[发明专利]一种多传感器多目标跟踪条件下的数据关联方法

说明书

本发明提供了一种多传感器多目标跟踪条件下的数据关联方法，判断量测是否为目标的备选量测；建立目标函数及其约束条件，对粒子群算法进行适应性改进，并快速进行寻优求解求出次优解，对蚁群算法进行改进，使得蚁群算法中的各个参数与目标函数及约束条件相匹配，进一步快速求解出最优解，通过迭代寻优，为N个目标匹配到了N个最优量测值，完成了多传感器多目标一个跟踪周期的关联运算。本发明通过采用混合群智能算法，在保证关联准确性的基础上，能够快速的获得关联结果，确保了关联算法的实时性。

技术领域

本发明涉及一种目标跟踪方法，尤其涉及多平台下多传感器对多个目标进行跟踪时的数据关联方法。

背景技术

数据关联是实现多目标跟踪的关键环节。在战场环境下实现目标跟踪时，由于存在多个目标、杂波和干扰等造成大量的量测值，同时多目标航迹存在交叉、分岔等现象，使得数据关联问题复杂化。当一个跟踪波门中存在多个量测数据，或者一个量测同时处于多个跟踪波门中时，采用有效的算法选择出真实量测，就是多目标数据关联要解决的主要问题。而实际战场环境中，在跟踪波门的约束条件下，出现“一个目标对应多个备选量测，或者一个量测对应多个目标”的情况是经常出现的。

当前解决数据关联的算法中的最近邻域(Nearest Neighbor，NN)法，其算法简单且计算量小，对于低杂波环境下的稀疏目标跟踪效果较好，但是在现代战场的强杂波多密集目标环境下，关联错误现象常常发生；概率检测关联(Probabilistic DataAssociation，PDA)算法也仅适用于单目标或稀疏多目标情况下的关联运算，在杂波环境下多目标跟踪时，关联准确率急剧下降；联合概率检测关联(Joint Probabilistic DataAssociation,JPDA)算法用于复杂环境下多目标跟踪时跟踪精度尚可，但计算量随目标和量测数量增长呈指数增长趋势，难以满足目标跟踪实时性的需求。多假设(MultipleHypothesis Tracking，MHT)算法可用于密集杂波环境下的多目标跟踪，但计算量随着目标与杂波个数的增加而急剧增长，难以满足对关联算法实时性的要求。许多学者在经典数据关联算法的基础上提出了改进，例如基于增益模拟算法和波尔兹曼随机神经网络的改进联合概率检测关联算法、蒙特卡罗联合概率数据关联方法(Monte Carlo JPDA，MC-JPDA)、多扫描分配算法等。这些数据关联方法，虽然用于多传感器多目标跟踪的关联计算精度有所提高，但都存在随着目标和量测数量的增多，算法计算量激增而难以满足跟踪实时性的需求。

发明内容

为了克服现有技术的不足，本发明提供一种基于混合群智能算法的数据关联方法，能够满足关联精确度和关联算法实时性的要求。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1，根据跟踪波门对量测的选择定义一个变量ρ_ij，以判断量测j是否为目标i的备选量测；

备选量测与一步预测之间关联程度采用滤波新息的似然函数来表示

其中，Z_ij(k)为k时刻作为目标i的第j个备选量测，f(Z_ij(k))表示第j个量测和目标i的关联程度，v(k)为残差向量，S_i(k)为新息的协方差，i＝1,2...N，表示N个目标；j＝1,2...N_c，表示N_c个量测；

步骤2，假设k时刻进行数据关联时，建立目标函数及其约束条件

步骤3，对粒子群算法进行适应性改进，并快速进行寻优求解求出次优解；改造流程包括：

(1)用粒子表示可能的关联并记作r，其关联集表示为{r}；经过多次搜索后获得其中一种的关联，其具有最优代价函数，那么该粒子所对应的关联就是最优解；