本发明涉及一种tom图匹配的方法，特别是涉及一种基于几何拓扑结构的tom图匹配方法。
背景技术：
当雷达和红外传感器对同一目标群进行观测时，为获得更多信息，可将雷达获得的群内目标相对位置、速度、特征、识别标记等信息，即目标特征矢量图(targetobjectmap,tom)，与红外传感器对目标的探测信息进行融合。在进行信息融合之前，首先要对雷达和红外传感器观测到的目标进行匹配关联，确保目标的同一性。由于传感器视角不同，雷达和红外传感器观测到的目标群具有不同的相互位置关系，但其都是同一目标群在不同视线方向上的投影，在同一参考坐标系下应具有一致的空间分布关系，tom图匹配技术即基于这一事实完成对目标位置的匹配。
在通常情况下，传感器之间存在偏差，雷达和红外测量都存在随机误差和系统偏差，这些耦合在一起的偏差和误差会使雷达tom图与红外图像之间存在角偏差，增加匹配的难度。除此之外，由于目标群内存在大量目标、因目标密集使得红外传感器未能在角度上分辨所有目标，和雷达与红外传感器特性间差异导致目标失配等现象的产生使得雷达和红外传感器间目标的关联匹配更为困难。
为解决这一问题，美国林肯实验室提出利用拍卖算法解决tom图匹配问题，雷神公司提出最近邻方法。这些算法虽然具体实现过程不同，但其本质思想都是基于目标之间的距离特征来进行匹配，将tom图匹配问题转化为如式(1)所示的线性规划问题，并通过求解这个最优问题，得到雷达和红外传感器所观测到目标间的关联匹配关系：
其中，cij为将雷达观测到的第i个目标与红外传感器所观测到的第j个目标关联后的代价函数，一般定义为：
cij＝(xai-xbj-b)t(pi+qj)-1(xai-xbj-b)(2)
xai为雷达目标图中第i个目标在红外传感器焦平面坐标系下的坐标位置，xbj为红外目标图中第j个目标在红外传感器焦平面坐标系下的坐标位置，b为雷达和红外传感器间的系统观测偏差，pi为雷达观测随机误差矩阵，qj为红外观测随机误差矩阵，di,j描述雷达所观测到的第i个目标与红外传感器所观测到的第j个目标之间的分配情况。若雷达所观测到的第i个目标与红外传感器所观测到的第j个目标被关联为同一目标，则有di,j＝1，否则di,j＝0。
传统的tom图匹配方法主要包括拍卖算法、最近邻方法等。这些方法利用目标之间的相对距离信息进行关联匹配，且在对目标进行关联匹配前还需要消除系统的偏差。当目标数较少时，这类基于距离信息的传统方法表现较好。但当视场内存在大量目标形成多对多指派情况下，和由于雷达、红外传感器检测性能差异造成目标失配情况下，传统方法的计算复杂度迅速上升，且匹配性能下降较为严重。
技术实现要素：
本发明的目的在于提供一种基于自适应几何拓扑结构的tom图匹配方法，该方法基于目标群在不同的传感器有着相似的结构信息(拓扑关系)这一事实，避免了系统偏差补偿过程，直接利用目标空间分布的拓扑信息实现目标间的关联匹配匹配，在目标失配情况下(即两个传感器观测到的目标数不同)，能够提升tom图匹配性能。
为达到上述目的，本发明采用下述技术方案：一种基于几何拓扑结构的tom图匹配方法，所述方法包括：
利用雷达和红外传感器对目标群进行观测，所述雷达获取群内目标的跟踪位置信息，所述红外传感器获取群内目标的探测信息；
将雷达所述获取的跟踪位置信息转换到红外焦平面坐标系；
设置极坐标的距离和角度划分准则；
建立预设模型，用于提取雷达传感器以及红外传感器中目标群的odt特征；
获取雷达目标图与红外目标图的odt特征相关性矩阵；
基于odt特征匹配模块完成雷达目标与红外目标的匹配。
优选地，所述将雷达对目标的根据位置信息转换到红外焦平面坐标系包括如下步骤：
雷达阵面坐标系转换到雷达直角坐标系；
雷达直角坐标系转换到地心直角坐标系；
地心直角坐标系转换到红外传感直角坐标系；
红外传感器直角坐标系转换到红外传感器坐标系；
红外传感器实现坐标系转换到红外传感器焦平面坐标系。。
优选地，所述雷达阵面坐标到所述雷达直角坐标的坐标转换公式如下所示：
其中，雷达阵面坐标为(r,a,e)，雷达直角坐标为(xr,yr,zr)。
优选地，设雷达地理站的经纬高为(lr,br,hr)，地心坐标系以地心为原点，则雷达站在地心坐标系下的坐标可由下式所得：
其中，c＝a(1-e2sin2br)-1/2，a为地球赤道半径，e为地球第一偏心率，其中雷达站在地心坐标系下的坐标为[xs,ys,zs]t，则所述雷达直角坐标系到所述地心直角坐标系的转换公式如下所示：
其中，地心直角坐标为(xe,ye,ze)，tr为旋转矩阵，定义如下：
优选地，定义所述红外传感器直角坐标系的原点为红外传感器质心，红外传感器在某时刻的经纬高为(lk,bk,hk)，所述地心直角坐标系到所述红外传感器直角坐标系的转换公式如下所示：
其中，红外传感器直角坐标为(xk,yk,zk)，(x2,y2,z2)为红外传感器质心在所述地心直角坐标系下的坐标，由红外传感器经纬高(lk,bk,hk)代入到式
优选地，定义红外传感器视线坐标系的原点为红外传感器质心，所述红外传感器直角坐标系转换到红外传感器视线坐标系的转换公式如下所示：
其中，红外传感器视线坐标系为(xk2,yk2,zk2)，tm为旋转矩阵，定义如下：
其中，βm为所述红外传感器直角坐标系沿视线方向在所述红外传感器直角坐标系下的方位角，εm为所述红外传感器直角坐标系沿视线方向在所述红外传感器直角坐标系下的俯仰角。
优选地，所述红外线感器视线坐标系到所述红外传感器焦平面坐标系的转换公式如下所示：
其中，βk为红外传感器视线坐标(xk2,yk2,zk2)在红外传感器焦平面内的方位角，εk为红外传感器视线坐标(xk2,yk2,zk2)在红外传感器焦平面内的俯仰角。
优选地，所述设置极坐标的距离和角度划分准则包括：
定义划分区域的距离取值范围为(0,ρmax]；
定义角度取值范围为[0,2π]；
设置角度划分数为m；
设置距离划分数为n。
优选地，所述预设模型包括：
建立以目标图中的目标在焦平面上为原点的极坐标系；
根据距离取值范围和角度取值范围将目标周围的区域划分为若干小格，并建立目标的odt特征矩阵。
优选地，所述odt特征矩阵大小为n×m，其中第i行、第j列的元素对应着区域
优选地，目标图中的目标落在以目标为原点所划分的小格内时，该小格所对应的odt特征矩阵中的元素加1。
优选地，所述获取雷达目标图与红外目标图的odt特征相关性矩阵包括：
按照下式分别将雷达目标图odt特征矩阵以及红外目标图odt特征矩阵拉伸为1×(n·m)的一维odt特征向量：
vai((n-1)n+m)＝mai(n,m),n∈{1,…,n},m∈{1,…,m}
vbj((n-1)n+m)＝mbj(n,m),n∈{1,…,n},m∈{1,…,m}
其中，mai为雷达目标i的odt特征矩阵，mbj为红外目标j的odt特征矩阵，vai为雷达目标图的特征向量，vbj为红外目标图的特征向量；
将vai以及vbj带入下式得出雷达目标图与红外目标图的odt特征相关性矩阵：
j(i,j)＝vai×vbjt
其中，j为odt特征相关性矩阵。
优选地，所述基于odt特征匹配模块完成雷达目标与红外目标的匹配包括：
将雷达和红外传感器观测到的目标之间的分配情况定义为矩阵d，所述矩阵d的大小为na×nb，所述矩阵d初始为零；
根据所述odt特征相关性矩阵，按序查找每行的最大值元素，并判断其是否为其所在列的最大值；
若某一行的最大值元素为其所在列的最大值，则进行匹配并划去所在行与列。
本发明的有益效果如下：
本发明所述技术方案具有原理明确、设计简单的优点，基于目标群在不同的传感器有着相似的结构信息这一事实，避免了系统偏差补偿过程，直接利用目标空间分布的拓扑信息实现目标间的关联匹配，在目标失配情况下(即两个传感器观测到的目标数不同)，能够提升tom图匹配性能，提高了实用性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出基于odt特征的目标匹配流程图；
图2示出雷达阵面到红外焦平面坐标系转换流程；
图3示出提取odt特征的示意图；
图4示出odt特征匹配模块；
图5示出仿真中的原始场景数据；
图6示出目标相同时两种算法pca；
图7(a)示出目标失配时且a传感器检测到的目标为4的两种算法的匹配结果；
图7(b)示出目标适配时且a传感器检测到的目标为8的两种算法的匹配结果。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
一种基于几何拓扑结构的tom图匹配方法，匹配流程图如图1所示，具体步骤为：第一步，利用雷达和红外传感器对目标群进行观测，所述雷达获取群内目标的跟踪位置信息，所述红外传感器获取群内目标的探测信息；
第二步,将雷达对目标的跟踪位置信息转换到红外焦平面坐标下，具体实现流程如图2所示，包括：
s1，将雷达阵面坐标系转换到雷达直角坐标系，雷达直角坐标系定义如下：坐标原点为雷达站阵面中心，x轴指向正东，y轴指向正北，z轴垂直向上。雷达阵面坐标(r,a,e)到雷达直角坐标(xr,yr,zr)的坐标转换公式如下所示：
s2，将雷达直角坐标系到地心直角坐标系，设雷达地理站的经纬高为(lr,br,hr)，地心坐标系以地心为原点，则雷达站在地心坐标系下的坐标[xs,ys,zs]t可由式(2)所得：
其中，c＝a(1-e2sin2br)-1/2，a为地球赤道半径，e为地球第一偏心率，雷达直角坐标(xr,yr,zr)到地心直角坐标(xe,ye,ze)的转换公式为：
其中，tr为旋转矩阵，定义如下：
s3，地心直角坐标系到红外传感器直角坐标系，定义红外传感器直角坐标系的原点为红外传感器质心，x轴指向正东，y轴指向正北，z轴为该点的重力反方向。红外传感器在某时刻的经纬高为(lk,bk,hk)。则地心直角坐标(xe,ye,ze)到红外传感器直角坐标系下的坐标为：
其中，(x2,y2,z2)为红外传感器质心在地心直角坐标系下的坐标，由红外传感器经纬高代入到式(3)中所得，trc为旋转矩阵，可由把红外传感器经纬高代入到式(4)中求得。
s4，将红外传感器直角坐标系转换到红外传感器视线坐标系，定义红外传感器视线坐标系的原点为红外传感器质心，y轴指向视线方向，z轴与y轴垂直，且在包含y轴与地面法线的平面内，远离地面方向为正方形，x轴与y轴和z轴成右手坐标系。红外传感器视线坐标系由红外传感器直角坐标系沿视线方向在红外传感器直角坐标系下的方位角βm和俯仰角εm旋转两次得到。由红外传感器直角坐标系坐标(xk,yk,zk)转换到红外传感器视线坐标系下(xk2,yk2,zk2)坐标的公式为：
其中，旋转矩阵tm为：
s5，红外传感器视线坐标系到红外传感器焦平面坐标系，从红外传感器视线坐标系到红外传感器焦平面坐标系的转换是一个透视投影成像的过程，目标的三维坐标信息经投影后保留了方位与俯仰角度信息。红外传感器视线坐标系下(xk2,yk2,zk2)坐标在焦平面内的方位角βk和俯仰角εk分别为：
第三步，设置极坐标的距离和角度划分准则，提取雷达传感器中目标群的odt特征：定义划分区域的距离取值范围(0,ρmax]，角度取值范围[0,2π]，设置距离划分数n，角度划分数m；
第四步，提取雷达传感器中目标群的odt特征，包括：
s1，如图3所示，对雷达目标图中的每一个目标以其为原点建立极坐标系，并定义odt特征矩阵，对雷达目标图中的目标i,
s2，遍历目标分布信息，提取每个雷达目标的odt特征，于雷达目标图中的每一个目标i,
第五步，与第三步相同的极坐标距离和角度划分准则下，提取红外传感器中目标群的odt特征：
s1，对红外目标图中的每一个目标j,
s2，遍历红外目标分布信息，按照第二步中所述方法提取每个红外目标的odt特征矩阵mbj。
第六步、获取雷达目标图与红外目标图的odt特征相关性矩阵j：
s1，如下式所示，将雷达和红外目标图中的所有目标的odt特征矩阵mai和mbj拉伸为1×(n·m)大小的一维odt特征向量vai和vbj：
vai((n-1)n+m)＝mai(n,m),n∈{1,…,n},m∈{1,…,m}(10)
vbj((n-1)n+m)＝mbj(n,m),n∈{1,…,n},m∈{1,…,m}(11)
s2，通过下式获取雷达目标图与红外目标图的odt特征相关性矩阵j：
j(i,j)＝vai×vbjt(12)
其中，odt特征相关性矩阵j中第i行、第j列的元素为雷达目标i与红外目标j的odt特征向量相关性参数；
第七步、基于odt特征匹配模块完成雷达目标与红外目标的匹配，具体匹配流程如图4所示，具体步骤如下：
步骤1，定义大小为na×nb的矩阵d描述雷达和红外传感器观测到的目标之间的分配情况，矩阵d初始为零；
步骤2，对于相关性矩阵j，按序逐行进行处理。对矩阵j中第i行，找到其中元素最大的值j(i,j)(且大于某个门限)；
步骤3，判断j(i,j)是否为其所在的第j列中最大元素，若是则转入步骤4，若否转入步骤5；
步骤4，将雷达目标i与红外目标j相关联，并将矩阵j的第i行和第j列全部置零，随后转入步骤5；
步骤5，判断是否遍历了相关性矩阵j的所有行，如已遍历了矩阵j的所有行则转入步骤6，如否转入步骤2，对下一行进行处理；
步骤6，对矩阵j中所有行进行处理后，划去矩阵j中所有为零的行和列，更新矩阵j；
步骤7，判断更新后的矩阵j是否为空。如不为空，转入步骤2，对剩下的目标重新进行匹配；如为空，输出最终匹配关系。最后仍不能相关的行列，认为是该目标点没有量测，或是新目标或杂波。
下面代入具体的参数值对本实施例提供的一种基于几何拓扑结构的tom图匹配方法作进一步地说明。
模拟真实的tom图数据，假设初始场景为二维空间中随机分布着k个目标，其中雷达传感器a检测到且能够投影到红外焦平面内的目标数为na，红外传感器b检测到的目标数为nb。定义算法匹配正确率(pca，probabilityofcorrectassociation)，并利用其来描述方法的有效性：
其中，mt为蒙特卡洛仿真次数，min(na,nb)为目标匹配对数，ck为第k次蒙特卡洛仿真时，匹配正确的目标数。
在仿真中，原始场景中目标位置随机均匀分布，帧间数据独立。选用传统的拍卖算法作为对比匹配算法。仿真中设置ρmax为焦平面目标图中的两目标间最大距离的1.2倍，距离划分数n＝5，角度划分数m＝12，蒙特卡洛仿真次数为100。图5给出某次仿真中的场景情况。
图6示出目标数相同情况下两种方法的匹配结果，传感器a和传感器b的随机误差为0.1mrad，系统偏差为20mrad，两个传感器检测到的目标个数范围为3～20。由图6可见，目标数相同情况下本发明提出的方法和传统的拍卖算法都能取得良好的匹配效果。
图7(a)以及图7(b)示出目标数失配情况下两种方法的匹配结果。图7(a)中传感器a观测到的目标数为4，传感器b观测到的目标数范围为5～18；图7(b)中传感器a观测到的目标数为8，传感器b观测到的目标数范围为5～18。由匹配结果可见，当目标数不同时，随着传感器b检测到非a中的目标个数增加时，2种算法的性能均降低，但基于odt特征的匹配算法性能下降的很少。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。