[发明专利]基于简化多假设算法的雷达数据关联方法

说明书

技术领域

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。

发明内容

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