一种基于标签多伯努利的分布式多传感器多目标跟踪方法及系统与流程

本发明涉及组网雷达目标跟踪，更具体地说，涉及一种基于标签多伯努利的分布式多传感器多目标跟踪方法及系统。

背景技术：

1、分布式多传感器多目标跟踪(distributed multi-sensor multi-targettracking，dmmt)通过多传感器获得的噪声量测，经过滤波和融合处理，以获得完整和精确的目标航迹。dmmt具有鲁棒性强、所需通信带宽低、并行处理和扩展性好的优势。dmmt是环境检测、栖息地检测、雷达预警和空间态势感知系统的核心数据处理任务。

2、dmmt能够弥补单传感器感知能力有限的缺点，由于传感器间公共过程噪声和先验信息普遍存在且难以计算，使得基于贝叶斯最优的融合跟踪方法难以实现且鲁棒性差。dmmt最近的研究趋势是在不同传感器节点采用势概率假设密度(m,houssineau j,delande e,et al.fusion of finite-set distributions:pointwise consistency andglobal cardinality[j].ieee transactions on aerospace and electronic systems,2019,55(6):2759-2773.)、标签多伯努利滤波器(li s q,yi w,hoseinnezhad r,etal.robust distributed fusion with labeled random finite sets[j].ieeetransactions on signal processing,2018,66(2):278-293.)，并基于广义协方差交集(generalized covariance intersection，gci)准则融合不同节点后验密度。基于gci的dmmt方法状态估计精度高，但存在新生目标检测延迟、因节点间势分布不一致导致的漏检、且计算复杂度高。基于gci的非标签多目标密度融合跟踪方法无法形成航迹，基于gci的标签多目标密度融合跟踪方法能够形成航迹，但其存在因不同节点“标签不一致”导致的航迹漏检、碎片化、错误交叉和航迹跳变等问题。

技术实现思路

1、本发明所要解决的技术问题是：

2、针对传统基于gci的lmb密度融合跟踪方法存在航迹漏检率和错误率高、航迹碎片化和航迹跳变等问题，本发明提供一种基于标签多伯努利的分布式多传感器多目标跟踪方法，以增强多传感器多目标跟踪的实时性、准确性和鲁棒性。

3、为了解决上述技术问题，本发明采用的技术方案为：

4、一种基于标签多伯努利的分布式多传感器多目标跟踪方法，其特征在于，包括：

5、采用标签多伯努利滤波方法，得到各传感器后验标签多伯努利密度；基于所述各传感器后验标签多伯努利密度，采用最大后验估计方法获得后验密度对应的估计航迹集；

6、基于所述估计航迹集的状态均值，构建不同传感器估计航迹集之间用于关联的关联代价函数和约束方程；基于所述关联代价函数和约束方程，采用线性规划方法将不同传感器估计航迹集划分为关联航迹和非关联航迹；

7、将不同传感器间关联航迹标签多伯努利分量进行融合，得到不同传感器间局部关联融合的航迹标签多伯努利分量；

8、将非关联航迹标签多伯努利分量与局部融合关联航迹标签多伯努利分量进行融合，得到不同传感器间的全局融合航迹标签多伯努利分量；

9、根据不同传感器间的全局融合航迹标签多伯努利分量，输出多传感器估计航迹状态。

10、本发明进一步的技术方案：所述构建不同传感器估计航迹集之间用于关联的关联代价函数和约束方程，具体为：

11、基于所述估计航迹集的状态均值，构建不同传感器估计航迹之间的相似度矩阵；

12、基于相似度矩阵建立关联代价函数，对关联代价函数设计约束方程。

13、本发明进一步的技术方案：所述相似度矩阵、关联代价函数及约束方程，具体为：

14、1:k时刻，对于传感器s1和s2，其估计航迹集和的维相似性矩阵的元素如下：

15、

16、

17、和分别表示k时刻不同传感器的估计航迹数，参数p∈[1,∞)，关联截止半径为c∈(0,∞)；矩阵用于描述不同传感器估计航迹集在k'时刻的相似度；根据相似度矩阵建立关联代价函数

18、

19、表示维数为(|x|+1)×(|y|+1)所有关联矩阵w构成的集合，第一项表示关联目标位置相似度代价，第二项表示时间维“关联跳变”代价；航迹关联的本质是求解使关联位置代价和时间维关联跳变代价最小的关联矩阵；变量满足如下约束条件

20、

21、其中，表示k'时刻矩阵wk'的i行j列元素，矩阵wk′满足如下线性约束条件

22、

23、

24、

25、上述约束表示传感器s1的航迹i最多与传感器s2的一条航迹关联，同时传感器s2的航迹j最多与传感器s1的一条航迹关联；为了在多项式时间内实现航迹集与的关联，增加了线性不等式约束条件；

26、

27、

28、其中，h为实现线性分配需要额外优化的变量。

29、本发明进一步的技术方案：所述采用线性规划方法将不同传感器估计航迹集划分为关联航迹和非关联航迹，具体为：

30、基于所述关联代价函数和约束方程，调用matlab 2018b中的linprog函数获得k'＝1,…,k时刻关联矩阵w的解如果在每一时刻都相同，说明实现了航迹的唯一关联；它情况下，只需选择wk出现次数最多的得解作为航迹的唯一关联；对于传感器s1和s2，假设其估计航迹集为和如果关联矩阵的i行j列元素为1，表示传感器s1的航迹i与传感器s2的航迹j关联；如果关联矩阵的第i行第1列为1，表示传感器s1的航迹i不与传感器s2的任何航迹关联。

31、本发明进一步的技术方案：所述将不同传感器间关联航迹标签多伯努利分量进行融合，得到不同传感器间局部关联融合的航迹标签多伯努利分量，具体为：

32、不妨设传感器s1和s2关联航迹集可参数化为

33、

34、则融合航迹lmb可参数化为其中表示节点s1关联航迹lmb分量的标签集

35、

36、

37、当

38、

39、上式用于互补起始时间不同的关联航迹，以提升航迹的完整度；

40、当

41、

42、

43、

44、上式用于提升航迹的状态估计精度。

45、一种基于标签多伯努利的分布式多传感器多目标跟踪系统，其特征在于，用于处理基于标签多伯努利的分布式多传感器多目标跟踪方法，包括：

46、数据获取模块，用于各传感器利用标签多伯努利滤波方法得到各传感器的后验标签多伯努利密度，获得不同传感器的后验标签多伯努利密度对应的航迹估计集；

47、数据处理模块，用于构建不同传感器之间航迹关联的目标函数和约束函数，基于不同传感器之间航迹关联的目标函数和约束函数，将不同传感器的后验航迹估计划分为关联航迹和非关联航迹；

48、数据融合模块，用于对不同传感器间关联航迹标签多伯努利分量进行融合，得到不同传感器间的局部融合关联航迹标签多伯努利分量；用于将非关联航迹标签多伯努利分量与融合关联航迹标签多伯努利分量进行融合，得到不同传感器间的全局融合航迹标签多伯努利分量；

49、数据输出模块，用于根据不同传感器间的融合航迹标签多伯努利分量，输出多传感器估计航迹状态。

50、一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的基于标签多伯努利的分布式多传感器多目标跟踪方法。

51、一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的基于标签多伯努利的分布式多传感器多目标跟踪方法。

52、一种计算机程序产品，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的基于标签多伯努利的分布式多传感器多目标跟踪方法。

53、本发明的有益效果在于：

54、本发明提供的一种基于标签多伯努利的分布式多传感器多目标跟踪方法，利用融合标签多伯努利后验航迹估计而非融合标签多伯努利后验密度的策略，显著降低了通信负载。该方法还采用聚类和多帧航迹关联方法降低了融合航迹错误率高、关联跳变率高和漏检率高的问题，并建立了一种航迹级协方差交集融合方法和航迹互补方法提升了航迹估计精度和航迹完整度。与现有技术相比，本发明的优点在于：

55、第一，采用融合标签多伯努利后验航迹估计而非融合标签多伯努利后验密度的策略，显著降低了通信负载和计算量；

56、第二，利用多帧航迹序列进行不同传感器间航迹序列的匹配，有效提高了航迹关联的准确性和稳健性；

57、第三，采用航迹级协方差交集方法融合关联航迹，提升了航迹的状态估计精度，采用互补策略提升了航迹的完整度。