基于简化多假设算法的雷达数据关联方法与流程

本发明属于雷达多目标跟踪数据关联方法技术领域，特别涉及一种基于简化多假设算法的雷达数据关联方法。

背景技术：

雷达密集回波环境下，多目标间相互干扰，易出现量测与真实目标错误关联或目标航迹中断等现象，目标跟踪精度和效率受到严重影响。数据关联算法的作用就是将量测数据与真实目标航迹进行关联匹配，从而实现多目标的准确跟踪和目标航迹的正确更新维持。在雷达多目标跟踪中，数据关联算法主要解决两大类问题：第一，当一个目标的量测同时落入两个目标关联波门内时如何选择正确的目标轨迹进行关联；第二，当一个目标关联波门内同时出现多个量测时如何选择正确的量测进行航迹更新维持。密集回波环境下，被跟踪目标的运动特性较为复杂。在周围噪声和杂波的频繁干扰下，仅使用单帧回波信息作为关联依据会导致真实目标与虚假量测的错误关联或丢失关联等问题。

相对于单帧关联方法(如最近邻、概率数据关联、联合概率数据关联等)，以多假设跟踪(mht)算法为代表的多帧关联方法利用后续的多帧信息进行积累以降低关联的不确定性。其最大的优点在于可以对复杂困难的关联问题延迟决策指导获得更多的信息，并且有机会更改过去的关联决策以提升关联效果，还可以处理目标的分裂和合并。多假设跟踪算法将航迹起始、航迹维持和航迹终结统一在一个框架上处理，是目前公认的一种功能最强大的最优多目标跟踪方法，在当今许多先进的多雷达跟踪系统被广泛采用。

mht相关处理主要包括点迹与群相关、点迹与航迹相关、航迹假设分支、航迹得分计算、假设生成、假设剪枝、聚类的合并与分离、航迹显示等环节，处理流程如图3所示。mht算法采用延迟决策机制提高了关联准确度，常被用 于复杂回波环境下的多目标跟踪系统。但在跟踪目标数量和杂波数量增加的情况下，mht算法不可避免会面临假设分支数和计算复杂度指数型增加这两大问题。传统mht算法在已知量测分布概率的基础上，利用贝叶斯公式计算最新量测与可靠航迹的关联概率，并对多帧假设关联后的假设分支关联概率进行筛选，最终得到最优全局假设。此方法的跟踪效果依赖先验知识，对相关参数的初始化具有较高要求，计算复杂度高。虽然使用普通的m-最优假设剪枝方式同样能够得到最优全局假设，但其剪枝过程中需对所有假设分支进行关联概率计算，因此运算量大，实时性受到限制。

技术实现要素：

本发明的目的在于提出一种基于简化多假设算法的雷达数据关联方法。本发明以利用似然比函数作为航迹假设关联的价值函数，并采用线性分配(lap)算法从航迹级和全局级对多帧假设进行多重剪枝，简化多目标跟踪的数据关联过程。

为实现上述技术目的，本发明采用如下技术方案予以实现。

一种基于简化多假设算法的雷达数据关联方法，包括以下步骤:

1)形成以卡尔曼滤波预测值为中心的椭圆形关联波门，对最新量测进行关联判断。若量测位于关联波门内，则进行步骤2)；否则，接收下一时刻量测，并对其重复步骤1)；

2)对每一个进入该确认目标关联波门内的量测生成关联假设，利用似然比函数，计算关联假设航迹的得分矩阵；

3)根据当前时刻与每个目标形成的关联假设航迹得分，利用lap算法得到航迹级m-最优假设；

4)判断n-scan方法已处理的量测帧数，若此时已接收处理n帧量测，则利用lap算法对n帧关联判断后保留的所有假设进行全局级剪枝，进行步骤5)；若当前时刻仍未接收到第n帧量测，则接收下一帧量测，重复步骤1)-4)；

5)利用每一个目标的有效关联量测，进行卡尔曼滤波更新。筛除可靠目标 关联假设聚类中不相关量测信息，n-scan已处理帧数减1，并更新可靠航迹档案信息。返回步骤1)，对下一帧量测进行关联判断处理。

本发明针对雷达多目标跟踪中数据关联效率问题，着力于假设生成、概率计算和假设剪枝三个环节，对多假设算法进行简化。本发明亦可应用于复杂回波环境下，实现多个目标的准确跟踪，具有计算复杂度低、速度快，跟踪误差小的优势。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是基于简化多假设算法的雷达数据关联方法的流程图。

图2是基于lap的航迹级和全局级航迹剪枝效果图(3“最优”，3scan)。

图3是交叉轨迹目标跟踪效果图。

图4是圆形轨迹跟踪误差图。

图5是圆形轨迹目标数据关联过程假设数量变化图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下：

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实 施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

本发明所提出的基于简化多假设算法的雷达数据关联方法，主要包括基于似然比函数的航迹得分计算、基于lap的航迹级m-最优假设剪枝和基于lap的全局级最优假设生成三个主要部分。

下面结合附图，对本发明的一些示范性实施例加以说明。

根据本发明的实施例，提出一种基于简化多假设算法的雷达数据关联方法，以克服复杂回波环境下现有多假设算法易出现“组合爆炸”且关联过程计算量过大的问题。

结合图1流程图所示，该方法的实现大致包括以下5个步骤：

1)利用其速度范围形成以卡尔曼滤波预测值为中心的椭圆形关联波门，对最新量测进行关联判断。若量测位于关联波门内，则进行步骤2)；否则，接收下一时刻量测，并对其重复步骤1)；

2)对每一个进入该确认目标关联波门内的量测生成关联假设，利用似然比函数，计算关联假设航迹的得分矩阵；

3)根据当前时刻与每个目标形成的关联假设航迹得分，利用lap算法得到航迹级m-最优假设；

4)判断n-scan方法已处理的量测帧数，若此时已接收处理n帧量测，则利用lap算法对n帧关联判断后保留的所有假设进行全局级剪枝，进行步骤5)；若当前时刻仍未接收到第n帧量测，则接收下一帧量测，重复步骤1)-4)；

5)利用每一个目标的有效关联量测，进行卡尔曼滤波更新。筛除可靠目标关联假设聚类中不相关量测信息，n-scan已处理帧数减1，并更新可靠航迹档案信息。返回步骤1)，对下一帧量测进行关联判断处理。

上述方法中，所述步骤1)具体为：

11)接收k时刻雷达采样数据，采用“当前”统计模型对目标k时刻状态进行估计；

12)以k时刻状态估计为中心，根据公式(1)形成椭圆关联波门；

d²＝v(k)s^-1(k)v^t(k)≤γ(1)

其中d²为服从m自由度分布的新息协方差，参数γ可通过查表获得。

13)判断量测是否在椭圆关联波门内，若位于关联波门内，则进行步骤2)；否则，接收下一时刻量测，并对其重复步骤1)。

上述方法中，所述步骤2)具体为：

21)根据公式(2-3)计算每条航迹假设分支的对数似然比值llrk，作为每个假设的得分：

llrk＝llrk-1+ln(δlrk)(2)

δlrk为k时刻的似然比增量，上式为量测与航迹相关联的假设航迹得分，下式为未关联的航迹得分。pd为检测概率，pfa为虚警概率，pfa为杂波的概率密度函数(一般假设为均匀分布或泊松分布)，vk为新息，sk为新息协方差，n表示高斯分布。

22)将所有假设分支的得分汇总，转化为航迹关联得分矩阵，可表示为：公式(4)。

如图2所示，上述方法中，所述步骤3)具体为：

31)将步骤2)中得到的假设航迹的似然比航迹关联得分矩阵替代lap法中所使用的关联概率，作为假设的属性值；

32)利用步骤31)中的航迹关联得分矩阵p_value，对其进行取负数的转化，进而得到lap决策矩阵；

33)根据先验权重向量确定权矩阵；

34)根据lap线性规划方法得到m-最优排序矩阵p；

35)根据m-最优排序矩阵p，得到当前帧所有目标的m-最优假设。

上述方法中，所述步骤32)具体为：

321)对航迹关联得分矩阵p_value进行取负数的转化：

322)得到航迹关联代价矩阵：

323)定义一个决策矩阵dm×n(m代表量测个数，n代表前一时刻的航迹假设分支数量)，决策矩阵d中的元素代表k时刻量测与k-1时刻的航迹假设分支关联匹配的属性值。令：dm×n＝p_cost。

上述方法中，所述步骤33)的具体子步骤包括：

331)根据多目标跟踪的实际场景，定义一个权重向量ω＝(ω1,ω2)，其中元素代表量测与目标的关联概率：ω＝(p_track1,p_track2)；

332)定义当前时刻可靠航迹假设得分为track1_value和track2_value，根据以下公式计算此时权重向量；

333)根据权重向量，根据以下公式确定最终的权矩阵π。

π＝d×ω^t(8)

上述方法中，所述步骤34)的具体子步骤包括：

341)遍历整个权矩阵，找到一个初始序列a⁰使全局代价最小，例如 最小代价序列为x1与track1关联，x3与track2关联：

342)以初始序列a0为基础，依次替换其中一个或几个匹配序号，查找权矩阵，用次优序列替换，形成一个新的序列；

343)得到的序列所代表的假设代价依次增加，直到形成m“最优”假设为止，本实施例中m取值为3。

上述方法中，所述步骤35)的具体子步骤包括：

351)根据步骤34)得到的所有目标的m“最优”假设(m＝3)，保留“最优”假设中的合格量测，并从改确认目标聚类中删除得分较低的不合格量测；

352)暂时航迹档案中删除步骤351)中剔除的不合格关联假设；

353)重新计算每个可靠目标航迹的得分。

如图2所示，上述方法中，所述步骤4)的具体子步骤包括：

41)判断n-scan方法已处理的量测帧数，本实施例中采用n＝3的n-scan处理方法；

42)若此时已接收处理3帧量测，则利用lap算法对n帧关联判断后保留的所有假设进行全局级剪枝，针对所有确认目标，得到最优关联匹配，进行步骤5)；

43)若当前时刻仍未接收到第3帧量测，则接收下一帧量测，重复步骤1)-4)。

上述方法中，所述步骤42)的具体子步骤包括：

421)对多帧关联后得到的航迹假设，根据其航迹关联得分，重复步骤31)-33)，得到全局级lap权矩阵；

422)遍历权矩阵，找到使全局代价最小的最优序列；

423)根据最优序列，确定可靠目标的有效关联量测。

结合图4的圆形轨迹跟踪误差图以及图5的圆形轨迹目标数据关联过程假设数量变化图，本发明提出的基于简化多假设算法的雷达数据关联方法，针对多 目标跟踪系统中传统多假设算法延迟决策机制造成的“组合爆炸”和计算量指数型上升的问题，本发明引入了似然比得分函数和lap剪枝方法，利用航迹关联对数似然比对假设关联概率计算进行简化，通过lap算法航迹级剪枝对假设进行筛选出当前时刻的m“最优”假设，再对n-scan(n＝3)滑窗所有量测形成的假设分支进行lap全局级假设剪枝，快速得到的一个最优假设匹配序列作为有效关联量测点，最终实现降低计算量的目的。具体包括：基于似然比函数的航迹得分计算、基于lap的航迹级m-最优假设剪枝和基于lap的全局级最优假设生成三个主要部分。利用本发明提出的方法，可以在保证关联准确性的基础上，很大程度降低多假设算法数据关联过程的运算量。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。