[发明专利]基于多尺度模型的红外/激光雷达数据融合目标跟踪方法

摘要

基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，建立多尺度模型；对目标进行数据采集，得到目标的距离测量值、方位角测量值和俯仰角测量值；在尺度1上对红外探测系统获取的角度信息采用无迹卡尔曼滤波法进行估计；在尺度2上将角度估计信息和距离信息进行融合；在尺度2上采用卡尔曼滤波法对目标状态进行估计；将融合估计的信息转换到尺度1上，在尺度1上采用卡尔曼滤波法进行滤波估计，得到精确滤波估计值；重复前述步骤，获得目标运动轨迹。本发明将将多尺度模型引用到信息融合中，更加全面准确的描述目标运动状态，在不同尺度对目标进行估计滤波，提高了目标状态的估计精度，通过不同尺度之间信息的交互，提高目标跟踪精度。

主权项

基于多尺度模型的红外/激光雷达数据融合目标跟踪方法，其特征在于，包括以下步骤：步骤1、根据红外探测系统和激光雷达探测系统的采样频率建立多尺度模型，所述多尺度模型为：x(i,ki+1)＝F(i,ki)x(i,ki)+w(i,ki)z(i,ki)＝H(i,ki)x(i,ki)+v(i,ki)其中，x(i,ki+1)为ki+1时刻在尺度i上的状态向量，F(i,ki)为ki时刻在尺度i上的系统状态转移矩阵，x(i,ki)为ki时刻在尺度i上的状态向量，w(i,ki)为系统噪声，z(i,ki)为ki时刻在尺度i上的观测向量，H(i,ki)为ki时刻在尺度i上的观测矩阵，v(i,ki)为观测噪声，ki为尺度i上的采样时刻，i＝1,2；步骤2、红外探测系统和激光雷达探测系统分别对目标进行数据采集，得到目标的方位角测量值αm、目标的俯仰角测量值βm和目标的距离测量值rm；步骤3、在尺度1上对红外探测系统获取的角度信息采用无迹卡尔曼滤波法进行估计，滤波过程中利用两点递推法进行初始化，得到目标的方位角滤波估计值α′m和俯仰角滤波估计值β′m；步骤4、在尺度2上将步骤3得到角度估计信息和激光雷达探测系统获取的距离信息进行融合，计算出目标在直角坐标系下的位置坐标(xm，ym，zm)：xm=rm×cosβm′×cosαm′ym=rm×cosβm′×sinαm′zm=rm×sinβm′;]]>其中，rm为目标的距离测量值，α′m为目标的方位角滤波估计值，β′m为目标的俯仰角滤波估计值；步骤5、在尺度2上采用卡尔曼滤波法对目标状态进行估计；步骤5‑1、计算目标的无偏观测值得到直角坐标系下的转换测量值xmu=λα-1λβ-1xmymu=λα-1λβ-1ymzmu=λβ-1zm;]]>其中，xm、ym、zm为直角坐标系下目标的位置坐标，λα和λβ为无偏系数，为方位角测量误差，为俯仰角测量误差，分别是和的方差，E[·]表示求期望值，[·]T表示转置操作；步骤5‑2、计算误差方差矩阵Rp：Rp=cov{[xmu,ymu,zmu]T|rm,αm′,βm′}=Rp11Rp12Rp13Rp21Rp22Rp23Rp31Rp32Rp33;]]>Rp11=14(rm2+σr2)[1+λα′cos(2αm′)][1+λβ′cos(2βm′)]+rm2cos2βm′cos2αm′[(λαλβ)-2-2]]]>Rp22=14(rm2+σr2)[1-λα′cos(2αm′)][1+λβ′cos(2βm′)]+rm2cos2βm′sin2αm′[(λαλβ)-2-2]]]>Rp33=12(rm2+σr2)[1+λβ′cos(2βm′)]+rm2sin2βm′(λβ-2-2)]]>Rp12=14(rm2+σr2)λα′sin(2αm′)[1+λβ′cos(2βm′)]+rm2cos2βm′sinαm′cosαm′[(λαλβ)-2-2]]]>Rp13=12(rm2+σr2)λαλβ′cosαm′sin(2βm′)+rm2cosβm′sinβm′cosαm′(λα-1λβ-2-λα-1-λα)]]>Rp23=12(rm2+σr2)λαλβ′sinαm′sin(2βm′)+rm2cosβm′sinβm′sinαm′(λα-1λβ-1-λα-1-λα)]]>式中的为距离测量误差的方差；步骤5‑3、建立目标状态方程和测量方程；融合后目标的状态方程为：xu(2,k2+1)＝Axu(2,k2)+wu(2,k2)；其中，A为去偏后的系统状态转移矩阵，xu(2,k2)为去偏后的状态向量，xu(2,k2)＝[x′,vx,y′,vy,z′,vz]T，x′、y′和z′是目标在直角坐标系下的位置坐标的滤波值，vx、vy和vz分别为x′、y′和z′方向的速度，wu(2,k2)是去偏后的过程噪声；融合后目标的测量方程为：zu(2,k2)＝Bxu(2,k2)+vu(2,k2)；其中，B为去偏后的观测矩阵，vu(2,k2)为去偏后的观测噪声；步骤5‑4、滤波更新，采用卡尔曼滤波法进行滤波：k2‑1时刻的滤波值和滤波协方差分别为xu(2,k2‑1|k2‑1)和P(k2‑1|k2‑1)，则k2时刻的预测值xu(2,k2|k2‑1)＝Axu(2,k2‑1|k2‑1)，k2时刻的预测协方差P(2,k2︱k2‑1)＝AP(k2‑1︱k2‑1)AT+Q(2,k2)，Q(2,k2)为去偏后的过程噪声的方差矩阵；卡尔曼增益矩阵K(2,k2)＝P(2,k2|k2‑1)BT/(Rp+BP(2,k2|k2‑1)BT)，滤波后的状态值xu(2,k2|k2)＝xu(2,k2|k2‑1)+K(2,k2)(zu‑Bxu(2,k2|k2‑1))，滤波后的协方差矩阵P(2,k2|k2)＝P(2,k2|k2‑1)‑K(2,k2)AP(2,k2|k2‑1)，经过融合估计，获得目标在直角坐标系下的位置坐标的滤波值x′、y′和z′；步骤6、将融合估计的信息转换到尺度1上，进一步优化角度估计结果；利用步骤5获得的位置信息，计算目标的方位角精确估计值和俯仰角精确估计值αmu=arctany′x′,]]>βmu=arctanz′x′2+y′2;]]>再将方位角精确估计值和俯仰角精确估计值返回到尺度1上，以尺度2上的采样时刻n(k1‑1)+1作为当前时刻，在尺度1上采用卡尔曼滤波法进行滤波估计，得到精确滤波估计值，红外探测系统在尺度1的采样率q1和激光雷达探测系统在尺度2的采样率q2满足：q1/q2＝n，n为正整数，红外探测系统在尺度1上的采样时刻k1与激光雷达探测系统在尺度2上的采样时刻k2之间关系为：k2＝n(k1‑1)+1；步骤7、重复步骤2至步骤6，直至目标离开探测系统的探测范围，获得目标运动轨迹。