本發(fā)明屬于雷達多目標跟蹤數(shù)據(jù)關聯(lián)方法技術領域，特別涉及一種基于簡化多假設算法的雷達數(shù)據(jù)關聯(lián)方法。

背景技術：

雷達密集回波環(huán)境下，多目標間相互干擾，易出現(xiàn)量測與真實目標錯誤關聯(lián)或目標航跡中斷等現(xiàn)象，目標跟蹤精度和效率受到嚴重影響。數(shù)據(jù)關聯(lián)算法的作用就是將量測數(shù)據(jù)與真實目標航跡進行關聯(lián)匹配，從而實現(xiàn)多目標的準確跟蹤和目標航跡的正確更新維持。在雷達多目標跟蹤中，數(shù)據(jù)關聯(lián)算法主要解決兩大類問題：第一，當一個目標的量測同時落入兩個目標關聯(lián)波門內時如何選擇正確的目標軌跡進行關聯(lián)；第二，當一個目標關聯(lián)波門內同時出現(xiàn)多個量測時如何選擇正確的量測進行航跡更新維持。密集回波環(huán)境下，被跟蹤目標的運動特性較為復雜。在周圍噪聲和雜波的頻繁干擾下，僅使用單幀回波信息作為關聯(lián)依據(jù)會導致真實目標與虛假量測的錯誤關聯(lián)或丟失關聯(lián)等問題。

相對于單幀關聯(lián)方法(如最近鄰、概率數(shù)據(jù)關聯(lián)、聯(lián)合概率數(shù)據(jù)關聯(lián)等)，以多假設跟蹤(mht)算法為代表的多幀關聯(lián)方法利用后續(xù)的多幀信息進行積累以降低關聯(lián)的不確定性。其最大的優(yōu)點在于可以對復雜困難的關聯(lián)問題延遲決策指導獲得更多的信息，并且有機會更改過去的關聯(lián)決策以提升關聯(lián)效果，還可以處理目標的分裂和合并。多假設跟蹤算法將航跡起始、航跡維持和航跡終結統(tǒng)一在一個框架上處理，是目前公認的一種功能最強大的最優(yōu)多目標跟蹤方法，在當今許多先進的多雷達跟蹤系統(tǒng)被廣泛采用。

mht相關處理主要包括點跡與群相關、點跡與航跡相關、航跡假設分支、航跡得分計算、假設生成、假設剪枝、聚類的合并與分離、航跡顯示等環(huán)節(jié)，處理流程如圖3所示。mht算法采用延遲決策機制提高了關聯(lián)準確度，常被用 于復雜回波環(huán)境下的多目標跟蹤系統(tǒng)。但在跟蹤目標數(shù)量和雜波數(shù)量增加的情況下，mht算法不可避免會面臨假設分支數(shù)和計算復雜度指數(shù)型增加這兩大問題。傳統(tǒng)mht算法在已知量測分布概率的基礎上，利用貝葉斯公式計算最新量測與可靠航跡的關聯(lián)概率，并對多幀假設關聯(lián)后的假設分支關聯(lián)概率進行篩選，最終得到最優(yōu)全局假設。此方法的跟蹤效果依賴先驗知識，對相關參數(shù)的初始化具有較高要求，計算復雜度高。雖然使用普通的m-最優(yōu)假設剪枝方式同樣能夠得到最優(yōu)全局假設，但其剪枝過程中需對所有假設分支進行關聯(lián)概率計算，因此運算量大，實時性受到限制。

技術實現(xiàn)要素：

本發(fā)明的目的在于提出一種基于簡化多假設算法的雷達數(shù)據(jù)關聯(lián)方法。本發(fā)明以利用似然比函數(shù)作為航跡假設關聯(lián)的價值函數(shù)，并采用線性分配(lap)算法從航跡級和全局級對多幀假設進行多重剪枝，簡化多目標跟蹤的數(shù)據(jù)關聯(lián)過程。

為實現(xiàn)上述技術目的，本發(fā)明采用如下技術方案予以實現(xiàn)。

一種基于簡化多假設算法的雷達數(shù)據(jù)關聯(lián)方法，包括以下步驟:

1)形成以卡爾曼濾波預測值為中心的橢圓形關聯(lián)波門，對最新量測進行關聯(lián)判斷。若量測位于關聯(lián)波門內，則進行步驟2)；否則，接收下一時刻量測，并對其重復步驟1)；

2)對每一個進入該確認目標關聯(lián)波門內的量測生成關聯(lián)假設，利用似然比函數(shù)，計算關聯(lián)假設航跡的得分矩陣；

3)根據(jù)當前時刻與每個目標形成的關聯(lián)假設航跡得分，利用lap算法得到航跡級m-最優(yōu)假設；

4)判斷n-scan方法已處理的量測幀數(shù)，若此時已接收處理n幀量測，則利用lap算法對n幀關聯(lián)判斷后保留的所有假設進行全局級剪枝，進行步驟5)；若當前時刻仍未接收到第n幀量測，則接收下一幀量測，重復步驟1)-4)；

5)利用每一個目標的有效關聯(lián)量測，進行卡爾曼濾波更新。篩除可靠目標 關聯(lián)假設聚類中不相關量測信息，n-scan已處理幀數(shù)減1，并更新可靠航跡檔案信息。返回步驟1)，對下一幀量測進行關聯(lián)判斷處理。

本發(fā)明針對雷達多目標跟蹤中數(shù)據(jù)關聯(lián)效率問題，著力于假設生成、概率計算和假設剪枝三個環(huán)節(jié)，對多假設算法進行簡化。本發(fā)明亦可應用于復雜回波環(huán)境下，實現(xiàn)多個目標的準確跟蹤，具有計算復雜度低、速度快，跟蹤誤差小的優(yōu)勢。

應當理解，前述構思以及在下面更加詳細地描述的額外構思的所有組合只要在這樣的構思不相互矛盾的情況下都可以被視為本公開的發(fā)明主題的一部分。另外，所要求保護的主題的所有組合都被視為本公開的發(fā)明主題的一部分。

結合附圖從下面的描述中可以更加全面地理解本發(fā)明教導的前述和其他方面、實施例和特征。本發(fā)明的其他附加方面例如示例性實施方式的特征和/或有益效果將在下面的描述中顯見，或通過根據(jù)本發(fā)明教導的具體實施方式的實踐中得知。

附圖說明

附圖不意在按比例繪制。在附圖中，在各個圖中示出的每個相同或近似相同的組成部分可以用相同的標號表示。為了清晰起見，在每個圖中，并非每個組成部分均被標記。現(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個方面的實施例，其中：

圖1是基于簡化多假設算法的雷達數(shù)據(jù)關聯(lián)方法的流程圖。

圖2是基于lap的航跡級和全局級航跡剪枝效果圖(3“最優(yōu)”，3scan)。

圖3是交叉軌跡目標跟蹤效果圖。

圖4是圓形軌跡跟蹤誤差圖。

圖5是圓形軌跡目標數(shù)據(jù)關聯(lián)過程假設數(shù)量變化圖。

具體實施方式

為了更了解本發(fā)明的技術內容，特舉具體實施例并配合所附圖式說明如下：

在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實 施例。本公開的實施例不必定意在包括本發(fā)明的所有方面。應當理解，上面介紹的多種構思和實施例，以及下面更加詳細地描述的那些構思和實施方式可以以很多方式中任意一種來實施，這是因為本發(fā)明所公開的構思和實施例并不限于任何實施方式。另外，本發(fā)明公開的一些方面可以單獨使用，或者與本發(fā)明公開的其他方面的任何適當組合來使用。

本發(fā)明所提出的基于簡化多假設算法的雷達數(shù)據(jù)關聯(lián)方法，主要包括基于似然比函數(shù)的航跡得分計算、基于lap的航跡級m-最優(yōu)假設剪枝和基于lap的全局級最優(yōu)假設生成三個主要部分。

下面結合附圖，對本發(fā)明的一些示范性實施例加以說明。

根據(jù)本發(fā)明的實施例，提出一種基于簡化多假設算法的雷達數(shù)據(jù)關聯(lián)方法，以克服復雜回波環(huán)境下現(xiàn)有多假設算法易出現(xiàn)“組合爆炸”且關聯(lián)過程計算量過大的問題。

結合圖1流程圖所示，該方法的實現(xiàn)大致包括以下5個步驟：

1)利用其速度范圍形成以卡爾曼濾波預測值為中心的橢圓形關聯(lián)波門，對最新量測進行關聯(lián)判斷。若量測位于關聯(lián)波門內，則進行步驟2)；否則，接收下一時刻量測，并對其重復步驟1)；

2)對每一個進入該確認目標關聯(lián)波門內的量測生成關聯(lián)假設，利用似然比函數(shù)，計算關聯(lián)假設航跡的得分矩陣；

3)根據(jù)當前時刻與每個目標形成的關聯(lián)假設航跡得分，利用lap算法得到航跡級m-最優(yōu)假設；

4)判斷n-scan方法已處理的量測幀數(shù)，若此時已接收處理n幀量測，則利用lap算法對n幀關聯(lián)判斷后保留的所有假設進行全局級剪枝，進行步驟5)；若當前時刻仍未接收到第n幀量測，則接收下一幀量測，重復步驟1)-4)；

5)利用每一個目標的有效關聯(lián)量測，進行卡爾曼濾波更新。篩除可靠目標關聯(lián)假設聚類中不相關量測信息，n-scan已處理幀數(shù)減1，并更新可靠航跡檔案信息。返回步驟1)，對下一幀量測進行關聯(lián)判斷處理。

上述方法中，所述步驟1)具體為：

11)接收k時刻雷達采樣數(shù)據(jù)，采用“當前”統(tǒng)計模型對目標k時刻狀態(tài)進行估計；

12)以k時刻狀態(tài)估計為中心，根據(jù)公式(1)形成橢圓關聯(lián)波門；

d²＝v(k)s^-1(k)v^t(k)≤γ(1)

其中d²為服從m自由度分布的新息協(xié)方差，參數(shù)γ可通過查表獲得。

13)判斷量測是否在橢圓關聯(lián)波門內，若位于關聯(lián)波門內，則進行步驟2)；否則，接收下一時刻量測，并對其重復步驟1)。

上述方法中，所述步驟2)具體為：

21)根據(jù)公式(2-3)計算每條航跡假設分支的對數(shù)似然比值llrk，作為每個假設的得分：

llrk＝llrk-1+ln(δlrk)(2)

δlrk為k時刻的似然比增量，上式為量測與航跡相關聯(lián)的假設航跡得分，下式為未關聯(lián)的航跡得分。pd為檢測概率，pfa為虛警概率，pfa為雜波的概率密度函數(shù)(一般假設為均勻分布或泊松分布)，vk為新息，sk為新息協(xié)方差，n表示高斯分布。

22)將所有假設分支的得分匯總，轉化為航跡關聯(lián)得分矩陣，可表示為：公式(4)。

如圖2所示，上述方法中，所述步驟3)具體為：

31)將步驟2)中得到的假設航跡的似然比航跡關聯(lián)得分矩陣替代lap法中所使用的關聯(lián)概率，作為假設的屬性值；

32)利用步驟31)中的航跡關聯(lián)得分矩陣p_value，對其進行取負數(shù)的轉化，進而得到lap決策矩陣；

33)根據(jù)先驗權重向量確定權矩陣；

34)根據(jù)lap線性規(guī)劃方法得到m-最優(yōu)排序矩陣p；

35)根據(jù)m-最優(yōu)排序矩陣p，得到當前幀所有目標的m-最優(yōu)假設。

上述方法中，所述步驟32)具體為：

321)對航跡關聯(lián)得分矩陣p_value進行取負數(shù)的轉化：

322)得到航跡關聯(lián)代價矩陣：

323)定義一個決策矩陣dm×n(m代表量測個數(shù)，n代表前一時刻的航跡假設分支數(shù)量)，決策矩陣d中的元素代表k時刻量測與k-1時刻的航跡假設分支關聯(lián)匹配的屬性值。令：dm×n＝p_cost。

上述方法中，所述步驟33)的具體子步驟包括：

331)根據(jù)多目標跟蹤的實際場景，定義一個權重向量ω＝(ω1,ω2)，其中元素代表量測與目標的關聯(lián)概率：ω＝(p_track1,p_track2)；

332)定義當前時刻可靠航跡假設得分為track1_value和track2_value，根據(jù)以下公式計算此時權重向量；

333)根據(jù)權重向量，根據(jù)以下公式確定最終的權矩陣π。

π＝d×ω^t(8)

上述方法中，所述步驟34)的具體子步驟包括：

341)遍歷整個權矩陣，找到一個初始序列a⁰使全局代價最小，例如 最小代價序列為x1與track1關聯(lián)，x3與track2關聯(lián)：

342)以初始序列a0為基礎，依次替換其中一個或幾個匹配序號，查找權矩陣，用次優(yōu)序列替換，形成一個新的序列；

343)得到的序列所代表的假設代價依次增加，直到形成m“最優(yōu)”假設為止，本實施例中m取值為3。

上述方法中，所述步驟35)的具體子步驟包括：

351)根據(jù)步驟34)得到的所有目標的m“最優(yōu)”假設(m＝3)，保留“最優(yōu)”假設中的合格量測，并從改確認目標聚類中刪除得分較低的不合格量測；

352)暫時航跡檔案中刪除步驟351)中剔除的不合格關聯(lián)假設；

353)重新計算每個可靠目標航跡的得分。

如圖2所示，上述方法中，所述步驟4)的具體子步驟包括：

41)判斷n-scan方法已處理的量測幀數(shù)，本實施例中采用n＝3的n-scan處理方法；

42)若此時已接收處理3幀量測，則利用lap算法對n幀關聯(lián)判斷后保留的所有假設進行全局級剪枝，針對所有確認目標，得到最優(yōu)關聯(lián)匹配，進行步驟5)；

43)若當前時刻仍未接收到第3幀量測，則接收下一幀量測，重復步驟1)-4)。

上述方法中，所述步驟42)的具體子步驟包括：

421)對多幀關聯(lián)后得到的航跡假設，根據(jù)其航跡關聯(lián)得分，重復步驟31)-33)，得到全局級lap權矩陣；

422)遍歷權矩陣，找到使全局代價最小的最優(yōu)序列；

423)根據(jù)最優(yōu)序列，確定可靠目標的有效關聯(lián)量測。

結合圖4的圓形軌跡跟蹤誤差圖以及圖5的圓形軌跡目標數(shù)據(jù)關聯(lián)過程假設數(shù)量變化圖，本發(fā)明提出的基于簡化多假設算法的雷達數(shù)據(jù)關聯(lián)方法，針對多 目標跟蹤系統(tǒng)中傳統(tǒng)多假設算法延遲決策機制造成的“組合爆炸”和計算量指數(shù)型上升的問題，本發(fā)明引入了似然比得分函數(shù)和lap剪枝方法，利用航跡關聯(lián)對數(shù)似然比對假設關聯(lián)概率計算進行簡化，通過lap算法航跡級剪枝對假設進行篩選出當前時刻的m“最優(yōu)”假設，再對n-scan(n＝3)滑窗所有量測形成的假設分支進行l(wèi)ap全局級假設剪枝，快速得到的一個最優(yōu)假設匹配序列作為有效關聯(lián)量測點，最終實現(xiàn)降低計算量的目的。具體包括：基于似然比函數(shù)的航跡得分計算、基于lap的航跡級m-最優(yōu)假設剪枝和基于lap的全局級最優(yōu)假設生成三個主要部分。利用本發(fā)明提出的方法，可以在保證關聯(lián)準確性的基礎上，很大程度降低多假設算法數(shù)據(jù)關聯(lián)過程的運算量。

雖然本發(fā)明已以較佳實施例揭露如上，然其并非用以限定本發(fā)明。本發(fā)明所屬技術領域中具有通常知識者，在不脫離本發(fā)明的精神和范圍內，當可作各種的更動與潤飾。因此，本發(fā)明的保護范圍當視權利要求書所界定者為準。