阅读说明：本技术 一种异类传感器联合航迹关联与跟踪方法 (A kind of Dissimilar sensors joint track association and tracking ) 是由 杨晓波 赖淦 付玲枝 梁志宇 易伟 翟博文 李溯琪 孔令讲 于 2019-08-29 设计创作，主要内容包括：本发明公开了一种异类传感器联合航迹关联与跟踪方法,包括以下步骤：S1、初始化系统参数；S2、通过高斯克吕格投影,将多种数据源映射到统一的笛卡尔坐标系下；S3、通过哈希编码对数据源报文进行粗关联；S4、对报文航迹进行卡尔曼滤波处理；S5、通过线性外推和内插,对滤波后的报文点迹作时间对齐；S6、通过最近邻算法进行点迹的关联；S7、通过(M,C)/N逻辑判断准则进行航迹的关联。本发明具有计算复杂度低,关联正确率高等优点。(The invention discloses a kind of Dissimilar sensors joint track association and trackings, comprising the following steps: S1, initialization system parameter；S2, pass through Gaüss-Krüger projection, multiple data sources are mapped under unified cartesian coordinate system；S3, data source messages are slightly associated with by Hash coding；S4, Kalman filtering processing is carried out to message track；S5, pass through linear extrapolation and interpolation, time unifying is made to filtered message point mark；S6, the association that a mark is carried out by nearest neighbor algorithm；S7, the association that track is carried out by (M, C)/N logic judgment criterion.The present invention has many advantages, such as that computation complexity is low, and association accuracy is high.)

一种异类传感器联合航迹关联与跟踪方法

技术领域

本发明属于传感器融合跟踪领域，特别涉及一种异类传感器联合航迹关联与跟踪方法。

背景技术

随着数字化技术的不断发展和进步，万物互联时代的到来，现代社会对电子信息设备数字化、智能化的要求越来越高。智能控制单元作为区域内所有数据汇聚处理的核心单元，需要对监控区域给出实时、准确、可靠的监控状态结果。现有的单一传感器感知的信息空间覆盖范围小、量测空间维度低，很难满足万物互联时代下对于数据处理。快速发展的传感器网络融合技术利用多个传感器之间的协作，获得比单传感器更佳的性能。多传感器融合于20世纪70年代首次提出，经过几十年的研究与发展，多传感器融合技术目前已广泛应用于图像融合、工业智能机器人、遥感、刑侦、海空区域监视等民用领域。

其中在海空区域监视应用中，增强己方快速获取并处理各种信息的能力，夺取信息优势是关键。本发明关注点主要是雷达、AIS、ADSB三种异类传感器联合处理船只、飞行目标。这种目标用常规地基雷达难以探测，因为低差地角、视距问题、海杂波等因素，天基雷达具有覆盖区域广、持续时间长、不受空域国界和地理条件限制、安全性高的战略价值和信息优势，所以天基雷达是一个相对较好的选择。然而雷达并不具备从大量的目标中区分高价值目标的能力。所以我们需要把雷达提供的检测信息进行处理，有效地筛选出我们关心的高价值目标。目前应用较广的海上目标监控系统，主要基于雷达、船舶自动识别(AIS)系统、广播式自动相关监视(ADSB)系统、甚高频(VHF)通信系统、闭路电视(CCTV)监控系统等。通过联合关联算法将雷达与AIS、ADSB信息结合，可实现异类系统间优势互补，资源共享，改善监控系统可靠性，在较低代价和开销的情况下有效的增强系统监控能力。在国内，对于AIS和雷达数据融合的研究有很多。2001年大连海事大学信息工程学院索继东教授的《AIS的信息融合与雷达目标跟踪》提出了基于模糊聚类算法的数据融合方法；2009年山东交通学院海运学院邓术章等发表的《船用ARPA雷达与AIS信息融合》提出了灰度理论的判断航迹关联的方法。国外的学术著作有波兰格丁尼亚海洋学院Stupark Tadeus和Waeruch Ryszard的《调频连续逼雷达和AIS的数据融合的功能分析》、美国康涅狄格大学Marco Guerriero和Peter Willet的《ALS和雷达的数据融合以及SAR的海上监视任务》等等。值得一提的是现在我国很多信息融合系统的关键设备和技术都来自发达国家，发展和建设都受到其垄断和制约。站在长远角度思考，研究和发展拥有自主知识产权的异类传感器联合航迹关联与跟踪体系，具有十分重要的意义。

发明内容

本发明的目的在于克服现有技术现有的同类单传感器航迹跟踪技术中存在的数据关联正确率低的问题，提供一种计算复杂度低，关联正确率高的异类传感器联合航迹关联与跟踪方法。

本发明的目的是通过以下技术方案来实现的：一种异类传感器联合航迹关联与跟踪方法，包括以下步骤：

S1、初始化系统参数；

S2、通过高斯克吕格投影，将多种数据源映射到统一的笛卡尔坐标系下；

S3、通过哈希编码对数据源报文进行粗关联；

S4、对报文航迹进行卡尔曼滤波处理；

S5、通过线性外推和内插，对滤波后的报文点迹作时间对齐；

S6、通过最近邻算法进行点迹的关联；

S7、通过(M,C)/N逻辑判断准则进行航迹的关联。

进一步地，所述步骤S1中初始化的数据包括传感器监视范围、监视范围分辨率单元、传感器数量、传感器测量误差、传感器扫描周期T和扫描总帧数K。

进一步地，所述步骤S2具体实现方法为：传感器航迹中目标的位置以经纬度(L、B)来表示，转换到笛卡尔坐标系的横纵坐标为(X、Y)，转换公式如下：

其中，η为地球第二偏心率：

η²＝e′²cos²B (3)

其中，e′＝0.0067394；

N为纬度B处的当地卯酉圈曲率半径：

其中，c＝6399593.625；

S为赤道至纬度B处的子午线弧长：

S＝c[β₀B+(β₂cosB+β₄cos³B+β₆cos⁵B+β₈cos⁷B)sinB] (5)

其中：

β₂＝β₀-1 (7)

进一步地，所述步骤S3包括以下子步骤：

S31、进行基于位置的编码，通过对公共直角坐标系的X轴和Y轴等间隔的划分，将整个空间划分成一个个等间隔的格子；对于每一帧传感器数据点，通过所在位置找到其所属的格子，用格子的编号作为hash的key值，来编码存储传感器数据点信息；

S32、进行基于航迹号的编码，对于每一帧数据，创建字典数据结构存储报文信息；若收到的报文包含新的航迹号，则在字典中新建一个键索引该报文，若收到的报文中包含旧的航迹号，则根据已有键索引到指定报文信息并更新信息。

进一步地，所述步骤S4具体实现方法为：更新状态转移矩阵F，其取值与系统航迹上一更新时间l和当前航迹时间k的间隔有关，设目标运动模型为CV模型，则：

其中：

T＝k-l (12)

航迹预测状态为：

其中为第m条系统航迹在上一个更新时间l的航迹状态，为其在当前k时刻的航迹预测状态；

得到预测的航迹位置为：

其中H为观测矩阵：

雷达i的第j条航迹的位置值为：

z_ij(k)＝Hx_ij(k) (16)

两个位置值相减即得到新息：

预测误差自相关矩阵和计算新息的自相关矩阵为：

其中表示系统航迹m在l时刻的状态误差自相关矩阵，表示其k时刻的预测状态误差自相关矩阵，Q即过程噪声的协方差矩阵；

得到相对应的新息自相关矩阵为：

其中，R表示噪声协方差矩阵；

计算滤波器的增益：

得到更新后的预测航迹位置为：

由于同一时刻只有一个雷达航迹用于更新，也是单一的，因此状态误差自相关矩阵的更新更适用于单一量测更新航迹情况，得到状态误差自相关矩阵为：

进一步地，所述步骤S5具体实现方法为：通过线性外推和内插，对滤波后的报文点迹作时间对齐，外推和内插的公式均为：

(x₁,y₁)表示传感器1的目标位置，(x₂,y₂)表示传感器2的目标位置，t₁、t₂表示传感器2的两个已知时刻，t₃表示需要对齐的传感器1时刻。

进一步地，所述步骤S6具体实现方法为：圆误差是定义在平面内的二维高斯分布：

其中，(x,y)是点迹在二维平面的坐标；σ是标准差，通过对公式(22)中计算得到的状态误差自相关矩阵进行开平方计算得到；因此，在两个不同的传感器的点迹做关联时，定义其关联概率为：

ξ(d)＝exp(-d^TC^-1d) (25)

其中，d＝[x₁-x₂,y₁-y₂]^T，C是协方差；若协方差未知，则令C等于对角单位阵I或根据点迹的量测精度估计出其量测协方差；

定义置信度门限T为雷达误差标准差与AIS/ADSB误差标准差之和，当ξ(d)＞T时，认为两个点迹关联成功；如果雷达的某个点迹与AIS/ADSB的多个点迹关联成功，根据最近邻准则，判断ξ(d)最大的点迹对关联成功。

定义置信度门限T为雷达误差标准差与AIS/ADSB误差标准差之和，当ξ(d)＞T时，认为两个点迹关联成功。如果雷达的某个点迹与AIS/ADSB的多个点迹关联成功，根据最近邻准则，判断ξ(d)最大的点迹对关联成功。

进一步地，所述步骤S7包括以下子步骤：

S71、将航迹状态分为未关联航迹、实验航迹、确认航迹三种，本发明通过一个双阈值门限来实现航迹状态之间的转换；

S72、未关联航迹一旦在单次判决中与某条系统航迹关联，则升级到试验航迹。对试验航迹采用(M,C)/N准则来管理航迹级别的升降，其中，M＝2是关联质量，C＝2是脱离质量，N＝3是决策次数；

S73、如果最近的3次关联中有2次关联成功，则升级为确认航迹；如果最近的3次关联中有2次关联失败，则降级为未关联航迹。

本发明的有益效果是：本发明首先通过坐标系转换将多种数据源映射到统一坐标系下，然后在选定的标准坐标系下，通过哈希编码，对数据源报文进行粗关联，达到减小计算量的目的，然后对报文航迹进行卡尔曼滤波处理。对滤波后的报文点迹做时间对齐，最后通过最近邻算法进行点迹的关联，以及双门限综合决策进行航迹的关联，具有计算复杂度低，关联正确率高等优点。

附图说明

图1为本发明方法的流程图；

图2为线性外推示意图；

图3为线性内插示意图；

图4为双门限关联准则状态转换流程图；

图5为雷达与AIS航迹关联跟踪的仿真结果；

图6为雷达与ADSB航迹关联跟踪的仿真结果。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

如图1所示，一种异类传感器联合航迹关联与跟踪方法，包括以下步骤：

S1、初始化系统参数；所述步骤S1中初始化的数据包括传感器监视范围、监视范围分辨率单元、传感器数量、传感器测量误差、传感器扫描周期T和扫描总帧数K。本实施例中传感器监视范围为[80x80]km²、监视范围分辨率单元为1m、扫描总帧数为3000帧。在场景设置雷达、AIS、ADSB三种传感器，其中雷达的量测误差标准差为600m、数据更新周期为20s；AIS的量测误差标准差为100m、数据更新周期为1s；ADSB的量测误差标准差为120m、数据更新周期为10s。

S2、通过高斯克吕格投影，将多种数据源映射到统一的笛卡尔坐标系下；具体实现方法为：传感器航迹中目标的位置以经纬度(L、B)来表示，转换到笛卡尔坐标系的横纵坐标为(X、Y)，转换公式如下：

其中，η为地球第二偏心率：

η²＝e′²cos²B (3)

其中，e′＝0.0067394；

N为纬度B处的当地卯酉圈曲率半径：

其中，c＝6399593.625(m)；

S为赤道至纬度B处的子午线弧长：

S＝c[β₀B+(β₂cosB+β₄cos³B+β₆cos⁵B+β₈cos⁷B)sinB] (5)

其中：

β₂＝β₀-1 (7)

S3、通过哈希编码对数据源报文进行粗关联；包括以下子步骤：

S31、进行基于位置的编码，通过对公共直角坐标系的X轴和Y轴等间隔的划分，将整个空间划分成一个个等间隔的格子；对于每一帧传感器数据点，通过所在位置找到其所属的格子，用格子的编号作为hash的key值，来编码存储传感器数据点信息；对于每一帧AIS/ADSB点，通过所在位置找到其所属的格子，用格子的编号作为hash的key值，来编码存储点迹信息，以达到快速索引的目的。在匹配算法时，起到粗关联的作用，有效减小运算量。当一个雷达点迹/航迹和AIS/ADSB匹配时，只需要对雷达所在位置的周围9个格子的AIS/ADSB进行匹配。

S32、进行基于航迹号的编码，对于每一帧数据，创建字典数据结构存储报文信息，以达到快速索引的目的；若收到的报文包含新的航迹号，则在字典中新建一个键索引该报文，若收到的报文中包含旧的航迹号，则根据已有键索引到指定报文信息并更新信息。

S4、对报文航迹进行卡尔曼滤波处理；具体实现方法为：更新状态转移矩阵F，其取值与系统航迹上一更新时间l和当前航迹时间k的间隔有关，设目标运动模型为CV模型，则：

其中：

T＝k-l (12)

航迹预测状态为：

其中为第m条系统航迹在上一个更新时间l的航迹状态，为其在当前k时刻的航迹预测状态；

得到预测的航迹位置为：

其中H为观测矩阵：

雷达i的第j条航迹的位置值为：

z_ij(k)＝Hx_ij(k) (16)

两个位置值相减即得到新息：

预测误差自相关矩阵和计算新息的自相关矩阵为：

其中表示系统航迹m在l时刻的状态误差自相关矩阵，表示其k时刻的预测状态误差自相关矩阵，Q即过程噪声的协方差矩阵；

得到相对应的新息自相关矩阵为：

其中，R表示噪声协方差矩阵；

计算滤波器的增益：

得到更新后的预测航迹位置为：

由于同一时刻只有一个雷达航迹用于更新，也是单一的，因此状态误差自相关矩阵的更新更适用于单一量测更新航迹情况，得到状态误差自相关矩阵为：

S5、通过线性外推和内插，对滤波后的报文点迹作时间对齐；具体实现方法为：通过线性外推(如图2所示)和内插(如图3所示)，对滤波后的报文点迹作时间对齐。外推和内插的公式均为：

(x₁,y₁)表示传感器1的目标位置，(x₂,y₂)表示传感器2的目标位置，t₁、t₂表示传感器2的两个已知时刻，t₃表示需要对齐的传感器1时刻。

S6、通过最近邻算法进行点迹的关联；具体实现方法为：圆误差是定义在平面内的二维高斯分布：

其中，(x,y)是点迹在二维平面的坐标；σ是标准差，通过对公式(22)中计算得到的状态误差自相关矩阵进行开平方计算得到；因此，在两个不同的传感器的点迹做关联时，定义其关联概率为：

ξ(d)＝exp(-d^TC^-1d) (25)

其中，d＝[x₁-x₂,y₁-y₂]^T，C是协方差；若协方差未知，则令C等于对角单位阵I或根据点迹的量测精度估计出其量测协方差；

定义置信度门限T为雷达误差标准差与AIS/ADSB误差标准差之和，当ξ(d)＞T时，认为两个点迹关联成功；如果雷达的某个点迹与AIS/ADSB的多个点迹关联成功，根据最近邻准则，判断ξ(d)最大的点迹对关联成功。

S7、通过(M,C)/N逻辑判断准则进行航迹的关联；包括以下子步骤：

S71、将航迹状态分为未关联航迹、实验航迹、确认航迹三种，本发明通过一个双阈值门限来实现航迹状态之间的转换，转换流程如图4所示；

S72、未关联航迹一旦在单次判决中与某条系统航迹关联，则升级到试验航迹。对试验航迹采用(M,C)/N准则来管理航迹级别的升降，其中，M＝2是关联质量，C＝2是脱离质量，N＝3是决策次数；

S73、如果最近的3次关联中有2次关联成功，则升级为确认航迹；如果最近的3次关联中有2次关联失败，则降级为未关联航迹。

利用上述步骤对每帧扫描数据进行处理，图5为雷达与AIS数据关联跟踪的仿真结果；图6为雷达与ADSB数据关联跟踪的仿真结果。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。