CN108168564A - 一种基于lhd灰色关联度的航迹关联方法 - Google Patents

Abstract

一种基于LHD灰色关联度的航迹关联方法，获取多个传感器扫描到的多个目标信息，处理得到目标航迹序列，计算多个传感器所获取到的目标航迹之间的灰色关联度，根据灰色关联度计算灰色关联矩阵，确定灰色关联门限，得到航迹关联矩阵，根据航迹关联矩阵判定航迹关联。本发明目标跟踪精度高，在密集杂波环境下能够快速正确地关联目标航迹，能够有效地提高航迹关联算法的精确度，计算量小，便于更好的应用于工程实践中。

Description

一种基于LHD灰色关联度的航迹关联方法

技术领域

本发明涉及一种基于LHD(线段集之间距离)灰色关联度的航迹关联方法。

背景技术

多雷达航迹关联过程有可能发生很多问题，比方说时间校对、***偏差、观测随机误差等。理论上来讲，目标航迹的平移是由雷达传感器的测量的距离偏差引起的，目标航迹的旋转是由雷达传感器的测量的角度偏差引起的，而目标航迹的平移和旋转又会导致量测航迹与目标真实航迹存在偏移，传统的滤波方法无法解决这个问题，于是引入了灰色关联分析算法。灰色关联分析法简单方便易理解，它不需要掌握样本的数量和分布情况，这些特点在工程应用中使用价值很大，尤其是现在雷达传感器只能够获取目标角度或位置信息这种信息不完备的情况下，它能够有效地提高航迹关联算法的精确度以便更好的应用于工程实践中。灰色关联分析法可以通过对少量数据进行整理研究并发现其统计周期规律，即完全充分地利用了获取到的数据来研究***内部规律，雷达目标航迹关联不仅要判断两条航迹之间距离的接近度，还要判断两条航迹之间曲线拟合的相似度，灰色关联分析算法能够在密集杂波环境下较为快速、正确地关联目标航迹。

目前国内有专利CN101893441A(“基于离差最大化及灰色关联分析的无人机航迹优选方法”)介绍了一种灰色关联分析的航迹优选方法，该方法根据无人机所受威胁不同，建立无人机航迹方案优选决策目标体系，采用灰色关联分析法对优选模型进行求解，充分利用各属性之间存在的灰色关联信息，根据决策层关联度确定最优航迹方案。该方案客观性强，无需专家进行估值，可操作性强，但是该方法对目标要求性较高，不具有雷达探测目标的普遍性。

专利CN105137418B(“基于全邻模糊聚类的多目标跟踪与数据关联方法”)介绍了一种模糊聚类下的多目标数据关联方法，该方法利用模糊数学中的模糊聚类方法，计算相关波门内候选量测与不同目标互联的概率，通过概率加权融合对各目标状态与协方差进行更新。该方法在跟踪滤波实时性方面取得了较大改善，为杂波环境下的多目标实时跟踪问题提供了一种新的解决方法，但是该方法的跟踪精度与有效跟踪率还有待改善，无法实现雷达高精度目标跟踪。

专利CN101398311B(“基于灰色***理论的重复动态测量数据处理方法”)介绍了一种基于灰色***理论的数据处理方法。该方法通过各传感器测量到的离散数据按照灰色***理论累加生成处理，使用不确定灰度评定技术，做曲线拟合，得到动态测量不确定度函数数据模型。该方法将灰色关联理论较为成熟地应用于数据融合处理，提高数据处理精度，但其局限在于，该方法复杂，运算量大，需要增加大量的处理时间，工程实现意义不大。

2013年第1期刊的《硅谷》期刊中公开文献《基于灰色关联度的多传感器数据融合方法研究》介绍了一种基于灰色关联的数据融合方法，该方法将各种传感器测得的数据视为一个行为序列，利用灰色关联度对不同传感器测得数据之间的接近程度进行度量，并通过灰色关联矩阵全面衡量数据间的综合接近程度，实现多传感器数据的融合。该方法可有效降低跟踪误差，提高测量精度，但是该算法运算时间长，实时性较差。

2012年第8期的《舰船电子工程》期刊中公开文献《极坐标系下的航迹灰色区间关联算法》介绍了一种航迹灰色区间关联算法。该方法在分析时变偏差影响的基础上，提出一种基于极坐标测量参数的航迹灰区域表示方法，并以此建立了区间灰数关联模型，实现了无需对***误差配准的航迹关联配对。该算法具有较好的抗差性能，但是该方法主要针对雷达组网中时变***偏差存在时的航迹关联问题进行研究，忽略了密集杂波环境下多目标航迹关联问题，无法应用于复杂环境下的多目标跟踪情况。

发明内容

本发明提供一种基于LHD灰色关联度的航迹关联方法，目标跟踪精度高，在密集杂波环境下能够快速正确地关联目标航迹，能够有效地提高航迹关联算法的精确度，计算量小，便于更好的应用于工程实践中。

为了达到上述目的，本发明提供一种基于LHD灰色关联度的航迹关联方法，包含以下步骤：

步骤S1、获取多个传感器扫描到的多个目标信息，处理得到目标航迹序列；

步骤S2、计算多个传感器所获取到的目标航迹之间的灰色关联度；

步骤S3、根据灰色关联度计算灰色关联矩阵；

步骤S4、确定灰色关联门限；

步骤S5、得到航迹关联矩阵，根据航迹关联矩阵判定航迹关联。

所述的步骤S1中，令两个传感器扫描到的航迹信息分别为X_i＝(x_i(1),x_i(2),...,x_i(S))，i＝1,2,...,M，Y_j＝(y_j(1),y_j(2),...,y_j(S)),j＝1,2,...,N，其中，x_i(k)、y_j(k)分别为两个传感器获取到所对应的第i、j条航迹在第k时刻的目标信息，S表示传感器扫描时间长度，M和N表示扫描目标个数，两个传感器的目标航迹信息所对应的线段集信息分别为：i＝1,2,...,M和j＝1,2,...,N；

假设两个序列A和B，其中A＝{a₁,a₂,...,a_m}，B＝{b₁,b₂,...,b_n}，则两个序列A和B之间的Hausdorff距离为：

H(A,B)＝max[h(A,B),h(B,A)]

式中，Hausdorff距离注明了序列点集相似度；

将Hausdorff距离扩展为线段集之间距离(LHD)，假设两个线段分别为m_i和n_j，则m_i和n_j这两个线段之间的距离定义为：

式中，为两个线段之间的方向距离，为两个线段之间的平行距离，为两个线段之间的垂直距离，f(θ(m_i,n_j))是将线段之间的夹角θ(m_i,n_j)转换为标量，l_H1,l_H2为端点间距离，l_V为较短线段旋转后使其平行后获得的垂直距离。

所述的步骤S2中，令γ_ij为两个传感器所对应的第i条以及第j条航迹的灰色关联度：

其中，

所述的步骤S3中，根据灰色关联度γ_ij计算灰色关联矩阵R_MN：

所述的步骤S4中，灰色关联门限λ的数值范围为0.5≤λ≤1。

所述的步骤S5中，判定航迹关联的方法具体包含以下步骤：

步骤S5.1、将灰色关联矩阵R_MN中所有小于灰色关联度门限λ的灰色关联度均置0；

步骤S5.2、利用全局最优分配方法对灰色关联矩阵R_MN进行最优分配，使矩阵R_MN的每行或者每列至多仅存在一个最大元素可能被关联，重复执行全局最优分配算法，直至R_MN矩阵的所有元素全部为零，最终得到航迹关联矩阵R_λ。

所述的步骤S5.2中，在进行最优分配过程中，确保全部被关联的数据之和达到最大。

本发明具有以下优点：

1、目标跟踪精度高，在密集杂波环境下能够快速正确地关联目标航迹，能够有效地提高航迹关联算法的精确度。

2、计算量小，便于更好的应用于工程实践中。

附图说明

图1是本发明提供的一种基于LHD灰色关联度的航迹关联方法的流程图。

图2是线段集之间距离的示意图。

图3是本发明的实施例的仿真结果图。

具体实施方式

以下根据图1～图3，具体说明本发明的较佳实施例。

如图1所示，本发明提供一种基于LHD灰色关联度的航迹关联方法，包含以下步骤：

步骤S1、获取多个传感器扫描到的多个目标信息，处理得到目标航迹序列；

步骤S2、计算多个传感器所获取到的目标航迹之间的灰色关联度；

步骤S3、根据灰色关联度计算灰色关联矩阵；

步骤S4、确定灰色关联门限；

步骤S5、得到航迹关联矩阵，根据航迹关联矩阵判定航迹关联。

所述的步骤S1中，令两个传感器扫描到的航迹信息分别为X_i＝(x_i(1),x_i(2),...,x_i(S))，i＝1,2,...,M，Y_j＝(y_j(1),y_j(2),...,y_j(S)),j＝1,2,...,N，其中，x_i(k)、y_j(k)分别为两个传感器获取到所对应的第i、j条航迹在第k时刻的目标信息，S表示传感器扫描时间长度，M和N表示扫描目标个数，两个传感器的目标航迹信息所对应的线段集信息分别为：i＝1,2,...,M和j＝1,2,...,N；

假设两个序列A和B，其中A＝{a₁,a₂,...,a_m}，B＝{b₁,b₂,...,b_n}，则两个序列A和B之间的Hausdorff距离为：

H(A,B)＝max[h(A,B),h(B,A)]

式中，Hausdorff距离注明了序列点集相似度；

将Hausdorff距离扩展为线段集之间距离(LHD)，假设两个线段分别为m_i和n_j，则m_i和n_j这两个线段之间的距离定义为：

式中，为两个线段之间的方向距离，为两个线段之间的平行距离，为两个线段之间的垂直距离，f(θ(m_i,n_j))是将线段之间的夹角θ(m_i,n_j)转换为标量，l_H1,l_H2为端点间距离，l_V为较短线段旋转后使其平行后获得的垂直距离。

所述的步骤S2中，令γ_ij为两个传感器所对应的第i条以及第j条航迹的灰色关联度：

其中，

所述的步骤S3中，根据灰色关联度γ_ij计算灰色关联矩阵R_MN：

所述的步骤S4中，确定灰色关联门限λ；

门限λ，可根据实际具体工程情况而定，一般0.5≤λ≤1，γ_ij若越大，则代表两个传感器所对应的第i条以及第j条航迹关联程度随之就越大，当γ_ij大于λ时才能确认两个航迹关联。

所述的步骤S5中，判定航迹关联的方法具体包含以下步骤：

步骤S5.1、将灰色关联矩阵R_MN中所有小于灰色关联度门限λ的灰色关联度均置0；

步骤S5.2、利用全局最优分配方法对灰色关联矩阵R_MN进行最优分配，使矩阵R_MN的每行或者每列至多仅存在一个最大元素可能被关联，重复执行全局最优分配算法，直至R_MN矩阵的所有元素全部为零；

在进行最优分配过程中，如果最大值处于灰色关联矩阵R_MN的第i₀行j₀列，则两个传感器扫描到的第i₀条及第j₀条航迹关联，而且除了R_MN的第i₀行j₀列之外的其他数据全部置0，最终得到航迹关联矩阵R_λ。

该过程一定要确保全部被关联的数据之和要达到最大。

在本发明的一个实施例中，假设两个传感器1、2同时跟踪四个目标，每一个传感器均能扫描到全部航迹信息。令目标运动模型为匀速运动，这四个目标状态设为[x y v_x v_y]，则令目标1、2、3、4起始值为[15000 10000 0 12]，[16000 10000 0 12]，[16000 10000 104]，[17000 10000 10 4]。假定传感器1、2跟踪目标的状态估计误差为零均值高斯白噪声且其方位误差为0.5。设定扫描周期为10ms，假设这两个传感器的航迹信息均位于公共坐标系空间下，每个目标航迹仿真运行了10个周期，假设灰色关联门限λ为0.6，图3为传感器1、2对于这4个目标的航迹关联概率曲线图。

本发明具有以下优点：

1、目标跟踪精度高，在密集杂波环境下能够快速正确地关联目标航迹，能够有效地提高航迹关联算法的精确度。

2、计算量小，便于更好的应用于工程实践中。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (7)

1.一种基于LHD灰色关联度的航迹关联方法，其特征在于，包含以下步骤：

步骤S1、获取多个传感器扫描到的多个目标信息，处理得到目标航迹序列；

步骤S2、计算多个传感器所获取到的目标航迹之间的灰色关联度；

步骤S3、根据灰色关联度计算灰色关联矩阵；

步骤S4、确定灰色关联门限；

步骤S5、得到航迹关联矩阵，根据航迹关联矩阵判定航迹关联。

2.如权利要求1所述的基于LHD灰色关联度的航迹关联方法，其特征在于，所述的步骤S1中，

令两个传感器扫描到的航迹信息分别为X_i＝(x_i(1),x_i(2),...,x_i(S))，i＝1,2,...,M，Y_j＝(y_j(1),y_j(2),...,y_j(S)),j＝1,2,...,N，其中，x_i(k)、y_j(k)分别为两个传感器获取到所对应的第i、j条航迹在第k时刻的目标信息，S表示传感器扫描时间长度，M和N表示扫描目标个数，两个传感器的目标航迹信息所对应的线段集信息分别为：

和

假设两个序列A和B，其中A＝{a₁,a₂,...,a_m}，B＝{b₁,b₂,...,b_n}，则两个序列A和B之间的Hausdorff距离为：

H(A,B)＝max[h(A,B),h(B,A)]

式中，Hausdorff距离注明了序列点集相似度；

将Hausdorff距离扩展为线段集之间距离(LHD)，假设两个线段分别为m_i和n_j，则m_i和n_j这两个线段之间的距离定义为：

式中，为两个线段之间的方向距离，为两个线段之间的平行距离，为两个线段之间的垂直距离，f(θ(m_i,n_j))是将线段之间的夹角θ(m_i,n_j)转换为标量，l_H1,l_H2为端点间距离，l_V为较短线段旋转后使其平行后获得的垂直距离。

3.如权利要求2所述的基于LHD灰色关联度的航迹关联方法，其特征在于，所述的步骤S2中，令γ_ij为两个传感器所对应的第i条以及第j条航迹的灰色关联度：

其中，

4.如权利要求3所述的基于LHD灰色关联度的航迹关联方法，其特征在于，所述的步骤S3中，根据灰色关联度γ_ij计算灰色关联矩阵R_MN：

。

5.如权利要求4所述的基于LHD灰色关联度的航迹关联方法，其特征在于，所述的步骤S4中，灰色关联门限λ的数值范围为0.5≤λ≤1。

6.如权利要求5所述的基于LHD灰色关联度的航迹关联方法，其特征在于，所述的步骤S5中，判定航迹关联的方法具体包含以下步骤：

步骤S5.1、将航迹关联矩阵R_λ中所有小于灰色关联度门限λ的灰色关联度均置0；

步骤S5.2、利用全局最优分配方法对航迹关联矩阵R_λ进行最优分配，使矩阵R_λ的每行或者每列至多仅存在一个最大元素可能被关联，重复执行全局最优分配算法，直至R_λ矩阵的所有元素全部为零。

7.如权利要求6所述的基于LHD灰色关联度的航迹关联方法，其特征在于，所述的步骤S5.2中，在进行最优分配过程中，确保全部被关联的数据之和达到最大。