基于神經(jīng)網(wǎng)絡(luò)分類的異類傳感器目標關(guān)聯(lián)算法

孟藏珍 袁定波 許 稼 彭石寶 王曉軍

①(清華大學(xué)電子工程系 北京 100084)

②(中國人民解放軍空軍預(yù)警學(xué)院 武漢 430019)

③(北京理工大學(xué)信息與電子學(xué)院 北京 100081)

1 引言

相比于單傳感器，多源信息融合系統(tǒng)可以在時間、空間、屬性等層面提供更多維度的目標信息，能夠滿足日益復(fù)雜的用戶要求。在民用、軍事領(lǐng)域中得到廣泛應(yīng)用，如多傳感器組合導(dǎo)航系統(tǒng)[1]、C4ISR 系統(tǒng)[2]、雷達組網(wǎng)系統(tǒng)[3,4]等。由于異類傳感器能提供不同類型目標信息，實現(xiàn)信息互補[5]，在軍事領(lǐng)域更是備受關(guān)注。目前，雷達與紅外傳感器是主要的異類傳感器融合系統(tǒng)[6,7]。兩類傳感器可安置在運動或靜止的平臺上。當(dāng)紅外傳感器安裝在高速動態(tài)平臺上而雷達放置地面上時，將構(gòu)成軍事領(lǐng)域中有著特殊用途的融合系統(tǒng)。因此，也備受關(guān)注。但是該類融合系統(tǒng)中，由于紅外傳感器缺少距離信息且平臺高速運動，使得數(shù)據(jù)融合過程中系統(tǒng)誤差的補償及目標關(guān)聯(lián)變得異常復(fù)雜。本文將就該問題進行討論，并給出一種有效的解決方法。

多源信息融合按照同步方式可以分為同步融合和異步融合[8,9]。本文討論同步融合情況。同步融合一般包括空時配準、系統(tǒng)誤差補償、目標關(guān)聯(lián)等[10]關(guān)鍵環(huán)節(jié)。經(jīng)典的處理流程中，系統(tǒng)誤差補償是目標關(guān)聯(lián)的基礎(chǔ)，補償精確與否直接決定關(guān)聯(lián)的質(zhì)量；而系統(tǒng)誤差精確補償又以目標正確關(guān)聯(lián)為前提，因此，實際系統(tǒng)中系統(tǒng)誤差補償與目標關(guān)聯(lián)是緊密耦合在一起的，這給問題的研究和解決帶來了極大的挑戰(zhàn)。系統(tǒng)誤差一般包括隨機誤差和系統(tǒng)偏差兩部分[11]。隨機誤差可以通過濾波方法進行平滑，而系統(tǒng)偏差是慢變、相對穩(wěn)定的誤差，需要通過估計方法來補償[12]。目前，主要系統(tǒng)誤差補償方法有實時質(zhì)量控制法[13]、最小二乘法[14]、極大似然法[15]、廣義最小二乘法[16]、精確極大似然法[17]等。上述方法多研究的是同質(zhì)傳感器間的系統(tǒng)誤差補償且需要距離信息，而紅外傳感器卻只能提供精確的角度信息，因此，不能滿足條件。另外，由于紅外傳感器在高速動態(tài)平臺上，平臺的姿態(tài)角在空間配準過程中會引入新的隨機誤差，最終導(dǎo)致在動態(tài)平臺慣性坐標系下，系統(tǒng)誤差變化呈現(xiàn)出一定的隨機性。在下文，將根據(jù)數(shù)據(jù)分析給出一個直觀的結(jié)果。在該融合系統(tǒng)目標關(guān)聯(lián)中，主要的經(jīng)典算法有匈牙利算法[18,19]、拍賣算法[20]、蟻群算法[21]、最近鄰算法[22]等，但是在本文討論的融合系統(tǒng)中，由于系統(tǒng)誤差難于估計和補償，上述關(guān)聯(lián)方法很難奏效。

為解決上述問題，本文通過對大量系統(tǒng)誤差數(shù)據(jù)進行了分析，統(tǒng)計發(fā)現(xiàn)該類融合系統(tǒng)中系統(tǒng)誤差的變化局限在一個鄰域內(nèi)。根據(jù)此特點，本文提出了基于模式分類的目標關(guān)聯(lián)方法。該方法避開了在該系統(tǒng)中，因為紅外傳感器缺少距離信息致使系統(tǒng)誤差難以估計的問題，直接進行目標關(guān)聯(lián)，簡化了融合處理中間環(huán)節(jié)，提高了關(guān)聯(lián)效率，而且對一定范圍內(nèi)變化的系統(tǒng)誤差有很好的容忍度。本文采用BP神經(jīng)網(wǎng)絡(luò)進行分類，實驗結(jié)果表明，平均目標正確關(guān)聯(lián)概率大于86%。

本文內(nèi)容安排如下：第2節(jié)主要對該融合系統(tǒng)中系統(tǒng)誤差的特性進行分析；在此基礎(chǔ)上，第3節(jié)介紹基于模式分類的目標關(guān)聯(lián)算法；第4節(jié)給出本文方法的實驗結(jié)果，最后是本文的結(jié)論部分。

2 系統(tǒng)誤差特性分析

2.1 系統(tǒng)誤差描述

圖1 系統(tǒng)誤差示意圖

以雷達組網(wǎng)系統(tǒng)為例，經(jīng)典的系統(tǒng)誤差描述可用圖1來表述。假設(shè)(ra,θa,rb,θb)為兩傳感器對目標的觀測向量，設(shè)(xa,ya,xb,yb)為兩傳感器在全局坐標系中觀測向量，則通過對Δra,Δθa,Δrb,Δθb進行一階泰勒級數(shù)展開后，可以得到式(1)[11]從式(1)中可以看出，1個目標可以提供2個方程，2個目標或1個目標的2次量測即可提供4個方程，即可通過引言中提到的多種方法求解出(Δra,Δθa,Δrb,Δθb)，完成對系統(tǒng)誤差的估計。但是在本文討論的異類傳感器融合系統(tǒng)中，rb或(xb,yb)是無法得到的，因此不能得到式(1)，現(xiàn)有經(jīng)典的系統(tǒng)誤差估計方法失效。

2.2 動態(tài)平臺融合系統(tǒng)系統(tǒng)誤差分析

對于高速動態(tài)平臺上的紅外傳感器構(gòu)成的異類傳感器融合系統(tǒng)，其融合過程是在動態(tài)平臺上完成的，因此需要將雷達觀測數(shù)據(jù)同步到動態(tài)平臺慣性坐標系中。該過程中空間的配準更為復(fù)雜，需要動態(tài)平臺的姿態(tài)角參數(shù)。設(shè)雷達坐標系為北天東坐標系(North Universe East,NUE)，紅外傳感器為動態(tài)平臺慣性坐標系，如圖2所示。

空間配準可以通過3次歐拉角的旋轉(zhuǎn)來實現(xiàn)，如圖3所示。

假設(shè)SNUE為雷達對目標在雷達北天東坐標系NUE中的觀測，PNUE為雷達對動態(tài)平臺在坐標系NUE中的觀測，均為轉(zhuǎn)化為直角坐標下的數(shù)據(jù)，根據(jù)圖3可得空間配準式(2)

圖2 兩傳感器坐標系定義

圖3 坐標轉(zhuǎn)換示意圖

SDT為動態(tài)平臺慣性直角坐標系下數(shù)據(jù)，假設(shè)為SDT=(x,y,z)，因紅外只有角度信息，所以需要轉(zhuǎn)換至極坐標系下，如式(3)所示。

從式(2)、式(3)可以看出，在動態(tài)平臺下系統(tǒng)誤差除了傳感器本身因素外，還引入了平臺的姿態(tài)誤差，同時因為紅外傳感器缺少距離信息，難以得到如式(1)一樣的簡明解析式。但是，可以嘗試通過數(shù)據(jù)分析的途徑來尋求解決方法。本文通過對大量觀測數(shù)據(jù)統(tǒng)計分析，獲得了系統(tǒng)誤差的變化特征。圖4是某雷達/紅外融合系統(tǒng)中，兩傳感器觀測數(shù)據(jù)時空配準后，在動態(tài)平臺慣性極坐標系下系統(tǒng)誤差的變化曲線。

從圖中可以看出，因為上述因素的影響，系統(tǒng)誤差表現(xiàn)出時變的特點，而且在同一時刻因為目標位置不同，系統(tǒng)誤差對其角度誤差的影響也不同，這樣，通過數(shù)據(jù)實時估計系統(tǒng)誤差難以實現(xiàn)。但是，從圖中可以看出，對已確定的異類傳感器融合系統(tǒng)，無論是方位角還是俯仰角，其系統(tǒng)誤差總是在一定范圍內(nèi)變化。這個變化特性為目標的關(guān)聯(lián)提供了新的契機。

圖4 系統(tǒng)誤差變化曲線

3 基于分類的目標關(guān)聯(lián)算法

3.1 算法思想

由上文分析，可假設(shè)系統(tǒng)誤差是在領(lǐng)域U(x0,δ)內(nèi)變化。為討論方便，假設(shè)已經(jīng)過時空配準。設(shè)雷達目標觀測為集合A,A={x0i,x1i,x2i,…,xni},i為觀測時刻，n為雷達觀測到的目標數(shù)。紅外傳感器目標觀測為集合 B,B=,m是紅外傳感器觀測到的目標數(shù)，m可以與n不等，即可能存在雷達傳感器與紅外傳感器觀測的目標數(shù)是不相同的。假設(shè)xk,i與分別表示雷達和紅外傳感器在觀測時刻i對第k個目標的觀測值。由誤差變化特性可知，同一目標的兩個量測之間的誤差應(yīng)該滿足式(4)。

而來自兩傳感器不同目標之間的差值，除了系統(tǒng)誤差Δx外，還有兩目標間的相對位置差Δy，如圖5所示。因此，一般情況下是不滿足式(4)的，即

圖5 目標間相對位置差示意圖

根據(jù)式(4)、式(5)，即可將兩傳感器目標量測分為來自同一目標或不是同一目標。如式(6)所示。

通過式(6)即可實現(xiàn)對異類傳感器融合系統(tǒng)中的目標關(guān)聯(lián)，而且無需預(yù)先進行系統(tǒng)誤差的估計和補償。該方法將數(shù)據(jù)融合系統(tǒng)中目標關(guān)聯(lián)問題轉(zhuǎn)化為目標分類問題，實現(xiàn)了數(shù)據(jù)融合中系統(tǒng)誤差估計補償與目標關(guān)聯(lián)的聯(lián)合處理，大大簡化了融合處理流程。對于參數(shù)維度不同的異類傳感器(如本文中，雷達可提供3維參數(shù)距離、方位、仰角，而紅外傳感器只能提供 2維參數(shù)方位角和俯仰角)構(gòu)成的融合系統(tǒng)中，實現(xiàn)目標關(guān)聯(lián)有著特有的優(yōu)勢。

但是該方法在實際應(yīng)用中，需要通過實驗預(yù)先獲得大量的訓(xùn)練樣本，統(tǒng)計出系統(tǒng)誤差變化曲線，用來獲取目標分類的分界面。這在一定程度上制約了它的使用范圍。另一方面，從圖4可以看出，當(dāng)目標之間距離相隔很近且有位置混淆時，使得Δ x+Δy ∈ U(x0,δ)時，即滿足式(4)，而式(5)卻不成立。此時，經(jīng)分類處理后，可能出現(xiàn)兩種結(jié)果：，這時關(guān)聯(lián)正確的概率就只有50%。在這種情況下，如最近鄰等方法也有類似的缺陷。

3.2 算法實現(xiàn)

目標分類實質(zhì)上是模式識別問題。分類的方法有很多，本文選用BP網(wǎng)絡(luò)來實現(xiàn)，充分利用神經(jīng)網(wǎng)絡(luò)強的非線性映射能力、容錯能力，提高分類效率[23]。本文選用BP網(wǎng)絡(luò)共3層，第1層是輸入層，第2層是隱含層，共10個神經(jīng)元，第3層是輸出層，輸出函數(shù)為線性函數(shù)。信號處理流程如圖6所示。

圖6 基于BP分類的目標關(guān)聯(lián)處理流程

算法實現(xiàn)分兩步進行：

Step1：BP網(wǎng)絡(luò)分類器訓(xùn)練。如圖6 中虛線指示的部分，先根據(jù)收集到的訓(xùn)練樣本對上述構(gòu)建的BP 網(wǎng)絡(luò)進行訓(xùn)練。由式(6)可知，最終目標關(guān)聯(lián)可簡化為二分問題，因此，BP網(wǎng)絡(luò)輸出可定義為“1”或“0”，“1”表示該時刻兩傳感器觀測數(shù)據(jù)是來自同一個目標，即目標關(guān)聯(lián)正確；“0”表示該時刻兩傳感器觀測數(shù)據(jù)不是來自同一個目標，即不能進行關(guān)聯(lián)。用神經(jīng)網(wǎng)絡(luò)進行分類，其最終分類效果與訓(xùn)練的樣本集有密切關(guān)系。因此，在此步驟中，要盡可能收集多的誤差樣本，盡可能覆蓋系統(tǒng)誤差的變化范圍。網(wǎng)絡(luò)訓(xùn)練可以離線處理。

Step2：實時目標關(guān)聯(lián)。該過程為圖6中實線部分，雷達觀測數(shù)據(jù)經(jīng)過空間配準后，與紅外觀測數(shù)據(jù)進行時間配準，做好目標關(guān)聯(lián)的預(yù)處理。系統(tǒng)誤差序列模塊將兩傳感器經(jīng)時空配準的數(shù)據(jù)相減得到誤差序列，將誤差序列輸入到BP 網(wǎng)絡(luò)分類器中進行分類識別，根據(jù)分類器輸出是“1”或“0”，即可確定此時刻兩傳感器觀測值是否來自同一個目標，完成目標的關(guān)聯(lián)處理。

4 算法仿真

4.1 仿真數(shù)據(jù)

該系統(tǒng)中紅外傳感器安裝在高速飛行的彈道導(dǎo)彈上，仿真中共選擇了6個場景，每個場景中紅外傳感器觀測到了4個目標，分別為2個目標群，每個群中有2個目標。雷達傳感器觀測到16個目標，分別為8個目標群，每個群中有2個目標。融合在兩傳感器時間交疊部分進行，要將雷達觀測到的目標與紅外觀測到的目標進行關(guān)聯(lián)，同一目標的觀測關(guān)聯(lián)在一起，認為關(guān)聯(lián)正確，否則錯誤。

4.2 仿真結(jié)果及分析

以雷達目標1與紅外目標關(guān)聯(lián)為例，關(guān)聯(lián)結(jié)果如表1所示。表2為6個場景中目標關(guān)聯(lián)后，統(tǒng)計得出的平均正確關(guān)聯(lián)概率。從表1中可以看出，雷達目標1在觀測時刻99.9 s,100.1 s和100.3 s時的觀測值與相對應(yīng)時刻的紅外傳感器目標3的觀測值關(guān)聯(lián)上了，發(fā)生了錯誤關(guān)聯(lián)。原因是在上述3個時刻紅外傳感器觀測到的目標1和目標3的觀測值很近，位置發(fā)生了混淆，導(dǎo)致在分類時不能滿足式(4)，從而發(fā)生錯配。除這3個時刻的觀測值關(guān)聯(lián)錯誤外，其他都是正確的。為評價本文所提出的方法的性能，實驗中采用多組測試樣本進行了驗證，并給出了統(tǒng)計性能分析，如表2所示。從表2可以看出，在6個場景中23個目標(其中一個目標的數(shù)據(jù)用做訓(xùn)練數(shù)據(jù))的關(guān)聯(lián)統(tǒng)計結(jié)果看，平均正確關(guān)聯(lián)概率大于86%。

表1 雷達目標1與紅外目標關(guān)聯(lián)結(jié)果

表2 雷達目標與紅外目標關(guān)聯(lián)成功概率

5 結(jié)束語

本文重點討論了由高速動態(tài)平臺上紅外傳感器與地基雷達組成的融合系統(tǒng)中，系統(tǒng)誤差估計與補償、目標關(guān)聯(lián)等問題。由于在該融合系統(tǒng)中，紅外傳感器不能提供距離信息，使得現(xiàn)有基于距離信息建立誤差模型的系統(tǒng)誤差估計方法失效；另外，由于載荷平臺高速運動，在數(shù)據(jù)融合中空間配準環(huán)節(jié)引入了平臺的姿態(tài)誤差(含有隨機噪聲)，使得系統(tǒng)誤差的緩變特性被破壞，呈現(xiàn)出隨機變化的特征。基于上述原因，在該融合系統(tǒng)的數(shù)據(jù)融合中，系統(tǒng)誤差估計與補償、目標關(guān)聯(lián)問題變得異常困難。針對上述問題，本文通過對系統(tǒng)誤差數(shù)據(jù)的統(tǒng)計分析，得出其變化范圍局限在一個鄰域內(nèi)的特征?；谏鲜鎏卣?，本文提出了一種基于模式分類的目標關(guān)聯(lián)方法。該方法將系統(tǒng)誤差估計與補償、目標關(guān)聯(lián)等問題進行聯(lián)合處理，大大簡化了融合處理環(huán)節(jié)，而且對一定范圍內(nèi)變化的誤差有較好的容忍度。最后，本文對該方法進行了實驗驗證，文中采用BP神經(jīng)網(wǎng)絡(luò)進行分類，實驗結(jié)果表明了方法的有效性，通過統(tǒng)計分析得出平均正確目標關(guān)聯(lián)概率大于86%。

[1]衣曉,何友.多傳感器組合導(dǎo)航系統(tǒng)評述[J].火力與指揮控制,2003,28(4): 1-4.Yi Xiao and He You.Comments on multisensor integrated navigation system[J].Fire Control & Command Control,2003,28(4): 1-4.

[2]朱德成,劉俊先,羅雪山.基于仿真的 C4ISR 系統(tǒng)需求開發(fā)[J].火力與指揮控制,2009,34(3): 22-25.Zhu De-cheng,Liu Jun-xian,and Luo Xue-shan.Simulationbased requirement development of C4ISR system[J].Fire Control & Command Control,2009,34(3): 22-25.

[3]向龍,丁建江,呂金建.雷達組網(wǎng)系統(tǒng)抗復(fù)合干擾效果動態(tài)評估研究[J].現(xiàn)代雷達,2010,32(10): 22-29.Xiang Long,Ding Jian-jiang,and Lv Jin-jian.A study on dynamic evaluation of anti-complex jamm ing effect of radar netted system[J].Modern Radar,2010,32(10): 22-29.

[4]陳永光,李修和,沈陽,等.組網(wǎng)雷達作戰(zhàn)能力分析與評估[M].北京: 國防工業(yè)出版社,2006.Chen Yong-guang,Li Xiu-he,Shen Yang,et al..Radar Networking Combat Capability Analysis and Evaluation[M].Beijing: National Defence Industry Press,2006.

[5]Dai Ya-ping and Wang Jun-zheng.Asynchronous data fusion of two different sensors[J].Journal of Beijing Institute of Technology,2001,10(4): 402-405.

[6]尹繼豪,崔炳喆.雷達/紅外數(shù)據(jù)融合的機動目標跟蹤算法綜述[J].航空兵器,2009,(5): 39-43.Yin Ji-hao and Cui Bing-zhe.Radar/IR data fusion algorithm for maneuvering target tracking[J].Aero Weaponry,2009,(5):39-43.

[7]郜麗鵬,葉方,司錫才,等.基于雷達、紅外的數(shù)據(jù)融合算法研究[J].信息技術(shù),2005,29(5): 8-10,67.Gao Li-peng,Ye Fang,Si Xi-cai,et al..Study on data fusion algorithm of radar and IRI[J].Information Technology,2005,29(5): 8-10,67.

[8]Bar-Shalom Y and Li Xiao-rong.Multitarget-Multisensor Tracking: Principles and Techniques[M].Storrs,CT: YBS Publishing,1995.

[9]Mallick M,Karant J,and Bar-Shalom Y.Multi-sensor multitarget tracking using Out-of-Sequence measurements[C].IEEE Proceedings of the 5th International Conference on Information Fusion,Annapolis,MD,USA,July 2002:135-142.

[10]彭冬亮,文成林,薛安克.多傳感器多源信息融合理論及應(yīng)用[M].北京: 科學(xué)出版社,2010.Peng Dong-liang,Wen Cheng-lin,and Xue An-ke.Multisensor Multi-source Information Fusion Theory and Application[M].Beijing: Science Press,2010.

[11]石章松,劉忠,等.目標跟蹤與數(shù)據(jù)融合理論及方法[M].北京: 國防工業(yè)出版社,2010.Shi Zhang-song,Liu Zhong,et al..Method and Thoery of Target Tracking and Data Fusion[M].Beijing: National Defence Industry Press,2010.

[12]韓崇昭,朱洪燕,段戰(zhàn)勝,等.多源信息融合[M].第2版,北京: 清華大學(xué)出版社,2010.Han Chong-zhao,Zhu Hong-yan,Duan Zhan-sheng,et al..Multi-source Information Fusion[M].Second Edition,Beijing:Tsinghua University Press,2010.

[13]陳春麗,楊紅雨,李磊.基于自適應(yīng) Kalman濾波的改進RTQC算法[J].計算機工程與設(shè)計,2009,30(24): 5733-5735.Chen Chun-li,Yang Hong-yu,and Li Lei.Improved RTQC-algorithm based on adaptive Kalman filtering[J].Computer Engineering and Design,2009,30(24): 5733-5735.

[14]Leung H and Blanchette M.A least squares fusion of multiple radar data[C].Processings of RADAR,1994,Paris,France,1994: 364-369.

[15]Sokkappa B G.TOS# 16: Registration computation for RTQC.The MITRE Corporation,WP-7681,1971.

[16]Bar-Shalom.Multitarget-Multisensor Tracking: Applications and Advances[M].Boston: Artech House,1990.

[17]Zhou Y F and Leung H.An exact maximum likehood registration algorithm for data fusion[J].IEEE Transactions on Signal Processing,1997,45(6): 1560-1572.

[18]宋業(yè)新,陳綿云,張曙紅,等.兩類多目標廣義指派問題的有效算法及其應(yīng)用[J].華中科技大學(xué)學(xué)報(自然科學(xué)版),2001,29(1): 70-72.Song Ye-xin,Chen Mian-yun,Zhang Shu-hong,et al..An efficient algorithm for solving two multi-object generalized assignment problems and its application[J].Journal of Huazhong University of Science and Technology,2001,29(1):70-72.

[19]Gottschalk T D.Concurrent implementation of Munkres algorithm[C].Proceedings of the 5th Distributed Memory Computing Conference,April 1990: 52-57.

[20]柳鵬,高杰,劉揚.基于拍賣算法的目標分配問題優(yōu)化[J].兵工自動化,2008,27(9): 22-24.Liu Peng,Gao Jie,and Liu Yang.Target distribution optimization based on auction algorithm[J].Ordnance Industry Automation,2008,27(9): 22-24.

[21]黃樹采,李為民,李威,等.多傳感器管理的目標分配問題蟻群算法研究[J].空軍工程大學(xué)學(xué)報(自然科學(xué)版),2005,6(2): 28-31.Huang Shu-cai,Li Wei-min,Li Wei,et al..Multisensor management with ant colony algorithm for solving target assignment problem[J].Journal of Air Force Engineering University(Natural Science Edition),2005,6(2): 28-31.

[22]田宏偉,敬忠良,胡士強,等.基于多速率運動模型的多幀最近鄰數(shù)據(jù)關(guān)聯(lián)算法[J].上海交通大學(xué)學(xué)報,2005,39(3):413-416.Tian Hong-wei,Jing Zhong-liang,Hu Shi-qiang,et al..Multiple scan nearest-neighbor data association algorithm based on multirate kinematic model[J].Journal of Shanghai Jiaotong University,2005,39(3): 413-416.

[23]史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京: 高等教育出版社,2009.Shi Zhong-zhi.Neural Network[M].Beijing: Higher Education Press,2009.