[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

摘要

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。

主权项

1.一种多传感器多目标跟踪条件下的数据关联方法，其特征在于包括下述步骤：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；假设在K‑1时刻共有N个目标航迹，滤波后得到N个目标航迹的一步预测；在K时刻，跟踪波门筛选的备选量测Z_ij，i＝1，2…N为目标的批号，j为i目标的备选量测序号，那么Z_ij表示第i个目标的第j个备选量测；在目标没有发生漏检时，粒子的长度与所有备选量测总数相等；在目标发生漏检时，粒子的长度等于所有备选量测总数与漏检目标数之和；前N个量测以N个目标单个顺序排列，接下来对N个目标按顺序分别排列剩余的备选量测；(2)对N个目标排序，则第i个目标的备选量测组成的集合为{Z_i}；在上述粒子的编码时，前N个粒子的选择是按照目标i的次序，在{Z_i}中随机选取，前N个粒子都不相同；(3)先对粒子的极值进行编码，其中极值包括个体极值与全局极值；编码是按照目标批号的顺序为对应的N个目标的量测进行排序；做交叉操作是粒子与其极值间的元素互换，变异操作是粒子与其自身元素间的交换；粒子变异操作之后，前N位粒子中同样不可有重复的量测；(4)粒子编码中的前N个元素形成了多目标对应的多量测的组合，计算似然函数f(Z_ij(k))及适应函数J；(5)判断是否满足迭代次数，满足则输出次优解，否则循环迭代；步骤4，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；改进算法流程包括如下：(1)将量测与预测值间的关联函数值f(Z_ij(k))定义为蚂蚁的行进距离；(2)蚂蚁在进行一条完整路径的选择时，关联量测点的选择只从未被选择过的量测点中选；(3)设蚂蚁在路径选择时，当关联上一个量测值时，会在该量测点上增加该关联对的信息素，并且信息素每迭代一次就挥发一部分；对于信息素的更新，按照局部信息素与全局信息素分别定义，并分别确定更新规则；(4)状态转移概率是蚁群根据各条路径上的启发信息和信息素计算获得；(5)将次优解及其对应的适应值，作为改进蚁群算法的输入，分别对应蚁群的位置和信息素的初始化值；在初始化每个蚂蚁时，每个次优解对应一对目标‑量测作为蚂蚁的初始位置；(6)量测禁忌表设置的原则是：蚂蚁不会走重复的路径；目标禁忌表的设置是保证一个目标至多只可以关联到唯一的真实量测；蚁群依据量测禁忌表与目标禁忌表，随机遍历每个备选量测与目标；步骤5，通过步骤3、4的两次迭代寻优，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。