一種新的地面目標多特征關聯方法

周新宇， 楊風暴， 吉琳娜

0 引言

地面目標關聯是地面目標融合的一個核心，也是最困難的一個部分。關聯是為傳感器當前觀測在已有的目標之間進行分配：①已知目標延續點；②新目標；③虛警。目前的關聯方法多是基于空中目標的，少有針對地面目標的。地面目標具有獨特的運動特點[1]，地面目標密度大，不易于區分目標；地面目標機動性強，很難利用單一模型準確地描述目標運動；目標行駛到道路交叉口時，不易判斷目標是否發生轉彎機動；地面目標易被遮攔很難獲得連續觀測。上述特點均為關聯帶來困難，地面目標特殊的運動特性和復雜的環境背景，使得關聯問題并未得到很好的解決。

地面目標密度較大、目標相關波門交叉較多，最近鄰數據關聯（NNDA，Joint Probability Data Association）抗干擾能力差、易產生關聯錯誤[2]，概率數據關聯（PDA，Probability Data Association）也僅適用于稀疏環境下的目標關聯；而Bayes方法需知道先驗概率，地面環境復雜性決定了分布類型與先驗概率較難得到。聯合概率數據關聯（JPDA，Nearest Neighbor Data Association）在雜波環境中，雖然關聯效果較好，但處理密集目標時，關聯計算量隨目標個數增加呈指數型增長，實時性較差[3-4]。因此，使用傳統方法對地面目標進行關聯，不能取得很好的效果。

灰色關聯法根據序列曲線幾何形狀的相似程度來判斷因素間的關聯程度[5-6]，不需要任何先驗假設。傳統的灰色關聯法只把狀態信息作為指標進行關聯判斷，事實上，傳感器不只獲得狀態信息，還可獲得有關屬性特征的目標信息，忽略了屬性信息導致關聯信息量不足，關聯錯誤率較高；而對各指標進行平均賦權，并不能反映各指標在關聯中的客觀權重。

1 目標特征指標的確定

傳感器觀測的地面目標信息分為2類：①狀態信息，表征目標的運動情況，由位置、速度、方向、加速度組成；②屬性信息，表征目標的身份特性。

位置信息是最為重要的狀態信息。首先利用位置對目標進行粗關聯，把一些不可能目標濾掉，設定一個較大的門限記為ε：

其中vmax為目標的最大運動速度，Δt為當前觀測與已有目標的獲取時間的差值，只有落入門限內的目標才有可能與當前觀測關聯。

速度表征目標運動的快慢；加速度表征目標的機動特性，由于地形的復雜性和地面目標的強機動性，因此加速度變化較為顯著；受制于地面戰場的地形，目標方向變化較為顯著，而方向一定程度上決定了目標的運動，選取當前觀測與已有目標在關聯時刻的方向角之差的余弦值作為關聯指標。上述4個特征均可作為狀態指標用于關聯。

屬性信息為目標類型、敵我屬性、威脅等級等，表征目標自身特性。目標類型表征目標的所屬種類，目標的類型多種多樣，敵我屬性表征目標的戰場歸屬，威脅等級表征目標在戰場的殺傷能力。屬性信息的觀測值通常為枚舉值，而枚舉值不便于直接比較，因此應用多級模糊綜合評判法[7]，將其映射為區間 [0,1]上的值。

上述幾個指標物理意義清晰，計算簡單，且能夠較好地抽象了目標的主要特征。

2 灰色關聯模型建立

設目標庫中粗關聯成功的目標有m個，記為，各目標有n個特征指標，xij(j=1,2,…,n)為第i個目標中第j個指標。各指標物理意義不同，不便于比較，首先要進行無量綱化的數據處理，公式如下：

其中 maxxj、m inxj分別表示m個粗關聯目標中第j個指標的最大值和最小值[8]。

傳統的平均賦權法不能真正體現指標間的差異，采用最大離差法確定指標的相對離散度權，若評價方案在指標j下的測量值差異越小, 則該指標在各方案的關聯排序過程中起的作用越小，反之作用越大[9]。

δj(w)表示第j個指標下, 所有目標的總離差：

特征指標的權重應使所有指標的總離差取得最大值,求得各權值并進行歸一化處理，得離散度權：

灰色關聯度r(x0,xi)是參考序列x0與比較序列xi之間幾何距離的一種度量。

按照灰色系統分辨原理，對關聯度排序，若：

則判斷認為當前觀測x0與目標xk關聯。

3 實例仿真

為驗證算法的有效性，對建立的模型進行仿真分析，利用劇情模擬器對地面戰場進行模擬，產生450個目標，將速度、加速度、方向測量值，目標類型、敵我屬性、威脅等級作為灰色關聯的指標，分別表示為θ1,θ2,θ3,θ4,θ5,θ6。

隨機選取其中一批目標進行分析，傳感器當前觀測x0，與其粗關聯的目標有4個，表示為X=(x1,x2,x3,x4)，指標值如表1示。

表1 當前觀測與粗關聯目標指標值

由關聯計算得各目標的灰色關聯度，如表2示。

表2 各目標的灰色關聯度

將灰色關聯度看作是對目標的關聯支持度，為了說明屬性信息對關聯的支持，分別對表示狀態信息3個狀態指標與上述6個指標的關聯度進行比較，如表3示。

若不考慮屬性信息，雖然3個狀態信息指標灰色關聯的結果是x1，與標定的關聯結果不一致。

表3 不同指標的灰色關聯比較

將最大離散度權與平均賦權法求得的灰色關聯度進行比較，如表4示。

表4 兩種不同賦權法的關聯比較

由表4可知，雖然平均賦權法最終的關聯目標為x4，但各目標灰色關聯度比較接近，給關聯決策造成不便。最大離散度權合理地評價各指標的重要性，有效地改善關聯區分程度，提高了關聯效率。

4 結語

新的多特征目標關聯算法不需要知道目標的分布類型和先驗概率，算法簡單，運算量較小，能夠滿足實時關聯的要求；加入屬性信息，可明顯改善關聯效果；最大離差法大大改進了目標關聯的區分程度，使關聯判斷更快捷、有效。此外，目標的其它屬性信息，只要能表征目標的屬性特征，均可作為灰色關聯指標來改善目標關聯效果。

[1]楊潔,陳煒.基于一維距離像的地面運動目標特征輔助跟蹤算法[C].北京:航空航天大學出版社,2008:125-127.

[2]何友,王國宏,關欣.信息融合理論及應用[M].第1版.北京:電子工業出版社,2010: 194-202.

[3]齊偉,楊風暴,周新宇.一種多傳感器數據融合系統融合方案研究[J].通信計術, 2010,43(10): 84-86.

[4]黎蔚,楊凱鵬,陳家新,等.一種基于特征自動選取的跟蹤算法[J].通信技術, 2010,43(03):128-130.

[5]GUAN Xin,HE You,YI Xiao.Gray Track-to-track Correlation Algorithm for Distributed Multitarget Tracking System[J].Singal Processing,2006,86(01):3448-3455.

[6]劉思峰,謝乃明.灰色系統理論及應用[M].第1版.北京:科學出版社,2010:93-110.

[7]陳水利,李敬功,王向公.模糊集理論及其應用[M].北京:科學出版社,2005:189-207.

[8]王凱琢,付元昌,江凌生,等.基于改進灰色理論的威脅指標權重技術[J].計算機工程, 2009, 35(14): 151-153.

[9]張慧穎.基于灰靶決策的多指標評判法及其在公路網評價中的應用[J].數學的實踐與認識, 2008,38(10):31-38.