楊悅梅，馮冬芹

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

0 引 言

在現代海戰(zhàn)中，自動化指揮系統已經成為整個戰(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的決策具有重要的指導意義。多傳感器的數據融合技術在多目標物的跟蹤、定位及檢測中得到了較多應用。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據關聯技術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據關聯技術，提出一種自適應模糊檢測方法，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速度，提高了檢測效率和準確性。

1 多傳感器檢測系統原理及模型

1.1 分布式檢測系統原理

多傳感器多目標檢測系統，按照其信息處理層次及數據融合結構可分為分布式、集中式及混合式3 種形式。由于分布式結構在現代檢測系統中應用最廣泛，本文重點討論分布式多傳感檢測系統，圖1 為其結構圖。

圖1 分布式傳感器檢測系統結構圖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，檢測中心根據分布式傳感器發(fā)送的所有信息進行目標物軌跡數據修正，生成全局數據。

1.2 分布式目標檢測關鍵問題

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。

隨著紅外線技術的發(fā)展，用紅外成像技術來對海面目標物進行探測、跟蹤已經能夠對抗海面環(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理統計學、自適應反饋原理、人工智能及綜合信息處理等相結合的技術，它將各自傳感器上傳的不同目標的軌跡檢測跟蹤數據進行綜合及分解。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(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包括運動物軌跡建模、自適應軌跡模擬、數據融合、跟蹤軌跡的維持等方面。而其中數據融合是關鍵?，F有的有快速S- D算法、基于神經網絡技術的反饋濾波法JPDAF 及基于統計理論的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據屬性的分類，類似于產生單一屬性的傳感器采集的信息屬性。在實際系統中，由于無線傳感網絡的不穩(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據之間的非線性特征，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的研究重點。

本文重點研究關鍵問題2，在研究了現有數據關聯技術基礎上，提出一種自適應反饋及模糊理論相結合的算法，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 自適應模糊目標檢測軌跡融合

2.1 軌跡融合原理

在分布式系統中，對多目標物進行檢測跟蹤時，單傳感器由于其采集數據精度、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據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數據融合結構圖，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個傳感器結構，假設傳感器分別用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 模糊數據融合檢測原理圖Fig.2 The schematic diagram of the fuzzy data fusion system

數據融合原理為:卡爾曼濾波器A 在系統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傳感器A 及B的反饋信息自動進行調節(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調節(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 為整個系統工作頻率;Q0為f 及傳感器數據采樣周期的相關系數;λ 為模糊算法根據信息融合后的輸出。

圖2所示參數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 自適應模糊檢測算法

1)自適應推理定義

本文利用自適應模糊向前推理理論，其定義如下:假設

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

2)自適應模糊推理算法步驟

本文設計的自適應模糊推理算法如下:

①根據傳感器A 及B的輸入輸出信息建立規(guī)則方程:

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

②自適應模糊算法輸出:

③推理得到自適應模糊推理與真實值之間的誤差函數:

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

3 算法仿真

3.1 多傳感器仿真參數設置

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仿真結構。3個運動目標物的參數如下: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，利用此算法進行數據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 語

本文首先介紹分布式傳感器多目標檢測跟蹤系統的原理，針對海面環(huán)境的特殊性，分析檢測跟蹤系統中影響目標檢測準確度的關鍵問題。其次對現有的數據融合技術進行重點研究，并在此基礎上提出一種自適應模糊融合算法，給出算法步驟及說明。最后構造2個傳感器3個目標運動物的系統仿真模型。仿真結果表明，此算法進行數據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.多傳感器數據融合方法在軍事信息領域的應用［J］.艦船科學技術，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據關聯方法［J］.艦船科學技術，2011，33(8):80-83.DONG Yan，GUO Xiao-li，FAN 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.