一種新的地面目標多特征關聯(lián)方法

周新宇， 楊風暴， 吉琳娜

0 引言

地面目標關聯(lián)是地面目標融合的一個核心，也是最困難的一個部分。關聯(lián)是為傳感器當前觀測在已有的目標之間進行分配：①已知目標延續(xù)點；②新目標；③虛警。目前的關聯(lián)方法多是基于空中目標的，少有針對地面目標的。地面目標具有獨特的運動特點[1]，地面目標密度大，不易于區(qū)分目標；地面目標機動性強，很難利用單一模型準確地描述目標運動；目標行駛到道路交叉口時，不易判斷目標是否發(fā)生轉彎機動；地面目標易被遮攔很難獲得連續(xù)觀測。上述特點均為關聯(lián)帶來困難，地面目標特殊的運動特性和復雜的環(huán)境背景，使得關聯(lián)問題并未得到很好的解決。

地面目標密度較大、目標相關波門交叉較多，最近鄰數(shù)據(jù)關聯(lián)（NNDA，Joint Probability Data Association）抗干擾能力差、易產生關聯(lián)錯誤[2]，概率數(shù)據(jù)關聯(lián)（PDA，Probability Data Association）也僅適用于稀疏環(huán)境下的目標關聯(lián)；而Bayes方法需知道先驗概率，地面環(huán)境復雜性決定了分布類型與先驗概率較難得到。聯(lián)合概率數(shù)據(jù)關聯(lián)（JPDA，Nearest Neighbor Data Association）在雜波環(huán)境中，雖然關聯(lián)效果較好，但處理密集目標時，關聯(lián)計算量隨目標個數(shù)增加呈指數(shù)型增長，實時性較差[3-4]。因此，使用傳統(tǒng)方法對地面目標進行關聯(lián)，不能取得很好的效果。

灰色關聯(lián)法根據(jù)序列曲線幾何形狀的相似程度來判斷因素間的關聯(lián)程度[5-6]，不需要任何先驗假設。傳統(tǒng)的灰色關聯(lián)法只把狀態(tài)信息作為指標進行關聯(lián)判斷，事實上，傳感器不只獲得狀態(tài)信息，還可獲得有關屬性特征的目標信息，忽略了屬性信息導致關聯(lián)信息量不足，關聯(lián)錯誤率較高；而對各指標進行平均賦權，并不能反映各指標在關聯(lián)中的客觀權重。

1 目標特征指標的確定

傳感器觀測的地面目標信息分為2類：①狀態(tài)信息，表征目標的運動情況，由位置、速度、方向、加速度組成；②屬性信息，表征目標的身份特性。

位置信息是最為重要的狀態(tài)信息。首先利用位置對目標進行粗關聯(lián)，把一些不可能目標濾掉，設定一個較大的門限記為ε：

其中vmax為目標的最大運動速度，Δt為當前觀測與已有目標的獲取時間的差值，只有落入門限內的目標才有可能與當前觀測關聯(lián)。

速度表征目標運動的快慢；加速度表征目標的機動特性，由于地形的復雜性和地面目標的強機動性，因此加速度變化較為顯著；受制于地面戰(zhàn)場的地形，目標方向變化較為顯著，而方向一定程度上決定了目標的運動，選取當前觀測與已有目標在關聯(lián)時刻的方向角之差的余弦值作為關聯(lián)指標。上述4個特征均可作為狀態(tài)指標用于關聯(lián)。

屬性信息為目標類型、敵我屬性、威脅等級等，表征目標自身特性。目標類型表征目標的所屬種類，目標的類型多種多樣，敵我屬性表征目標的戰(zhàn)場歸屬，威脅等級表征目標在戰(zhàn)場的殺傷能力。屬性信息的觀測值通常為枚舉值，而枚舉值不便于直接比較，因此應用多級模糊綜合評判法[7]，將其映射為區(qū)間 [0,1]上的值。

上述幾個指標物理意義清晰，計算簡單，且能夠較好地抽象了目標的主要特征。

2 灰色關聯(lián)模型建立

設目標庫中粗關聯(lián)成功的目標有m個，記為，各目標有n個特征指標，xij(j=1,2,…,n)為第i個目標中第j個指標。各指標物理意義不同，不便于比較，首先要進行無量綱化的數(shù)據(jù)處理，公式如下：

其中 maxxj、m inxj分別表示m個粗關聯(lián)目標中第j個指標的最大值和最小值[8]。

傳統(tǒng)的平均賦權法不能真正體現(xiàn)指標間的差異，采用最大離差法確定指標的相對離散度權，若評價方案在指標j下的測量值差異越小, 則該指標在各方案的關聯(lián)排序過程中起的作用越小，反之作用越大[9]。

δj(w)表示第j個指標下, 所有目標的總離差：

特征指標的權重應使所有指標的總離差取得最大值,求得各權值并進行歸一化處理，得離散度權：

灰色關聯(lián)度r(x0,xi)是參考序列x0與比較序列xi之間幾何距離的一種度量。

按照灰色系統(tǒng)分辨原理，對關聯(lián)度排序，若：

則判斷認為當前觀測x0與目標xk關聯(lián)。

3 實例仿真

為驗證算法的有效性，對建立的模型進行仿真分析，利用劇情模擬器對地面戰(zhàn)場進行模擬，產生450個目標，將速度、加速度、方向測量值，目標類型、敵我屬性、威脅等級作為灰色關聯(lián)的指標，分別表示為θ1,θ2,θ3,θ4,θ5,θ6。

隨機選取其中一批目標進行分析，傳感器當前觀測x0，與其粗關聯(lián)的目標有4個，表示為X=(x1,x2,x3,x4)，指標值如表1示。

表1 當前觀測與粗關聯(lián)目標指標值

由關聯(lián)計算得各目標的灰色關聯(lián)度，如表2示。

表2 各目標的灰色關聯(lián)度

將灰色關聯(lián)度看作是對目標的關聯(lián)支持度，為了說明屬性信息對關聯(lián)的支持，分別對表示狀態(tài)信息3個狀態(tài)指標與上述6個指標的關聯(lián)度進行比較，如表3示。

若不考慮屬性信息，雖然3個狀態(tài)信息指標灰色關聯(lián)的結果是x1，與標定的關聯(lián)結果不一致。

表3 不同指標的灰色關聯(lián)比較

將最大離散度權與平均賦權法求得的灰色關聯(lián)度進行比較，如表4示。

表4 兩種不同賦權法的關聯(lián)比較

由表4可知，雖然平均賦權法最終的關聯(lián)目標為x4，但各目標灰色關聯(lián)度比較接近，給關聯(lián)決策造成不便。最大離散度權合理地評價各指標的重要性，有效地改善關聯(lián)區(qū)分程度，提高了關聯(lián)效率。

4 結語

新的多特征目標關聯(lián)算法不需要知道目標的分布類型和先驗概率，算法簡單，運算量較小，能夠滿足實時關聯(lián)的要求；加入屬性信息，可明顯改善關聯(lián)效果；最大離差法大大改進了目標關聯(lián)的區(qū)分程度，使關聯(lián)判斷更快捷、有效。此外，目標的其它屬性信息，只要能表征目標的屬性特征，均可作為灰色關聯(lián)指標來改善目標關聯(lián)效果。

[1]楊潔,陳煒.基于一維距離像的地面運動目標特征輔助跟蹤算法[C].北京:航空航天大學出版社,2008:125-127.

[2]何友,王國宏,關欣.信息融合理論及應用[M].第1版.北京:電子工業(yè)出版社,2010: 194-202.

[3]齊偉,楊風暴,周新宇.一種多傳感器數(shù)據(jù)融合系統(tǒng)融合方案研究[J].通信計術, 2010,43(10): 84-86.

[4]黎蔚,楊凱鵬,陳家新,等.一種基于特征自動選取的跟蹤算法[J].通信技術, 2010,43(03):128-130.

[5]GUAN Xin,HE You,YI Xiao.Gray Track-to-track Correlation Algorithm for Distributed Multitarget Tracking System[J].Singal Processing,2006,86(01):3448-3455.

[6]劉思峰,謝乃明.灰色系統(tǒng)理論及應用[M].第1版.北京:科學出版社,2010:93-110.

[7]陳水利,李敬功,王向公.模糊集理論及其應用[M].北京:科學出版社,2005:189-207.

[8]王凱琢,付元昌,江凌生,等.基于改進灰色理論的威脅指標權重技術[J].計算機工程, 2009, 35(14): 151-153.

[9]張慧穎.基于灰靶決策的多指標評判法及其在公路網評價中的應用[J].數(shù)學的實踐與認識, 2008,38(10):31-38.