基于KL 距離的異類傳感器動態(tài)數(shù)據(jù)關(guān)聯(lián)算法

呂麗平, 白 鑫, 張玉宏

(1.鄭州升達(dá)經(jīng)貿(mào)管理學(xué)院信息工程系,鄭州 451191； 2.河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，鄭州 451000)

基于KL 距離的異類傳感器動態(tài)數(shù)據(jù)關(guān)聯(lián)算法

呂麗平1, 白 鑫1, 張玉宏2

(1.鄭州升達(dá)經(jīng)貿(mào)管理學(xué)院信息工程系,鄭州 451191； 2.河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，鄭州 451000)

針對異類傳感器多目標(biāo)跟蹤系統(tǒng)中的動態(tài)數(shù)據(jù)關(guān)聯(lián)問題，提出了一種基于KL距離的異類傳感器動態(tài)數(shù)據(jù)關(guān)聯(lián)算法。該方法將靜態(tài)多維分配問題推廣到動態(tài)跟蹤中，通過對量測集合與航跡集合的合并，將各傳感器量測估計位置的概率密度函數(shù)與目標(biāo)航跡一步預(yù)測值的概率密度函數(shù)之間的KL距離作為關(guān)聯(lián)代價函數(shù)，繼而代入多維分配模型求解，從而實現(xiàn)量測到航跡的動態(tài)關(guān)聯(lián)。仿真實驗表明，所提算法能更精準(zhǔn)地反映量測與航跡之間關(guān)聯(lián)的可能性，且能夠?qū)Χ嗄繕?biāo)進行快速穩(wěn)定的跟蹤。

數(shù)據(jù)關(guān)聯(lián)； 多目標(biāo)跟蹤； 粒子濾波； KL距離

0 引言

數(shù)據(jù)關(guān)聯(lián)問題一直是目標(biāo)跟蹤融合系統(tǒng)中最重要、最困難的研究內(nèi)容，而現(xiàn)今已有的數(shù)據(jù)關(guān)聯(lián)算法多是針對主動傳感器提出的。文獻[1]提出了一種新的2-D分配算法，用來解決一對多或多對一的分配問題。這個問題的解決，突破了一對一分配的限制，使得最近鄰、聯(lián)合概率數(shù)據(jù)互聯(lián)、多假設(shè)等典型的數(shù)據(jù)關(guān)聯(lián)算法都可以歸結(jié)為多維分配的問題，然而多維分配問題存在一個缺陷即NP問題。目前解決該問題大致可以分為3種思路:1) 尋找解決多維分配問題的啟發(fā)式算法，即利用解析性的啟發(fā)式算法[2]或者借助群智能理論對全關(guān)聯(lián)空間進行概率搜索[3-4];2) 提取、利用先驗信息對多維分配問題進行降維，通過設(shè)定關(guān)聯(lián)規(guī)則來設(shè)置空間的禁忌搜索區(qū)域[5-6]；3) 增強數(shù)據(jù)關(guān)聯(lián)模型的完備性[7-9]。以上基于多維分配的算法均只考慮同一時刻各傳感器觀測的互聯(lián)問題，是一個靜態(tài)結(jié)果，而文獻[10]將基于多維分配的靜態(tài)分配推廣到動態(tài)跟蹤中，通過對量測集合和航跡集合的合并，把S維轉(zhuǎn)變?yōu)镾+1維問題，從而實現(xiàn)了目標(biāo)航跡和量測分配的動態(tài)化;在此基礎(chǔ)上，文獻[11]提出了動態(tài)多維分配算法的串行處理結(jié)構(gòu)，將預(yù)關(guān)聯(lián)的量測集和航跡進行關(guān)聯(lián)；文獻[12]則提出了一種綜合動態(tài)多維分配和兩級式處理結(jié)構(gòu)的串行數(shù)據(jù)關(guān)聯(lián)算法。然而以上方法均未考慮關(guān)聯(lián)代價函數(shù)對動態(tài)多維分配數(shù)據(jù)關(guān)聯(lián)算法關(guān)聯(lián)正確率的影響問題，而是直接利用文獻[10]給出的量測與偽量測之間的統(tǒng)計距離作為關(guān)聯(lián)代價，然而由靜態(tài)多維分配算法可知，關(guān)聯(lián)代價的構(gòu)造是動態(tài)多維分配數(shù)據(jù)關(guān)聯(lián)算法的關(guān)鍵，直接決定了數(shù)據(jù)關(guān)聯(lián)算法的性能，因此，研究關(guān)聯(lián)代價函數(shù)與動態(tài)多維分配數(shù)據(jù)關(guān)聯(lián)算法之間的關(guān)系具有重要的意義。

本文針對異類傳感器多目標(biāo)跟蹤系統(tǒng)中的動態(tài)數(shù)據(jù)關(guān)聯(lián)問題，對動態(tài)多維分配數(shù)據(jù)關(guān)聯(lián)算法的關(guān)聯(lián)代價函數(shù)的構(gòu)造問題進行研究，以期提高多目標(biāo)動態(tài)跟蹤的精度和效率，仿真實驗驗證了所提算法的有效性和可行性。

1 問題描述

不失一般性，本文以N部能測距和測角的主動傳感器和M部僅測角的被動傳感器組成的異類傳感器融合系統(tǒng)同步掃描探測為例，考慮漏檢和虛警，建立了異類傳感器目標(biāo)跟蹤模型。圖1給出了異類傳感器協(xié)同觀測模型示意圖(N=2,M=2)。

圖1 異類傳感器協(xié)同觀測模型Fig.1 The cooperative observation model of heterogeneous sensors

主動傳感器s獲得目標(biāo)j的量測為距離r1j，方位角βsj和俯仰角αsj，分別表示為[7]

(1)

記向量Zsj=(rsjαsjβsj)T，s=1,2,…,N。被動傳感器s僅能獲得目標(biāo)j的方位角為βsj,俯仰角為αsj，分別表示為

(2)

記向量Zsj=(αsjβsj)T，s=N+1,…,N+M。

綜上，傳感器的量測模型可表示為

(3)

式中，s=1,2,…,N+M，傳感器s的ns個量測中，來自目標(biāo)的量測為真實目標(biāo)的位置加上高斯噪聲，即vsj服從高斯分布N(0,Rsj)，來自虛警的量測在空間中無規(guī)律分布，視為均勻分布，其概率密度為wsj=1/Φs(0<Φs<π2)。

為使得所有量測數(shù)據(jù)均參與關(guān)聯(lián)，給每個傳感器s增加一個虛假量測ms 0，則傳感器s獲得的量測集合可表示為

(4)

并記所有傳感器獲得的量測數(shù)據(jù)為

(5)

2 基于KL距離的動態(tài)數(shù)據(jù)關(guān)聯(lián)算法

與靜態(tài)數(shù)據(jù)關(guān)聯(lián)不同[7-9]，在動態(tài)數(shù)據(jù)關(guān)聯(lián)過程中，需要進行航跡濾波，通過航跡的不斷更新可以獲得目標(biāo)在各個時刻的位置及協(xié)方差估計，并且能夠獲得目標(biāo)的狀態(tài)預(yù)測值和預(yù)測協(xié)方差矩陣，因此，在該數(shù)據(jù)關(guān)聯(lián)過程中，可利用目標(biāo)的航跡信息構(gòu)造候選關(guān)聯(lián)組合，通過將量測集合和目標(biāo)的航跡集合合并，把S維問題轉(zhuǎn)變?yōu)镾+1維問題，從而實現(xiàn)量測與航跡的動態(tài)分配[10]。

為實現(xiàn)目標(biāo)的動態(tài)跟蹤，須將量測與目標(biāo)航跡建立聯(lián)系。將k時刻來自N+M個傳感器的量測集合M(k)與k-1時刻系統(tǒng)的目標(biāo)航跡集合U(k-1)合并，表示為

(6)

對MU進行劃分時，會產(chǎn)生一系列量測-航跡對Mi1i2…iN+M(k)Xjk-1|k-1構(gòu)成的候選關(guān)聯(lián)組合。圖1給出了傳感器量測與目標(biāo)航跡構(gòu)成的不同候選關(guān)聯(lián)組合示意圖N=2,M=2，區(qū)域1(由虛線組成)和區(qū)域2(由實線組成)分別對應(yīng)著2個正確的候選關(guān)聯(lián)組合。候選關(guān)聯(lián)組合中量測與航跡相關(guān)性的衡量方法影響著數(shù)據(jù)關(guān)聯(lián)算法的關(guān)聯(lián)正確率，繼而影響著跟蹤算法的濾波精度。

對于由量測與航跡構(gòu)成的候選關(guān)聯(lián)組合，可采取多種方法來衡量其相關(guān)性。文獻[10]利用航跡一步遞推得到預(yù)測量測，繼而利用量測與預(yù)測量測之間的統(tǒng)計距離來衡量其相關(guān)性。而文獻[13]利用量測最小二乘估計出目標(biāo)的位置，然后利用其與航跡一步遞推得到的目標(biāo)預(yù)測位置之間的統(tǒng)計距離來衡量其相關(guān)性。對候選關(guān)聯(lián)組合分析可知，對來自傳感器的量測，利用最小二乘算法可以獲得目標(biāo)位置的概率密度函數(shù)，對目標(biāo)航跡進行一步遞推可得到目標(biāo)預(yù)測位置的概率密度函數(shù)，而概率密度函數(shù)之間的距離也是衡量兩者之間相關(guān)性的一個方法。KL距離在最大似然意義上是最優(yōu)的相似性測度，由其構(gòu)建的關(guān)聯(lián)代價更能精確地反映量測和偽量測之間的相似性。因此，本文采用估計目標(biāo)位置的概率密度函數(shù)和預(yù)測目標(biāo)位置概率密度函數(shù)之間的KL距離來衡量候選關(guān)聯(lián)組合中量測與航跡之間的相關(guān)性，即針對候選關(guān)聯(lián)組合(M1i1(k),M2i2(k),…,M(N+M)iN+M(k),Xjk-1|k-1)T，首先將來自N+M個傳感器的量測值M1i1(k)，M2i2(k)，…，M(N+M)iN+M(k)利用最小二乘算法估計出目標(biāo)位置的均值和協(xié)方差矩陣，然后通過濾波算法對航跡進行一步遞推，獲得k時刻目標(biāo)位置的預(yù)測值和相應(yīng)的協(xié)方差矩陣，最后利用兩個概率密度函數(shù)之間的KL距離來衡量關(guān)聯(lián)組合的相關(guān)性。

(μi-μj)-2d]

(7)

式中，d表示目標(biāo)位置的維數(shù)。

則量測源M(k)來源于目標(biāo)Xjk-1|k-1的似然函數(shù)為

(8)

式中：PDs為檢測概率；u(is)為二值函數(shù)，當(dāng)is=0時，u(is)=0，否則，u(is)=1。

為了涵蓋新目標(biāo)出現(xiàn)的情況，在已形成目標(biāo)航跡的集合中增加一個假目標(biāo)X0，則目標(biāo)的航跡表示為

(9)

因此，量測源M(k)來源于目標(biāo)Xjk-1|k-1的似然函數(shù)修正為

Λ(M(k)|Xj(k-1|k-1))=

(10)

則其對應(yīng)的代價函數(shù)為

(11)

定義二進制變量，ρi1…ijs則極小化負(fù)對數(shù)似然比形成了如下的廣義S+1維分配問題

(12)

約束條件表示為

對于由主動傳感器和僅測角被動傳感器組成的異類傳感器跟蹤系統(tǒng)而言，由于被動傳感器獲得的量測是關(guān)于目標(biāo)的角度信息，量測與目標(biāo)狀態(tài)之間的強非線性關(guān)系使得無法利用量測信息對目標(biāo)的狀態(tài)分布進行充分描述。針對此問題，本文采用基于Sigma點的H∞擬蒙特卡羅粒子濾波[14]進行多目標(biāo)的跟蹤，以此來提高跟蹤效率。利用Sigma點H∞濾波產(chǎn)生重要性函數(shù)，擬蒙特卡羅算法進行重采樣，就得到了Sigma點H∞擬蒙特卡羅粒子濾波算法(SHQPF)。由于Sigma點H∞濾波對不確定觀測噪聲具有較強的魯棒性，而且在濾波過程中考慮了最新的觀測值，所以根據(jù)該重要性函數(shù)產(chǎn)生的樣本更接近于真實的采樣樣本。本文采用并行的濾波算法來對多目標(biāo)進行跟蹤，跟蹤流程如圖2所示。

圖2 多目標(biāo)跟蹤流程圖Fig.2 Flow chart of multi-target tracking

3 仿真實驗分析

為驗證所提算法的有效性，將本節(jié)所提算法與文獻[10]、文獻[13]所提的關(guān)聯(lián)代價函數(shù)用于異類傳感器系統(tǒng)進行比較。需指出的一點是，用于數(shù)據(jù)關(guān)聯(lián)的多維分配問題是一個組合優(yōu)化問題，并且即使對于規(guī)模為3的情形都是NP-hard問題，在多項式時間內(nèi)難以獲得全局最優(yōu)，因此，本節(jié)采用離線工具包LP_SOLVE來求解多維分配算法。

3.1 仿真場景設(shè)置

X(k+1)=FX(k)+Gkwk

(13)

傳感器為靜態(tài)的，雷達(dá)的位置坐標(biāo)為(20 km，0 km，0.1 km)，兩個紅外傳感器的坐標(biāo)分別為(0 km，20 km，1 km)和(0 km，0 km，0.5 km)，設(shè)定傳感器的采樣周期為T=1 s，檢測概率PD=1。雷達(dá)的量測函數(shù)方程定義為

h1(x)=(rθβ)T+v1

(14)

紅外傳感器的量測方程定位為

hs(x)=(θsβs)T+v2s=1,2

(15)

雜波數(shù)量服從參數(shù)λ=5的泊松分布，其在以目標(biāo)觀測預(yù)測為中心的橢球區(qū)域內(nèi)服從均勻分布。實驗持續(xù)時間為120 s，蒙特卡羅實驗次數(shù)為500，粒子數(shù)為500。實驗分別考察算法在不同傳感器量測誤差情況下的關(guān)聯(lián)正確率和算法的性能。

3.2 實驗結(jié)果及分析

相對于雷達(dá)來說，紅外傳感器具有較高的測角精度，因此，設(shè)定紅外傳感器的方位角誤差標(biāo)準(zhǔn)差為σθ、俯仰角誤差標(biāo)準(zhǔn)差均為σβ，雷達(dá)的方位角誤差標(biāo)準(zhǔn)差為1.5σθ、俯仰角誤差標(biāo)準(zhǔn)差均為1.5σβ、測距誤差標(biāo)準(zhǔn)差為σγ，下面給出算法的濾波結(jié)果。

圖3 目標(biāo)運動真實軌跡圖Fig.3 The real target trajectory

圖3為3個目標(biāo)的運動軌跡圖。表1～表3給出了進行100次蒙特卡羅仿真時，3種算法在不同測角誤差σβ1,σβ2,σθ1,σθ1和不同測距誤差σγ情況下的平均關(guān)聯(lián)正確率變化情況。

表1 3種算法在不同測角誤差σβ下的關(guān)聯(lián)正確率(σγ=100 m，σθ=10 mrad)

表2 3種算法在不同測距誤差σγ下的關(guān)聯(lián)正確率 (σβ=5 mrad，σθ=10 mrad)

表3 3種算法在不同測角誤差σθ下的關(guān)聯(lián)正確率(σγ=100 m，σβ=5 mrad)

從表中可以看出，隨著量測誤差的增大，各算法的關(guān)聯(lián)正確率逐漸降低，這主要是由于量測誤差會顯著影響算法的定位精度，從而導(dǎo)致關(guān)聯(lián)代價出現(xiàn)偏差，降低關(guān)聯(lián)正確率。從3個表中可以看出，相比傳感器的測角誤差，關(guān)聯(lián)正確率受雷達(dá)測距誤差影響較大。從各算法關(guān)聯(lián)正確率的統(tǒng)計結(jié)果來看，在相同量測誤差情況下，本文算法的關(guān)聯(lián)正確率要高于文獻[10]和文獻[13]所提算法，3種算法的正確關(guān)聯(lián)率排序為：本文算法>文獻[10]算法>文獻[13]算法，其中，本文算法魯棒性最強，即使在較大的量測誤差情況下，關(guān)聯(lián)正確率仍然能保持在75%左右，其主要原因是本文算法在構(gòu)造代價函數(shù)時，考慮目標(biāo)的位置估計值以及航跡一步遞推值均是服從某種分布的隨機變量，因此，概率密度函數(shù)之間的距離更能表征量測與航跡之間的關(guān)聯(lián)度，從而可以更加貼切地表征關(guān)聯(lián)代價以改善關(guān)聯(lián)正確率；文獻[10]所給出的算法在量測誤差較小時表現(xiàn)良好，而在量測誤差較大時其性能表現(xiàn)差強人意，主要原因是利用量測與航跡的量測預(yù)測之間似然函數(shù)作為關(guān)聯(lián)代價，因此，在量測誤差較大時，受雜波影響較嚴(yán)重，尤其是在密集雜波環(huán)境下，因此，該算法更適用于量測精度較高且雜波較少的場合；相比以上2種算法，文獻[13]所給的算法無論在量測誤差大或者量測誤差小的情況下，其關(guān)聯(lián)正確率均較低，其主要原因在于其關(guān)聯(lián)代價函數(shù)不能精準(zhǔn)地反映量測與航跡之間的相關(guān)性，從而導(dǎo)致關(guān)聯(lián)正確率的降低。

圖4給出了100次蒙特卡羅仿真，3種算法在不同量測誤差σθ,σβ,σγ下的跟蹤均方根誤差。從圖中可以看出，隨著時間的推進，3種算法逐漸收斂，說明其均能夠?qū)\動目標(biāo)進行較為穩(wěn)定的跟蹤，并且隨著傳感器的量測誤差標(biāo)準(zhǔn)差的增大，跟蹤誤差有所增加，但跟蹤均方誤差均保持在較小的范圍內(nèi)。進一步分析，本文算法的濾波誤差小于其他2種算法，且量測誤差越大趨勢越明顯。這是由于濾波誤差大小與關(guān)聯(lián)正確率有直接的關(guān)系，關(guān)聯(lián)正確率越高，其濾波誤差越小，關(guān)聯(lián)正確率越低，其濾波誤差越大，因此，關(guān)聯(lián)代價函數(shù)的性能對算法的濾波結(jié)果有重要的影響。

圖4 3種算法在不同量測誤差σθ,σβ,σγ下的跟蹤均方根誤差Fig.4 The RMSE of three algorithms with different σθ,σβ and σγ

4 結(jié)論

本文對三維空間中主動傳感器與被動傳感器組成的異類傳感器多目標(biāo)跟蹤系統(tǒng)中的動態(tài)數(shù)據(jù)關(guān)聯(lián)進行了研究。動態(tài)數(shù)據(jù)關(guān)聯(lián)作為一個最優(yōu)化問題，與靜態(tài)數(shù)據(jù)關(guān)聯(lián)相比多了一維，本文運用(S+1)維的多維分配算法，連接具有共同源的量測或航跡組成關(guān)聯(lián)集合，將運用定位算法得出傳感器量測估計的目標(biāo)位置與目標(biāo)的預(yù)測位置進行關(guān)聯(lián)，得到全局最優(yōu)的關(guān)聯(lián)結(jié)果，從而更新航跡。仿真實驗驗證了算法的有效性和可行性。

[1] BARSHALOM Y,WILLIAM D B.Multitarget-multisensor tracking,applications and advances[M].Norwood MA:Artech House,2001.

[2] PEREA F,WAARD H.Greedy andk-greedy algorithms for multidimensional data association[J].IEEE Transactions on Aerospace and Electronic Systems,2011,47(3):1915-1925.

[3] 劉航，竇麗華，辛斌，等.基于改進單親遺傳算法的被動傳感器數(shù)據(jù)關(guān)聯(lián)[J].控制與決策，2008,23(4):464-468.

[4] 康莉，謝維信，黃敬雄.一種基于蟻群算法的多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)方法[J].電子學(xué)報，2008,36(3)：587-591.

[5] 蔣文濤，孫利民，呂俊偉,等.面向測向交叉定位的2級消元數(shù)據(jù)關(guān)聯(lián)算法[J].華中科技大學(xué)學(xué)報:自然科學(xué)版,2012,40(3):63-67.

[6] 葉西寧，潘泉，程詠梅，等.多維分配的剪枝法及其在無源探測跟蹤中的應(yīng)用[J].電子學(xué)報，2003,31(6):847-850.

[7] 田野，姬紅兵，歐陽成.基于距離加權(quán)最小二乘的量測數(shù)據(jù)關(guān)聯(lián)[J].系統(tǒng)工程與電子技術(shù)，2011,33(11)：2353-2358.

[8] OUYANG C,JI H B,TIAN Y.Improved relaxation algorithm for passive sensor data association[J].IET Radar, Sonar and Navigation,2012,6(4):241-250.

[9] 鹿傳國，馮新喜，孔云波，等.基于信息散度的多無源傳感器數(shù)據(jù)關(guān)聯(lián)算法[J].控制與決策，2013，28(11):1674-1678.

[10] 衣曉,何友,關(guān)欣.多目標(biāo)跟蹤的動態(tài)多維分配算法[J].電子學(xué)報，2005,33(6):1120-1123.

[11] 何友,衣曉,關(guān)欣.基于串行處理的動態(tài)多維分配算法[J].西安電子科技大學(xué)學(xué)報：自然科學(xué)版,2005,32(3):489-493.

[12] 熊偉,張晶煒,何友.基于S-D分配的多傳感器聯(lián)合概率數(shù)據(jù)互聯(lián)算法[J].清華大學(xué)學(xué)報:自然科學(xué)版,2005,45(4):452-455.

[13] 惠軍華.異類傳感器數(shù)據(jù)關(guān)聯(lián)算法研究[D].西安：空軍工程大學(xué)，2013.

[14] 孔云波，馮新喜，鹿傳國，等.基于Sigma點H∞濾波的擬蒙特卡羅粒子濾波算法[J].吉林大學(xué)學(xué)報：工學(xué)版，2014，44(6):1831-1837.

DynamicDataAssociationAlgorithmBasedonKLDistanceforHeterogeneousSensors

LYU Li-ping1, BAI Xin1, ZHANG Yu-hong2

(1.Department of Information Engineering,Shengda Economics Trade & Management College of Zhengzhou,Zhengzhou 451191,China; 2.College of Information Science and Engineering,Henan University of Technology,Zhengzhou 451000,China)

To solve the problem of dynamic data association in the multi-target tracking system of heterogeneous sensors,a dynamic data association algorithm for heterogeneous sensors is proposed based on KL distance.This method extends the static multi-dimensional assignment to dynamic tracking.The KL distance between the probability density function of the estimated position and the probability density function of the predicted position of the target track is taken as the association cost function,by merging the measurement set with the track set.Then,it is substituted into the multi-dimensional assignment model to realize the dynamic correlation between measurements and tracks.Simulation results show that the proposed cost function can reflect the association probability between measurements and tracks more accurately and can track multiple targets quickly and steadily.

data association; multi-target tracking; particle filter; KL distance

呂麗平，白鑫，張玉宏.基于KL 距離的異類傳感器動態(tài)數(shù)據(jù)關(guān)聯(lián)算法[J].電光與控制，2017，24( 11) : 43-48.LYU L P，BAI X，ZHANG Y H.Dynamic data association algorithm based on KL distance for heterogeneous sensors[J].Electronics Optics & Control，2017，24( 11) : 43-48．

2016-11-23

2016-12-05

河南省科技廳自然科學(xué)項目(152102210261)

呂麗平(1979 —),女，河南許昌人，碩士，副教授，研究方向為智能控制及計算機應(yīng)用。

TN953

A

10.3969/j.issn.1671-637X.2017.11.009