一种基于非互斥证据理论框架的多传感器目标关联方法技术

本发明专利技术公开了一种基于非互斥证据理论框架的多传感器目标关联方法，该方法设计了基于目标双重特征的基本概率分配模块，通过从目标空间位置距离和目标信息来源差异构建目标关联关系证据的基本概率数，综合利用了多传感器目标的不同属性信息

【技术实现步骤摘要】
一种基于非互斥证据理论框架的多传感器目标关联方法


[0001]本专利技术属于多传感器目标融合与跟踪
，具体涉及一种多传感器目标关联方法
。

技术介绍

[0002]多传感器目标关联是确定目标在多个传感器之间来源的技术，是多传感器多目标融合与跟踪的前提和关键
。
随着场景中目标数量
、
运动特征的不确定性不断提高，多传感器目标之间的关联关系变得更加模糊和复杂，造成目标关联的困难，影响后续的多传感器目标融合与跟踪
。
现有的多传感器目标关联方法分为概率模型法和数据驱动法
。
概率模型法是通过先验信息构建初始目标的运动模型，将待关联的目标信息与初始目标运动模型进行概率匹配，实现对多传感器目标的关联
。
该类型方法过度依赖场景和目标的先验信息，在处理目标具有不确定性和变化性的场景中，不具备较好的关联效果
。
数据驱动法是通过分析
、
结合待关联目标的不同属性信息，例如空间位置
、
速度方位
、
类型等，利用聚类
、
概率统计
、
神经网络等技术手段自动将待关联的多传感器目标进行匹配
。
相较于概率模型法，数据驱动法无需先验信息，且对不同场景具有一定的自适应性
。
[0003]证据理论框架下多传感器目标关联具体是指，将目标之间的关联关系表示为辨识框架中的元素，根据目标之间的空间位置距离
、
识别类型差异等信息为表示对应目标关联关系的元素进行概率分配，将表示不同目标关联关系的基本概率分配
(Basic Probability Assignment,BPA)
视作多源证据进行融合，通过概率转换将融合后的概率变换为辨识框架中各假设元素的置信度，实现目标关联的决策
。
虽然在证据理论框架下，多传感器目标之间的关联关系被转化为辨识框架中不同元素的
BPA
，通过不同目标之间关联关系证据的信息冗余，提高了多传感器目标关联的决策置信度，但是其目标关联决策建立在辨识框架中具有最大置信度的元素上，导致目标关联对象有且唯一，造成多传感器目标的漏关联
。
因此，本专利技术基于非互斥证据理论框架，在表示不同目标关联关系的多源证据融合阶段，将目标关联对象的非唯一性量化为非互斥度进行融合，并直接在辨识框架的幂集元素上进行目标关联决策，可大幅度降低多传感器目标的漏关联率
。
[0004]现有证据理论框架下的多传感器目标关联技术的方案如下：
[0005](1)
对目标与其他待关联目标之间的关联关系进行证据建模，将每个目标的潜在目标关联关系表示为对应辨识框架下的基本概率分配
。
[0006](2)
利用目标之间的空间位置距离
、
信息来源差异等属性，构建生成对应目标之间关联关系证据形式的基本概率数，表示目标之间关联
、
不关联和关联关系未知的置信度
。
[0007](3)
对不同目标关联关系对应的基本概率分配后的证据进行融合，获得目标与所有待关联目标的关联概率，进而实现多传感器目标关联的决策
。
[0008]不同的基于证据理论框架的多传感器目标关联方法的不同之处在于，第
(2)
步中目标关联关系证据形式的基本概率数生成模型和第
(3)
步中不同目标关联关系证据的融合规则
。
基本概率数生成模型根据目标关联关系是否存在内在冲突性，分为
Antagonist
模型
和
Non
‑
Antagonist
模型，前者认为目标之间关联和不关联的置信度可以同时不为0，而后者认为目标之间关联和不关联的置信度不能同时为
0。
目标关联关系证据融合规则有
Dempster
规则和
PCR
规则，它们的区别在于处理冲突证据的方式不同，
Dempster
规则基于非冲突证据全局归一化思想融合证据，而
PCR
规则将冲突证据的基本概率数进行重新分配
。
[0009]在多传感器目标关联问题中，同一目标可能同时与多个其他目标进行关联，即多传感器目标关联对象具有非唯一性
。
现有方法在目标关联关系证据融合阶段，认为目标的不同待关联目标对象之间具有完全互斥性，没有在证据融合阶段考虑由于目标关联对象非唯一性导致的不同目标关联关系证据的非互斥性，造成了一定程度的目标漏关联，多传感器目标关联性能较差
。

技术实现思路

[0010]为了克服现有技术的不足，本专利技术提供了一种基于非互斥证据理论框架的多传感器目标关联方法，该方法设计了基于目标双重特征的基本概率分配模块，通过从目标空间位置距离和目标信息来源差异构建目标关联关系证据的基本概率数，综合利用了多传感器目标的不同属性信息
。
此外，为了量化目标的不同待关联目标对象之间的非完全互斥度，本专利技术还设计了基于扩展
ECR
‑
PCR
规则的多源非互斥证据融合规则，通过目标之间空间位置距离相似度构建了非互斥度，并基于非互斥度对不同目标关联关系证据进行融合
。
本专利技术考虑了多传感器目标关联对象的非唯一性，对多传感器目标有较好的关联性能
。
[0011]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0012]步骤1：对多传感器下的目标与其他待关联目标之间的关联关系进行证据建模，建模方法如下；
[0013]步骤1‑1：对于任意两个目标，考虑到它们之间的关联关系具有不确定性，基于证据理论构建表示目标之间关联关系的辨识框架
Ω
＝
{y,n}
，其中，
y
表示两个目标之间关联，
n
表示两个目标之间不关联；
[0014]步骤1‑2：根据步骤1‑1中构建的辨识框架
Ω
，将两个目标之间的关联关系表示为如下的
BPA
形式：
[0015]m:{m(y),m(n),m(y,n)}
[0016]在该
BPA
中，
m(y)
表示两个目标之间关联的置信度，
m(n)
表示两个目标之间不关联的置信度，
m(y,n)
表示两个目标之间关联关系未知的置信度；
[0017]步骤2：在辨识框架
Ω
中，基于目标空间位置距离和信息来源差异两种属性，对两个目标之间关联关系的置信度进行计算，计算方法如下：
[0018]步骤2‑1：两个目标之间的关联关系与它们的空间位置距离有关，假设目标之间的距离为
d
，则它们之间关联关系的置信度分别为：
...

【技术保护点】

【技术特征摘要】
1.
一种基于非互斥证据理论框架的多传感器目标关联方法，其特征在于，包括如下步骤：步骤1：对多传感器下的目标与其他待关联目标之间的关联关系进行证据建模，建模方法如下；步骤1‑1：对于任意两个目标，考虑到它们之间的关联关系具有不确定性，基于证据理论构建表示目标之间关联关系的辨识框架
Ω
＝
{y,n}
，其中，
y
表示两个目标之间关联，
n
表示两个目标之间不关联；步骤1‑2：根据步骤1‑1中构建的辨识框架
Ω
，将两个目标之间的关联关系表示为如下的
BPA
形式：
m:{m(y),m(n),m(y,n)}
在该
BPA
中，
m(y)
表示两个目标之间关联的置信度，
m(n)
表示两个目标之间不关联的置信度，
m(y,n)
表示两个目标之间关联关系未知的置信度；步骤2：在辨识框架
Ω
中，基于目标空间位置距离和信息来源差异两种属性，对两个目标之间关联关系的置信度进行计算，计算方法如下：步骤2‑1：两个目标之间的关联关系与它们的空间位置距离有关，假设目标之间的距离为
d
，则它们之间关联关系的置信度分别为：其中，
m
p
(
·
)
表示目标之间关联关系的空间位置距离置信度，
α
∈[0,1]
表示传感器对目标信息探测的可靠程度，
I
表示目标之间的空间位置相似度，由距离
d
和阈值
D
计算得出：步骤2‑2：两个目标之间的关联关系还与它们是否来源于同一传感器有关，由于传感器在同一时刻对每个目标只进行一次探测，因此两个来源于相同传感器的目标必定不关联；则目标之间信息来源差异的关联关系置信度计算方法如下：其中，
w
s
表示目标来源于不同传感器时关联关系未知的置信度，用于量化目标信息来源差异的不确定程度；步骤2‑3：将目标之间空间位置距离关联关系置信度
m
p
(
·
)
与信息来源差异关联关系置信度
m
s
(
·
)
进行融合，融合方法采用
Dempster
组合规则：
m
＝
m
p
⊕
m
s
⊕
表示
Dempster
融合算子符，融合后的目标之间关联关系的置信度如下：
步骤3：考虑到多传感器目标关联对象的非唯一性和非互斥证据理论中辨识框架元素的非互斥性，将不同目标之间的关联关系
BPA
扩展至非互斥辨识框架
Θ
i,.
＝
{X
(i,1)
,
…
,X
(i,j)
,
…
,X
(i,M)
,X
(i,*)
}
下；
Θ
i,.
表示目标
i
与其他目标的关联关系集合，
M
表示待关联目标总数，
X
(i,j)
表示目标
i
与待关联目标
j
的关联关系，
X
(i,*)
表示目标
i
不与任何目标关联这一情形；对于目标
i
与待关联目标
j
的关联关系
X
(i,j)
，其置信度包括：
(1)
目标
i
与待关联目标
j
关联的置信度

【专利技术属性】
技术研发人员：邓鑫洋，李林博，耿杰，蒋雯，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：