分布式傳感技術(shù)在海面多目標檢測中的研究

楊悅梅，馮冬芹

(1.杭州科技職業(yè)技術(shù)學院，浙江 杭州311402;2.浙江大學，浙江 杭州311402)

0 引 言

在現(xiàn)代海戰(zhàn)中，自動化指揮系統(tǒng)已經(jīng)成為整個戰(zhàn)爭體系的中樞，而對海面多目標物的檢測及跟蹤對指揮系統(tǒng)的決策具有重要的指導意義。多傳感器的數(shù)據(jù)融合技術(shù)在多目標物的跟蹤、定位及檢測中得到了較多應(yīng)用。但是，海面環(huán)境下的檢測模型背景更加復雜，目標物相比較背景成像更小，加上海面噪聲信號的影響，對目標物的檢測實時性和精度有所降低。

本文首先對基于分布式傳感器的多目標檢測算法及模型進行研究。在此基礎(chǔ)上，針對海上復雜多變的成像環(huán)境，著重探討多傳感器的數(shù)據(jù)關(guān)聯(lián)技術(shù)對目標檢測跟蹤精度的影響。分析2 種類型的多傳感器的數(shù)據(jù)關(guān)聯(lián)技術(shù)，提出一種自適應(yīng)模糊檢測方法，把分布式傳感器采集的信息進行有效聚合，提高系統(tǒng)精度。最后本文對新方法進行仿真，對多傳感器的采集信息特征值進行特征提取，使之能夠快速匹配目標物的運動相應(yīng)速度，提高了檢測效率和準確性。

1 多傳感器檢測系統(tǒng)原理及模型

1.1 分布式檢測系統(tǒng)原理

多傳感器多目標檢測系統(tǒng)，按照其信息處理層次及數(shù)據(jù)融合結(jié)構(gòu)可分為分布式、集中式及混合式3 種形式。由于分布式結(jié)構(gòu)在現(xiàn)代檢測系統(tǒng)中應(yīng)用最廣泛，本文重點討論分布式多傳感檢測系統(tǒng)，圖1 為其結(jié)構(gòu)圖。

圖1 分布式傳感器檢測系統(tǒng)結(jié)構(gòu)圖Fig.1 The structure diagram of distributed sensor detection and tracking system

圖1 中，各自的傳感器把目標檢測信息傳送至檢測融合中心之前，先跟蹤各自目標的運行軌跡并進行處理，然后處理后的信息發(fā)送至檢測中心，檢測中心根據(jù)分布式傳感器發(fā)送的所有信息進行目標物軌跡數(shù)據(jù)修正，生成全局數(shù)據(jù)。

1.2 分布式目標檢測關(guān)鍵問題

1)對于小目標物的跟蹤

對于海面背景的小目標物檢測跟蹤，由于海面波浪的復雜多變以及海面光線的折射、反射及噪聲等，使得單個目標物檢測精度有所降低。

隨著紅外線技術(shù)的發(fā)展，用紅外成像技術(shù)來對海面目標物進行探測、跟蹤已經(jīng)能夠?qū)购Ｃ姝h(huán)境下的各種氣候因素及噪聲干擾，進行高靈敏度的拍攝。紅外線小目標檢測技術(shù)是利用紅外線成像原理，對成像幀時序進行運動軌跡的跟蹤，來進行軌跡的能量聚集，從而消除海面噪聲影響。

2)多傳感器多目標檢測跟蹤

多傳感器多目標檢測跟蹤是利用數(shù)理統(tǒng)計學、自適應(yīng)反饋原理、人工智能及綜合信息處理等相結(jié)合的技術(shù)，它將各自傳感器上傳的不同目標的軌跡檢測跟蹤數(shù)據(jù)進行綜合及分解。一旦一個目標物的軌跡圖被確定下來，則其他目標的運行軌跡狀態(tài)及參數(shù)(坐標、方向)都可以被精確計算出來。

目前，多傳感器多目標跟蹤技術(shù)包括運動物軌跡建模、自適應(yīng)軌跡模擬、數(shù)據(jù)融合、跟蹤軌跡的維持等方面。而其中數(shù)據(jù)融合是關(guān)鍵?，F(xiàn)有的有快速S- D算法、基于神經(jīng)網(wǎng)絡(luò)技術(shù)的反饋濾波法JPDAF 及基于統(tǒng)計理論的PDAF。

3)多目標物檢測信息跟蹤

對海面多目標的監(jiān)測跟蹤，可以利用多傳感器對目標物進行信息分類，具體是將多傳感器的采集信息通過信息中心進行各自數(shù)據(jù)屬性的分類，類似于產(chǎn)生單一屬性的傳感器采集的信息屬性。在實際系統(tǒng)中，由于無線傳感網(wǎng)絡(luò)的不穩(wěn)定性、實際環(huán)境中的高頻干擾及電子對抗以及復合傳感器采集的所有數(shù)據(jù)之間的非線性特征，使得在信息中心進行的信息分類具有不確定性，因此如何保證在實際環(huán)境中的信息分類識別也是整個系統(tǒng)的研究重點。

本文重點研究關(guān)鍵問題2，在研究了現(xiàn)有數(shù)據(jù)關(guān)聯(lián)技術(shù)基礎(chǔ)上，提出一種自適應(yīng)反饋及模糊理論相結(jié)合的算法，通過一定規(guī)則估計目標運動物的運動軌跡，并進行自動適配。

2 自適應(yīng)模糊目標檢測軌跡融合

2.1 軌跡融合原理

在分布式系統(tǒng)中，對多目標物進行檢測跟蹤時，單傳感器由于其采集數(shù)據(jù)精度、位置及方位的不同可能造成對同一目標物運行軌跡的偏差，而利用多傳感器在不同位置采集的數(shù)據(jù)融合可以有效的糾正偏差。

圖2 給出了分布式傳感器檢測系統(tǒng)數(shù)據(jù)融合結(jié)構(gòu)圖，其濾波利用當前最流行的卡爾曼濾波法。為簡化起見，本文重點討論2個傳感器結(jié)構(gòu)，假設(shè)傳感器分別用A 及B 表示，對同一目標物同時進行檢測，其原理如圖2所示。

圖2 模糊數(shù)據(jù)融合檢測原理圖Fig.2 The schematic diagram of the fuzzy data fusion system

數(shù)據(jù)融合原理為:卡爾曼濾波器A 在系統(tǒng)中首先保證對目標物的初略、快速匹配，所以其相對于目標物的加速度方差較大;同理，卡爾曼濾波器B 在系統(tǒng)中也保持對目標物的相對軌跡跟蹤，但是其跟蹤軌跡較為精確，其相對于運動目標的方差是根據(jù)傳感器A 及B的反饋信息自動進行調(diào)節(jié)，以達到更高的精確度。當目標運動物速度較快時，模糊推理算法根據(jù)特征提取輸出一個接近于1的特征向量，可以推出卡爾曼濾波B的加速度方差接近于卡爾曼濾波A的加速度方差，這樣2個傳感器系統(tǒng)即可保持對目標運動物的快速高精度檢測跟蹤;當目標運動物速度較低時，模糊推理算法根據(jù)特征提取輸出一個接近于0的特征向量，即卡爾曼濾波B的加速度方差遠小于卡爾曼濾波A的加速度方差，但同時卡爾曼濾波A的加速度方差也較小，這樣也能保證系統(tǒng)對目標運動物的快速高精度檢測跟蹤;最后當目標物時快時慢，則模糊推理算法根據(jù)特征提取輸出0～1 之間的特征向量，則B的加速度方差進行自適應(yīng)調(diào)節(jié)來保證對目標物的高精度檢測跟蹤。

卡爾曼濾波器A，B 有如下方程:

式中:f 為整個系統(tǒng)工作頻率;Q0為f 及傳感器數(shù)據(jù)采樣周期的相關(guān)系數(shù);λ 為模糊算法根據(jù)信息融合后的輸出。

圖2所示參數(shù)λ1，λ2，λ3分別為傳感器A 及B在預測運動軌跡中的速度、加速度及方位與真實值之間的誤差范圍，表示如下:

式中:xi(k+1 | k)，(k+1 | k)(i=1，2)分別為傳感器A 及B 在速度、加速度及方位的單一預測值;s1(k+1)，s2(k+1)為傳感器估計值;pi，22(k+1| k)，pi，33(k+1| k)(i=1，2)則為速度及加速度預測方差值。

2.2 自適應(yīng)模糊檢測算法

1)自適應(yīng)推理定義

本文利用自適應(yīng)模糊向前推理理論，其定義如下:假設(shè)

式中:Aij，為自適應(yīng)模糊數(shù)據(jù)Xj上的集合(j=1，2，…，m;i=1，2，…，n);B*為自適應(yīng)模糊數(shù)據(jù)Yj上的集合(i=1，2，…，n)。

2)自適應(yīng)模糊推理算法步驟

本文設(shè)計的自適應(yīng)模糊推理算法如下:

①根據(jù)傳感器A 及B的輸入輸出信息建立規(guī)則方程:

式中:ai，bi，ci，di分別為自適應(yīng)過程中的更新系數(shù)，并且初始值a0，b0，c0，d0為自適應(yīng)開始時隨機賦予。

②自適應(yīng)模糊算法輸出:

③推理得到自適應(yīng)模糊推理與真實值之間的誤差函數(shù):

④設(shè)定誤差閥值。如果步驟3 算出的誤差低于閥值，則表示自適應(yīng)過程完成，此時數(shù)據(jù)融合完成，步驟1 中的規(guī)則方程可得到具體的參數(shù)值;如果誤差高于閥值，則表示自適應(yīng)過程沒有完成，則重新進行步驟2，直至誤差小于閥值。

3 算法仿真

3.1 多傳感器仿真參數(shù)設(shè)置

本文算法仿真在海面上搭建2個傳感器3個目標運動物的系統(tǒng)仿真結(jié)構(gòu)。3個運動目標物的參數(shù)如下:第1個目標物初始坐標為［24 595 m，4 321 m］，初始速度為［265 m/s，132 m/s］，加速度為［-3 m/s2，6 m/s2］;第2個目標物初始坐標為［26 195 m，7 531 m］，初始速度為［312 m/s，74 m/s］，加速度為［-8 m/s2，36 m/s2］;第3個目標物初始坐標為［22 595 m，13 356 m］，初始速度為［165 m/s，-232 m/s］，加速度為［41 m/s2，16 m/s2］。傳感器A 及B 估計誤差為［150 m，90 m］。

3.2 仿真實驗結(jié)果

圖3 為真實軌跡與算法計算軌跡比較圖。

圖3 目標物運行軌跡圖Fig.3 The target trajectory diagram

圖3 中，空心五角星代表普通算法對目標軌跡跟蹤估計圖，實心圓圈代表自適應(yīng)模糊算法對目標軌跡跟蹤估計圖。由圖可知，利用此算法進行數(shù)據(jù)融合后對于目標物的速度、加速度以及坐標位置方差值的誤差都比普通算法小很多。

4 結(jié) 語

本文首先介紹分布式傳感器多目標檢測跟蹤系統(tǒng)的原理，針對海面環(huán)境的特殊性，分析檢測跟蹤系統(tǒng)中影響目標檢測準確度的關(guān)鍵問題。其次對現(xiàn)有的數(shù)據(jù)融合技術(shù)進行重點研究，并在此基礎(chǔ)上提出一種自適應(yīng)模糊融合算法，給出算法步驟及說明。最后構(gòu)造2個傳感器3個目標運動物的系統(tǒng)仿真模型。仿真結(jié)果表明，此算法進行數(shù)據(jù)融合后對于目標物的速度、加速度以及坐標位置方差值誤差都比普通算法小很多。

［1］HENRY L.Nonlinear clutter cancellation and detection using a memory-based predictor［J］.IEEE Trans on AES，1996，32(4).

［2］WANG D.Adaptive spatial filters for background clutter suppression and target detection［J］.Opt.Eng.，1982(21).

［3］粟栗.多傳感器數(shù)據(jù)融合方法在軍事信息領(lǐng)域的應(yīng)用［J］.艦船科學技術(shù)，2013，35(6):117-122.SU Li.The method of multi-sensors data fusion in the field of military information［J］.Ship Science and Technology，2013，35(6):117-122.

［4］董巖，郭曉利，范異君.基于點跡距離的概率數(shù)據(jù)關(guān)聯(lián)方法［J］.艦船科學技術(shù)，2011，33(8):80-83.DONG Yan，GUO Xiao-li，F(xiàn)AN Yi-jun.The probabilistic data associationmethod research based on distance of tracks［J］.Ship Science and Technology，2013，33(8):80-83.

［5］SIMGH R P，BAILY W H.Fuzzy logic application to multisensor-multitarget correlation［J］.IEEE Trans.On AES，1997，3086:129-138.