第 17 卷 第 2 期
2003 年 6 月
电子测量与仪器学报
JOURNAL OF ELECTRONIC
Vol117 No12
MEASUREMENT AND INSTRUMENT
# 51
#
多传感器目标跟踪航迹关联技术及应用
朱 靖
孟晓风
( 北京航空航天大学自动化和电气工程学院, 北京 100083)
= 摘要> 多传感器目标跟踪是信息融合技术在目标跟踪领域的应用范例。航迹关联是其中的 关键技术 之一。
本文分析了多种航迹关联算法, 提出一种将最近邻法 与 chi- square 分布相结 合, 通 过计算 统计均 值选择 航迹的
关联方法。实验表明该算法有较好的融合效果。
关键词: 多传感器 信息融合 目标跟踪 航迹关联
Multisensor Target Tracking Track Correlation Technique and Its Application
Zhu Jing
Men Xiaofeng
( Institute of Automatization and Electric Engineering, Beijing University of
Aeronautics and Astronautics, Beijing , 100083)
Abstract: Multisensor target tracking is a paradigm of information fusion technique dealing with target
tracking problem. Track correlation is one of key arithmetics. This paper analyzes several arithmet ics of
track correlation and set forth a arithmetic which integrates NNA with chi- square distribution, and computes
statistic mean value to select track. Experiment indicates that the arithmet ic has preferable fusion result .
Keywords: Multisensor,
informat ion fusion, target tracking, track correlation.
1 引 言
多传感器目标跟踪问题作为科学技术发展的一个方面, 随着传感器技术、融合理论和其他学
科的发展, 研究内容日益深入, 并在军事和民用领域得到广泛应用。航迹关联是目标跟踪的关键
技术, 是将候选回波( 跟踪门规则的输出) 与已知目标航迹相比较, 并最后确定正确的观测P航迹
配对的过程。由于复杂的外界环境和传感器本身的局限性, 量测信息的可能来源包括: ( 1) 被跟
踪目标; ( 2) 虚警; ( 3) 其它目标。正确地进行航迹关联是有效维持目标跟踪的关键。
近年来, 国内外学者开始普遍关注航迹关联这一研究领域, 在理论上有了一定进展。航迹关
联的算法包括最近邻法、航迹分叉滤波、广义相关法、高斯和法、多模型方法( MMA) 、最优 Bayes
法、多元假设法、概率数据关联( PDA ) 、联合概率数据关联( JPDA) 等不同方法。但无论哪种方法,
均与实际应用有一定差距, 有的方法( 如最近邻法) 抗干扰能力差, 在目标回波密度大的环境中易
产生误关联; 有的算法( 如概率数据关联 PDA ) 计算量大, 难以满足实时性要求。
为解决抗干扰能力差和计算量大这两大问题, 本文提出的算法采用两级关联方法: 粗关联和
精关联, 粗关联首先依据目标属性进行初级分类, 其次依据最近邻关联方法的/ 最近邻0思想, 并
本文于 2002 年 1 月收到。朱 靖: 工程师; 孟晓风: 教授, 博导。
# 52
#
电 子 测 量 与 仪 器 学 报
第 17 卷
巧妙地将其与 chi- square 分布相联系, 从而缩小关联对象的范围, 拣选出候选航迹; 精关联则在
粗关联基础上, 充分利用航迹的时间累积信息, 通过计算统计均值选出离航迹预测状态最近的一
组假设作为最终的关联结果。
本文对采用的多传感器目标跟踪航迹关联算法进行了深入阐述, 通过理论分析, 表明该算法
与传统/ 最近邻0关联方法相比, 总计算量有所降低, 满足实时性要求; 在提高关联可靠性方面, 文
章最后应用一组仿真数据对算法给予了验证, 取得了较好的融合效果。
2 航迹关联算法
211 航迹粗关联
在融合中心, 如果两条航迹之间的统计距离小于一个预设的门限值, 那么可以判定这两条航
迹可能来自同一个目标, 我们把这样的两条航迹称为候选航迹对, 预设的门限值被称为跟踪门。
候选航迹对的形成过程常被称为粗关联, 粗关联可以较大幅度地减少精关联中的关联假设数量,
形成候选航迹对。
21111 利用目标属性进行粗关联
目标属性包括三个层次, 列出如下, 并见图 1 所
示:
¹ 目标性质( 敌 \ 我 \ 友 \ 不明) ;
º 目标类别( 海上 \ 空中) ;
» 目标型号( 舰型 \ 机型) 。
将目标航迹按 ¹ º » 的层次顺序, 并基于相容
性的原则进行初级关联, 如果哪个目标属性空缺, 则
自动进入下一个阶段的关联过程, 进而把关联范围
逐步缩小。
图 1 目标属性的三个层次
21112 利用最近邻思想与 chi- square 分布相结合进行粗关联
在融合中心的数据处理过程中, 关联过程通常是主传感器与其他传感器逐个进行关联, 鉴
此, 以下讨论将针对两传感器情况进行。设第 s( s= A , B) 个传感器形成的第 t( t= 0, 1, ,) 条航迹
t ( k / k ) , k ( k= 0, 1, ,) 表示观测次数; 第 t 条航迹所对应目标的
为 X^
真实状态为 X t ( k ) , 方差为 P^
t ( k/ k ) 服从高斯分布的随机变量, 即
s
s
t ( k/ k ) , 其协方差矩阵为 P^
s
s
t ( k/ k ) V N [ X t ( k ) , P^
s
t ( k / k ) ]
X^
设航迹 X^
A
i ( k/ k ) 、X^
B
j ( k / k) 之间的矢量差用 d ij ( k) 表示,
dij ( k ) = X^
A
i ( k/ k ) - X^
B
j ( k / k)
d ij ( k ) 的协方差矩阵为 Uij ( k ) ,
Uij ( k ) = P^
A
i ( k / k ) + P^
B
j ( k / k ) - P^
A B
ij ( k / k) - P^
BA
j i ( k / k )
式中 P^
AB
ij ( k/ k ) 为 X^
A
i ( k / k ) 、X^
B
j ( k/ k ) 的互协方差矩阵,
AB
ij = E{ [ X^
A
i ( k / k) - E { X^
A
i ( k / k ) } ] [ X^
B
j ( k / k ) - E{ X^
B
j ( k / k) } ] T }
P^
( 1)
( 2)
( 3)
( 4)
令
2
ij ( k ) = d
T
ij ( k ) U
- 1
ij
T
( k ) dij ( k )
则 T
2
ij ( k ) 为自由度为 n 的 chi- square 分布随机变量, 记为 T
2
ij ( k ) V X
( 5)
2 ( n ) , n 为航迹向量的
第 2 期
多传感器目标跟踪航迹关联技术及应用
# 53
#
维数。因此关联条件可以转化为:
若航迹 X^
A
i ( k/ k ) 、X^
ij ( k) FC
T2
B
j ( k / k) 符合上述条件, 则粗关联成功, [ X^
( 6)
j ( k / k ) ] 被称为候选
2 ( n) 分布的分位数表。C越大, 航迹关联漏检概率越小。通常取 A=
A
i ( k / k ) , X^
B
航迹对。C的取值可对照 X
01975, 此时若 n= 4, 则 C= 11; 若 n= 6, 则 C= 14; 若 n= 9, 则 C= 19。
212 航迹精关联
设传感器 A 形成了 N1 条航迹, 传感器 B 形成了 N2 条航迹, 分别表示为:
Tracks from Sensor1: { X^
Tracks from Sensor2: { X^
i = 1, 2, ,, N 1 ;
i = 1, 2, ,, N 2。
A
i ( k / k ) , P^
B
j ( k / k ) , P^
A
i ( k / k ) } ,
B
j ( k/ k ) } ,
航迹关联最终的结果必须符合以下准则:
准则: 传感器 A 的航迹 X^
A
i ( k / k) 最多只能和传感器 B 的一条航迹关联; 传感器 B 的航迹X^
B
j
( k/ k ) 最多也只能和传感器 A 的一条航迹关联。
A
在粗关联后, X^
i ( k / k ) 可能与传感器 B 的多条航迹形成候选航迹对, 即传感器 A 的第 i 条航
迹具有多种关联可能, 而其中最多只有一种关联可能是成立的。考虑到传感器 A 的其他航迹,
它们形成的候选航迹对也有交叉的部分, 为描述传感器 A 航迹和传感器 B 航迹之间的关系, 首
2
先根据粗关联结论计算两条航迹的检验统计量 T
ij ( k ) ; 然后进行统计量的 N 步累积, 设累积统
计量的均值为 Kij ( k, N) :
Kij ( k , N ) =
Kij ( k, N) =
k
1
K E
l= 1
k
1
N E
l= k- N+ 1
2
ij ( l )
T
k F N
2
ij ( l )
T
k > N
( 7)
根据上式计算出累积统计量的均值, 并对 Kij ( k , N ) 从小到大进行排序, 据此可找出合理的关联
结果。
假设 N 1 = 3, N 2 = 4, 即传感器 A 的三条航迹与传感器 B 的四条航迹粗关联成功, 即 i= 1~ 3,
j= 1~ 4 时[ X
A
i ( k) X
B
j ( k) ] 为候选航迹对。累积统计量的均值省略表示为 Kij , 设其排列如下:
K11 < K12 < K14 < K13 < K22 < K24 < K21 < K23 < K32 < K31 < K33 < K34
从排列式可以看出, 航迹对 X
A
1 ( k ) 、X
B
1 ( k ) 之间的统计距离最小, 因此可以判断航迹对 X
A
1
B
1 ( k ) 来自同一个目标。X
( k) 、X
和其他的航迹进行关联, 所以应该删除排列式中与之相关的所有候选航迹对, 此时新的排列变为:
1 ( k) 既然关联成功, 根据唯一性原理, 这两条航迹就不能
1 ( k ) 、X
A
B
K22 < K24 < K23 < K32 < K33 < K34
根据新的排列式, 又可认定航迹 X
2 ( k ) 与 X
A
B
2 ( k ) 来自同一个目标。如此类推, 可以推断航迹
3 ( k ) ] 关联成功, 这也就是最终的航迹关联结果。
B
A
3 ( k ) X
对[ X
B
B
A
2 ( k ) X
1 ( k ) ] 、[ X
A
1 ( k ) X
213 算法计算量分析
设传感器 A 有 n a 条航迹, 表示为 X^
2 ( k ) ] 、[ X
A
i ( k) , i= 1 V n; 传感器 B 有 n b 条航迹, 表示为 X^
B
j ( k ) , j
= 1 V n b ; 对于 Pi、j, [ X
A
i ( k) 、X
B
j ( k ) ] 都是候选航迹对。
由式( 212) V ( 215) 可知, 计算一次 T
2
ij ( k ) , 需要进行一次 6 维方阵求逆、两次矩阵乘法运算,
可折算成 384 次实数乘法运算; 一次关联需计算 na @ n b 次 T
ij ( k ) , 折算成实数乘法运算为 384 @
n a @ nb 次, 此外还有部分加法运算, 由于采用了目标属性粗关联措施, 其计算量比/ 最近邻0关联
2
# 54
#
电 子 测 量 与 仪 器 学 报
第 17 卷
方法[ 3] 要小很多。
在航迹精关联部分, 累加长度 N 的取值不会对计算量造成大的影响, 但系统内存空间将被
占据 N @ na @ nb 个实数单元, N 值越大, 被占据内存空间将越大, 且 N 值较大时 Kij 对当前的统计
量 T2
ij ( k ) 不太敏感, 有时会影响关联的正确率。实际航迹关联过程中, 可取 N= 5。
在实际的航迹关联中, 统计量 T
2
ij ( k ) 可以直接从粗关联过程中获得, 因此基于统计量排序的
精关联方法计算量非常小, 其总的计算量比/ 最近邻0关联方法[ 3] 要小。
3 跟踪实验
为了对航迹关联算法进行测试, 系统设计了一组跟踪实验。为缩短篇幅并不失对关联算法
的研究, 本文略去目标属性粗关联步骤。设相关区域有 10 个目标, 目标的初始状态见表 1, 目标
的状态方程为: X( k+ 1) = F( k) X( k) + G( k) W( k)
#
X( k) = [ x x
#
y y
#
z z
式中
] T ,
2 / 2 T
T
G=
0
0
0 T
0
0
0
0
2 / 2 T
0
T
0
0
0
0 T2 / 2 T
;
1 T 0
0 0
F =
0
0
0
0
0
1
0
0
0
0
0
0 0
1 T 0
0
1 0
0
0
0 1 T
0 0
1
0
0
0
0
;
E{ W( k ) } = 0, E{ W ( k ) W( j )
T
} = qIW ( k ) D( k - j ) , 其中 I 为 3 @ 3 的单位矩阵, 取 q= 3 @
10- 4 , D为 Kronecker 标记符。设两传感器的采样周期为 1s, 分别观测 140 次, 系统观测模型为
Z( k) = H( k) X( k) + V ( k)
其中
H( k) =
1
0
0
0 0 0
0 1 0
0 0
0 0
;
0 0 0
1 0
E{ V( k) } = 0, E{ V( k ) V( j ) T } = R kD( k- j ) ,
R k =
R2
x
0
0
0
R2
x
0
0
0
R2
x
;
传感 器 A 的 标 准 差 为: Rx = Ry = Rz =
014km, 传感 器 B 的标 准差为: Rx = Ry = Rz =
015km。
表 1 10 个目标的初始位置和初始速度
目标
初始位置( km) 初始速度( kmPs)
T
1
2
3
4
5
6
7
8
9
10
X
65
671 5
70
721 5
75
57
60
63
80
83
Y
11 8
11 8
11 8
11 8
11 8
11 8
11 8
11 8
11 8
11 8
0
7
Z
0105
Vx
0105
Vy
013
013
7
7 - 0105 013
013
7
013
013
013
013
7
7 - 0112 013
7 - 0116 013
0117
0115
0115
0
7
7
7
Vz
0
0
0
0
0
0
0
0
0
0
第 2 期
多传感器目标跟踪航迹关联技术及应用
# 55
#
图 2 为传感器 A 和传感器 B 在 N= 5 时一次实验的航迹关联融合结果的 X - Y 平面图。显
然传感器 A 和传感器 B 实现了有效融合。
4 结 论
航迹关联是多传
感器跟踪系统中的关
键技术之 一, 目前的
航迹关联算法在目标
较多 时, 算法 比 较复
杂, 计 算量 非常 大且
易发生误关联。本文
根据目标属性进行初
级关 联, 接着 最近 邻
法的思想, 与 ch-i square
分布相结合进行粗关
联, 最 后通过 求取其
统计均值法实施精关
联, 从 而找出 最佳的
联合假设。算法分析
和实验结 果表 明, 该
方法与传统/ 最近邻0
关联方法 相比, 不仅
能 减 少 一 定 计 算 时
间, 而 且能够 获得很
好的关联融合性能。
图 2 传感器 A 和传感器 B 融合结果示意图
[ 1] 刘同明, 夏祖勋, 解洪成/ 数据融合技术及其应用0 , 1998, 9.
参 考 文 献
[ 2] 刘同明, 夏祖勋, 多传感器多目标多平台数据融合中的数据校准研究, 华东船舶工业学院学报, 1995, 3, 镇江.
[ 3] X1Rong Li and Y1Bar- Shalom,Tracking in clutter with Nearest Neighbor filters: analysis and performance, IEEE Trans-
actions on Aerospace and Electronic Systems, 1996, 32( 3) : 995- 1010.
[ 4] 赵宗贵编译, 数据融合方法概论, 电子工业部二十八研究所, 1998, 4, 南京.
[ 5] 何友, 王国宏, 多传感器信息融合及应用, 电子工业出 版社, 2000, 11, 北京.
作 者 简 介
朱靖: 男, 1974 年出 生, 工程师。1996 年获长沙国防科学技术大学检测技术与仪器 专业学士
学位, 1999 年到 2002 年于北京航空航天 大学自 动化学 院在职 攻读硕 士学 位。主要 研究方 向为
计算机测控、信息 融合。参 与并完成军内科研 5 项, 发表论文 9 篇。