异步被动传感器系统模糊Hough变换航迹起始算法.doc

异步被动传感器系统模糊Hough变换航迹起始算法 2OO4年11月第26卷第ll期系统工程与电子技术1s Eneering and Electronics Nov20D-4v0126No111001506X (xx)111545-04异步被动传感器系统模糊Hough变换航迹起始算法刘宗香，谢维信2，杨炬2(1西安电子科技大学电子工程学院，陕西西安710071；2深圳大学信息工程学院，广东深圳518060)摘要异步被动传感嚣系统由于不能通过视线交叉确定目标位置，因此使测量关联和航迹起始变得困难。 为解决杂波、漏检和目标数情况下航迹起始问题，提出了一种用于异步被动传感嚣系统的航迹起始算法。 该算法首先建立候选目标集。 用极大似然法求出每一候选目标的初始状态估计、模糊Hough变换和模糊聚类实现航迹和目标的检测。 最后用极大似然法估计出每一批目标的初始状态。 仿真实验结果表明，提出的算法能有效实现航迹起始。 关键词数据融合；航迹起始；I-Ioue,h变换；被动传感嚣；3A FuzzyHough trmorm track initiat ion algorithm forltn asynchronouspaSSlsnsolsystem LIUZong-xiang，XIE Wei-xin，YANG Xu(JSchool ofEearonic E咖，Xi dan University，Xi011710071，China；2College of蜘册and E咖，ShendUniversity，Shend518060，China)Absh翟ctIt isimpossible for an asynchronouspsssive serkr systemto localizea targetby theintersection ofany twolines ofsight，whichmakl Eit difficultto associatern触lreI n乜andinitiatetracksTo solvetheproblem afthetrack init iationtypically encounteredin thepresence ofclutters。 missed detectionsand anunknown numberof targets，a trackinitiation algorithm foranasynchronous passivesenSOr systemis presentedwhich first buildsthe setof candidate targets using theurernentsdetermines the initial trackstate estimationof everycandidatetargetwith thenmllm Hkeli-hood method，then detectstracks andt argetsusing fuzzyHough tIB18foim and fuzzy clustering，andfinally estimatestheinitialtarget stateusing themsximllm likelihoodmethod、Simulation resultsshow thealgorithm presentedcan initiatetracks effectively、Key WOldSdatafusion；trackinitiation；Hough transform；psssive serkr1引言被动传感器系统具有抗电子侦察和干扰、抗反辐射导弹、抗隐身航空兵器、抗低空突防的能力，因此。 被动传感器系统中测量关联、目标跟踪问题已受到国内外许多学者的广泛重视，相应的研究成果也越来越多_】“。 杂波环境下，航迹的起始常采用“追溯(retrpeetive)”技术来实现。 “追溯”技术是将过去几个扫描周期的数据集中起来，通过对累积信息综合处理以确定真实的目标。 作为“追溯”技术之一的Hough变换已被用于主动传感器数据关联I2,5j。 Iou小变换进行数据关联的优点在于避免了多维分配进行数据关联时所出现的NP-hard问题(组合爆炸增长)。 文献1提出了一种应用于多被动传感器系统的Hough变换航迹起始算法，但该算法要求多被动传感器同步工作，即采样在同一时间进行。 由于采样同步进行，因此任意两传感器观测视线的交叉就能确定一个交叉点。 在该算法中，Hough变换用作评价交叉点与模板匹配程度的评价器。 在实际情况下，被动传感器很可能异步工作。 在异步工作条件下，各传感器的测量不是在时间上对准的，这时无法通过视线交叉确定目标位置，从而使航迹起始变得困难。 为解决该问题，本文提出了异步多传感器系统航迹起始算法。 该算法利用各传感器在多个扫描周期的测量建立候选目标集，采用极大似然法确定每一候选目标的初始状态估计，通过模糊Hough变换实现真实航迹的检测，采用模糊聚类检测同一航迹上的多批目标。 最后由极大似然法估计出每一批目标xx1027；修回日期2OO40510。 基金项目深圳市科技局项目基金资助课题 (xx35)作者简介刘宗香(1965一)，男，讲师，博士研究生。 主要研究方向为数据融合。 智能信号处理。 1546系统工程与电子技术xx焦的初始状态。 本算法限制条件是目标作匀速直线运动。 2候选目标初始状态估计21候选目标集设坐标位置不同的n个被动传感器对空中进行观测，传感器(i=1，2，?，n)的位置为置=(Xs，)。 传感器对空中连续观测得到n个扫描周期的测量数据，在第个扫描周期有n个测量，每个测量包含方位角卢和高低角两个量测，用t珊表示传感器获取第个扫描周期内第k个测量的时间，m(t毋)=卢(t壮)，()表示传感器岛第个扫描周期内的第k个测量，则由n个被动传感器测量所形成的测量集z可表示为Z=，l(珊)；i=1，2，?，n；=1，2，?，ni；k=1，2，?， (1)从任意两个传感器的任意两个扫描周期内各取一测量，共4个测量可构成一候选目标，由所有候选目标形成的集合为候选目标集。 22候选目标初始状态估计候选目标集中的任一候选目标可能是真实目标，也可能是虚假目标，对于任一候选目标，其初始状态可用最大似然法进行估计。 设目标的初始状态为Xo=(XO,o，Yo，o，0，zo)，在假定目标作匀速直线运动的前提下，目标的运动方程为r(t)=XO+Xo(tto)Y(t)=Yo+o(tto) (2)【(t)=ZO+；o(tto)式中to初始时间。 如果测量小(t溉)源于真实的目标，则该测量可表示为m=(锄)一JLl呲l百(too一。 一“I J=；+i=1，2，?，n；=1，2，?，ni；k=1，2，?， (3)式中Yi传感器s的测量误差矩阵，并且E(y)=0，E(vlvT)=diagai，。 和传感器；方位角和高低角测角误差标准差。 目标初始状态。 可采用极大似然法估计。 在目标初始状态为的条件下，出现测量m()的条件概率密度为p(m(ti jk)l Xo)1f1(卢()一屈(，)腿P r一二! (4)从两传感器两扫描周期内各取一个测量共4个测量构成一候选目标，假定这4个测量为m(tiI。 )、m(ti。 如)、m(t J3k3)和m(ti j4k4)，则该候选目标的联合概率密度函数(似然函数)为A=p(m(t l1)l Xo)p(m(til如2)l Xo)p,(m(ti2J3k3)l Xo)p(m(ti2j4k4)l Xo) (5)的极大似然估计为kog m0ax(1n n) (6)采用Levenberg-Marquardt算法迭代求解式 (6)，得到任一候选目标的初始状态。 3模糊Houg变换检测航迹31Hough变换Hough变换于1962年提出，广泛应用于模式识别和图像处理中各种特征的识别与提取，其实质是将特征空间的点变换成参数空间的一条正弦曲线。 这样特征空间中位于同一条直线上的所有点经rto,h变换后在参数空间形成一簇正弦曲线，并且所有的正弦曲线在参数空间中交于一点，通过对参数空间曲线交点的检测，就能实现特征空间直线段的检测。 通常，用于直线段检测的映射方程被称为标准的Hosh变换方程，该方程如式 (7)所示。 f D=XCO$0+ysin0，0180 (7)式 (7)将特征空间中的点(，Y)转换成参数空间的一条曲线(f D，0)。 对于任一个离散的0值，由式 (7)可求出对应的f D值。 如果特征空间中某些点位于同一直线上，那么在参数空间中相应的曲线就会交于某一点。 为确定这一点，可采用“投票”算法将参数空间按步长(，A0)分割成许多小的矩形方格，当曲线通过某一矩形方格时就向该方格投一票，这样交点处或其附近的矩形方格就会获得较多的票数。 给定一先验门限，找出高出门限值的矩形方格，该点就是多条曲线的交点。 32模糊II叫曲变换检测航迹由于传感器存在测量误差，即使所有候选目标中的测量都源自同一目标，由式 (6)求得的航迹初始状态估计也不完全一样。 由于每一种初始状态估计代表特征空间的一条直线，而特征空间的一条直线对应参数空间的一个峰值点，这样采用上述“投票”算法就会得到很多峰值点。 实际情况下，许多候选目标中的测量并不是都源自同一目标，这样采用上述“投票”算法得到的峰值点会更多。 因此，直接采用“投票”算法难以检测真实的航迹。 为解决真实航迹的检测问题，本文提出了如下的模糊Ilou变换。 对于任一候选目标，由式 (6)得到其初始状态，目标初始状态包含目标的起始位置及目标的运动速度。 设候选目标的总数为，第i个候选目标的航迹初始状态估计为丽硒=l b，墙，yb，6，zb，zbj，i=1，2，?， (8)第26卷第11期异步被动传感器系统模糊hough变换航迹起始算法1547对应瓤，可以在参数空间找到一个4(g，0)竺0-0一，?，【=os+茹si n。 ?由于直线段越长，直线上的点就越多，这样(，01)的“票数”也就越多，因此，(pi，)的“票数”可取为直线段的长度。 任一候选目标由4个测量组成，每一测量都有时间记录，利用4个测量的时间差及目标运动的速度，就可求出直线段的长度。 设第i个候选目标中4个时间记录的最大值为，最小值为，则交点(pi，)的“票数”为，(，)=(一)(磊)+(死)+(晶)(1O)由于测量误差及虚假航迹的存在，参数空间的3D直方图会出现很多峰值点，而在真实航迹对应的方格附近，峰值点较为集中，这样通过综合考虑各峰值点对所有方格的影响就能将真实的航迹检测出来。 为此，需对3D直方图进行模糊化处理引入模糊隶属度函数，以确定每一个峰值点(1。 i，)对各方格的影响程度。 峰值点(，0)的隶属度函数采用高斯型隶属度函数m=exp一(1Dl D)+(一01)s (11)式中s常数。 经模糊化处理后各方格单元的“票数”为b-(1D，0)=m lD，0)=f(g，0f)exp一(1Dl Df)。 +(001)s (12)实际情况下，目标的速度有一个范围，超越速度范围的航迹不应参与“投票”，为此定义二值变量啦为1，(姥)+(如)+(晶)2 (16)用表示满足式 (16)的所有方格单元形成的集合，对进行聚类，就可得到真实航迹的数目及每条真实航迹对应的方格单元。 本文采用如下方法进行聚类从集合中找出F(p，0)值最大的方格单元，该方格单元的中心即为一个类中心。 以该类中心为中心，以R为半径形成一个区域，从集合中将所有位于该区域内的方格单元剔除掉。 在剩余的方格单元中重复上述操作，找出下一个类中心，直至集合为空。 每一个类中心对应一条真实的航迹，类的总数即为航迹数。 真实的航迹可表示为(1D，)，i=1，2，?，。 其中为检测到的真实航迹数。 4目标检测条真实航迹上可能有一批目标，也可能有多批目标。 因此需要判断一条航迹上究竟有多少目标，即要进行目标检测。 同一航迹上批次不同的目标其差别主要体现在初始位置和运动速度上，因此，对构成同一航迹的候选目标按初始位置和运动速度进行聚类就能实现目标的检测。 为此，首先需要找出构成每条真实航迹的候选目标。 取门限为f，满足式 (17)的候选目标可判为构成真实航迹(，)的候选目标。 (1Di一)+ (一) (17)在目标航迹已知的情况下，只要知道初始时刻目标的方位角，就能确定目标的初始位置。 因此，本文采用对初始方位角和速度进行聚类。 设满足式 (17)的候选目标数为】，第i，个候选目标的初始状态估计为；3，3，Y“o，。 t1，杀，i1=1，2，?，1，则各候选目标所对应的初始方位角和运动速度为=aros(露3(；+ (3)1【 (3)+()i1=1，2，?，1 (18)为实现多目标检测，本文对式 (18)中的方位角和运动速度进行模糊聚类。 由于对方位角和运动速度进行聚类的方法相同，为了方便，这里用表示要进行聚类的对象，此处的为初始方位角或运动速度。 模糊聚类方法如下。 对每一个确定一模糊隶属度函数m()m(。 )=exp一(。 )s (19)确定的取值范围，以为步长将的取值范围分割成许多小区间，以各小区间的中心值为准，按式(2o)计算各小区间的2一D直方图值N11()=m(。 )=exp一(t1)s(2o)11l11取B=n姒()，归一化处理得F()=，()B=1exp(l1)s)B (21)l；1给定一先验门限f，找出2一D直方图上满足式 (22)的所有小区间F()f (22)用表示满足式 (22)的所有小区间形成的集合，对按32节的方法进行聚类，类中心的位置即为一批目标初始方位角或运动速度。 当类中心多于一个时，表明同一航迹上存在多批目标。 通过以上的聚类方法，能将同一航迹上初始1548系统工程与电子技术xx焦位置和运动速度不同的目标检测出来。 5目标初始状态估计模糊Bo,h变换将航迹检测出来，模糊聚类将同一航迹上初始位置或运动速度不同的目标检测出来。 设由第3节求得的第k批目标的航迹为(p，)，由第4节求得的该目标的初始方位角为fI，运动速度为，那么满足式 (23)的候选目标为构成该批目标的候选目标(1Dfl D孕)+(一孚)21I一f II 7、r (23)【I一I 、c2门限值。 由式 (23)得到构成第k批目标的候选目标，再由候选目标得到与该批目标相关联的所有测量。 利用与第k批目标相关联的测量由极大似然估计法就能估计出该目标的初始状态。 6仿真实验本文采用三被动传感器系统进行仿真实验，传感器s位于(O，0，0)，传感器s2位于(20km，0，0)，传感器s3位于(O，20km，0)。 设各传感器具有相同的测角精度，方位角与高低角测角精度相同，传感器测角误差的标准差为5mi nd。 本文给出了两种情况下的仿真实验结果。 情况1有两批目标，目标1的初始位置为(1340m，15000m，1000m)，运动速度为(1732ms一100ms，0)；目标2的初始位置为(1340m，5000m，1000m)，运动速度为(1732ms，100ms，0)。 三传感器的扫描周期相同，同为15s。 传感器异步工作，两传感器的测量时间相差58。 为方便，假定在同一扫描周期内，同一传感器同时获得两目标00002图1参数空间直方图的测量。 在无漏检和虚警的情况下，3个传感器各取7个扫描周期，仿真实验结果如图1一图3所示。 从图1可见，参数空间直方图上出现两个峰值点(136km，60)和(36km，120)，表明有两条航迹航迹1和航迹2。 图 2、图3为航迹1的初始方位角直方图和速度直方图。 从图 2、图3可看出，航迹1初始方位角直方图和速度直方图上都只有一个峰值点，分别为85。 和200ms，表明航迹1上只有一批目标。 极大似然法求得该目标的初始状态估计为瓤=1389m，173ms，14799m，一98ms，1009m，0ms该目标初始状态估计很接近目标1的真实初始状态。 航迹2的情况与航迹1类似，由于篇幅限制，这里从略。 情况2也有两批目标，目标1同情况1；目标2与目标1的航迹相同，运动速度相同，不同的只是初始位置，目标2的初始位置为(3072m，14000m，1000m)。 其它情况同情况1。 仿真实验结果如图4一图6所示。 图4的直方图上只有一个峰值点(136km，60)，表明只有一条航迹。 从图 5、图6可看出，初始方位角直方图上有两个峰值点85和78。 而速度直方图上只有一个峰值点199ms，表明一条航迹上有两批目标，两批目标的差别在于初始位置不同。 极大似然法求得两批目标的初始状态估计分别为瓤=1385m，173ms，14991m，一99ms，1010m，0ms=3026m，174ms，13944m，一100ms，994m，0ms二者很接近目标1和目标2的真实初始状态。 进一步实验表明，在只有两被动传感器组成的系统中，本文的算法也能实现航迹和目标的检测。 j b|图2初始方位角直方图图4参数空间直方图图5初始方位角直方图。 图3速度直方图?，图6速度直方图(下转第1591页)第26卷第l1期一种低信噪比下点目标检测新算法1591相减，去掉图像中静止的背景。 然后对新息图像进行归一化处理，用77窗口滑过整个图像，求取窗口内像素的均值与方差，将窗口内像素值与均值的差除以方差就得到归一化后的像素值。 经过预处理之后的图像序列就可以用递推速度匹配法进行处理，这里匹配级数J 7、r取4。 图5是检测过程中的处理结果图。 图5(a)是红外序列的一帧原始图像，背景中有一些恒星。 图5(b)是预处理之后的一帧图像。 图5(c)是最后得到的目标轨迹图。 (a)第3O帧陶像(b)第3O帧陶像预(c)目标轨迹处理后的结果图5检测过程中的处理结果7结束语为了解决低信噪比下点目标的快速检测问题，本文提出了递推速度匹配法。 同已有的检测算法相比，新算法的运算复杂度、存储量和目标确认时间等综合性能有着明显的改善。 文中对新算法进行了详细的性能分析，并通过与DP算法的对比，发现信噪比越低，新算法对检测性能的改善越明显，而且新算法的匹配级数J 7、r越大，性能越好。 将新算法用于实际图像序列之前，需要去除背景杂波并进行归一化。 本文通过对红外序列进行实验，成功地实现了目标的检测，证明了新算法的有效性。 参考文献1Mohanty NCComputer tmch1g ofm oS point largetsin spaceJIEEE Transon PatterAnalysis andMachine Intelligence，1981，3 (5)6066l12Reed I，Gagliardi R，Shao RMApplication of threedimensional f ilteringtom ovin gt arget detectionJIEEE TransOll Aerospace a nd Ele ctronic Systems，1983，19 (6)8989053Reed I，Gagliardi R，Stotts LOpt iIl1g targetdetect iontl13-D matchedfilteringJIEEE Transon Aerospaceand E lectronic Systems，1985，24 (4)3273354Reed I，gagliardi R，Stotts LA reeursive movlng-targeti ndication algorithmforoptical_m】agequeneesJIEEE Transo nAerospacea ndEle ctronic Systems，1990，26 (3)4344395Blostei n Steven D，Huang ThomasSDete ctingsmall movingobjeels ini magesequences usingsequential hypothesiste stingJIETranso nSis,Proin g，1991，39 (7)161116296Ble steinStevenD，Richardson HaydnSA sequentialdetet ion approach totarget tm出IlgJ JmEE Transon AerospaceandEle ctro nicSystems，1994，36 (1)1972127YahBarnivDynamic programmingsolution f or dete cting mimI ly1g targetsJIEEETransonAerospacea ndEle ctronicSystems，1985。 21 (1)1441568YahBamiv，Of ferKeLlaDynamic programmingsolut io nfor detectingdim dovlng targets-part1IanalysisJIEEE Tr“on Aerospacea ndE1e ctronic Systerns，l987，23 (6)77678719J TonissenS M，Evans RJPer formanceof dynamicprogramming technique sf ortrackbeforede tectlJIETranson Aerospacea ndElectronicSystems，1996。 32 (4)14401450(上接第1548页)7结束语本文提出了一种用于异步多被动传感器系统的航迹起始算法。 该算法利用多个扫描周期的测量建立候选目标集，用极大似然法估计每一候选目标的航迹初始状态，用模糊Housh变换检测航迹，模糊聚类检测目标，最后由极大似然法估计出每批目标的初始状态。 仿真实验表明，本文的算法既能有效地检测出目标的航迹，又能有效地检测出同一航迹上的多批目标，并能给出每批目标的初始状态估计。 本文算法的特点是应用范围广，既能用于异步多被动传感器系统，又能用于同步多被动传感器系统；既能用于被动传感器系统的航迹起始，又能用于测量数据的关联。 参考文献L1Mexiev KM，Bojilov LVA houghtlRnsfolmtrackinit iationgomhm formult iplepassive rsAProcof the Internat ionalCo nfon Multis ource-Mu ltisensor InformationFusio