基于MSC-UHT的被动多传感器多目标航迹起始技术

1、基于MSC-UHT勺被动多传感器多目标航迹起始技术摘要：针对传统基于hough变换的航迹起始方法存在的计算量大及门限和参数选取困难，进而导致算法性能不稳定的问题，提出了一种非量化hough变换的被动多传感器航迹起始算法，将数据空间中的备选小航迹转换成参数空间中的一个点，巧妙地避开了hough变换量化累积峰俏捉奴的变换流阳进采川meanshift聚类方法实现在参数空间中对目标个数的判断和测量的关联。仿真实验表明了该算法的有效性和优越性，具有较高的实际应用价值。关键词：角度测量；航迹起始；hough变换；均值漂移引言航迹起始技术指的是对目标未进入稳定跟踪之前对目标航迹的确定过程，是实现多传感器多目

2、标跟踪的前提，航迹起始包括目标个数的确定、目标初始状态估计和测量数据关联三个任务。由于实际情况中往往存在大量的杂波，且目标的运动状态十分多样化，因此如何快速有效的进行航迹起始是跟踪领域一个关键问题，而对于被动传感器只能获得关于目标角度测量的情况下，在密集杂波环境中如何实现有效高精度的航迹起始更是一个难点。传统的航迹起始方法为直观法、启发式规则法、逻辑法、修正逻辑法、序列概率比检验法、极大似然法等，这些方法大多采用序贯处理技术进行动态的航迹起始，原理简单实现容易，然而在强杂波环境下，虚假目标较多，正确起始概率较小。1979年，dbreid提出了多假设航迹论文发表专家一m国学朮发叢网www,qik

3、anwa起始法(multihypothesistracker,mht)1,该方法首先计算每个假设航迹的后验概率，通过删除概率小的假设航迹和合并近似的假设航迹解决了密集杂波、低检测概率情况下的多目标航迹起始问题，该算法的确定是太过依赖于先验信息，而这在实际情况中往往不可知的。1980年，smith和winter首次将hough变换引入多目标航迹起始中2,在不需要目标先验信息的条件下，针对密集杂波、低信噪比和弱可观测情况均能达到较高的稳定性和较好的精度，然而作为一个批处理方法，hough变换具有计算量大、需要储存空间多的缺点，很大程度上限制了其在实际工程中的应用。之后许多学者在如何减少hough计

4、算量和储存空间上做了大量研究，提出了许多改进算法，如：修正hough变换(modifiedhoughtransform,mht)、序列hough变换(sequeneehoughtransform,sht)、分区hough变换(partitionhoughtransform,pht)、随机hough变换(randomhoughtransform,rht):35等、在一定程度上提高了hough变换的实时性，但是这些算法大多为雷达主动探测目标情况下的航迹起始，且在量化间隔、累积方式和峰值提取算法选择这三个方面存在难以解决的关键问题6。针对量化间隔和累积方式选取困难的问题，文献7提出了一种模糊houg

5、h变换的航迹起始方法，该方法首先利用极大似然法确定建立的候选目标集的初始状态，继而采用模糊hough变换和模糊聚类实现目标航迹的检测，实现了杂波、漏检和目标个数论文发表专家一Lm学朮发叢同未知情况下的多目标航迹起始问题，具有较好的航迹起始精度，但是由于在进行hough变换累积时相应的累积权值由候选目标航迹长短决定，导致了起始结果中含有较多的虚假目标，即错误起始概率较高。针对峰值提取困难问题，文献89提出meanshift聚类hough变换航迹起始算法，先用低阈值进行航迹初选，继而对初选航迹进行多尺度聚类，并采用meanshift求取聚类中心，有效地解决了航迹簇拥情况下的多目标航迹起始问题，但是

6、依然存在着计算量大的问题。综上可以看出，现有航迹起始方法均未能完全摆脱hough变换量化黒积l怪値捉战的某本框架，存在右实时性和精度难以兼顾的问题。本文基于hough变换的基本思想，提出了一种非量化hough变换方法(unquantifiablehoughtransform,uht),并将其应用于被动传感器航迹起始中。算法首先测向交叉和逻辑规则判断产生候选小航迹，并基于uht将其转换为参数空间中的对应点，之后通过meanshift聚类算法810求取类中心，最后通过聚类数目的生存周期以及位置的漂移速度自适应地确定航迹数目和航迹参数。仿真实验结果表明了本文算法的有效性和优越性。1标准hough变换

7、及其存在问题hough变换的基本思想是数据空间中一条直线上的所有点映射到参数空间中的曲线相交于一个点，该点的坐标则确定了数据空间中直线的参数。通过在参数空间中进行局部峰值检测即可实现对数据匸交发表专家一LB国学朮发叢网空间中直线参数的确定。通常采用“投票”的方法实现数据空间和参数空间之间的映射，最常用的映射方程可表示如下：P二XCOS0+ysin0,00为点xi的权重；令mh=ni=1gh(xix)w(xi)xi/刀ni=1gh(xix)w(xi)，则式(2)可表示为：m(x)二mh-x(3)式为均值漂移向量，表示概率密度梯度方向，即概率密度下降最快的方向。2.2mscuht航迹起始方法为了避

8、免hough变换存在的上述问题，本文提出了一种非量化的hough变换方法，该方法的基本思想是利用多传感器获得的角度测量信息，选取相邻两个时刻分别来自两个传感器的4个不同测量进行交叉定位从而得到候选小航迹，进而针对每条小航迹的起点和终点分别利用式(1)进行变换，即可确定为参数空间中的一个点。继而利用meanshift聚类算法进行目标检测，同时实现对空间中目标个数和目标状态的估计。假设有m个平台同时对多个目标进行跟踪，平台的测量集为B匸交发表专家一LB国学朮发叢网mi,tm=1,2,m;t=1,2,n;i=1,2,nt，其中nmt为t时刻平台m获得的总量测个数，n为航迹起始的累积时间长度，则算法的

9、具体步骤如下：(1) 选取t和t-1时刻来自传感器ml和m2的任意4个量测(pm1i,t,pm2j,t)和(pm1k,t1,pm2l,t1)分别进行交叉定位，即可得s条以两个定位点为端点的线段一一候选小航迹Is=(x1s,y1s),(x2s,y2s)，其中(x1s,y1s),(x2s,y2s)分别表示航迹的两端点坐标，s=1,2,s。(2) 对每条小航迹的端点利用式(1)进行hough变换可得：p=x1scos0+y1ssin0p=x2scos0+y2ssin0(4)联立可解得参数空间中的对应点坐标(ps,0s)。(3) 在参数空间中对所有候选点(ps,0s),s=1,2,s通过meanshi

10、ft聚类9进行目标个数判别及测量关联，对最终得到的聚类中心利用hough反变换公式求得目标状态。3仿真实验与结果分析为验证本文算法的有效性和优越性，首先以正确起始概率、错误起始概率及航迹起始时间建立了航迹起始性能评价指标；其次，将本文算法与文献9所述航迹起始方法进行比较。3.1航迹起始性能评价指标假设真实目标航迹个数为n,montecarlos仿真次数为m则航匸交发表专家一LB国学朮发叢网www,qikanwang.nEt迹起始性能的各个评价指标定义如下：正确起始概率：pr=刀mm=Cnn=1imnnKn(5)式中imn为第m次仿真中第n条目标航迹是否正确起始的判别变量，如果正确起始，则imn

11、=1,否则imn=O。错误起始概率：pw=Emm=1nm刀nn=1imnmn(6)式中nm为第m次montecarlos仿真中起始航迹的总条数。算法运行时间：单次montecarlos仿真实验平均运行时间。3.2实验结果系统仿真参数为：目标个数4,目标做匀速运动，各目标初始状态如表1所示，米样间隔1s，目标检测概率0.9，两传感器位置分别为(0m,0m),(8000m,0m)，测量噪声均为1,每个采用时刻传感器获得的杂波个数服从入=20的泊松分布，每个杂波在-nn内均匀分布。航迹起始长度为10s。表1四个目标的初始状态目标x0/my0/mvx0/(m/s)vy0/(m/s)1200034008

12、06021000200090-30312001500100704200030008060利用上述仿真场景，单次仿真产生两传感器的量测态势图如图1、图2所示。图1单次仿真传感器1原始量测态势图2单次仿真传感器2原始量测态势利用本文算法进行航迹起始，单次仿真结果如图3图5所tnii学朮友叢网论文发表专家一l图3单次仿真传感器1量测关联情况图4单次仿真传感器2量测关联情况图5单次仿真全局航迹起始结果通过上述结果可以看出，采用本文算法能在杂波密集的情况下，实现对被动多传感器多目标航迹起始，正确实现各传感器量测之间的关联及对目标的状态的较为准确的估计。为了进一步说明本文算法的性能，进行100次monte

13、carlos仿真，并采用本文提出的航迹起始性能评价指标将本文算法与文献9所述航迹起始方法进行比较，结果如下：表2100次montecarlos仿真结果评价指标本文算法文献9算法正确起始概率pr0.960.91错误起始概率pw0.120.33算法运行时间/sO.856.42由上述结果可以看出，与文献9算法相比，本文算法具有较高的正确起始概率和较低的错误起始概率，且算法运行时间远小于文献9算法。这是因为该算法不同于文献9采用经典hough变换，通过求解式(4)，将数据空间中的小航迹变换到参数空间中的点，避免了hough变换的投票累积方式带来的计算量增加和精度上的降低。4结语本文针对传统基于houg

14、h变换的航迹起始方法存在的计算量大及门限和参数选取困难进而导致算法性能不稳定的问题，提出了一种非量化的hough变换，将数据空间中的备选小航迹转换成参数空间论文发表专奄、.B国学朮发叢网www.qikan训angn吕t中的一个点，巧妙地避开了hough变换量化賢换流程，进而采用meanshift聚类方法实现在参数空间中对目标个数的判断和测量的关联。仿真实验表明，本文算法具有较高的正确起始概率和较低的错误起始概率，并且与采用传统hough变换的方法相比，算法实时性有很大的提高。参考文献1reiddb.analgorithmfortrackingmultipletargetsj.ieeetrans

15、,onac,1979,24(6):843854.2 smithme,winterem.featurespacetransformformultitargetdeteetioncieeeconferenceondeeisionandcontrol.albuquerquenm:ieee,1980:835836.3 illingworthj,putervision,graphics,andimageprocessing,1988,44(1):87116.4 illingworthj,kittlerj.adaptivehoughtransformj.ieeetrans.onpami,1987,9(5):690698.5 xul,ojae,kultanenp.ane