到细尺度，进一步优化角度估计结果。本发明所提出的基于多尺度模型的红外/激光雷达多传感器融合跟踪方法，通过多尺度数据融合，提高了目标状态的估计精度，与现有技术相比，具有以下有益效果：

1、将多尺度模型引用到信息融合中，更加全面准确的描述目标运动状态；

2、在不同尺度对目标进行估计滤波，并采用CMKF算法去除偏差，提高了目标状态的估计精度；

3、通过不同尺度之间信息的交互，进一步提高了目标跟踪精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中需要使用的附图做简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的流程图；

图2为红外探测***和雷达探测***的采样示意图；

图3为本发明方法与现有技术对目标跟踪的算术平均归一化误差平方图；

图4为本发明方法与现有技术对目标跟踪的均方根误差图。

具体实施方式

红外探测***和激光雷达探测***常用于对目标的状态进行探测，由于红外探测器采样频率比激光雷达快得多，因此将两种探测***结合跟踪目标时，是在不同的采样频率下描述目标状态，具有多尺度特征。本发明利用两种探测***融合的多尺度特征，提出了基于多尺度CMKF(Multi-scale Converted Measurement Kalman Filter，MCMKF)的红外/激光雷达多传感器融合目标跟踪方法。为了便于描述，将红外探测***的采样频率定义为细尺度，将雷达探测***的采样频率定义为粗尺度。

本发明的目标跟踪方法是将红外探测***和激光雷达探测***相结合，根据红外探测***及激光雷达探测***的不同采样频率建立多尺度模型，然后分别获取目标的数据信息，在细尺度上对红外探测***获取的角度信息进行估计，在粗尺度上将细尺度上估计得到的角度信息与激光雷达获取的距离信息融合，再利用CMKF算法在粗尺度上对目标状态进行估计，最后把融合估计的角度信息转换到细尺度，最终获取目标的运动轨迹。

图1为本发明方法的流程图，下面结合图1对本发明方法进行详细说明，本发明的目标跟踪方法包括以下步骤：

步骤1、根据红外探测***和雷达探测***的采样频率建立多尺度模型，所述多尺度模型为：

x(i,k_i+1)＝F(i,k_i)x(i,k_i)+w(i,k_i)

z(i,k_i)＝H(i,k_i)x(i,k_i)+v(i,k_i)

其中，F(i,k_i)为k_i时刻在尺度i上的***状态转移矩阵，x(i,k_i)为k_i时刻在尺度i上的状态向量，x(i,k_i+1)为k_i+1时刻在尺度i上的状态向量，w(i,k_i)为***噪声，z(i,k_i)为k_i时刻在尺度i上的观测向量，H(i,k_i)为k_i时刻在尺度i上的观测矩阵，v(i,k_i)为观测噪声，k_i为尺度i上的采样时刻，i＝1,2，i＝1时的尺度为细尺度，i＝2时的尺度为粗尺度；

k₁时刻在尺度1(细尺度)上的***状态转移矩阵

T为红外探测***的采样周期，k₁时刻在尺度1上的状态向量x(1,k₁)＝[α′_m,v_α,a_α,β′_m,v_β,a_β]，α′_m为尺度1上目标的方位角滤波估计值，v_α为α′_m的速度，a_α为α′_m的加速度，β′_m为尺度1上目标的俯仰角滤波估计值，v_β为β′_m的速度，a_β为β′_m的加速度，k₁时刻在尺度1上的观测向量z(1,k₁)＝[α_m,β_m]，α_m为目标的方位角测量值，β_m为目标的俯仰角测量值，k₁时刻在尺度1上的观测矩阵H(1,k₁)＝[1,0,0,0,0,0；0,0,0,1,0,0]；

k₂时刻在尺度2(粗尺度)上的***状态转移矩阵F(2,k₂)＝[1,0,0；0,1,0；0,0,1]，k₂时刻在尺度2上的状态向量x(2,k₂)＝[r_m,α′_m,β′_m]，r_m为目标的距离测量值，k₂时刻在尺度2上的观测向量z(2,k₂)＝[r_m,α′_m,β′_m]，尺度2上的观测向量与状态向量相同，k₂时刻在尺度2上的观测矩阵H(2,k₂)＝[1,0,0；0,1,0；0,0,1]；

红外探测***在尺度1的采样率q₁和激光雷达探测***在尺度2的采样率q₂满足：q₁/q₂＝n，n为正整数，红外探测***在细尺度1上的采样时刻k₁与激光雷达探测***在尺度2上的采样时刻k₂之间关系为：k₂＝n(k₁-1)+1；

步骤2、红外探测***和雷达探测***分别对目标进行数据采集；

以红外探测***和雷达探测***所在的平台为坐标原点，两个探测***的传感器分别对某一做匀速运动的目标进行观测，采集到的数据包括由激光雷达探测***采集的目标的距离测量值r_m以及由红外探测***采集的目标的方位角测量值α_m和目标的俯仰角测量值β_m；

步骤3、在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波(Unscented Kalman Filter，UKF)法进行估计，滤波过程中利用两点递推法进行初始化，经过UKF法滤波估计后得到更为精确的目标的方位角滤波估计值α′_m和俯仰角滤波估计值β′_m；

UKF法是基于无迹变换，利用一系列选取好的采样点，对状态向量的概率密度函数进行近似，UKF法步骤如下：

状态的时间更新：计算k₁时刻尺度1上的(2n_x+1)个采样点ξ_j及其对应的权值W_j，

其中，x(1,k₁|k₁)为k₁时刻在尺度1上的状态向量，n_x为状态向量的维数，ρ为尺度参数，一般为0，P(1,k₁|k₁)为k₁时刻在尺度1上的状态协方差，α为采样点到均值的距离，一般为很小的正数，β为状态分布参数，表示(n_x+ρ)P(1,k₁|k₁)均方根矩阵的第j行或第j列，和分别为采样点的均值和方差所用加权；

将每一个采样点代入细尺度x(1,k₁+1)＝F(1,k₁)x(1,k₁)进行变换，***噪声可忽略，x_j(1,k₁+1|k₁)＝F(1,k₁)ξ_j，j＝0,1,…,2n_x，得到新的采样点集合；

一步状态预测：

一步状态预测协方差：

式中的Q(1,k₁)为尺度1上的过程噪声协方差；

测量更新：利用一步状态预测、一步状态预测协方差重新计算采样点ξ_s：

将每一个采样点代入细尺度z(1,k₁)＝H(1,k₁)x(1,k₁)变换，观测噪声可忽略：z_j(1,k₁+1|k₁)＝H(1,k₁)ξ_s，得到新的采样点集合；

计算观测量协方差：

其中，R(1,k₁)为尺度1上的噪声协方差；

计算观测量与状态量协方差：

滤波更新：

UKF增益矩阵：K(1,k₁+1)＝P_xz(1,k₁+1|k₁)P_z(1,k₁+1|k₁)^-1；

状态更新：x(1,k₁|k₁)＝x(1,k₁+1|k₁)+K(1,k₁+1)(z(1,k₁+1|k₁)-z(1,k₁+1|k₁))；

状态协方差更新：P(1,k₁+1|k₁+1)＝P(1,k₁+1|k₁)-K(1,k₁+1)P_z(1,k₁+1|k₁)K(1,k₁+1)^T；

经过滤波估计，得到方位角估计值和俯仰角估计值；

步骤4、在尺度2上将步骤3得到角度估计信息和激光雷达探测***获取的距离信息进行融合，把观测值转换到直角坐标系，计算出目标在直角坐标系下的位置坐标；

红外探测***的采样频率比雷达探测***的采样频率快得多，且其采样频率是雷达探测***采样频率的整数倍，在雷达探测***获得目标的距离测量值的时刻，即在尺度2上，将步骤3得到的角度估计信息和激光雷达的距离测量值进行融合；

在目标跟踪过程中，在直角坐标系中建模的优点在于滤波和外推过程可以在线性动态模型上实现，在球坐标系中建模会使滤波和外推过程变复杂；由于红外及雷达探测***获取的测量值是球坐标系中的数据，为了在直角坐标系中描述目标状态，需要先将获得的角度信息和距离信息进行融合，即利用角度信息和距离信息确定目标位置，将球坐标系下的观测信息转换到直角坐标***中，计算出直角坐标系下的目标的位置坐标(x_m，y_m，z_m)：

其中，r_m为目标的距离测量值，α′_m为目标的方位角滤波估计值，β′_m为目标的俯仰角滤波估计值；

步骤5、采用CMKF算法在尺度2上对目标状态进行估计；

从步骤4可以看出，坐标转换是一个非线性过程，球坐标系下的测量值经过坐标转换后导致转换测量值有偏，独立的高斯噪声经过坐标转换也不再是高斯型，而且转换测量误差之间相互耦合，不再满足线性卡尔曼滤波条件，因此采用CMKF算法计算出转换测量值的误差均值和方差，对直角坐标系下的转换测量值进行去偏，得到新的转换测量方程，则此测量方程在直角坐标系下为线性的，可用卡尔曼滤波算法进行滤波；

步骤5-1、计算目标的无偏观测值经非线性坐标转换并去偏后得到直角坐标系下的转换测量值

其中，x_m、y_m、z_m为直角坐标系下目标的位置坐标，λ_α和λ_β为无偏系数， 为方位角测量误差，为俯仰角测量误差，二者是相互独立的高斯白噪声，分别是和的方差，E[·]表示求期望值，[·]^T表示转置操作；

步骤5-2、计算误差方差矩阵R_p：

式中的α′_m为方位角滤波估计值，β′_m为俯仰角滤波估计值，r_m为距离测量值，为距离测量误差的方差；

步骤5-3、建立目标状态方程和测量方程；

融合后目标的状态方程为：x^u(2,k₂+1)＝Ax^u(2,k₂)+w^u(2,k₂)；

其中，A为去偏后的***状态转移矩阵，x^u(2,k₂)为去偏后的状态向量，x^u(2,k₂)＝[x′,v_x,y′,v_y,z′,v_z]^T，x′、y′和z′是目标在直角坐标系的位置坐标的滤波值，v_x、v_y和v_z分别为x′、y′和z′的速度，w^u(2,k₂)是去偏后的过程噪声；

本实施例采用匀速模型，则去偏后的***状态转移矩阵

T′为雷达探测***的采样周期；

融合后目标的测量方程为：z^u(2,k₂)＝Bx^u(2,k₂)+v^u(2,k₂)；

其中，B为去偏后的观测矩阵，B＝[1,0,0,0,0,0；0,1,0,0,0,0；0,0,0,0,1,0；0,0,0,0,0,1]，v^u(2,k₂)为去偏后的观测噪声，其均值为零、方差为R_p；

步骤5-4、滤波更新，转换后的目标状态方程和测量方程在直角坐标系下都为线性，可以采用卡尔曼滤波法进行滤波：

k₂-1时刻的滤波值和滤波协方差分别为x^u(2,k₂-1|k₂-1)和P(k₂-1|k₂-1)，则k₂时刻的预测值x^u(2,k₂|k₂-1)＝Ax^u(2,k₂-1|k₂-1)，k₂时刻的预测协方差P(2,k₂︱k₂-1)＝AP(k₂-1︱k₂-1)A^T+Q(2,k₂)，Q(2,k₂)为去偏后的过程噪声的方差矩阵；

卡尔曼增益矩阵K(2,k₂)＝P(2,k₂|k₂-1)B^T/(R_p+BP(2,k₂|k₂-1)B^T)，

滤波后的状态值x^u(2,k₂|k₂)＝x^u(2,k₂|k₂-1)+K(2,k₂)(Z^u-Bx^u(2,k₂|k₂-1))，

滤波后的协方差矩阵P(2,k₂|k₂)＝P(2,k₂|k₂-1)-K(2,k₂)AP(2,k₂|k₂-1)，

经过融合估计，获得目标在直角坐标系的位置坐标的滤波值x′、y′和z′；

步骤6、将融合估计的信息转换到尺度1上，进一步优化角度估计结果；

利用步骤5获得的位置信息，计算目标的方位角精确估计值和俯仰角精确估计值

再将方位角精确估计值和俯仰角精确估计值返回到尺度1上，以尺度2上的采样时刻n(k₁-1)+1作为当前时刻，在尺度1上采用无迹卡尔曼滤波法进行滤波估计，由于当前的角度估计值融合了雷达探测***得到的距离信息，估计精度更高；

步骤7、重复步骤2至步骤6，直至目标离开探测***的探测范围，获得目标运动轨迹。

本发明的效果可以通过以下的仿真结果进一步说明：

仿真时，用现有技术的基于CMKF算法的目标跟踪方法与本发明方法进行对比。

仿真条件如下：红外探测器和激光测距集处于坐标原点，目标在三维空间做匀速运动，v_x＝200m/s，v_y＝0，v_z＝150m/s，目标的初始信息为[10000,π/2,0]，σ_r＝10m，σ_α＝0.002rad，σ_β＝0.002rad。红外探测器的采样周期为0.02s，激光测距机的采样周期为0.1s，***的仿真时间为20s。

表1

表1列出了两种方法的均方根误差(Average Euclidean Error，简称AEE)和均方根误差(root mean-square error，RMSE)，由表1可知本发明方法的误差均小于现有技术的基于CMKF算法的目标跟踪方法，说明了本发明方法法的有效性，且估计精度明显提高。

如果估计误差和估计协方差和真实误差匹配，算术平均归一化误差平方(Averaged Normalized Estimation Error Squared，简称ANEES)为1；如果ANEES小于(大于)1，说明真实值小于(大于)滤波器估计的结果。图3是本发明与基于CMKF算法的目标跟踪方法对目标跟踪的算术平均归一化均方误差图，从图3可以看出基于CMKF算法的目标跟踪方法的ANEES一直小于1，说明滤波器估计的均方误差过于悲观，而本发明方法的经过初始阶段后一直接近1，说明估计误差和估计协方差接近真实值。

图4是本发明与基于CMKF算法的目标跟踪方法对目标跟踪的均方根误差图，图4中的点划线表示基于CMKF算法的目标跟踪方法的跟踪轨迹，虚线表示本发明方法的融合跟踪轨迹，从图4可以看出，点划线几乎一直高于虚线，即本发明方法的RMSE一直小于基于CMKF算法的目标跟踪方法的误差，说明本发明方法的估计误差比基于CMKF算法的目标跟踪方法的估计误差小。

以上所述，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (2)

1.基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，其特征在于，包括以下步骤：

步骤1、根据红外探测***和激光雷达探测***的采样频率建立多尺度模型，所述多尺度模型为：

x(i,k_i+1)＝F(i,k_i)x(i,k_i)+w(i,k_i)

z(i,k_i)＝H(i,k_i)x(i,k_i)+v(i,k_i)

其中，x(i,k_i+1)为k_i+1时刻在尺度i上的状态向量，F(i,k_i)为k_i时刻在尺度i上的***状态转移矩阵，x(i,k_i)为k_i时刻在尺度i上的状态向量，w(i,k_i)为***噪声，z(i,k_i)为k_i时刻在尺度i上的观测向量，H(i,k_i)为k_i时刻在尺度i上的观测矩阵，v(i,k_i)为观测噪声，k_i为尺度i上的采样时刻，i＝1,2；

步骤2、红外探测***和激光雷达探测***分别对目标进行数据采集，得到目标的方位角测量值α_m、目标的俯仰角测量值β_m和目标的距离测量值r_m；

步骤3、在尺度1上对红外探测***获取的角度信息采用无迹卡尔曼滤波法进行估计，滤波过程中利用两点递推法进行初始化，得到目标的方位角滤波估计值α′_m和俯仰角滤波估计值β′_m；

步骤4、在尺度2上将步骤3得到角度估计信息和激光雷达探测***获取的距离信息进行融合，计算出目标在直角坐标系下的位置坐标(x_m，y_m，z_m)：

$\left\{\begin{array}{c}{x}_m=r_m\×{\mathrm{cos\β}}_m^{\′}\×{\mathrm{cos\α}}_m^{\′}\\ y_m=r_m\×{\mathrm{cos\β}}_m^{\′}\×{\mathrm{sin\α}}_m^{\′}\\ z_m=r_m\×{\mathrm{sin\β}}_m^{\′}\end{array}\right.;$

其中，r_m为目标的距离测量值，α′_m为目标的方位角滤波估计值，β′_m为目标的俯仰角滤波估计值；

步骤5、在尺度2上采用卡尔曼滤波法对目标状态进行估计；

步骤5-1、计算目标的无偏观测值得到直角坐标系下的转换测量值

$\left\{\begin{array}{c}{x}_m^u={\mathrm{\λ}}_{\mathrm{\α}}^{-1}{\mathrm{\λ}}_{\mathrm{\β}}^{-1}{x}_m\\ y_m^u={\mathrm{\λ}}_{\mathrm{\α}}^{-1}{\mathrm{\λ}}_{\mathrm{\β}}^{-1}{y}_m\\ z_m^u={\mathrm{\λ}}_{\mathrm{\β}}^{-1}{z}_m\end{array}\right.;$

其中，x_m、y_m、z_m为直角坐标系下目标的位置坐标，λ_α和λ_β为无偏系数， 为方位角测量误差，为俯仰角测量误差，分别是和的方差，E[·]表示求期望值，[·]^T表示转置操作；

步骤5-2、计算误差方差矩阵R_p：

$R_p=\mathrm{cov}\left\{{\[x_m^u,y_m^u,z_m^u\]}^T\right|r_m,{\mathrm{\α}}_m^{\′},{\mathrm{\β}}_m^{\′}\}=\left[\begin{array}{ccc}{R}_p^{11}& R_p^{12}& R_p^{13}\\ R_p^{21}& R_p^{22}& R_p^{23}\\ R_p^{31}& R_p^{32}& R_p^{33}\end{array}\right];$

$R_p^{11}=\frac{1}{4}(r_m^2+{\mathrm{\σ}}_r^2)\[1+{{\mathrm{\λ}}_{\mathrm{\α}}}^{\′}cos\left(2{\mathrm{\α}}_m^{\′}\right)\]\[1+{{\mathrm{\λ}}_{\mathrm{\β}}}^{\′}cos\left(2{\mathrm{\β}}_m^{\′}\right)\]+r_m^2{\cos }^2{\mathrm{\β}}_m^{\′}{\cos }^2{\mathrm{\α}}_m^{\′}\[{\left({\mathrm{\λ}}_{\mathrm{\α}}{\mathrm{\λ}}_{\mathrm{\β}}\right)}^{-2}-2\]$

$R_p^{22}=\frac{1}{4}(r_m^2+{\mathrm{\σ}}_r^2)\[1-{{\mathrm{\λ}}_{\mathrm{\α}}}^{\′}cos\left(2{\mathrm{\α}}_m^{\′}\right)\]\[1+{{\mathrm{\λ}}_{\mathrm{\β}}}^{\′}cos\left(2{\mathrm{\β}}_m^{\′}\right)\]+r_m^2{\cos }^2{\mathrm{\β}}_m^{\′}{\sin }^2{\mathrm{\α}}_m^{\′}\[{\left({\mathrm{\λ}}_{\mathrm{\α}}{\mathrm{\λ}}_{\mathrm{\β}}\right)}^{-2}-2\]$

$R_p^{33}=\frac{1}{2}(r_m^2+{\mathrm{\σ}}_r^2)\[1+{{\mathrm{\λ}}_{\mathrm{\β}}}^{\′}cos\left(2{\mathrm{\β}}_m^{\′}\right)\]+r_m^2{\sin }^2{\mathrm{\β}}_m^{\′}({{\mathrm{\λ}}_{\mathrm{\β}}}^{-2}-2)$

$R_p^{12}=\frac{1}{4}(r_m^2+{\mathrm{\σ}}_r^2){{\mathrm{\λ}}_{\mathrm{\α}}}^{\′}sin\left(2{\mathrm{\α}}_m^{\′}\right)\[1+{{\mathrm{\λ}}_{\mathrm{\β}}}^{\′}cos\left(2{\mathrm{\β}}_m^{\′}\right)\]+r_m^2{\cos }^2{\mathrm{\β}}_m^{\′}{\mathrm{sin\α}}_m^{\′}{\mathrm{cos\α}}_m^{\′}\[{\left({\mathrm{\λ}}_{\mathrm{\α}}{\mathrm{\λ}}_{\mathrm{\β}}\right)}^{-2}-2\]$

$R_p^{13}=\frac{1}{2}(r_m^2+{\mathrm{\σ}}_r^2){\mathrm{\λ}}_{\mathrm{\α}}{{\mathrm{\λ}}_{\mathrm{\β}}}^{\′}{\mathrm{cos\α}}_m^{\′}sin\left(2{\mathrm{\β}}_m^{\′}\right)+r_m^2{\mathrm{cos\β}}_m^{\′}{\mathrm{sin\β}}_m^{\′}{\mathrm{cos\α}}_m^{\′}({{\mathrm{\λ}}_{\mathrm{\α}}}^{-1}{{\mathrm{\λ}}_{\mathrm{\β}}}^{-2}-{{\mathrm{\λ}}_{\mathrm{\α}}}^{-1}-{\mathrm{\λ}}_{\mathrm{\α}})$

$R_p^{23}=\frac{1}{2}(r_m^2+{\mathrm{\σ}}_r^2){\mathrm{\λ}}_{\mathrm{\α}}{{\mathrm{\λ}}_{\mathrm{\β}}}^{\′}{\mathrm{sin\α}}_m^{\′}sin\left(2{\mathrm{\β}}_m^{\′}\right)+r_m^2{\mathrm{cos\β}}_m^{\′}{\mathrm{sin\β}}_m^{\′}{\mathrm{sin\α}}_m^{\′}({{\mathrm{\λ}}_{\mathrm{\α}}}^{-1}{{\mathrm{\λ}}_{\mathrm{\β}}}^{-1}-{{\mathrm{\λ}}_{\mathrm{\α}}}^{-1}-{\mathrm{\λ}}_{\mathrm{\α}})$

式中的 为距离测量误差的方差；

步骤5-3、建立目标状态方程和测量方程；

融合后目标的状态方程为：x^u(2,k₂+1)＝Ax^u(2,k₂)+w^u(2,k₂)；

其中，A为去偏后的***状态转移矩阵，x^u(2,k₂)为去偏后的状态向量，x^u(2,k₂)＝[x′,v_x,y′,v_y,z′,v_z]^T，x′、y′和z′是目标在直角坐标系下的位置坐标的滤波值，v_x、v_y和v_z分别为x′、y′和z′方向的速度，w^u(2,k₂)是去偏后的过程噪声；

融合后目标的测量方程为：z^u(2,k₂)＝Bx^u(2,k₂)+v^u(2,k₂)；

其中，B为去偏后的观测矩阵，v^u(2,k₂)为去偏后的观测噪声；

步骤5-4、滤波更新，采用卡尔曼滤波法进行滤波：

k₂-1时刻的滤波值和滤波协方差分别为x^u(2,k₂-1|k₂-1)和P(k₂-1|k₂-1)，则k₂时刻的预测值x^u(2,k₂|k₂-1)＝Ax^u(2,k₂-1|k₂-1)，k₂时刻的预测协方差P(2,k₂︱k₂-1)＝AP(k₂-1︱k₂-1)A^T+Q(2,k₂)，Q(2,k₂)为去偏后的过程噪声的方差矩阵；

卡尔曼增益矩阵K(2,k₂)＝P(2,k₂|k₂-1)B^T/(R_p+BP(2,k₂|k₂-1)B^T)，

滤波后的状态值x^u(2,k₂|k₂)＝x^u(2,k₂|k₂-1)+K(2,k₂)(z^u-Bx^u(2,k₂|k₂-1))，

滤波后的协方差矩阵P(2,k₂|k₂)＝P(2,k₂|k₂-1)-K(2,k₂)AP(2,k₂|k₂-1)，

经过融合估计，获得目标在直角坐标系下的位置坐标的滤波值x′、y′和z′；

步骤6、将融合估计的信息转换到尺度1上，进一步优化角度估计结果；

利用步骤5获得的位置信息，计算目标的方位角精确估计值和俯仰角精确估计值

${\mathrm{\α}}_m^u=arctan\frac{y^{\′}}{x^{\′}},$

${\mathrm{\β}}_m^u=arctan\frac{z^{\′}}{\sqrt{x^{\′2}+y^{\′2}}};$

再将方位角精确估计值和俯仰角精确估计值返回到尺度1上，以尺度2上的采样时刻n(k₁-1)+1作为当前时刻，在尺度1上采用卡尔曼滤波法进行滤波估计，得到精确滤波估计值，红外探测***在尺度1的采样率q₁和激光雷达探测***在尺度2的采样率q₂满足：q₁/q₂＝n，n为正整数，红外探测***在尺度1上的采样时刻k₁与激光雷达探测***在尺度2上的采样时刻k₂之间关系为：k₂＝n(k₁-1)+1；

步骤7、重复步骤2至步骤6，直至目标离开探测***的探测范围，获得目标运动轨迹。

2.如权利要求1所述的基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，其特征在于：

尺度1为红外探测***的采样频率，尺度2为激光雷达探测***的采样频率；

k₁时刻在尺度1上的***状态转移矩阵

状态向量x(1,k₁)＝[α’_m,v_α,α_α,β’_m,v_β,α_β]，观测向量z(1,k₁)＝[α_m,β_m]，观测矩阵H(1,k₁)＝[1,0,0,0,0,0；0,0,0,1,0,0]，其中，T为红外探测***的采样周期，α_m为目标的方位角测量值，β_m为目标的俯仰角测量值，α′_m为尺度1上目标的方位角滤波估计值，v_α为α′_m的速度，α_α为α′_m的加速度，β′_m为尺度1上目标的俯仰角滤波估计值，v_β为β′_m的速度，α_β为β′_m的加速度；

k₂时刻在尺度2上的***状态转移矩阵F(2,k₂)＝[1,0,0；0,1,0；0,0,1]，状态向量x(2,k₂)＝[r_m,α′_m,β′_m]，观测向量z(2,k₂)＝[r_m,α′_m,β′_m]，观测矩阵H(2,k₂)＝[1,0,0；0,1,0；0,0,1]。