（电路与系统专业论文）目标跟踪与多传感器信息融合若干问题研究[电路与系统专业优秀论文].pdf

摘要目标跟踪与多传感器信息融合，是应现代军事和民用的需求而发展起柬的一门新兴技术，其支撑理论涉及到控制论、信号处理、人工智能、数理统计等多个学科在跟踪与融合领域，至今已提出了大量的理论和方法，取得了丰硕的研究成果。随着跟踪与融合技术的广泛应用和支撑理论学科的快速发展，被跟踪对象变得日趋复杂，对跟踪算法实时性和精确性的要求也越来越高。这就要求对现有的跟踪与融合技术进行改进，同时不断提出新的理论和方法以适应新的应用。本文对多传感器配准问题、高精度高速度的目标跟踪问题、红外弱小目标的检测问题、机动目标的红， 1 - 雷达融合跟踪问题及多传感器多特征信息融合问题进行了较为深入的研究，主要成果如下：数据配准方面，在分析了现有的多传感器空间数据配准算法的特点和不足之后，提出了基于模糊c - - 均值聚类的实时数据配准算法，实现了低成本传感器配准误差的计算。最后给出了仿真结果与分析单传感器一单目标跟踪方面，提出了一种新的模糊一卡尔曼滤波器：将系统噪声矩阵映射为残差均值和残差方差的二元模糊函数，将量测噪声矩阵也映射为残差均值和残差方差的二元模糊函数，这样建立起来的模糊曲面就省略了模糊规则推理。同时，将滤波器的采样时间与目标后验误差之间的关系模糊化，使目标跟踪和预测效果得到很大的改善红外传感器图像检测方面，针对红外传感图像的弱小目标检测问题，提出了基于高阶谱分析的红外图像灰度处理方法，在单帧图像的前提下，实现了弱小目标检测。机动目标多传感器融合跟踪方面。针对机动目标的红外，雷达传感器融合跟踪问题，提出了先实现传感器数据的空时融合，再将融合后的数据送入粒子滤波器以完成跟踪的算法，对传统的粒子滤波器做出了一定程度的改进。数据关联与融合方面，针对多传感器多特征信息融合问题，提出了一种基于粗糙集和高阶谱约简的变结构模糊神经网络，通过优化模糊神经网络的结构，来优化配置多传感器资源或多特征信息资源。关键词：目标跟踪信息融合红外弱小目标粒子滤波谱约简a b s t r a c tt a r g e tt r a c k i n ga n dm u l t i s e n s o ri n f o r m a t i o nf u s i o n ，i sb e c o m i n go n eo ft h em o s ta d v a n c e da n da c t i v er e s e a r c ht o p i c sf o rt h er e q u i r e m e n to fm o d e lm i l i t a r ya f f a i r sa n dc i v i ld e v e l o p m e n t c o n t r o lt h e o r y ，s i g n a lp r o c e s s i n g 。a r t i f i c i a li n t e l l i g e n ta n ds t a t i s t i c se t c a r et h em a i nt h e o r yb a s e m e n to ft h i st e c h n o l o g y t r a c k i n ga n df u s i o nh a v eb e e ns t u d i e de x t e n s i v e l yi np a s td e c a d e s ，a n dam a s so f t h e o r i e sa n dm e t h o d sh a v eb e e na c h i e v e d a sy e t ，t h e r ea r em a n yp r o b l e m si nt h i sa r e a ，a n de s p e c i a l l yw i t ht r a c k i n ga n df u s i o nt e c h n o l o g yu s e di nv a r i o u si n d u s t r i e sa n dt h et h e o r yb a s e m e n td e v e l o p i n g ，t h eo b j e c tb e c o m i n gm o r ea n dm o r ec o m p l i c a t e d ，al o to fn e wc h a l l e n g e sl i e s i nt h er e s e a r c ho nt r a c k i n ga n df u s i o n t h i st h e s i sm a i n l yf o c u s e so ni s s u e so ft h em u l t i - s e n s o r sr e g i s t r a t i o n ，h i g hs p e e da n dh i g hp r e c i s i o nt a r g e tt r a c k i n g ，i n f r a r e ds m a l lw e a kt a r g e t sd e t e c t i o n ，i n f r a r e d r a d a rm a n e u v e r i n gt a r g e tt r a c k i n gv i as e q u e n c ef i l t e r i n g ，m u l t i s e n s o rm u l t i c h a r a c t e ri n f c l r m a t i o nf u s i o n t h em a i nc o n t e n t so ft h ed i s s e r t a t i o na r eo u t l i n e da sf o l l o w i n g ：f o rt h ei s s u eo ft h em u l t i - s e n s o r sr e g i s t r a t i o n ，an e wm u l t i s e n s o rr e g i s t r a t i o na l g o r i t h mv i af u z z yc - m e a nc l u s t e ri sp r e s e n t e da f t e ra n a l y z i n gs o m ep r e v i o u sm u l t i s e n s o rd a t ar e g i s t r a t i o n s t h ec a l c u l a t i o no nt h er e g i s t r a t i o ne r r o ro ft h el o wc o s tm u l t i s e n s o ri si m p l e m e n t e d f o rt h ei s s u eo ft h eh i g hs p e e da n dh i g hp r e c i s i o nt a r g e tt r a c k i n g ，an e wf u z z y k a l m a nf i l t e ri sp r e s e n t e d ：af u z z yb e n ds u r f a c et h a tp r e s e n t sr e l a t i o n s h i pf r o mm e a s u r e m e n te r r o rm e a na n dc o v a r i a n c et os y s t e mn o i s ea n dm e a s u r e m e n tn o i s ei sp u tf o r w a r dt oo v e r l e a pt h er e a s o n i n go ff u z z yr u l e ，a n dg e tt h er e l a t i o nb e t w e e nt h ef i l t e rs a m p l i n gt i m ea n dt a r g e te r r o rf u z z ，s ot h et r a c k i n ga n de s t i m a t i o no ft a r g e ti si m p r o v e d f o rt h ei s s u eo ft h ei n f r a r e ds m a l lw e a kt a r g e t sd e t e c t i o n ，a f t e ra n a l y z i n gt h ec h a r a c t e r i s t i c sa n ds h o r t a g eo fs o m eo l da l g o r i t h ma b o u tt h ei n f r a r e ds m a l lw e a kt a r g e t sd e t e c t i o n ，a i ma tt h es i n g l ef r a m ei m a g e ，w ef i r s tt i m ep u tf o r w a r dak i n do fn e wd e t e c t i o na l g o r i t h m - s m a l lw e a kt a r g e t sd e t e c t i o nv i ah o s a f o rt h ei s s u eo ft h em u l t i s e n s o rm a n e u v e r i n gt a r g e tt r a c k i n g ，w ep r o p o s et h a tt h em u l t i s e n s o ri n f o r m a t i o ns h o u l db es p a c e t i m ef u s e df i r s t l y , t h e nt h ef u s e dd a t ac o u l db es e n tt ot h ep a r t i c l ef i l t e r t h et r a d i t i o n a lp a r t i c l ef i l t e ri sa l s ob ei m p r o v e db yu sf o rt h ei s s u eo ft h em u l t i - s e n s o rb a s e do nh i g ho r d e rs p e c t r a lr e d u c t i o nm u l t i c h a r a c t e ri n f o r m a t i o nf u s i o n ，f o rr u l e r s ，an e ws t r u c t u r ec h a n g e df u z z yn e u r a ln e t w o r k ( s c f n n ) i sp r e s e n t e d t h er e s o u r c eo fm u i t i s e n s o r m u l t i c h a r a c t e ri so p t i m i z e db yo p t i m i z i n gt h es t r u c t u r eo ff n n k e y w o r d s ：t a r g e tt r a c k i n gi n f o r m a t i o nf u s i o ni n f r a r e dw e a kt a r g e tp a r t i c l ef i l t e r i n gs p e c t r a lr e d u c t i o n独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文巾特别加以标注和致谢中所罗列的内容以外。论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切相关责任本人签名：；兰挑关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业离校后，发表论文或使用论文工作成果时署名单位仍然为西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。( 保密的论文在解密后遵守此规定)本人签名：导师签名：缸南影衫曝均日期鲨么z 搿日期丛生名，盆。彰第一章绵论第一章绪论本章介绍了论文的研究背景和意义，综述了目标跟踪与多传感器数据融合的研究现状，详细地说明了与本文研究内容相关数学模型的国内外研究进展，最后给出了本文的研究成果和总体安排1 1 论文的研究背景促进多传感器信息融合理论发展的主要动因l ij i z j l j 之一是现代战争的迫切需要由于现代武器系统具有机动性高、隐蔽性好、电子对抗性能强等特征，用于侦察和跟踪敌方目标的预警系统必须采用雷达、红外、视频、音频等多传感检测，同时联络各个检测点的不同数据进行融合着重研究的问题包括可靠准确的目标获取、跟踪、身份识别、智能处理、后勤计划、维修计划、指挥与控制等，尤其是针对敌方巡航导弹和飞机的现代空中预警系统通常由雷达、通信、导航、指挥控制、敌我识别、数据处理和电子对抗等设备构成，具有搜索、监视、跟踪和指挥攻击等多种功能。现代战争要求提供一切获取信息的手段，包括雷达、红外摄像机、光学摄像机、通信设旌、计算机网络等，并对所获取的信息进行融合，以得到最佳可利用信息。采用信息融合技术，可达到精确目标获取、识别和跟踪目的。促进信息融合理论发展的另一个重要因素是现代民用高科技发展的需求繁忙复杂的现代城市交通和快速便捷的高速公路，以及未来将要出现的自动车辆系统( a v s ) ，均要求建立智能交通系统( a t s ) 进行智能监测和控制，同样要求对车辆运行进行交通监视和跟踪，更需要多传感器信息融合。未来自动车辆系统异类传感器包括视频传感器、激光扫描仪和雷达传感器等，融合的目的在于把目标输入到路径规划与制导系统中去。自动车辆系统的多传感信息融合，其传感器包括声音传感器、立体摄像机、彩色c c d 摄像机、背部摄像机、激光雷达、检测雷达等用于地球环境观测的遥感技术需要对不同传感手段的数据与信息进行融合，以获取更为精确的定量分析结果。卫星甯达、辐射计和光谱成像系统等多传感器可以提供舰测对象的各种信息，利用不同尺度和不同层次上的融合技术，可以获得图像级、特征级和决策级的融合结果，从曲安电r 科技人学博士论文日标跟踪与多传感器信息融合若干问题研究而达到对遥感对象史深层次的认知和洞悉现代空中侦察与预警系统要求对敌方目标进行识别以便有针对性地进行攻防；而现代身份认证系统也要求能对人或物进行识别和辨认这些都需要多传感器信息融合技术的支持。信息融合是机器人的现代支撑技术之一，它为多传感器的综合利用提供了最有效的技术手段。智能移动机器人是高级机器人，而智能移动机器人集人工智能、智能控制、信息处理、图像处理、检测与转换、信息融合等技术为一体，跨计算机、自动控制、机械、电子等多学科，成为当前机器人研究的热点之一现代工业对象往往要求迸行多传感器综合监测，包括各种仪表的分布式检测、视频监视和网络化连接，同时对各种传感信息进行融合，完成设备运行故障诊断与报警等。因特网技术的迅猛发展需要在网络安全、运行效率等方面有重大改进，同样需要对大量多传感数据进行挖掘、融合，以获得综合信息。在军事领域和现代工业科技中，目标跟踪和多传感器信息融合是密不可分的。目标跟踪的精度和实时性是多传感器信息融合的基础，信息融合技术又可以提高目标跟踪的能力所以，本文将对目标跟踪和多传感器信息融合中的一些关键性问题加以研究，并尝试提出新的算法和技术来提高跟踪和融合的水平首先，考虑到空间数据的配准是多传感器信息融合的前提，尤其是军事上多雷达目标跟踪系统对数据配准算法的需求更为强烈。没有好的数据配准算法，目标航迹关联与融合只能是空中楼阁。国内外许多与融合相关文献都对数据配准加以回避，只讨论关联和融合，就是因为多传感器数据配准的多样性和复杂性。在本文中，尝试提出一种通用的多雷达空间数据配准算法来调和配准的实时性要求与精度要求的矛盾。为信息融合打好基础。接着研究了单目标单传感器系统的跟踪问题。对运动目标进行快速而高精度的跟踪一直是理论研究的热点问题，从适用于线性系统的o 8 一y 滤波、k a l m a n 滤波到适用于非线性系统的粒子滤波，各自的跟踪性能都是在相对应的运动模型和观测环境下得到良好的效果近年来，与神经网络和模糊逻辑相结合的滤波算法层出不穷，其目的就是为了在线地调整跟踪残差以抑制滤波发散提高跟踪能力。但是由于基于神经网络的滤波算法，具学习样本完备性要求不易达到，且神经网络训练需要人量的时问，不能适应战术机动的军事情况或者是工况恶劣的工业现场：荜于校糊逻辑的滤波算法，在线调整残著时需要调用大量的逻辑规则进第一章绪论行运算，也小适用于高速跟踪的场合本文研究的高速高精度目标跟踪技术，以“十五”8 6 3 项目( 编号为：2 0 0 2 a a 3 3 l l7 0 ) 为工程背景，以受到周期性非线性扰动的高速行走管材为跟踪目标，建立运动和量测模型，提出了用模糊曲面映射来替代模糊规则运算的高速剪切算法，及时而精确地调整了跟踪残差。所提出的模糊k a l m a n 滤波算法，没有大运算量的模糊逻辑推导，可以推广到高速机动目标的跟踪中第三个所研究的问题是红外图像中的弱小目标检测。红外运动目标的检测和跟踪是现代军事常规装备上应用的技术，而红外弱小目标检测关系到敌我双方对阵时我方的及时预警能力一般情况下，总是希望在红外传感器所能感知的极限距离( 2 0 公里) 就能够检测出敌方目标，而在这个距离上，红外目标所成像只能有几个象素点大小，且红外辐射强度微弱，所以称之为红外弱小目标在战术环境下，对红外图像中的弱小目标，要求能够及时而准确的检测出来，而国内外相关的文献采用的方法不外乎两种思路：一种是对单帧图像进行图像形态变换，找出可能的弱小目标；另一种是将连续帧的序列图像进行差分比较，得到弱小目标的运动轨迹，反过来再确定单帧图像中的弱小目标前一种方法对图像的背景依赖性很大，后一种方法没有考虑到实时处理的运算量的巨大。本文研究的红外图像弱小目标检测技术，以“十五”国防预研项目( 编号为：4 1 1 0 1 0 5 0 1 0 8 ) 为工程背景，以在外场所采集到的含有弱小目标的红外图像为研究对象，提出了采用高阶谱谐波估计的单帧红外图像中弱小目标检测方法，在单帧图像中就可以确定弱小目标的区域。算法在计算上采用了四阶累计量的对角切片，保证了实时处理的速度，没有对背景的依赖性。在完成了对红外弱小目标( 也可称为点目标) 检测的基础之上，对红外，雷达机动目标跟踪问题做了研究。红外传感器对运动点目标的角量测精度远远好于雷达的角量测精度，而雷达的距离量测精度是很高的。对于战术机动的目标，常规的线性系统跟踪算法已经不能胜任，近年来异种多传感器融合跟踪的研究就将红外雷达的优势互补，以求得比同种多传感器融合跟踪更好的效果，尤其是针对非线性机动目标的跟踪情况，红外雷达融合跟踪已经有不少研究成果然而，目前所出现的融合跟踪算法，在对异种传感器进行空时数据配准时没有考虑到最测数据的统计特性会在配带后发生改变的可能性。噪声方差有可能在空时融合之后就不再是一个常数，如果在跟踪算法中依然采用常数的噪声方差，跟踪效果是人打折扣的。另外，引对非线性系统的机动目标跟踪，近年来，粒f 滤波算法得到广泛应片j ，t 口足都应用在单传感器或者是红外多传感4i ! ! f 安电r 科技人学博士论文口标跟踪与多传感器信息融合若干问题研究器系统中，没有见到红外雷达融合跟踪算法中使用粒子滤波的情况本文研究的红外，雷达机动目标融合跟踪技术，也是以“十五”国防预研项目( 编号为：4 1 1 0 1 0 5 0 1 0 8 ) 为工程背景，建立目标的非线性的运动模型和量测模型，提出对红外和雷达的量测数据先进行空时融合处理，再送入粒子滤波器中完成跟踪过程为了对有限的传感器资源和多特征信息进行科学合理地分配，得到最佳的信息融合效果，在信息融合的任一级均需进行传感器资源管理传感器管理要达到的目的就是利用有限的传感器资源，满足对多个目标进行测量要求。以得到各具体特性的最优度量值( 如检测概率、截获概率、传感器自身的发射能力、航迹精度或丢失概率等等) 传感器管理是信息融合技术发展的一个前沿课题，是与具体应用密切关联的一个重要课题在多传感器多特征信息航迹关联和信息融合的环境下，先验知识是不完备和不确定的，那么海量数据则会造成知识的冗余和互斥，出于成本和实时性的考虑，需要在利用有限的传感器资源和特征信息资源的前提下，及时而精确地得到最优的融合结果本文所研究的多传感器多特征信息关联与融合问题，就是提出了一种基于粗糙集谱约简的可变结构神经网络模型，应用于信息融合系统中，对多传感器，多特征信息资源进行优化配置。多传感器数据配准、单目标单传感器目标跟踪、红外图像中的点目标检测、红外，雷达机动目标融合跟踪的研究，是多传感器多特征信息融合研究的基础，只有在从传感器传来的数据是精确和优化的前提下，且跟踪算法也同时适用于相对应的运动模型，多传感器，多特征信息关联与融合才有意义。1 2 信息融合的研究现状在此研究领域开先河者是美国康涅狄格大学的国际著名系统科学家y b a rs h a l o m 教授。他最先于2 0 世纪7 0 年代提出了概率数据互联滤波器的概念，这就是数据融合的雏形 4 , 5 1 。随后由于美国军事研究机构发现对多个连续声纳信号进行概率数据互联滤波之后，可以较高精度检测出敌方舰艇的位置，从而推动了数据融合理论和方法的发展并研制成功多个实用的军用信息融合系统8 0 年代以来，美国相继研究开发了利用信息融合技术进行日标跟踪、月标识别、态势评估及威胁评估的各种军用系统，用于空中拦截、军事指挥等目的。这些系统后来不同程度地都发挥第一章绵论了作用，特别是在海湾战争中对导弹拦截发挥了重要作用迄今为止，此领域的各国学者认同的较为成熟的理论基础包含以下几个方面1 2 1 信息融合系统功能模型所谓信息融合模式，美国j d l p d f s 根据信息融合输出结果，在早期将信息融合分为三级：第一级一一一目标的位置估计与身份识别；第二级一态势评估；第三级威胁估计j d l p d f s 提出的上述军事多传感器信息融合分级方法为信息融合技术的研究提供了一种较为通用的框架，得到了广泛的认可和采用为了进一步使信息融合分类模型对实际研究具有指导性，在j d l p d f s 分级模型的基础上，有学者提出了信息融合的第二种分级模型【6 l 【7 1 【8 1 ，它按信息抽象的不同层次将信息融合进一步分为五级，包括了从检测到威胁判断的完整过程：第一级一一一检测级融合；第二级一一一位置级融合；第三级一目标识别级融合；第四级一态势评估；第五级一一一威胁估计在这种功能模型描述中，前三个层次的信息融合适合于任意的多传感器信息融合系统，而后两个层次主要适用于军事c3 i 系统( 指挥一控制一通信与情报系统) 中的信息融合信息融合功能模型的最新进展是j d l 提出的四级融合模型【9 】。如图1 1 所示。它是在原来的三级模型基础上又增加了“精细处理”的第4 级。需要注意的是，在图1 1 中。第4 级不完全在信息融合的领域内，而有一半是在信息融合领域范围外j d l 的四级融合模型相对于其它模型更强调了人在信息融合中的作用，这是人们在信息融合发展中认识上的升华。6l ! ! i 安电r 科技人学博士论文口标跟踪与多传感器信息融合若干问题研究图1 1 信息融合四级分类模型1 2 2 信息融合类型与系统结构目前研究的信息融合类型如下所述：1 ) 检测融合，其主要目的是利用多个传感器检测日标以判断其是否存在关键问题是如何确定融合规则和量化器映射【o 】【1 1 1 【1 2 1 i i 。并行分布式贝叶斯检测融合系统在假定各传感器量化规则给定的条件下，最优融合规则是通过优化所谓贝叶斯风险函数得到的，并证明是似然比检验。在假定各传感器观测条件独立，给定融合规则单调，且每个传感器的量化器都是二值( o ，1 ) 输出时，则最优量化器映射规则仍为似然比检验2 ) 估计融合，其主要目的是利用多传感器检测信息对目标运动轨迹进行估计 1 4 f 5 】【1 6 儿 】1 13 1 利用单个传感器的检测和估计可能难以得到比较准确的估计结果，需要多个传感器共同检测( 估计) ，并利用多个检测( 估计) 信息进行融合，以最终确定目标运动轨迹跟踪融合系统一般由如下功能结构模块构成：传感器检测、标准化、信息关联、航迹更新，以完成跟踪融合。得到融合输出结果3 ) 图像融合ing f 2 们，主要目的是由原始图像得到更多的图像信息例如由几个二维图像经融合后得到三维图像；或者利用不同信息源得到的图像，经融合后产牛新的图像图像融合是战场可视化、预警系统、医学图象处理、机器人视觉等领域非常需要的先进技术其关键问题是第一章绍论融合方法的选择等。图像融合又分为像素级融合、特征级融合及决策级融合等，使融合图像达到理想的技术要求典型的估讨融合主要有两种结构：( j ) 中心式结构，中心式估计融合系统中各传感器只获取检测信息，并把所有检测信息传送到融合中心，然后由融合中心进行统一处理，得到融合估计结果，此类系统的优点是信息损失小，但通信开销很大；( j i ) 分布式结构分布式估计融合系统中各传感器不仅获取检测信息，同时要分别进行估计，并把所有估计信息传送到融合中心，然后由融合中心得到融合估计结果，此类系统的优点是通信开销很小，但信息损失相对大。1 2 3 融合系统的融合策略、信息结构与融合算法所谓融合系统的策略是指融合中心采用静态算法或动态算法的问题。图1 2 和图i - 3 分别给出了两种不同的融合策略i ) 传感器到传感器策略其策略特征是传感器的估计利用历史信息和检测信息，而融合中心只利用瞬时信息，不利用历史信息2 ) 传感器到系统策略其策略特征是传感器可利用历史信息和检测信息，而融合中心既可利用瞬时信息，也可利用历史信息。兰瀚三二删二图i - 2 传感器到传感器的策略图1 3 传感器到系统的策略所谓融合系统的信息结构，是指因为时间标准的差异和通信延迟引起融合中心利用信息方式的不| 口了。图l ，4 和图l 一5 分别给出了同步和异步信息结构的示意图。1 ) 同步信息结构的特征是，各检测点数据采样严格同步，融合中心严格按每步获得的信息进行融合估计。西安电r 科技人学博士论文口标跟踪与多传感器情思融合若干问题研究il 曼鱼主坌11邕：! 竺，( j - 1 ) ri t+ 1 ) rt 妒i：l 曼! 丝1iid ：兰b i ：! 二：! ! 怍蛄( 一1 ) 丁t t 1 - 1 ) l ( i ，+ 2 ) f图1 - 4 同步信息结构图1 5 异步信息结构2 ) 异步信息结构的特征是，各检测点数据采样异步进行，融合中心按异步获得的信息进行融合估计。典型的线性估计融合算法有最佳线性无偏估计算法和加权最小二乘算法等。目前比较有影响的算法是基于期望最大化( e m ) 的融合估计算法，以及与之有关的非线性估计算法1 3 目标跟踪的研究现状决定跟踪性能的主要因素是目标的运动( 或称动力学) 模型和跟踪算法，事实上，目标的运动模型与跟踪算法是紧密相连、相互作用的，对实际应用来讲，如果没有相应的跟踪算法就无法评价个模型的优劣。1 3 1 目标模型多年来，许多专家学者对这一问题进行了大量的研究工作，提出了多种目标运动模型【2 1 】【2 2 l 【2 3j 【“1 。其中恒速率( c v ) 模型、恒加速( c a )模型是两种广泛应用的模型，恒转弯速率( c t ) 模型也较为常用。在理论分析中，多项式模型具有非常重要的地位，c v 、c a 等模型是该模型的特殊形式。除此之外，还有：一阶时间相关模型( s i n g e r 模型) 、二阶时间相关模型、半马尔可夫模型、n o v a l 统计模型等。这些模型对于目标的不同运动形式所表现的性能是不同的，并且各模型在运算时间上的差异也很大。在机动目标跟踪领域，机动目标的“当前”统计校型是一个在国内较为常爿j 的模型。该模型认为当目标正以某一加速度机动时，下一时刻的加速度取值是有限的，且只能在“当前”加速度的邻域内。该模型本质上是苛零均值时间相关模型，其机动加速度的“当前”概率密j 叟用修正的瑞利分布描述。均值为“当前”加速立予史测值，随机机动加速度扛时间轴上仍符合一阶时问相关过程。第一章绍论9由于目标的运动是末知的。而且有可能随时问的变化而变化，因此，用任一单一的目标运动模型都难以描述实际的目标运动状态因此，当前的跟踪方法趋向于采用多个模型来描述目标的运动，其中最著名的方法为b a r s h a l o m 等人提出了具有m a r k o v 切换系数的交互式多模型( i m m )算法 2 s l 2 “，该方法引入多个目标运动模型，并且多个模型并行工作，每个模型的状态估计按一定的概率加权来实现对机动目标的跟踪。该算法被认为是现代跟踪方法1 3 2 跟踪算法针对不同的目标运动模型，已经提出的算法有d b y 滤波，k a l m a n滤波，扩展k a l m a n 滤波，模糊k a l m a n 滤波，神经网络与k a l m a n 相结合的滤波，粒子滤波【2 7 1 和基于随机集 2 8 1 的滤波。o b y 滤波和基于k a l m a n 原理的滤波方法在运动模型和观测模型是线性和零均值高斯的情况下，对残差抑制的效果较为理想，对于非线性和非高斯的跟踪模型，粒子滤波是较好的选择，并且在被动跟踪和主动跟踪领域，各国学者已经作出了很多贡献；在多传感器多目标的非线性跟踪时，基于随机集的滤波可以一次完成航迹的起始，航迹的结束，航迹的关联，现在刚刚成为多传感器信息融合的热点。1 4 信息融合数学模型研究的新进展在目标跟踪与信息融合的研究方向上，近年来国内外学者又提出了不少新的模型和方法，下面对与本文研究内容相关的模型与算法加以介绍。分布式检测融合的新进展多传感器分布式检测融合由于具有高的可靠性、生存能力和短的决策时间而引起人们的广泛关注。并得到了广泛的研究。文献1 2 9 】将分布式检测和恒虚警处理相结合，提出了多种分布式恒虚警检测算法；当先验概率和代价函数均处于不确切已知的模糊状态时，文献m l 基于模糊数排序的t d c 、u r i 准则、最大隶属度去模糊方法和t d c 去模糊方法，在贝叶斯最小风险准则意义下建立了先验概率和代价函数均模糊时的分布式检测融合模型。快检测问题足分布式序贯检测中的又一典型问题，即检测在未知时间出现的突变。此外，分布式检测还包括通信系统中的多元假i oi ! ! 安电r 科技人学博士论文口标跟踪与多传感器信息融合若干问题研究设检验问题以及信道容量的影响j 目标跟踪方面的新进展在检测与跟踪的联合优化方面，最近的研究主要包括在三个方面，一是利用b a y e s 原理实现检测与跟踪的联合优化1 3 2 】，二是基于多假设和序贯概率比检验( s p r t ) 实现检测与跟踪的联合优化1 3 3l ，三是通过自适应选取信号检测门限以实现跟踪性能的优化 3 4 】，在目标跟踪算法的研究中，有三个显著的趋势1 3 5 1 一是交互式多模型估计。可以很好地进行机动目标跟踪；二是跟踪基准问题，它可以用于比较和评估已有的各种跟踪算法；三是作为实现多假设跟踪的最好方法的多框架分配技术主被动传感器系统数据关联研究的新进展异类传感器系统由于可以实现信息互补，成为相互独立又彼此补充的探测跟踪手段，典型的异类传感器系统是由主被动传感器组成的系统。由于被动传感器仅有角度测量，而没有距离测量，因而在主被动传感器数据关联中面临着很大的不确定性。对于异类传感器数据关联的研究，文献 3 3 1 给出了多门限关联的快速、简化算法，同时给出一种便于实时在线计算的性能评估公式，给分析和设计异类传感器信息融合系统带来了方便。非线性滤波跟踪技术的新进展处理非线性问题的两种最常用的方法是扩展k a l m a n 滤波( e k f ) 和转换测量k a l m a n 滤波方法，但在一些场合，这两种方法会产生大的偏差，甚至导致滤波器的发散。针对这种情况，文献【3 6 】在分析了转换测量k a l m a n 滤波产生均值偏差的基础上提出了去偏转换测量k a l m a n 滤波，文献 3 7 】则提出了无偏转换测量k a l m a n 滤波前者实际上是加性去偏转换测量k a l m a n 滤波，而后者实际上是乘性去偏转换测量k a l m a n 滤波去偏转换k a l m a n 滤波方法只保证了均值无偏，但对很重要的二阶矩及其高阶矩的无偏性并未保证而概率密度函数最能刻画随机交量的各种统计特性。基于m o n t ec a r l o 的粒子滤波1 3 8 1 就是试图描述目标状态向量的概率密度函数随时问的演变过程，它适用于测量和或动态方程都是非线性方程的场合，但其缺点是计算量很大在实际应用中只要能保证1 4 阶矩无偏就可以比较好地体现后验概率密度函数的特性，而在一些应用中只要保证均值和协方差无偏也可以得到比较好的性能。但计算量比粒子滤波器可大大减小，这就是产生无影变换1 3 9 的由来。它是一种准m o n t ec a r l o方法，它通过选择固定的少数几个样本，用样本均值和铅方差作为在直角华标系的测量及其协方差。无影变换k a i m a n 滤波的优点是其性能比较第一章绵论好但其计算量明显小于粒子滤波的计算量数学工具许多数学框架可以模拟不确定性，如概率论，可能性理论和d s 证据理论等可能性理论指当部分信息的不精确性能够用可能性分布来描述时，用模糊集理论的观点来处理信息融合问题。由d c m p s t e r s h a f c r 建立的证据理论可以进行不确定性推理，从而给出种解决不确定数据结合的方法概率理论，证据理论、模糊集”1 和可能性理论以及神经网络 4 1 1已成为目前应用于信息融合领域的四种主要的理论此外，租集理论、条件事件代数理论、数据挖掘技术、各种优化技术、认知模拟状态的方法f 4 2 】以及随机集理论【4 3 】等也已开始或已经用于多传感器信息融合其中，条件事件代数理论已被美国国防部列为信息融合公共基础理论研究项目，在态势评估和威胁估计领域有重要的应用前景1 5 本文的主要研究工作及内容安排本文的研究工作归纳起来，主要有五个方面：1 ) 同质多传感器的空间数据配准；2 ) 基于模糊理论的高精度高速度的目标跟踪算法；3 ) 采用高阶谱分析的红外图像的弱小目标检测；4 ) 红# 1 - 雷达的粒子滤波融合跟踪：5 ) 基于粗集谱约简变结构模糊神经网络的多传感器，多特征信息优化融合。1 ) 研究了多传感器的空间数据配准问题。提出了一种新的算法一基于聚类的数据配准：在多目标情况下，先采用模糊c 均值法对备传感器在网一时刻，投射到同一坐标下的单帧墨测数据进行聚类，得到的聚类中心作为各目标点的理想位置参数，再将由各目标点计算出的某传感器误差值进行平均得到此传感器的误差估计，然后将各帧得到的误差估计再进行平均实现传感器配准2 ) 研究了单传感器单目标跟踪问题。对传统的模糊一卡尔曼滤波算法进行改造，将系统噪声矩阵映射为残差均值和残差方差的二元模糊函数，将量测噪声矩阵也映射为残差均值和残差方差的二元模糊函数，这样建立起来的模彻曲面就省略了模糊规则推理同时，将滤波器的采样时间与目标后验误差之间的关系模糊化，使目标跟踪和预测问题得到较大的改善。3 ) 研究了红外弱小目标检测问题针对单帧图像提出了一种新的检测算法一基于高阶累积量谐波估计的弱小目标检测：将图像中的背景狄l ! ! i 安电r 科技人学博士论文日标跟踪与多传感器信息融合若干问题研究度数据看作为噪声信号，弱小目标的灰度数据看作是淹没在噪声信号中的谐波信号，对图像行和列象素的灰度数据进行荩于高阶累积量奇异值分角i f 和功率谱分析，抑制噪声，检测谐波检测分辨力取决于同时参与谱分析的行或列个数。4 ) 研究了机动目标多传感器融合跟踪问题为了解决经典跟踪算法的残差较大或发散的问题，提出了一种针对红外传感器测角精度高和雷达测距精度高的优点，对机动目标进行红外雷达融合跟踪的算法在对红外传感器和雷达的量测数据进行时间对准和同步融合分析时，依据一般假设条件：雷达采样周期大于红外传感器采样周期并且二者不存在整数倍的关系，提出了新的数据同步对准一先采用五点三次多项式对红外量测数据进行平滑，再进行三点内插以求出同步点数据；提出遵循序贯最小二乘估计的思想，推导出了平滑和内插处理之后量测数据统计特性的表达式，然后将同步融合后的数据送入重抽样粒子滤波器进行处理以预测和跟踪机动目标5 ) 研究了多传感器多特征信息数据融合问题。提出了一种基于高阶谱完成规则约简的变结构模糊神经网络的模型相同结论属性的模糊规则的条件属性值可以被认为是由若干个谐波成份组成的平稳信号，并且此信号可以采用高阶谱分析来估计其谐波成份，规则的最小约简集与谐波对应在完成了谐波估计后，神经网络结构和连接权值发生改变，神经网络的性能也得到优化，相对应的传感器组或多特征信息也得到合理的配置。本文所研究的问题涉及到同质多传感器的空问数据配准、异质多传感器的空时数据融合、单目标单传感器的跟踪、红外传感器的点目标检测、机动目标的异质多传感器融合跟踪以及多传感器多特征信息的融合。在最后一个问题中所进行的传感器特征信息的资源优化配置，是以前面几个所研究的问题得蓟正确解决为前提。如果没有精确的数据配准和空时融合算法，传感器送入信息融合中心的数据就会失去可信赖性；没有良好的检测算法，融合系统的虚警率就会很高；没有合适的跟踪算法与运动模型相匹配，滤波发散就会使融合系统无所适从。本文尝试对传感器级到融合中心级的关键问题加以研究。循序渐进地给出解决办法和相应的试验结果本文各章节安排如下：第一章介绍了论文的研究背景和意义，对本文所研究的几个问题需求背景加以霞点说明，综述了目标跟踪与多传感器数据融合的研究现状，详细地说明了与本文研究内容相天数学模型的国内外研究进展。然后给第一章绪论出了本文研究工作的主题。第二章对多传感器数据融合的基础问题一空间数据配准加以阐述和研究，为解决传统的数据配准都要有一个高精度的雷达作为参照的问题，在已知训练雷达的飞行目标数目的情况下，提出了基于模糊c 一均值聚类的实时数据配准算法，实现低成本传感器的配准误差计算。第三章针对单传感器一单目标跟踪问题，在介绍了几种传统卡尔曼滤波方法以后，分析了其优缺点，提出了一种新的模糊一卡尔曼滤波器，解决了目标模型中存在周期性扰动的跟踪问题，并将模糊逻辑推理简化成模糊值映射关系，提高实时性第四章针对红外传感图像的弱小目标检测问题，提出了基于高阶谱分析的红外图像灰度处理方法，在单帧图像的前提下，实现了弱小目标的检测第五章针对红外雷达传感器融合机动目标跟踪问题，提出先进行传感器数据空时融合再将融合后数据进入粒子滤波器完成跟踪的算法对传统粒子滤波器做了一定程度的改进。第六章针对多传感器多特征信息融合问题，提出了一种基于粗糙集的高阶谱约简下的变结构模糊神经网络，通过优化模糊神经网络的结构，来优化多传感器资源或多特征信息资源。第七章对本文所研究的问题和提出的方法做了总结，并对目标跟踪与多传感器融合的关键问题未来的发展和所面临的问题提出了自己的想法。第二章基于模糊c 一均值聚类的多传感器数据配准第二章基于模糊广均值聚类的多传感器数据配准数据配准是所有多传感嚣信息融合工作过程的第一步本章在分析了现有多传感器空间数据配准算法的特点和不足之后，提出了一种新的算法一基于聚类的数据配准：在多目标情况下，先采用模糊c 均值法对各传感器在同一时刻，投射到同一坐标下的单帧量测数据进行聚类，得到的聚类中心作为各目标点的理想位置参数。再将由各目标点计算出的某一传感器误差值进行平均得到此传感器的误差估计，然后将各帧得到的误差估计再进行平均实现传感器配准这种算法优点是实时性较强，适用范围广最后给出了仿真结果与分析2 1 引言传感器数据配准 4 4 1 4 5 】1 4 6 】【4 7 l 【4 8 1 是多传感器信息融合的一个先决条件，也是任何可实用的传感器系统的一个重要组成部分。通常，在分布式传感器结构中，在传感器级别上的跟踪数据是没有被配准的，并且，每个传感器有自己的一系列配准参数，这些参数可以是独立的( 与其他传感器不相关) ，比如测量误差，传感器位置误差，采样时间误差等。这些误差在单传感器中，所造成的配准误差是不易被觉察的，但是在对多目标检测数据进行融合的情况下，因为配准误差的存在，使得传统的航迹关联方法效率下降甚至失效，并在航迹融合时出现灾难性的结果。所以，研究出一种适用于航迹关联的高效配准误差估计算法，是非常必要的传统的多传感器配准算法如求平均值法【4 9 1 ，最小二乘法5 0 1 以及推广的最小二乘法j 都是基于统计模型的方法，这些算法都需要存贮大批的数据，而且随着数据量的增大，计算量也随着倍增；卡尔曼滤波1 5 2 l和推广的卡尔曼滤波 5 3 1 虽然解决了对数据量的要求，但仍没有脱离对系统误差来源的限制：精确极大似然法i s 4 1 尽量多地考虑了可能的误差，但是没有完全解决坐标转换中引入的误差；基于地球坐标系的配准算法p 习虽然解决了坐标转换过程中可能引入的误差，但在坐标转换后进行的误差估计仍然是基于统计模型的方法。而k a m i e l y 在2 0 0 0 年提出的神经网络法1 5 6 虽然解决了系统误差的不确定件，但对神经网络进行训练需要较1 6西安电r 科技人学博士论文口标跟踪与多传感器信息融合若干问题研究长的时问，无法满足实时性的要求。在军事实践中，往往采用一个高精度的雷达作为基准，来校正低成本雷达的配准误差，但是。由于元器件的电子漂移特性，不同的战况和时间，低成本雷达的配准误差并不表现出一个规则的统计分布，因而这也不是一个理想的配准方法所以，建立一个实时性较强，适用于低成本的雷达多传感器配准算法就显得非常重要。针对传感器偏差多变性的特点，我们提出了一种新的空间配准算法一基于模糊c 均值聚类的数据配准，可以在缺少先验知识的情况下实时进行各传感器的误差估计。在本文中讨论的数据配准问题均是基于目标先验航迹参数未知的情况，这就使得所提出的配准算法有着较广泛的适应性2 2 多传感器与多目标的空间描述设有i l 个传感器在笛卡儿坐标系( 公共的坐标系) 中分