[发明专利]一种基于航迹相似性分割的航迹关联方法

说明书

本发明公开了一种基于航迹相似性分割的航迹关联方法，主要解决现有的航迹关联算法在实际工程应用中存在的先验信息难以获取、关联门限难以确定、关联时间长等问题。该方法利用深度学习技术，从关联矩阵入手，利用神经网络对多传感器航迹进行深入挖掘，融合各个传感器的所有航迹信息得到航迹矩阵，通过对航迹矩阵进行相似性分割直接得到不同航迹之间的关联关系，从而完全避免了对大量航迹进行遍历计算，减少了人工对模型和参数的反复修改和调试，大大提高了关联效率，并且适用于传感器观测过程中存在刚性或非刚性形变的区域中多个传感器之间的航迹关联，可实现实际工程应用中多传感器多目标的快速准确关联。

技术领域

本发明隶属于信息融合处理领域，涉及多源航迹的融合及其关联，适用于观测过程中存在刚性或非刚性形变的区域中多个传感器之间的航迹关联，可实现多传感器多目标的快速准确关联。

背景技术

航迹关联是指针对不同传感器获得的大量目标航迹进行关联处理，以实现同一目标来自不同传感器的航迹的正确匹配，去除冗余航迹，为后续信息融合或态势感知等任务提供技术基础。航迹关联确保一个目标仅有一条航迹，即保证航迹的唯一性，防止态势混乱，是多源信息融合的关键技术和核心环节。如果不进行航迹关联或航迹关联效果较差，那么当前区域中会产生大量冗余航迹，严重影响后续态势分析的准确性。现有的航迹关联算法可以分为传统算法和神经网络智能算法两大类，但两者都需要构建复杂的航迹相似性度量模型，通过比较多个传感器之间航迹的相似性来构建关联矩阵，完成关联任务。然而，对来自各个传感器的航迹进行遍历计算求取航迹相似性的过程势必会增加关联时间，影响算法的关联效率。当关联区域中的目标个数较少时，算法需要的关联时间不会明显增加，但当目标个数较多时，算法需要的关联时间将会呈次方趋势增加，导致复杂度较低的算法难以直接使用，复杂度较高的算法难以满足工程应用中的实时性需求。此外，传统关联算法需要研究人员在不同的目标运动模型和量测噪声假设下，通过采用模糊、证据、概率统计、概率估计等多个领域的理论成果，并结合自身的启发式考虑推导得到的，在实际应用中存在先验假设不合理、模型不适用、门限无法确定等问题，需要人工利用实测数据对所采用的模型和门限参数进行反复的修改和调试，耗费大量的时间和精力，并且调试后的最终接续效果也难以达到最优。综上，现有的模型方法尚无法直接解决实际工程中的航迹关联问题，离实际需求还存在较大差距。

为了解决以上问题，本文利用深度学习技术，从关联矩阵入手，利用神经网络对多传感器航迹进行深入挖掘，融合各个传感器的所有航迹信息构造航迹张量，通过对航迹张量进行相似性分割直接得到不同航迹之间的关联关系，从而完全避免了对大量航迹进行遍历计算，减少了人工对模型和参数的反复修改和调试，大大提高了关联效率，节省了人力物力。

发明内容

本发明所述的一种基于航迹相似性分割的航迹关联方法，具体包括以下技术措施：首先进行航迹合并并构建真实关联矩阵，将各个传感器的航迹进行归一化后进行合并处理得到航迹张量，根据关联航迹对在不同传感器中的对应位置构造真实关联矩阵。之后为了神经网络能够从航迹张量中学习到关联矩阵，设计合适的损失函数，包括三部分：相似损失、行约束损失、列约束损失。其中相似损失确保生成的关联矩阵与真实的关联矩阵尽可能相似，行、列约束损失确保不同传感器下的每一条航迹有且仅有一个关联关系，避免发生重复关联和漏关联。接着构建航迹张量相似性分割网络，网络包括航迹特征提取模块和关联映射模块，航迹特征提取模块用于从航迹张量中提取航迹特征，关联映射模块根据提取到的航迹特征将航迹张量映射为关联矩阵。比较映射产生的关联矩阵和真实关联矩阵之间的差异，采用随机梯度下降算法更新网络参数。之后利用训练数据集对航迹张量相似性分割网络模型进行训练，训练完成后保存模型参数。最后利用测试数据集对网络模型进行测试，如果关联效果满足要求，则网络模型可投入实际使用，如果关联效果不满足要求，则进行模型参数调优，重新进行网络的训练测试。

一种基于航迹相似性分割的航迹关联方法，包括以下步骤：

步骤1，将传感器A和传感器B的航迹通过归一化转化为规范、无量纲的航迹，根据来自不同传感器的航迹构建航迹张量，航迹张量中各个位置的元素与对应的归一化航迹一一对应，完成航迹合并；