多传感器信息融合数据关联

1、第五章 数据关联数据关联是多传感器信息融合的关键技术，应用于航迹起始、集中式目标跟踪和分布式目标跟踪。主要有以下几种：a、观测与观测、或观测与点迹的关联：用于航迹起始或估计目标位置b、观测与航迹关联：用于目标状态的更新c、航迹与航迹关联：用于航迹融合，局部航迹形成全局航迹数据关联的一般过程：例：有两个实体和，三个测量、和，对测量与实体进行关联1、 建立关联门，确定关联门限：椭圆关联门2、 门限过滤：将测量过滤掉3、 确定相似性度量方法：几何向量距离4、 建立关联矩阵5、 确定关联判定准则：最近邻方法6、 形成关联对一、关联门与门限：关联门通常有两种，矩形和椭圆形椭圆门：位置：位置速度：关联门限

2、，可由两种方法获取，一是最大似然法，另一种是分布法。分布法是M个独立高斯分布随机变量平方和，它服从自由度为M的概率分布，给出漏检率，查分布表得到门限二、相似度量方法距离度量: 欧几里得距离：，向量间的几何距离加权欧氏距离：City Block: ,一阶明可夫斯基距离，也称Manhatta 距离明可夫斯基距离：，Mahalanobis距离：，加权欧氏，权等于协方差逆矩阵Bhattacharyya距离：用得最广泛的是加权欧氏距离概率度量：隶属度度量： 用隶属度作为度量标准。三、关联算法适合于点与点、点与航迹（利用滤波器的预测功能使点与航迹时间对正）、或航迹与航迹（利用滤波器的预测功能使点与时间对正

3、）。1、最近邻数据关联：将落在关联门内并且与被跟踪目标的预测位置“最邻近”的观测点作为与航迹相关联的观测。如有三批目标和三个测量，所形成的关联矩阵为按最近邻 特点：一个目标最多只与跟踪门中一个测量相关，取跟踪门中距目标最近的测量与目标相关。2、全局最近邻：使总的距离或关联代价达到最小，最优分配的问题其中为二值变量，为0表示不关联，为1表关联，用矩阵表示时，矩阵的每行每列只能有1个元素为1。例： 关联结果：矩阵表示关联矩阵关联矩阵较大时，二维分配问题可Munkre算法或Burgeois算法求解，求解具多项式复杂度,非NP问题特点：一个目标最多只与跟踪门中一个测量相关，以总关联代价（或总距离）作为

4、关联评价标准，取总关联代价或总距离最小的关联对为正确关联对。3、概率数据互联（PDA）：(概率度量)设目标运动模型及测量模型为：状态转移矩阵：过程噪声增益矩阵V: 过程噪声W：观测噪声目标状态的一步预测值预测协方差预测的观测向量为新息或量测残差为残差协方差：h的雅可比矩阵，对目标状态求导数；：观测噪声的方差矩阵。设有个测量落入跟踪门内，即有个测量满足：跟踪门门限：按概率计算个测量在状态更新时的权重因子。设：用第j个测量对滤波器更新时得到的状态估计值为目标的状态估计为其中；：目标检测概率：正确测量落入跟踪门内的概率。：跟踪门的体积，测量为二维时，测量为三维时， M:测量的维数。目标的状态估计及状

5、态估计的协方差矩阵为其中特点：考虑跟踪门中所有测量的影响，各测量由于距跟踪门中心的距离不同其影响系数不同，各影响系数之和为1，影响系数用概率求取。4、FCM数据关联(模糊隶属度度量)以模糊C均值聚类算法（FCM）为基础。在FCM中，目标函数定义为可以证明，当时，达到局部最小。数据融合中，用表示目标数目，n为所接收到的观测总数，是s维的观测向量，在每条航迹的预测值已知的情况下，可以建立分割矩阵。其中，如可用最近邻法或全局最近邻法确定测量与航迹的关联对。5、基于模糊综合判决函数的数据关联（模糊隶属度度量）(1) 模糊综合判决函数是一个映射将模糊向量映射至的函数。例如下列的都是综合函数；;；，；，(

6、2)基于模糊综合函数关联的步骤：a.建立模糊因素集（各因素间的距离）：例：判定两航迹间的相关性。设在时刻，两航迹的状态向量为和定义两航迹位置、速度和航向间的距离为或者取为加权距离b.选取一个隶属度函数，由模糊因素集建立模糊向量采用高斯型隶属度函数（也可采用其它隶属度函数，如哥西分布，三角形分布等），则元素间的相似隶属度为c.由模糊向量建立模糊综合函数，并用模糊综合函数建立相似度量矩阵。两航迹间的模糊综合函数可定义为由模糊综合函数可建立关联矩阵。再由最近邻法或全局最近邻法可给出关联结果。四、航迹起始的关联问题(不同时刻测量的关联)目标跟踪关联的一般过程：测量与已有航真迹关联？假对已有的航迹更新与旧测量关联？建立新航迹利用不同时刻的测量起始航迹：规则基的方法和Hough变换航迹起始方法主要讲规则基方法：用于起始航迹规则可描述如下：1）估计的速度大于最小