CN114200438B - 一种基于多传感器数据融合算法的运动目标航迹感知方法 - Google Patents

Abstract

本发明涉及信息处理领域，具体说是一种基于多传感器数据融合算法的运动目标航迹感知方法。包括以下步骤：通过初始状态下的目标所在位置原点，以正东方向为X轴正向，根据右手定则建立绝对坐标系；将多种类型传感器采集的目标航迹信息转换为在绝对坐标系下目标航迹量测矩阵；多种类型传感器进行目标航迹信息匹配，对某种传感器采集目标的丢失情况进行处理，对多种类型传感器的目标航迹信息进行融合，得到融合后的目标航迹量测矩阵，即融合信息；将融合信息作为参数输入，利用最小二乘法进行数据融合，获取融合结果，并将融合结果添加至目标列表，得到目标航迹。本发明感知水面运动目标的信息精度高，且在机动时也可以保证对目标运动信息准确感知。

Description

一种基于多传感器数据融合算法的运动目标航迹感知方法

技术领域

本发明涉及信息处理领域，具体说是一种基于多传感器数据融合算法的运动目标航迹感知方法。

背景技术

传统的水面运动目标信息感知方法多使用单一传感器，但在实际工程中受限于检测目标原理，单一传感器对水面运动目标的检测存在各自的缺陷。以单一航海雷达或光电跟踪仪为例：雷达传感器存在目标信息精度低、数据刷新率慢、平台机动时目标位置出现较大偏差的缺点；光电跟踪仪传感器存在视场小、仅对特定目标探测、无法对所有目标跟踪的缺点等。上述缺陷导致传统方法对水面运动目标信息感知精度低、稳定性差、适应性不强。

发明内容

针对现有技术的不足，本发明提供一种基于多传感器数据融合算法的运动目标航迹感知方法，解决传统方法中对水面/水下运动目标的信息感知精度低、稳定性差、适应性不强等问题。

本发明为实现上述目的所采用的技术方案是：一种基于多传感器数据融合算法的运动目标航迹感知方法,包括以下步骤：

1)通过初始状态下的目标所在位置原点，以正东方向为X轴正向，根据右手定则建立绝对坐标系；

2)将航行器多种类型传感器采集的目标航迹信息转换为在绝对坐标系下目标航迹量测矩阵；

3)多种类型传感器进行目标航迹信息匹配，对某种传感器采集目标的丢失情况进行处理，对多种类型传感器的目标航迹信息进行融合，得到融合后的目标航迹量测矩阵，即融合信息；

4)将融合信息作为参数输入，利用最小二乘法进行数据融合，获取融合结果，并将融合结果添加至目标列表，得到目标航迹。

所述多种类型传感器，包括：多目标传感器和单一目标传感器；

其中，多目标传感器包括：全局目标传感器和局部目标传感器；

所述全局目标传感器为可进行360度进行监测的雷达；所述局部目标传感器为设定视场角度感知水下的声呐，所述单一目标传感器对水面单一目标进行锁定跟踪的光电跟踪仪。

所述将航行器多种类型传感器采集的目标航迹信息转换为在绝对坐标系下目标航迹量测矩阵；具体为：

所述目标航迹量测矩阵X如下式所示：

X＝[x,v_x,y,v_y]^T

其中，x与v_x分别为目标在绝对坐标系下沿x轴方向的位置和速度信息，y与v_y分别为目标在绝对坐标系下沿y轴方向的位置和速度信息。

所述步骤3)对多种类型传感器的目标航迹信息进行融合，包括：单一目标传感器间融合、多目标传感器与单一目标传感器融合、多目标传感器间融合。

所述步骤3)，具体为：

传感器目标丢失情况处理分为以下四种情况：

①某时刻单一传感器间融合时某一单一传感器目标丢失：使用未丢失的单一传感器目标航迹信息作为融合输出，待丢失目标再次建立跟踪时重新开始融合；

②多目标传感器与单一目标传感器融合时多目标传感器目标丢失：采用状态关联方法从当前时刻多目标传感器目标输出中，寻找目标匹配；若匹配成功，则将多目标传感器与单一目标传感器通过融合算法进行融合，得到两目标航迹信息的融合信息进行输出；若匹配未成功，则将单一目标传感器目标航迹信息作为融合信息输出；

③多目标传感器与单一目标传感器融合时，单一目标传感器目标丢失：采用多目标传感器目标航迹信息作为融合信息输出；

④两个多目标传感器间融合时，某一传感器目标丢失：采用状态关联方法从当前时刻多目标传感器目标输出中，寻找目标匹配；若匹配成功，则将两个多目标传感器目标航迹信息通过融合算法进行融合得到融合信息进行输出；若匹配未成功，则将未丢失传感器目标信息作为融合信息输出。

所述融合算法具体为：

其中Z_R为多目标传感器的量测矢量，Z_L为多目标传感器或单一目标传感器的量测矢量，H_R为多目标传感器的量测矩阵，H_L为多目标传感器或单一目标传感器的量测矩阵，R_R为多目标传感器的量测误差矩阵，R_L为多目标传感器或单一目标传感器的量测误差矩阵，Z为融合后的量测矢量，H为融合后的量测矩阵、R为融合后的两种传感器的量测误差矩阵所组成的正定对角加权阵。

所述步骤4)中的加权最小二乘方法包括：

Y＝(H^TR^-1H)^-1H^TR^-1Z

PY＝(H^TR^-1H)^-1

其中，Y为数据融合算法输出的目标融合结果矩阵作为融合结果，PY为数据融合算法输出的目标融合协方差矩阵。

所述采用状态关联方法从当前时刻多目标传感器目标输出中，寻找目标匹配，具体为：

利用支持向量机SVM进行目标分类匹配：

提取多目标传感器中的某一组目标航迹信息作为待匹配目标，计算该组目标航迹信息与另一多目标传感器中之间、或者该组目标航迹信息与单一目标传感器之间的差值；

所述差值包括目标航迹信息协方差矩阵特征值差值、目标航迹信息协方差矩阵特征向量差值、目标航迹信息状态矩阵差值；

将差值输入至SVM算法当中，得出匹配结果确定其是否为匹配成功目标；

当出现多个匹配成功目标时，计算航行器与匹配成功目标间的马氏距离，取距离近者作为匹配目标。

所述支持向量机目标分类匹配，具体为：

设定训练样本集中的样本数据：n个样本，p个输入特征(x₁,...,x_p)，1个输出y＝{y₁～y_n}的集合；第i个样本的输入，得到学习后的支持向量机的：

X_i＝(x_i1,…,x_ip)^T,i＝1,2,…,n

其中，n个样本中输入特征p选取输入特征：目标航迹信息协方差矩阵特征值差值、目标航迹信息协方差矩阵特征向量差值、目标航迹信息状态矩阵差值，输出为1或-1表示是否为匹配目标；

训练样本集D可表示为：

以训练样本集为研究对象，选用径向基核函数，在样本的特征空间中找到最优超平面，将两类样本有效分开。

所述马氏距离为：

dX_i＝X_L-X_R

PX_i＝PX_L+PX_R

其中，dX_i为单一传感器或另一多目标传感器输出目标i状态信息与多目标传感器输出目标状态信息的差值，X_R是多目标传感器输出目标i状态信息，X_L是单一传感器或另一多目标传感器输出目标i状态信息，PX_i为目标的协方差之和，PX_L为单一传感器或另一多目标传感器的协方差矩阵，PX_R为多目标传感器的协方差矩阵，NormDis是对应的马氏距离。

本发明具有以下有益效果及优点：

1.感知水面运动目标的信息精度高，且在机动时也可以保证对目标运动信息准确感知。

2.安全稳定，可靠性高，抗干扰能力强，容错性高。能够适用于较差海况，受光线、雾天等环境因素影响小。

附图说明

图1是本发明的水面运动目标航迹感知方法流程图；

图2是本发明的目标运动信息匹配示意图；

图3是本发明的目标丢失处理方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

为使本发明的上述目的、特征和有点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以其它不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施方式的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

如图1所示是本发明的水面运动目标信息感知方法实现流程图。

a)根据设定的绝对坐标系原点、水面运动平台自身位置和姿态信息、各传感器目标运动信息得到绝对坐标系下的各传感器目标航迹的量测矩阵；

b)各传感器目标运动信息匹配，以及对传感器目标暂时丢失情况进行处理；

c)将各传感器目标航迹量测矩阵作为参数输入，利用加权最小二乘方法进行数据融合，输出融合结果。

初始状态由导航设备获取水面运动平台当前位置信息配置为绝对坐标系原点。之后根据设定的绝对坐标原点、水面运动平台自身位置和姿态信息以及各传感器目标跟踪运动信息得到绝对坐标系下的各传感器目标航迹的量测矩阵。匹配各传感器目标身份编号，并对传感器目标暂时丢失的情况进行处理，将各传感器目标航迹量测矩阵作为参数输入，利用加权最小二乘方法进行数据融合，输出融合结果至目标列表。

所述步骤a)包括：

1)各传感器感知信息获取。感知传感器根据感知目标范围可分为三类传感器：可同时进行360度全景感知的水面全局目标传感器(如海事雷达)；可同时进行部分视场角度感知的水下局部目标传感器(如前视声呐)；可对水面单一目标进行锁定跟踪的单一目标传感器(如光电跟踪仪)。

1)确定绝对坐标系。绝对坐标系为以执行该方法初始状态下水面运动平台所在位置为原点，以正东方向为x轴正向，根据右手定则建立的坐标系。

2)将各传感器的目标运动信息进行坐标变换。由相对坐标系转换至绝对坐标系，从而得到目标航迹量测矩阵如下式所示：

X＝[x,v_x,y,v_y]^T

其中，x与v_x为目标在绝对坐标系下沿x轴方向的位置和速度信息，y与v_y为目标在绝对坐标系下沿y轴方向的位置和速度信息。

所述对全局目标传感器以及局部目标传感器的处理包括：

(1)对全局目标传感器和局部目标传感器感知的图像信息进行边缘分割处理，将相对坐标系下的图像信息转化为绝对坐标系下的目标量测数值信息；

(2)建立目标航迹矩阵，并与当前目标信息匹配后，更新当前目标航迹矩阵；

(3)对每个目标航迹进行估计得到运动目标信息，包括目标成像面积、距离、方位、经度、纬度、目标航迹向及速度。

所述对单一目标传感器的处理包括：

(1)单一目标传感器感知可到目标相对水面运动平台的方位和距离。以光电传感器为例：光电传感器对图像分割处理，检测并锁定目标后将图像信息转化为目标相对与载体平台的方位信息；在锁定目标状态下，利用测距仪设备得到目标距离。

(2)结合水面运动平台自身位置、姿态等信息，计算目标在绝对坐标系下的位置并建立目标航迹历史矩阵，更新当前目标航迹。

(3)利用目标航迹历史信息，推算基于单一目标传感器的当前目标运动信息，包括目标距离、方位、经度、纬度、目标航迹向及速度。

传感器数据融合可分为：单一目标传感器间融合、多目标传感器(全局目标传感器、局部目标传感器)与单一目标传感器融合、多目标传感器间融合三种。除单一目标传感器间融合外的情况都需进行目标身份编号匹配，匹配成功的目标信息带入后级数据融合处理算法。

3)进行身份匹配。各传感器采样更新周期不同；

本实施方式采用雷达和光电跟踪仪为例，雷达数据处理周期、光电数据处理周期、融合算法数据处理周期并不相同，且光电数据处理周期最短，故存在融合算法输入仅有光电信息而无雷达信息的时间片，此时仅用光电信息作为融合输出。而不同传感器对同一目标形成的目标航迹身份编号不同，因此需进行身份编号匹配。如图2所示是本发明目标航迹身份编号匹配原理示意图，图示以两传感器为例，多传感器情况原理类似，在t₁时刻两传感器同时输出信息，则可获得融合之后的状态信息和状态协方差矩阵；同时标注关联的传感器目标身份编号。在t₂(t₃)时刻，仅有传感器2的输出，则仅利用传感器2的输出更新滤波器。在t₄时刻，两传感器同时输出信息，则通过第四节的方法获得融合之后的状态信息和状态协方差矩阵；同时标注关联的目标身份编号。

在t₇时刻，虽然两传感器同时输出信息。但是标注的传感器1目标原身份编号已消失，此时需要对身份编号丢失情况进行处理。

如图3所示，融合过程中可能存在目标丢失或目标身份编号变化的特殊情况，需要进行处理。统计连续n个周期内目标未出现，则认为传感器目标丢失，传感器目标丢失可分为四种情况处理：

(1)单一传感器间融合时某一传感器目标丢失：暂时使用未丢失传感器目标数据信息作为融合输入，待丢失目标再次建立跟踪时重新开始融合。

(2)多目标传感器(全局目标传感器、局部目标传感器)与单一目标传感器融合时多目标传感器目标丢失：采用状态关联方法从当前时刻多目标传感器目标输出中，寻找合适的目标匹配。若匹配成功，则利用新匹配的目标代入后级数据融合处理。若匹配未成功，则将单一目标传感器目标信息作为融合信息输出。

(3)多目标传感器(全局目标传感器、局部目标传感器)与单一目标传感器融合时单一目标传感器目标丢失：采用多目标传感器信息作为融合信息输出。

(4)多目标传感器间融合时某一传感器目标丢失：采用状态关联方法从当前时刻多目标传感器目标输出中，寻找合适的目标匹配。若匹配成功，则利用新匹配的目标代入后级数据融合处理。若匹配未成功，则将未丢失传感器目标信息作为融合信息输出。

其中状态关联方法为：

(1)多传感器中对同一目标形成的航迹ID不同，需根据航迹信息对同一目标形成的航迹进行匹配，以便后级融合处理。

(2)利用支持向量机(SVM)进行目标分类匹配，提取一传感器中的某一目标信息作为待匹配目标，在其它传感器的目标列表中找到与其相同的目标航迹。

(3)若寻找到不止一个同一目标，计算各自与待匹配目标间的马氏距离，取距离近者作为匹配目标。

支持向量机(SVM)是一种按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，其实现过程主要为：选择合适的特征向量、核函数、相关参数，利用样本进行有监督训练，利用训练好的分类器进行分类。

样本数据：n个样本，p个输入特征(x₁,...,x_p)，1个输出y。第i个样本的输入：

X_i＝(x_i1,…,x_ip)^T,i＝1,2,…,n

其中输入特征选取目标航迹信息协方差矩阵特征值差值、目标航迹信息协方差矩阵特征向量差值、目标航迹信息状态矩阵差值，输出为1或-1作为标签表示是否是匹配目标。

训练样本集可表示为：

以训练样本为研究对象，选用径向基核函数，在样本的特征空间中找到最优超平面将两类样本有效分开。

Mahalanobis距离为马氏距离，统计学上定义为两个服从同一分布的随机变量之间的差异程度，计算方法如下式所示。

dX_i＝X_L-X_R

PX_i＝PX_L+PX_R

其中X_r是雷达输出目标ID为i的状态，X_L是光电输出目标的状态，NormDis是对应的Mahalanobis距离。

(4)将身份匹配后的雷达、光电目标量测数据通过加权最小二乘方法进行数据融合，融合方法如下所示：

量测矢量、量测矩阵均由目标传感器获取。目标传感器输出的是目标信息，在融合算法中，以矢量和矩阵的形式体现。Z_r是雷达传感器的量测矢量，H_r为雷达传感器的量测矩阵；Z_l是光电传感器的量测矢量，H_l为光电传感器的量测矩阵。则有：

Z_R＝H_RY

Z_L＝H_LY

可记作：

Z＝HY+e

其中：

其中，e为雷达和光电传感器二维量测噪声，包含传感器的内部噪声和环境干扰噪声，Z为融合后的量测矢量，H为融合后的量测矩阵、R为融合后的两种传感器的量测误差矩阵所组成的正定对角加权阵,Y为数据融合算法输出的目标融合结果矩阵作为融合结果，PY为数据融合算法输出的目标融合协方差矩阵。

利用加权最小二乘法从量测向量Z中估计出状态量X的估计值。加权最小二乘法估计的准则是使加权误差平方和J_W(Y)取最小值；

J_W(Y)＝(Z-HX)^TR(Z-HX)

其中R为两传感器的量测误差矩阵(协方差矩阵)所组成的正定对角加权阵。对J_W(X)求偏导数并令：

便得到加权最小二乘估计：

Y＝(H^TR^-1H)^-1H^TR^-1Z

PY＝(H^TR^-1H)^-1

将数据融合后的目标航迹信息添加到目标列表。目标列表为输出目标信息的列表，包含目标身份编号、类型、经纬度、距离、相对方位、速度、航向等信息。

Claims (10)

1.一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，包括以下步骤：

1)通过初始状态下的目标所在位置原点，以正东方向为X轴正向，根据右手定则建立绝对坐标系；

2)将航行器多种类型传感器采集的目标航迹信息转换为在绝对坐标系下目标航迹量测矩阵；

3)多种类型传感器进行目标航迹信息匹配，对某种传感器采集目标的丢失情况进行处理，对多种类型传感器的目标航迹信息进行融合，得到融合后的目标航迹量测矩阵，即融合信息；

4)将融合信息作为参数输入，利用最小二乘法进行数据融合，获取融合结果，并将融合结果添加至目标列表，得到目标航迹。

2.根据权利要求1所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，所述多种类型传感器，包括：多目标传感器和单一目标传感器；

其中，多目标传感器包括：全局目标传感器和局部目标传感器；

所述全局目标传感器为可进行360度进行监测的雷达；所述局部目标传感器为设定视场角度感知水下的声呐，所述单一目标传感器对水面单一目标进行锁定跟踪的光电跟踪仪。

3.根据权利要求1所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，所述将航行器多种类型传感器采集的目标航迹信息转换为在绝对坐标系下目标航迹量测矩阵；具体为：

所述目标航迹量测矩阵X如下式所示：

X＝[x,v_x,y,v_y]^T

其中，x与v_x分别为目标在绝对坐标系下沿x轴方向的位置和速度信息，y与v_y分别为目标在绝对坐标系下沿y轴方向的位置和速度信息。

4.根据权利要求1所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，所述步骤3)对多种类型传感器的目标航迹信息进行融合，包括：单一目标传感器间融合、多目标传感器与单一目标传感器融合、多目标传感器间融合。

5.根据权利要求1所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，所述步骤3)，具体为：

传感器目标丢失情况处理分为以下四种情况：

①某时刻单一传感器间融合时某一单一传感器目标丢失：使用未丢失的单一传感器目标航迹信息作为融合输出，待丢失目标再次建立跟踪时重新开始融合；

②多目标传感器与单一目标传感器融合时多目标传感器目标丢失：采用状态关联方法从当前时刻多目标传感器目标输出中，寻找目标匹配；若匹配成功，则将多目标传感器与单一目标传感器通过融合算法进行融合，得到两目标航迹信息的融合信息进行输出；若匹配未成功，则将单一目标传感器目标航迹信息作为融合信息输出；

③多目标传感器与单一目标传感器融合时，单一目标传感器目标丢失：采用多目标传感器目标航迹信息作为融合信息输出；

④两个多目标传感器间融合时，某一传感器目标丢失：采用状态关联方法从当前时刻多目标传感器目标输出中，寻找目标匹配；若匹配成功，则将两个多目标传感器目标航迹信息通过融合算法进行融合得到融合信息进行输出；若匹配未成功，则将未丢失传感器目标信息作为融合信息输出。

6.根据权利要求5所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于：所述融合算法具体为：

其中Z_R为多目标传感器的量测矢量，Z_L为多目标传感器或单一目标传感器的量测矢量，H_R为多目标传感器的量测矩阵，H_L为多目标传感器或单一目标传感器的量测矩阵，R_R为多目标传感器的量测误差矩阵，R_L为多目标传感器或单一目标传感器的量测误差矩阵，Z为融合后的量测矢量，H为融合后的量测矩阵、R为融合后的两种传感器的量测误差矩阵所组成的正定对角加权阵。

7.根据权利要求1所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于：所述步骤4)中的加权最小二乘方法包括：

Y＝(H^TR^-1H)^-1H^TR^-1Z

PY＝(H^TR^-1H)^-1

其中，Y为数据融合算法输出的目标融合结果矩阵作为融合结果，PY为数据融合算法输出的目标融合协方差矩阵。

8.根据权利要求5所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，所述采用状态关联方法从当前时刻多目标传感器目标输出中，寻找目标匹配，具体为：

利用支持向量机SVM进行目标分类匹配：

提取多目标传感器中的某一组目标航迹信息作为待匹配目标，计算该组目标航迹信息与另一多目标传感器中之间、或者该组目标航迹信息与单一目标传感器之间的差值；

所述差值包括目标航迹信息协方差矩阵特征值差值、目标航迹信息协方差矩阵特征向量差值、目标航迹信息状态矩阵差值；

将差值输入至SVM算法当中，得出匹配结果确定其是否为匹配成功目标；

当出现多个匹配成功目标时，计算航行器与匹配成功目标间的马氏距离，取距离近者作为匹配目标。

9.根据权利要求8所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，所述支持向量机目标分类匹配，具体为：

设定训练样本集中的样本数据：n个样本，p个输入特征(x₁,...,x_p)，1个输出y＝{y₁～y_n}的集合；第i个样本的输入，得到学习后的支持向量机的：

X_i＝(x_i1,…,x_ip)^T,i＝1,2,…,n

其中，n个样本中输入特征p选取输入特征：目标航迹信息协方差矩阵特征值差值、目标航迹信息协方差矩阵特征向量差值、目标航迹信息状态矩阵差值，输出为1或-1表示是否为匹配目标；

训练样本集D可表示为：

以训练样本集为研究对象，选用径向基核函数，在样本的特征空间中找到最优超平面，将两类样本有效分开。

10.根据权利要求8所述的一种基于多传感器数据融合算法的运动目标航迹感知方法，其特征在于，所述马氏距离为：

dX_i＝X_L-X_R

PX_i＝PX_L+PX_R

其中，dX_i为单一传感器或另一多目标传感器输出目标i状态信息与多目标传感器输出目标状态信息的差值，X_R是多目标传感器输出目标i状态信息，X_L是单一传感器或另一多目标传感器输出目标i状态信息，PX_i为目标的协方差之和，PX_L为单一传感器或另一多目标传感器的协方差矩阵，PX_R为多目标传感器的协方差矩阵，NormDis是对应的马氏距离。