本发明属于传感器技术领域,特别涉及随机集理论下的多目标跟踪、多传感器融合技术研究。
背景技术:
随着近几年通信网络技术、嵌入式计算技术、微电子技术和传感器技术的飞速发展和日益成熟,使得制造大量价格低廉、体积小、功耗低同时具有感知能力、计算能力和通信能力等多种功能的微型传感器成为可能,这些传感器可以感知周围的环境,并对数据进行一定的处理,同时可以通过无线通信的方式实现节点间的相互通信和执行任务的协调。
集中式融合是将各个传感器获得的目标信息送往融合中心处理,虽然该结构实时性高,信息损失量小,但是系统通信负担和计算量大,难以很好地工程实现,因而分布式融合越来越得到更多人的关注。一般情况下,分布式处理时各个传感器的公共信息是不可知的,因此全局最优是很难实现的。针对这一缺点,clark结合gci技术和随机集理论提出了基于gci的多目标后验融合技术,在文献“montecarlorealisationofadistributedmulti-objectfusionalgorithm[c].sensorsignalprocessingfordefence.iet,2010:1-5.”中通过实验显示融合后的结果优于单部传感器的跟踪效果。2016年,在文献“distributedmulti-sensorcphdfilterusingpairwisegossiping[c].ieeeinternationalconferenceonacoustics,speechandsignalprocessing.ieee,2016:3176-3180.”中,考虑到存在传感器感知能力受限而导致gci融合后目标信息丢失的情况,采取利用算术平均代替几何平均的策略,但其并未考虑融合权重的选取问题,因此无法自适应去调整融合权重。
技术实现要素:
本发明为解决上述技术问题,提出了一种传感器感知能力受限的随机集理论的分布式融合方法,考虑了各个传感器融合权重的构造和保留信息的差异问题,实现在多目标跟踪时放宽了对传感器感知能力的限制。
本发明采用的技术方案是:一种传感器感知能力受限的随机集理论的分布式融合方法,包括:
首先,对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示;
然后,在融合之前执行以下过程:构造一个距离矩阵,然后对该距离矩阵进行行和列搜索,若存在某一行或列的元素的最小值大于预设门限,则将该元素作为融合后的结果;删除该目标状态对应的元素所在的行或列,搜索结束之后,将剩余的矩阵元素记为新的距离矩阵;
最后,对新的距离矩阵中的元素采取修正融合权重的gci融合准则进行融合处理。
进一步地,所述对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示;具体表达式如下:
其中,vk-1(x)表示在k-1时刻的强度函数,x表示目标状态集合;jk-1表示在k-1时刻的高斯分量的个数;
进一步地,所述对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示之后还包括:
a、建立预测模型,得到预测的多模型的高斯混合概率密度假设强度;
具体包括以下步骤:
a1、对幸存目标进行预测;
其中,vs,k|k-1(x)表示在k时刻幸存目标的强度函数;ps,k表示k时刻幸存概率;
a2、对衍生目标进行预测;
其中,vβ,k|k-1(x)表示在k时刻衍生目标的强度函数;
其中,
a3、对新生目标进行预测;
其中,γk(x)表示在k时刻时的新生目标强度函数;jγ,k表示新生目标在k时刻的高斯分量的个数;
进一步地,所述构造一个距离矩阵具体为:根据两传感器的高斯分量之间的距离构造距离矩阵;
其中,对于,p∈{1,...,na},q∈{1,...,nb},矩阵c中的元素cp,q表示传感器a的第p个高斯分量和传感器b的第q个高斯分量之间的距离。
进一步地,所述对新的距离矩阵中的元素采取修正融合权重的gci融合准则进行融合处理,具体为:
其中,上标-1表示矩阵求逆运算;sk(x)表示融合后的强度函数;na和nb分别是传感器a和b的高斯分量在第k时刻的个数;
更进一步地,所述归一化后的权值根据传感器接收到的目标估计值和传感器的位置之间的关系计算得到;表达式如下:
其中,
进一步地,还包括:对融合处理后的到的所有高斯分量进行剪枝处理;若剪枝处理后的高斯分量满足权重值大于0.5,则该高斯分量为目标状态。
更进一步地,所述剪枝处理具体为:
其中,上标-1表示矩阵求逆运算;:=表示赋值运算;l是满足门限的高斯分量集合;
本发明的有益效果:本发明的方法,首先,对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示;然后,在融合之前执行以下过程:构造一个距离矩阵,然后对该距离矩阵进行行和列搜索,若存在某一行或列的元素的最小值大于预设门限,则认为该目标只被部分传感器感知到,将该目标状态作为融合结果;搜索结束之后,删除行搜索时满足门限条件的元素所在的行以及列搜索时满足门限条件的元素所在的列,将剩余的矩阵元素记为新的距离矩阵;最后,对新的距离矩阵中的元素采取修正融合权重的gci融合准则进行融合处理;实现对多目标的跟踪及运动模型的估计,本发明的方法比未修正的gci融合过程有较小的估计误差;并且在多目标跟踪时放宽了对传感器感知能力的限制;本发明可以应用于多传感器网络中存在传感器的感知能力受限的场景中。
附图说明
图1是本发明实施例提供的方案流程图。
图2是本发明实施例提供的分布式融合处理模型示意图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
如图1所示为本发明的方案流程图;通过目标跟踪,传感器获得目标量测值,通过phd滤波(预测、更新)后得到目标估计值;这一过程为本领域技术人员公知的,在此不做详细说明;本发明的技术方案为:一种传感器感知能力受限的随机集理论的分布式融合方法,包括:
首先,对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示;
然后,在融合之前执行以下过程:构造一个距离矩阵,然后对该距离矩阵进行行和列搜索,若存在某一行或列的元素的最小值大于预设门限,则认为该目标只被部分传感器感知到,将该目标状态作为融合结果;搜索结束之后,删除行搜索时满足门限条件的元素所在的行以及列搜索时满足门限条件的元素所在的列,将剩余的矩阵元素记为新的距离矩阵;将该目标状态作为融合结果中所述的目标状态是指当前被传感器检测到的该目标的状态;
最后,对新的距离矩阵中的元素采取修正融合权重的gci融合准则进行融合处理。
以下对各部分内容进行详细阐述:
1、对高斯混合概率假设密度进行参数化表征;具体表达式如下:
其中,vk-1(x)表示在k-1时刻多目标的强度函数,x表示目标状态集合;jk-1表示在k-1时刻的高斯分量的个数;
对高斯混合概率假设密度进行参数化表征后,还包括:
a、建立模型,得到预测的多模型的高斯混合概率密度假设强度;具体包括以下分步骤:
a1、通过下式对幸存目标进行预测:
其中,vs,k|k-1(x)表示在k时刻幸存目标的强度函数;ps,k表示k时刻幸存概率;
a2、对衍生目标进行预测:
其中,vβ,k|k-1(x)表示在k时刻衍生目标的强度函数;
其中,
a3、对新生目标进行预测:
其中,γk(x)表示在k时刻时的新生目标的强度函数;jγ,k表示新生目标在k时刻的高斯分量的个数;
2、构造距离矩阵具体为:根据来自传感器a的na个高斯分量和来自传感器b的nb个高斯分量之间的距离构造距离矩阵c:
其中,cp,q表示传感器a的第p个高斯分量和传感器b的第q个高斯分量之间的距离,p∈{1,...,na},q∈{1,...,nb}。
分布式融合处理模型如图2所示,具体为:
对距离矩阵c进行行(列)搜索,若第p次搜索满足
3、权重修正后的gci融合处理之前,先构造融合权重计算模型:
得到目标的估计值之后,利用目标估计值和传感器的位置之间的关系构造融合权重的函数,
其中,
对权重函数进行归一化处理:
其中,
根据建立的融合权重模型,进行权重修正后的gci融合;具体为:
其中,上标-1表示矩阵求逆运算;sk(x)表示融合后的强度函数;na和nb分别是传感器a和b的高斯分量在第k时刻的个数;
4、对gci融合处理后得到所有高斯分量的进行剪枝处理;具体为:
其中,上标-1表示矩阵求逆运算;:=表示赋值;l是满足门限的高斯分量集合;
5、对于剪枝处理后的高斯分量,满足权重值大于0.5的高斯分量即是目标状态。
通过上面的步骤,就可以得到基于随机集理论下的修正的gci融合处理过程,实现对多目标的跟踪及运动模型的估计。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。