[发明专利]基于高斯均值移动配准的动态偏差估计方法

说明书

技术领域

本发明涉及一种目标跟踪技术领域的方法，具体是一种基于高斯均值移动配准的动态偏差估计方法。

背景技术

在多传感器的目标跟踪系统中，信息融合技术可以提高对目标的探测、识别与跟踪能力。同时，多传感器的使用也带来一些问题，例如传感器的配准。未经配准的传感器组合使用可能导致系统性能比单一传感器的性能更差，使跟踪效果恶化，甚至会产生虚假目标。因此，在对多传感器的量测数据融合之前，需要对传感器进行配准。

传感器的偏差通常是固定的，或变化非常缓慢，固定偏差的配准可以分为离线配准和在线配准两种情况。离线配准方法主要有最小二乘法、广义最小二乘法和极大似然法等。在线配准方法中，传统的方法是扩维的卡尔曼滤波器方法，它通过将目标的状态和传感器的偏差扩维成一个状态矢量，再利用卡尔曼滤波器对扩维后的状态矢量进行估计，但该方法计算量很大。Nabaa和Bishop针对空间三维的分布式传感器网络，提出了扩展卡尔曼滤波器配准方法，该方法是将卡尔曼滤波器用于非线性系统中，利用非线性坐标转换机动模型，估计目标的状态和传感器的偏差。然而，传感器的偏差可能会由于技术维护、环境变化或其他原因而发生变化，它需要一种实时的估计方法。一方面，当传感器所在的环境突然变化时，传感器的偏差可能也会随之突然变化，随后又保持在一个恒定值上。Okello和Challa将传感器的配准与目标的航迹融合描述为一个贝叶斯估计问题，提出一个等效测量的配准方法。Li和Leung提出了unscented Kalman filter(“无味”卡尔曼滤波器)配准方法，该方法利用扩维状态与测量方程同时估计传感器的偏差和目标状态。另一方面，传感器的偏差也可能是缓慢变化且连续的，该变化是一个时变、动态的过程，等效测量的配准方法和无味卡尔曼滤波器配准方法均不能有效地估计此种情况的偏差。

均值移动方法是一种流行的非参数聚类方法，已经被用于图像分割、目标跟踪和图像融合领域。D.Comaniciu和P.Meer在《IEEE Transactions on PatternAnalysis and Machine Intelligence》(《模式分析与机器智能》)(pp.603-619，2002)发表的“Mean shift：a robust approach toward feature space analysis”(均值移动：一种属性空间分析的鲁棒方法)中给出了核函数为凸函数时均值移动方法收敛的充分条件，并给出了证明。

经对现有技术文献检索后发现，X.Lin和Y.Bar-shalom等人在《IEEETransactions on Aerospace and Electronic Systems》(《宇航与电子系统》)(pp.576-590，2004)发表了“Exact multisensor dynamic bias estimationwith local tracks”(基于局部航迹的多传感器动态偏差的“精确”估计方法)，该文中提出了一种可以用于解决动态偏差的“精确”估计方法，其本质是利用了最小均方根误差估计器。但是，该方法是基于多帧多目标的方法，随着目标数目的减少，该方法的估计精度会随之下降。

发明内容

本发明针对上述现有技术的问题，提供了一种基于高斯均值移动配准的动态偏差估计方法，使其基于单个目标的测量数据，并用高斯均值移动方法与扩展卡尔曼滤波器估计传感器的动态偏差，提高了传感器的动态偏差的估计精度。

本发明是通过以下技术方案实现的，本发明包括如下具体步骤：

步骤一，多平台系统中的传感器负责测量目标状态；

所述多平台系统，其中的每个传感器都是一个相对独立的系统，根据系统的测量方程独立测量监视区域内辐射源(目标)的距离、方位角等位置信息，多平台系统采用基于GPS(全球定位系统)的统一时间基准，使多平台系统内各传感器之间信号同步，一个扫描周期结束，各传感器通过战术数据链将数据传送到融合中心进行后续处理。

步骤二，构造高斯均值移动方法的高斯核密度估计器；

所述高斯均值移动方法，是指一个数据点d_t朝着给定窗口大小的数据点集合的均值移动，直到数据点d_t收敛到均值的邻域内的迭代过程，在满足收敛条件下，通过反复的迭代过程，高斯均值移动方法的结果是收敛的。

所述高斯均值移动方法，其收敛条件是高斯核函数的变量是相互独立的，即各变量的相关系数为零，且变量的协方差是对角阵，则高斯均值移动方法是收敛的。