多目标大数据关联融合跟踪方法及系统技术方案

本发明专利技术公开了一种多目标大数据关联融合跟踪方法及系统，属于多雷达多目标跟踪技术领域，首先利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据进行处理，得到多雷达多目标融合点迹数据；然后对多雷达多目标融合点迹数据进行计算，分别提取时序特征和空间特征；并通过利用雷达量测和目标预测的时序特征和空间特征之间的差异设计二维差异矩阵；最后采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率，并利用目标的关联概率计算目标的状态估计；本发明专利技术可有效实现在杂波和多目标环境下的目标跟踪。下的目标跟踪。下的目标跟踪。

【技术实现步骤摘要】
多目标大数据关联融合跟踪方法及系统


[0001]本专利技术属于多雷达多目标跟踪
，尤其涉及一种多目标大数据关联融合跟踪方法及系统。

技术介绍

[0002]目前，在集中式融合结构下多目标跟踪中，为了实现多个目标精准跟踪，数据融合和数据关联起着重要作用。数据融合技术可以充分发挥多雷达的信息优势，数据关联技术可以准确地找出目标与量测之间的关联概率，可以有效提升跟踪系统的有效性和可靠性。因此针对复杂环境下的多站雷达多目标跟踪问题，需要考虑如何选取合适的数据融合、数据关联算法等关键技术使其能获得最佳的跟踪结果。
[0003]目前，关于目标数据关联融合跟踪方法的相关工作已经取得了一些的成果。景博等人提出了一种基于集中式最优加权算法的多传感器数据融合方法，通过各个雷达的量测噪声方差给每个雷达分配加权系数，通过仿真表明经过集中式最优加权融合估计的虚拟量测的方差比任何一个雷达的量测方差都要小(景博,孙勇.基于集中式最优加权算法的多传感器数据融合[J].电子测量与仪器学报,2004(z2):5)。Q.Zhang等人(Q.Zhang,J.Gao and本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多目标大数据关联融合跟踪方法，其特征在于，包括以下步骤：步骤一，利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷达观测数据{Z1,Z2,
…
,Z
T
}进行处理，得到k时刻多雷达多目标融合点迹数据Y(k)＝{(x
f1
,y
f1
),(x
f2
,y
f2
),
…
,(x
fT
,y
fT
)}，其中，x
fi
,y
fi
分别表示雷达i对f目标融合点迹；步骤二，对所得到的多雷达多目标融合点迹数据进行计算，分别提取时序特征{v
i
,a
i
,hθ
i
}和空间特征{d
i
,dθ
i
,c
i
}，其中，v
i
为速度特征，a
i
为加速度特征，hθ
i
为航向角特征，d
i
为距离特征，dθ
i
为偏航角特征，c
i
为曲率特征；步骤三，通过利用雷达量测和目标预测的时序特征和空间特征之间的差异{Δv
i
,Δa
i
,Δhθ
i
}和{Δd
i
,Δdθ
i
,Δc
i
}设计二维差异矩阵，其中，Δv
i
为速度特征差异，Δa
i
为加速度特征差异，Δhθ
i
为航向角特征差异，Δd
i
为距离特征差异，Δdθ
i
为偏航角特征差异，Δc
i
为曲率特征差异；步骤四，采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率β
it
，并利用目标的关联概率计算目标的状态估计其中，表示对目标t的状态估计。2.根据权利要求1所述的方法，其特征在于，所述的步骤一具体为：基于卷积神经网络的数据融合模型的输入是在k时刻经过时空对准以及点迹匹配的聚类点迹记为{Z1,Z2,
…
,Z
T
}，且第i类Z
i
有N个点迹数据，记为：{(x1,y1),(x2,y2),
…
,(x
N
,y
N
)}，其中，x
i
,y
i
分别表示雷达i对目标的量测；将T类聚类点迹按照x轴和y轴的顺序进行排列，拼接成N
×
(2
×
T)的二维数据矩阵M；卷积神经网络的输入表示为X(k)＝M；多雷达量测数据进行预处理后，需要对其进行训练样本和标签，在输入基于卷积神经网络的数据融合模型之前还需要对多雷达多目标融合点迹数据进行归一化处理；基于卷积神经网络的数据融合模型通过一维卷积提取不同雷达之间误差差异参数特征，过程如下：将聚类点迹数据矩阵M首先经过一个一维卷积层，进行雷达误差特征提取，然后经过池化层，采用的是最大池化，提取到不同雷达误差差异参数λ＝{λ1,λ2,
…
,λ
N
}，然后将差异参数展开为一维数据输送到全连接层，利用全连接层强大的函数逼近能力输出融合点迹；基于卷积神经网络的数据融合模型的输出是在k时刻多雷达点迹的融合结果，包含多个点迹的x轴和y轴信息，表示为Y(k)＝{(x
f1
,y
f1
),(x
f2
,y
f2
),
…
,(x
fT
,y
fT
)}；根据输出的融合点迹进行后续的跟踪滤波操作；计算过程表示为：Y(k)＝f(Z
i
+s(Z
i
,λ))；式中，Z
i
为第i类点迹匹配的聚类点迹，λ表示卷积神经网络提取到的不同雷达之间误差差异参数，s(
·
)表示空间误差差异函数，用于估计不同雷达点迹数据到目标真实值的变换，f(
·
)则表示融合函数，将不同雷达的点迹数据融合为一个点迹。3.根据权利要求2所述的方法，其特征在于，所述的步骤二具体为：假设在k时刻，经过点迹融合之后的量测有M个，设为且假设目标数目已知，为T个，观测方程为H，则在k时刻各个目标的预测状态为X(k)＝HX(k
‑
1)，预测状态设为
时序特征{v
i
,a
i
,hθ
i
}包括速度特征，加速度特征，航向角特征，分别为：}包括速度特征，加速度特征，航向角特征，分别为：}包括速度特征，加速度特征，航向角特征，分别为：}包括速度特征，加速度特征，航向角特征，分别为：其中，对于k时刻包含M个量测以及目标t的状态预测得到目标t的M+1个速度特征v
i
，P表示时间间隔，v
i
表示量测速度特征，v
p
表示目标预测速度特征；a
i
表示量测加速度特征，目标预测加速度特征a
p
计算公式同a
i
计算公式一样；目标预测航向角特征hθ
p
计算公式同hθ
i
计算公式一样；空间特征{d
i
,dθ
i
,c
i
}包括距离特征，偏...

【专利技术属性】
技术研发人员：刘明骞，高志阳，张俊林，李进，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：