国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

面向群目標(biāo)典型機動的多傳感器精細(xì)跟蹤方法*

2016-09-09 09:28王海鵬唐田田王子玲夏沭濤
艦船電子工程 2016年8期
關(guān)鍵詞:雜波航跡機動

王海鵬 唐田田 王子玲 夏沭濤

(海軍航空工程學(xué)院信息融合研究所 煙臺 264001)

WANG Haipeng TANG Tiantian WANG Ziling XIA Shutao

(Research Institute of Information Fusion, Naval Aeronautical and Astronautical University, Yantai 264001)

?

面向群目標(biāo)典型機動的多傳感器精細(xì)跟蹤方法*

王海鵬唐田田王子玲夏沭濤

(海軍航空工程學(xué)院信息融合研究所煙臺264001)

為解決多傳感器探測下群目標(biāo)發(fā)生機動時群內(nèi)目標(biāo)的精細(xì)跟蹤問題,提出了一種面向群目標(biāo)典型機動的多傳感器精細(xì)跟蹤方法,該方法深入分析群目標(biāo)機動時量測特性,面向整體機動、分裂、合并、分散四種典型的群目標(biāo)機動模式,首先基于雜波剔除模型及點跡合并模型,結(jié)合交互多模型思想建立群整體機動跟蹤模型,然后基于群整體機動跟蹤模型,利用多幀互聯(lián)模式建立群分裂跟蹤模型,并基于循環(huán)閾值模型,給出群合并跟蹤模型,最后基于修正的3/4邏輯法建立群分散跟蹤模型,實現(xiàn)四種典型群目標(biāo)機動模式下群內(nèi)目標(biāo)的多傳感器精細(xì)跟蹤。

多傳感器精細(xì)跟蹤; 群整體機動; 群分裂; 群合并; 群分散

WANG HaipengTANG TiantianWANG ZilingXIA Shutao

(Research Institute of Information Fusion, Naval Aeronautical and Astronautical University, Yantai264001)

Class NumberTP953,TN957

1 引言

近年來,隨著傳感器分辨率的提高,群目標(biāo)跟蹤技術(shù)[1~5]受到國內(nèi)外學(xué)者的廣泛關(guān)注。在一些實際應(yīng)用中,與群的整體態(tài)勢相比,往往更關(guān)心群內(nèi)個體目標(biāo)的情況[3~4]。此時,為有效改善群內(nèi)目標(biāo)的精確跟蹤效果,工程上通常從測量系統(tǒng)層面,利用多個傳感器、從不同測向獲取群目標(biāo)測量數(shù)據(jù),進行數(shù)據(jù)互聯(lián)和融合等處理。

在群目標(biāo)運動過程中,基于特定的戰(zhàn)術(shù)或目的,群目標(biāo)隨時會發(fā)生轉(zhuǎn)彎、爬升、俯沖等整體機動,還會出現(xiàn)分裂、合并、分散等群目標(biāo)特有的機動模式[1],在這種情況下,群內(nèi)目標(biāo)回波的相對位置結(jié)構(gòu)發(fā)生縮放、剪切、旋轉(zhuǎn)等變換,導(dǎo)致多傳感器對群內(nèi)個體目標(biāo)的分辨狀態(tài)更為復(fù)雜,可調(diào)白噪聲、交互多模型、Jerk模型等傳統(tǒng)的多傳感器機動目標(biāo)跟蹤技術(shù)[6~10]對機動群目標(biāo)回波復(fù)雜性考慮不足,難以取得理想的跟蹤效果。此外,現(xiàn)有機動群目標(biāo)跟蹤算法[11~16]大多集中于從位置、方向、航跡歷史等方面理清群分裂、合并及交叉的邏輯關(guān)系,然后基于PDA[11]、模式空間[12]、MCMC粒子濾波[13]、SMC-PHDF[14]等方法完成群目標(biāo)的機動處理,總體上仍著眼于群整體,對機動情況下群內(nèi)目標(biāo)的航跡變化研究較少,對多傳感器探測下機動群內(nèi)目標(biāo)的跟蹤沒有研究。多傳感器機動群內(nèi)目標(biāo)的精確跟蹤問題已成為實際工程應(yīng)用中的重點和難點問題。

因此,為解決該問題,本文深入分析多傳感器探測下機動群目標(biāo)的量測特性,面向群整體機動、分裂、合并、分散四種典型的群機動模式,分別給出了群精細(xì)跟蹤模型,實現(xiàn)典型機動模式下群內(nèi)目標(biāo)的狀態(tài)更新。

2 群整體機動跟蹤模型

2.1多傳感器群內(nèi)目標(biāo)的點-航互聯(lián)

本文從群的整體出發(fā),結(jié)合群的特性,基于融合中心所探測到的綜合量測集,利用廣義S-D維分配算法實現(xiàn)多傳感器對應(yīng)同一目標(biāo)的量測關(guān)聯(lián)與合并,并求出群內(nèi)各航跡的關(guān)聯(lián)量測,具體分為以下幾步。

1) 群整體加速度的求取

(1)

(2)

式中,T為采樣周期。

2) 群內(nèi)目標(biāo)的外推

(3)

式中,F(xiàn)(k)∈Rn,n為狀態(tài)轉(zhuǎn)移矩陣。

(4)

3) 關(guān)聯(lián)波門的建立

d(zi(k),zj(k))=

(5)

式中,l為常量系數(shù),主要受量測噪聲和雜波密度的影響,量測噪聲和雜波密度越大,l越大。

4) 雜波剔除模型及點跡合并模型的建立及關(guān)聯(lián)量測的獲取

(6)

(7)

(8)

式中,H(k)為量測矩陣。

2.2多傳感器群內(nèi)目標(biāo)的狀態(tài)估計

3 群分裂跟蹤模型

經(jīng)分析可知,對群目標(biāo)U(k-1)而言,其變化是由一個群變?yōu)槎鄠€群;對群目標(biāo)U(k-1)和U1(k)的整體而言,群目標(biāo)發(fā)生了整體機動,因此群的分裂實際上為群內(nèi)兩個或多個目標(biāo)集合發(fā)生不同模式的整體機動而形成多個群的過程。所以,群的分裂可基于群的整體機動模型進行建模,具體分為以下兩步進行。

3.1分裂后群內(nèi)目標(biāo)航跡的狀態(tài)更新

分別基于Z1(k)和Z2(k),對群U(k-1)中的所有目標(biāo)航跡進行狀態(tài)更新。因?qū)(k-1)與U1(k)或U2(k)而言,群發(fā)生了整體機動,所以U1(k)和U2(k)內(nèi)各目標(biāo)的狀態(tài)更新可基于群機動跟蹤模型直接獲得,在此不再贅述。

3.2虛假航跡的刪除

因為U(k-1)分裂成U1(k)和U2(k),所以一般情況下

(9)

但此處在k時刻分別基于Z1(k)和Z2(k)對U(k-1)中的所有航跡均進行了延續(xù),所以U1(k)和U2(k)中必然存在虛假航跡,需要進一步刪除。然而虛假航跡的刪除過程在一個探測周期內(nèi)很難完成,因此本文通過對各時刻航跡建立航跡質(zhì)量,利用多幀互聯(lián)模式終結(jié)虛假航跡并完成群的分裂,具體描述為

(10)

(2)滑窗的建立

建立一個[k,k+h]的滑窗,若

(11)

則判斷群U1(k)中航跡i為虛假航跡,將其刪除;a為刪除參數(shù),與雜波密度有關(guān),雜波密度越大,a的取值越小。

4 群合并跟蹤模型

經(jīng)分析可知,若只關(guān)注群目標(biāo)U1(k-1)和U(k)或群目標(biāo)U2(k-1)和U(k),群發(fā)生了整體機動;若將群U1(k-1)和U2(k-1)看做整體,群合并的變化是由多個群變?yōu)橐粋€群;因此,群的合并實際上為兩個或多個群目標(biāo)因發(fā)生整體機動而形成一個群目標(biāo)的過程。所以,群的合并可基于群的整體機動模型進行建模,具體分為以下兩步進行。

4.1合并前群內(nèi)目標(biāo)航跡的狀態(tài)更新

4.2合并的判別

(12)

則判定這兩個目標(biāo)屬于同一個群。

5 群分散跟蹤模型

群分散是一種典型而特殊的機動方式,如飛機群到達目標(biāo)打擊區(qū)域后,會按照戰(zhàn)術(shù)安排分別飛向不同的目標(biāo),此時群內(nèi)飛機的運動模式各不相同,已不能作為一個群進行研究[1]。

5.1群內(nèi)目標(biāo)的點-航互聯(lián)

(13)

2)對可能航跡D1進行直線外推,并以外推點為中心,建立關(guān)聯(lián)波門Ω(k+1),其由航跡外推誤差協(xié)方差確定。若量測zi(k+1)落入關(guān)聯(lián)波門Ω(k+1)內(nèi),假設(shè)zi(k+1)與zj(k)的連線與該航跡的夾角為α,若α≤σ(σ一般由測量精度決定,為了保證以很高的概率起始目標(biāo)的航跡,可以選擇較大的σ),則認(rèn)為zi(k+1)可與D1互聯(lián)。若存在多個點滿足要求,則選取離外推點最近的量測互聯(lián)。

3)若沒有量測落入Ω(k+1)中,則將D1繼續(xù)直線外推,以外推點為中心,建立后續(xù)關(guān)聯(lián)波門Ω(k+2),其大小由航跡外推誤差協(xié)方差確定。若量測zi(k+2)落入關(guān)聯(lián)波門Ω(k+2)內(nèi),假設(shè)zi(k+2)與zi(k+1)的連線與該航跡的夾角為β,若β≤σ,則判定zi(k+2)可與D1互聯(lián)。若存在多個點滿足要求,則選取離外推點最近的量測互聯(lián)。

4)若在第四次掃描中,沒有量測落入后續(xù)關(guān)聯(lián)波門Ω(k+2)中,則刪除該可能航跡。

5)在各個周期中不與任何航跡互聯(lián)的量測用來開始一條新的可能航跡,轉(zhuǎn)步驟1)。

5.2群內(nèi)目標(biāo)的狀態(tài)更新

獲取目標(biāo)i在k時刻的互聯(lián)量測為zj(k)后,利

用IMM模型的思想對目標(biāo)進行濾波,具體過程同群整體機動跟蹤模型,在此不再贅述。

6 結(jié)語

本文面向整體機動、分裂、合并、分散四種典型的群目標(biāo)機動模式,分別建立了群內(nèi)目標(biāo)精細(xì)跟蹤模型,為多傳感器群內(nèi)目標(biāo)的精細(xì)跟蹤打下了基礎(chǔ)。但需要注意的是,要在工程應(yīng)用中實現(xiàn)群內(nèi)目標(biāo)的精細(xì)跟蹤,還需要基于本文算法,進一步研究群目標(biāo)具體機動模式的自適應(yīng)實時判別機制。

[1] 王海鵬.多傳感器編隊目標(biāo)跟蹤算法研究[D].煙臺:海軍航空工程學(xué)院,2012:8-10, 63-71.

[2] 邢鳳勇,熊偉,王海鵬.基于聚類和Hough變換的多編隊航跡起始算法[J].海軍航空工程學(xué)院學(xué)報,2010(25):624-629.

[3] Peng Z H, Sun L, Chen J. Path. Planning of Multiple UAVs Low-altitude Penetration Based on Improved Multi-agent Coevolutionary Algorithm[C]//2011 30th Chinese Control Conference,2011(7):4056-4061.

[4] Zhen Q, Shelton C R. Improving Multi-target Tracking via Social Grouping[C]//2012 IEEE Conference on Computer Vision and Pattern Recognition,2012(7):1972-1978.

[5] 趙盟盟,張群,陳怡君,等.一種用于空間群目標(biāo)分辨的滑動窗軌跡跟蹤算法[J].宇航學(xué)報,2015,36(10):1187-1194.

[6] 何友,王國宏,關(guān)欣.信息融合理論及應(yīng)用[M].北京:電子工業(yè)出版社,2010:135-177.

[7] 何友,修建娟,張晶煒.雷達數(shù)據(jù)處理及應(yīng)用[M](第3版).北京:電子工業(yè)出版社,2013:112-118.

[8] Yu M, Oh H, Chen W H. An improved multiple model particle filtering approach for maneuvering target tracking using airborne GMTI with geographic information[J]. Aerospace Science and Technology,2016,52(1):62-69.

[9] Yang W, Wang Z X, Fu Y W, et al. Joint detection tracking and classification of a maneuvering target in the finite set statistics framework[J]. IET Signal Processing,2015,9(1):10-20.

[10] Yang J L, Ji H B, Ge H W. Multi-model particle cardinality-balanced multi-target multi-bernoulli algorithm for multiple maneuvering target tracking[J]. IET Radar, Sonar and Navigation,2013,7(2):101-112.

[11] 耿文東.基于PDA的群目標(biāo)合并與分離方法研究[J].無線電工程,2007,37(2):24-26.

[12] 劉紅,耿文東.基于模式空間的目標(biāo)合并與分離方法研究[J].無線電工程,2010,40(2):53-56.

[13] Septier F, Pang Sz K. Tracking of Coordinated Groups Using Marginalized MCMC-Besed Particle Algorithm[J]. IEEE Transactions on Auto Control,2009,31(2):1-11.

[14] Lian F, Han C Z, Liu W F. Sequential Monte Carlo Implementation and State Extraction of the Group Probability Hypothsis Density Filter for Partly Unresolvable Group Targets-tracking Problem[J]. IET Radar, Sonar and Navigation,2010,4(5):685-702.

[15] Lan J, Li X. Tracking of maneuvering non-ellipsoidal extended object or target group using random matrix[J]. IEEE Transactions on signal processing,2014,62(9):2450-2463.

[16] Li Z, Liu J, Bai D, et al. Group targets tracking algorithm based on strong tracking filter and improved weighted method[J]. Journal of Peking University of Aeronautics and Astronautics,2014,40(8):1102-1108.

Multi-Sensor Refined Tracking Algorithm of Typical Group Targets Maneuvering Models*

To resolve the refined tracking of the targets in a maneuvering group with the multi-sensor detections, a new algorithm named multi-sensor refined tracking algorithm of typical group targets maneuvering models is proposed. In the algorithm, the characteristics of maneuvering group targets are analyzed deeply. Firstly, intended for the four typical group targets maneuvering patterns, namely, the whole maneuver, splitting, merging and dispersing, based on the clutter deletion models and the measurement merging models, the group targets whole maneuvering tracking models is established with the interactive multiple model. Secondly, based on the group targets whole maneuvering tracking models, the group targets splitting tracking model is done with the multiple sequences association model. Moreover, the group targets merging tracking model is obtained based on the cyclic threshold model. Finally, based on the modified 3/4 logical method, the group targets dispersing tracking model is obtained, and that the multi-sensor refined tracking of the four typical group targets maneuvering patterns is carried out.

multi-sensor refined tracking, group targets whole maneuvering, group targets splitting, group targets merging, group targets dispersing

2016年2月7日,

2016年3月24日

國家自然科學(xué)重點基金(編號:61531020);國家自然科學(xué)面上項目(編號:6147383);裝備預(yù)研基金(編號:9140A07030514JB14001;9140A07041415JB14001)資助。

王海鵬,男,博士研究生,研究方向:目標(biāo)跟蹤、航跡關(guān)聯(lián)。

TP953,TN957

10.3969/j.issn.1672-9730.2016.08.019

猜你喜歡
雜波航跡機動
大數(shù)據(jù)分析的船舶航跡擬合研究
STAR2000型空管一次雷達雜波抑制淺析
一種改進的基于背景自適應(yīng)的雜波圖算法
一種自適應(yīng)雙參數(shù)雜波圖檢測方法
某雷達雜波數(shù)據(jù)分析及雜波圖技術(shù)研究
12萬畝機動地不再“流浪”
機動三輪車的昨天、今天和明天
自適應(yīng)引導(dǎo)長度的無人機航跡跟蹤方法
滾轉(zhuǎn)機動載荷減緩風(fēng)洞試驗
視覺導(dǎo)航下基于H2/H∞的航跡跟蹤