[发明专利]联合多传感器配准与多目标跟踪方法

说明书

本发明提供了一种联合多传感器配准与多目标跟踪方法，本发明利用随机有限集理论对目标数目不确定的情况下的多目标状态分布进行建模，并基于标签随机有限集定义了新的条件化完全数据对数似然函数。在集中式处理的框架下，采用期望最大化的数学方法，通过估计和最大化两步骤不断迭代的方式计算出传感器偏差的极大似然估计值，以及多目标的状态分布概率密度。所提出的算法框架可以灵活的采用对量测批处理或迭代处理的实现方式，使得计算复杂度符合实际工程需求。除此之外，还通过滤波的方式得到对于时变偏差的最小均方误差估计值。

技术领域

本发明涉及一种联合多传感器配准与多目标跟踪方法。

背景技术

在对监视区域的军事目标(舰艇、飞机、导弹)的检测、跟踪和识别中，多(异类)传感器进行组网是一种常用手段。该系统中一般包括多种类别的传感器，如雷达(Radar)、红外(IR)、电子支援(ESM)、敌我识别(IFF)等，利用传感器之间的量测互补及信息融合，可以提高目标的综合发现概率，跟踪精度，以及识别准确率。但是，由于各传感器都有其独立的坐标系，因此当存在系统偏差时，例如雷达的距离和角度量测的偏差的时候，多传感器融合结果会受到严重影响，甚至产生虚假的目标信息。因此，对多个传感器的准确配准是非常重要的。

对现有的文献检索发现，传统方法例如，最大似然法，扩维的卡尔曼滤波器方法，以及偏差伪量测方法等是在已知量测和目标关联的情况下，同时计算得到传感器偏差和目标状态的估计值。当关联不确定时，可以通过概率数据关联(JPDA)，多假设跟踪(MHT)等方法解决。但是，这些方法并没有考虑到目标数目变化的情况，并且量测数据也是完好的。实际上，在应用场景中需要同时解决变化的目标数目、量测漏检、杂波等带来的问题。

发明内容

本发明的目的在于提供一种联合多传感器配准与多目标跟踪方法，能够解决现有的方案对多个传感器的配准准确率不高的问题。

为解决上述问题，本发明提供一种联合多传感器配准与多目标跟踪方法，包括：

基于随机有限集对多目标分布进行建模并计算新的对数似然函数，以及用期望最大化方法得到传感器偏差和目标状态的最大似然估计值。

进一步的，在上述方法中，基于随机有限集对多目标分布进行建模并计算新的对数似然函数，以及用期望最大化方法得到传感器偏差和目标状态的最大似然估计值，包括以下步骤：

步骤1，给定传感器偏差b的预估计值b⁰，利用集中式量测扩维卡尔曼滤波器在多传感器量测映射为偏差为b⁰的条件下计算目标状态估计值；

步骤2，计算完全数据的对数似然函数期望Q_k(b,Ω_k-1)，其中，Q_k(b,Ω_k-1)是直到k时刻的所有得到的数据条件下的完全数据对数似然函数的期望；

步骤3，将所述完全数据的对数似然函数期望Q_k(b,Ω_k-1)对偏差求偏导数等于0，以得到偏差的最大似然估计值b^k，重复依次执行步骤1－步骤3，直到前后两次偏差的估计值的差小于门限，认为算法已经收敛后，然执行步骤4；

步骤4，当偏差是时变的情况时，用卡尔曼滤波得到最小均方误差意义下的偏差的最终估计值；

步骤5，计算不同量测映射下预测和更新的多目标状态分布中的权重和得到偏差扩维的多目标状态分布概率密度，进而得到目标状态和偏差的估计值，其中I₊是预测的多目标标签集合，是多传感器量测映射，ξ是0-k-1时刻所有的多传感器量测映射。

进一步的，在上述方法中，步骤2，计算完全数据的对数似然函数期望Q_k(b,Ω_k-1)，包括：