基于形状方位描述符的集中式多传感器编队目标粒子滤波算法

摘要

为满足在云雨杂波、带状干扰等复杂背景下利用多部传感器实现编队内目标精确跟踪的工程需求，弥补传统多传感器多目标跟踪算法和现有编队目标跟踪算法均难以取得理想跟踪效果的不足，基于相邻时刻同一非机动编队内目标真实回波空间结构相对固定的特性，提出了基于形状方位描述符的集中式多传感器编队目标粒子滤波算法。本发明基于图形相似度剔除状态预测中的冗余点迹，基于粒子滤波实现编队目标多维点迹的状态更新，完成集中式多传感器编队内目标的精确跟踪。

说明书

一、技术领域

本发明属于多传感器多目标信息融合技术领域，提供一种复杂背景下的集中式多传感器 编队目标跟踪算法。

二、背景技术

传统的多传感器多目标跟踪算法对编队目标的跟踪效果十分有限。此类算法通常基于量 测直接对编队内目标进行建航，但因编队内目标间距较小，各目标跟踪波门会严重交叠，数 据互联难度大增；而且因编队内目标行为模式相似，错误的航迹起始及维持会随着时间积累 造成整体态势的严重混乱。

近年来国内外学者提出了一系列编队目标跟踪算法，基本思路大多为：利用各种技术建 立编队的等效量测，基于等效量测实现编队的整体跟踪。此类算法在一定程度上降低了跟踪 混乱和计算量爆炸的发生几率，提高了整个跟踪系统的稳定性，节省了大量的雷达资源，但 随着传感器分辨率的提高，逐步表现出以下不足：第一，算法的推导环境大多比较简单，通 常假设编队中个体目标完全可辨，然而实际情况下，因目标的互相遮挡及环境干扰等因素， 编队目标通常是部分可辨的；第二，在一些实际工程应用中，在跟踪整个编队的同时，需要 对编队内个体目标进行单独跟踪；第三，为有效改善编队内目标的精确跟踪效果，工程上需 要利用多部传感器、从不同测向观测编队目标，然而现有算法只考虑了单传感器情况，对复 杂的多传感器情况没有研究。

三、发明内容

1.要解决的技术问题

与传统多目标跟踪相比，编队内目标的精确跟踪更加复杂，利用传统多目标跟踪算法维 持编队内目标航迹会出现漏跟、错跟、多跟等情况，跟踪效果亟需改善。现有的编队目标跟 踪算法大多基于编队整体进行跟踪，未考虑编队内目标的精确跟踪问题；小部分考虑编队内 目标航迹维持的算法应用环境又相对单一，难以适用于云雨杂波、带状干扰等复杂背景；此 外，工程上利用组网传感器探测编队目标时，必然需要进行数据互联和融合处理，而对于集 中式多传感器编队目标跟踪技术，目前尚没有文献进行研究。

针对上述问题，有必要深入分析云雨杂波、带状干扰等复杂环境下集中式多传感器系统 中编队内目标的量测特性，研究如何在不影响编队内目标跟踪效果的前提下最大限度的消除 云雨杂波和带状干扰的不利影响，实现编队内目标的多维点航互联及量测合并，完成复杂环 境下集中式多传感器编队内目标的精确跟踪。

2.技术方案

复杂背景下多传感器非机动编队量测数据具有以下特点：每个量测最多可能来自一个目 标；每个目标在各个时刻最多有一个真实回波；某传感器在某时空下可能不提供量测数据。 针对以上特点及相邻时刻同一编队内目标真实回波空间结构相对固定的特性，提出了基于形 状方位描述符的集中式多传感器编队目标粒子滤波算法。该算法包括以下技术流程：编队目 标形状矢量的建立、相似度模型的建立、冗余图像的剔除、基于粒子滤波的状态更新。

3.有益效果

(1)相比于现有的编队目标跟踪算法，本发明能够很好的克服云雨杂波、带状干扰及目标遮 挡对航迹维持造成的影响，有效实现不同体制传感器间数据的有效互联及融合、提高编队内 目标的定位精度，实现编队目标的精细跟踪；

(2)相比于现有的编队目标跟踪算法，本发明具有较高的目标跟踪率及较短的耗时，同时算 法具有较强的鲁棒性，随着环境中杂波数的增加，算法的目标跟踪率保持较高，耗时增加相 对较小。

四、附图说明

图1是基于形状方位描述符的集中式多传感器编队目标粒子滤波算法流程图；

图2是编队目标G^t(k-1)的形状示意图；

图3是G^t(k-1)的图像方位框示意图；

图4是G^t(k-1)的图像约束框示意图。

五、具体实施方式

结合图1所示算法流程图，基于形状方位描述符的集中式多传感器编队目标粒子滤波算 法具体实施方式如下：

(1)编队目标形状矢量的建立

形状方位描述符是数字图像处理中描述空间图形的一种常用方法，它由图像方位框的高 度、宽度、面积、比率、图像约束框的高度、宽度、面积、比率、最小半径、最大半径、最 小半径角、最大半径角12个分量组成。

设图2中的多边形A为某时刻某编队目标G^t(k-1)的平面形状图，t₁、t₂、t₃、t₄为编队 内各目标的位置。利用形状方位描述符建立A的形状矢量

Ω_t(k-1)＝{ω₁，ω₂，ω₃，ω₄，ω₅，ω₆，ω₇，ω₈，ω₉，ω₁₀，ω₁₁，ω₁₂}    (1)

其中ω₁为图像方位框的高度；图像方位框为沿图像行动方向包围物体的最小矩形，如图 3中矩形B所示；

ω₂为B的宽度；

ω₃为B的面积；

ω₄为B的比率，即B的面积与A的面积之比；

ω₅为图像约束框的高度；图像约束框为沿图像主轴方向包围物体的最小矩形，如图4中 的矩形C所示；

ω₆为C的宽度；

ω₇为C的面积；

ω₈为C的比率，即C的面积与A的面积之比；

ω₉为最小半径，即A的重心与A的边界元素之间的最小距离；

ω₁₀为最大半径，即A的重心与A的边界元素之间的最大距离；

ω₁₂为最小半径角，即最小半径向量相对于水平轴线的角度；

ω₁₂为最大半径角，即最大半径向量相对于水平轴线的角度。

需要注意的是，当处理直线等特殊图形时，Ω_t(k-1)中的有些分量可能无法获取，此时 去掉这些分量。由上述描述可知，形状矢量可唯一的表示多边形A，既若两个图形的形状矢量 相同，则判定这两个图形一致。本发明算法在每个时刻更新编队内各目标状态矢量，同时更 新各编队目标的形状矢量；记k-1时刻编队t航迹的形状矢量为 ${\Omega }_t(k-1)=\{{\omega }_n^t(k-1),n=1,...,12\}.$

(2)相似度模型的建立

以G^t(k-1)中各目标在k时刻的一步预测值为中心建立关联波门，设Z(k)中落入关联波 门的量测集为

式中，为落入编队t中第i个目标关联波门内的量测集。若按传感器不同进行分类，则

式中，为源于传感器的个数；为中源于传感器s的量测个数。

对于传感器s中的量测点，按其所属的关联波门做遍历组合，生成J^s个量测集 确保每个量测集中有且只有个量测点，且分别源自不同的关联 波门，

${\tau }_l^s\left(k\right)=\{z_{1,j_1}^s\left(k\right),z_{2,j_2}^s\left(k\right),...,z_{N_g^t(k-1),j_{N_g^t(k-1)}}^s\left(k\right)\},l=\mathrm{1,2},...,J^s---\left(4\right)$

式中为中源于传感器s的任一量测；若则用一步预测值 代替，并定义则

定义事件为量测集与G^t(k-1)中各目标航迹对应互联的事件；对单个传感器 而言，

$\underset{l=1}{\overset{J^s}{\Sigma }}\rho \left({\theta }_l^s\left(k\right)\right)=1---\left(6\right)$

为方便，记从图形的角度来看，中的量测构成一个图形基 于形状方位描述符计算其形状矢量为在相邻时刻，非机动编队 内目标真实回波构成的图形应与编队内各目标状态构成的图形相似；在此通过构建相似度表 征与A的相似性，定义相似度为

$q_l^s\left(k\right)=\frac{1}{\underset{n=1}{\overset{12}{\Sigma }}|{\omega }_{\mathrm{nl}}^s\left(k\right)-{\omega }_n^t(k-1)|}---\left(12\right)$

越大，说明图形与A越相似，既为真的概率越大。为便于比较说明，需要进行 归一化处理，在此定义为

${\rho }_l^s\left(k\right)=\frac{q_l^s\left(k\right)}{\underset{l=1}{\overset{J^s}{\Sigma }}{q}_l^s\left(k\right)}---\left(8\right)$

由式(7)和式(8)可知，只考虑了图形与A的内部结构一致性，没有考虑量测集 与G^t(k-1)中各目标状态更新值的关联性，因此单独基于判断与G^t(k-1)互 联的可能性不完善，此处进一步定义相似度概率为

${\rho }_l^{\prime s}\left(k\right)=\frac{q_l^{\prime s}\left(k\right)}{\underset{l=1}{\overset{J^s}{\Sigma }}{q}_l^{\prime s}\left(k\right)}---\left(9\right)$

式中，

$q_l^{\prime s}\left(k\right)=\frac{1}{\underset{i=1}{\overset{N_g^t(k-1)}{\Sigma }}[{\hat{z}}_{\mathrm{il}}^s\left(k\right)-{\hat{z}}_i^t\left(k\right|k-1)]}---\left(10\right)$

式中，为中源自第i个波门的量测点，为编队t中第i个目标在k时刻 的状态一步预测值。

最后，综合考虑和定义相似度概率为

${\rho }_l^{\prime \prime s}\left(k\right)=\frac{{\rho }_l^s\left(k\right)+{\rho }_l^{\prime s}\left(k\right)}{2}---\left(11\right)$

(3)冗余图像的剔除

当利用多传感器对编队目标进行探测时，可以获得对应同一编队目标的多幅图像，所以 需要进行冗余图像的剔除，在此基于选主站的思想解决该问题。

基于相似度概率集合定义

$s^{*}=\underset{s=1:N_s}{\arg \max }\{\underset{l=1:J^s}{\max },{\rho }_l^{\prime \prime s}\left(k\right)\}---\left(12\right)$

则表示选择传感器s^*为主站，并利用传感器s^*上报的量测集对G^t(k-1)进行状态更 新。

(4)基于粒子滤波的状态更新

基于集合和利用粒子滤波进行对编队G^t(k-1)中各目标航迹进行状态 更新

${\hat{X}}_i^t\left(k\right|k)=\underset{l=1}{\overset{J^{s^{*}}}{\Sigma }}{\rho }_l^{\prime \prime s^{*}}\left(k\right){\hat{X}}_{\mathrm{il}}^t\left(k\right|k)i=\mathrm{1,2},...,N_g^t(k-1)---\left(13\right)$

$P_i^t\left(k\right|k)=\underset{l=1}{\overset{J^{s^{*}}}{\Sigma }}{\rho }_l^{\prime \prime s^{*}}\left(k\right)P_{\mathrm{il}}^t\left(k\right|k)i=\mathrm{1,2},...,N_g^t(k-1)---\left(14\right)$

式中，分别为基于利用粒子滤波方法得到的状态更新值和协方差 更新值。