分布式传感技术在海面多目标检测中的研究

杨悦梅，冯冬芹

(1.杭州科技职业技术学院，浙江 杭州311402;2.浙江大学，浙江 杭州311402)

0 引 言

在现代海战中，自动化指挥系统已经成为整个战争体系的中枢，而对海面多目标物的检测及跟踪对指挥系统的决策具有重要的指导意义。多传感器的数据融合技术在多目标物的跟踪、定位及检测中得到了较多应用。但是，海面环境下的检测模型背景更加复杂，目标物相比较背景成像更小，加上海面噪声信号的影响，对目标物的检测实时性和精度有所降低。

本文首先对基于分布式传感器的多目标检测算法及模型进行研究。在此基础上，针对海上复杂多变的成像环境，着重探讨多传感器的数据关联技术对目标检测跟踪精度的影响。分析2 种类型的多传感器的数据关联技术，提出一种自适应模糊检测方法，把分布式传感器采集的信息进行有效聚合，提高系统精度。最后本文对新方法进行仿真，对多传感器的采集信息特征值进行特征提取，使之能够快速匹配目标物的运动相应速度，提高了检测效率和准确性。

1 多传感器检测系统原理及模型

1.1 分布式检测系统原理

多传感器多目标检测系统，按照其信息处理层次及数据融合结构可分为分布式、集中式及混合式3 种形式。由于分布式结构在现代检测系统中应用最广泛，本文重点讨论分布式多传感检测系统，图1 为其结构图。

图1 分布式传感器检测系统结构图Fig.1 The structure diagram of distributed sensor detection and tracking system

图1 中，各自的传感器把目标检测信息传送至检测融合中心之前，先跟踪各自目标的运行轨迹并进行处理，然后处理后的信息发送至检测中心，检测中心根据分布式传感器发送的所有信息进行目标物轨迹数据修正，生成全局数据。

1.2 分布式目标检测关键问题

1)对于小目标物的跟踪

对于海面背景的小目标物检测跟踪，由于海面波浪的复杂多变以及海面光线的折射、反射及噪声等，使得单个目标物检测精度有所降低。

随着红外线技术的发展，用红外成像技术来对海面目标物进行探测、跟踪已经能够对抗海面环境下的各种气候因素及噪声干扰，进行高灵敏度的拍摄。红外线小目标检测技术是利用红外线成像原理，对成像帧时序进行运动轨迹的跟踪，来进行轨迹的能量聚集，从而消除海面噪声影响。

2)多传感器多目标检测跟踪

多传感器多目标检测跟踪是利用数理统计学、自适应反馈原理、人工智能及综合信息处理等相结合的技术，它将各自传感器上传的不同目标的轨迹检测跟踪数据进行综合及分解。一旦一个目标物的轨迹图被确定下来，则其他目标的运行轨迹状态及参数(坐标、方向)都可以被精确计算出来。

目前，多传感器多目标跟踪技术包括运动物轨迹建模、自适应轨迹模拟、数据融合、跟踪轨迹的维持等方面。而其中数据融合是关键。现有的有快速S- D算法、基于神经网络技术的反馈滤波法JPDAF 及基于统计理论的PDAF。

3)多目标物检测信息跟踪

对海面多目标的监测跟踪，可以利用多传感器对目标物进行信息分类，具体是将多传感器的采集信息通过信息中心进行各自数据属性的分类，类似于产生单一属性的传感器采集的信息属性。在实际系统中，由于无线传感网络的不稳定性、实际环境中的高频干扰及电子对抗以及复合传感器采集的所有数据之间的非线性特征，使得在信息中心进行的信息分类具有不确定性，因此如何保证在实际环境中的信息分类识别也是整个系统的研究重点。

本文重点研究关键问题2，在研究了现有数据关联技术基础上，提出一种自适应反馈及模糊理论相结合的算法，通过一定规则估计目标运动物的运动轨迹，并进行自动适配。

2 自适应模糊目标检测轨迹融合

2.1 轨迹融合原理

在分布式系统中，对多目标物进行检测跟踪时，单传感器由于其采集数据精度、位置及方位的不同可能造成对同一目标物运行轨迹的偏差，而利用多传感器在不同位置采集的数据融合可以有效的纠正偏差。

图2 给出了分布式传感器检测系统数据融合结构图，其滤波利用当前最流行的卡尔曼滤波法。为简化起见，本文重点讨论2个传感器结构，假设传感器分别用A 及B 表示，对同一目标物同时进行检测，其原理如图2所示。

图2 模糊数据融合检测原理图Fig.2 The schematic diagram of the fuzzy data fusion system

数据融合原理为:卡尔曼滤波器A 在系统中首先保证对目标物的初略、快速匹配，所以其相对于目标物的加速度方差较大;同理，卡尔曼滤波器B 在系统中也保持对目标物的相对轨迹跟踪，但是其跟踪轨迹较为精确，其相对于运动目标的方差是根据传感器A 及B的反馈信息自动进行调节，以达到更高的精确度。当目标运动物速度较快时，模糊推理算法根据特征提取输出一个接近于1的特征向量，可以推出卡尔曼滤波B的加速度方差接近于卡尔曼滤波A的加速度方差，这样2个传感器系统即可保持对目标运动物的快速高精度检测跟踪;当目标运动物速度较低时，模糊推理算法根据特征提取输出一个接近于0的特征向量，即卡尔曼滤波B的加速度方差远小于卡尔曼滤波A的加速度方差，但同时卡尔曼滤波A的加速度方差也较小，这样也能保证系统对目标运动物的快速高精度检测跟踪;最后当目标物时快时慢，则模糊推理算法根据特征提取输出0～1 之间的特征向量，则B的加速度方差进行自适应调节来保证对目标物的高精度检测跟踪。

卡尔曼滤波器A，B 有如下方程:

式中:f 为整个系统工作频率;Q0为f 及传感器数据采样周期的相关系数;λ 为模糊算法根据信息融合后的输出。

图2所示参数λ1，λ2，λ3分别为传感器A 及B在预测运动轨迹中的速度、加速度及方位与真实值之间的误差范围，表示如下:

式中:xi(k+1 | k)，(k+1 | k)(i=1，2)分别为传感器A 及B 在速度、加速度及方位的单一预测值;s1(k+1)，s2(k+1)为传感器估计值;pi，22(k+1| k)，pi，33(k+1| k)(i=1，2)则为速度及加速度预测方差值。

2.2 自适应模糊检测算法

1)自适应推理定义

本文利用自适应模糊向前推理理论，其定义如下:假设

式中:Aij，为自适应模糊数据Xj上的集合(j=1，2，…，m;i=1，2，…，n);B*为自适应模糊数据Yj上的集合(i=1，2，…，n)。

2)自适应模糊推理算法步骤

本文设计的自适应模糊推理算法如下:

①根据传感器A 及B的输入输出信息建立规则方程:

式中:ai，bi，ci，di分别为自适应过程中的更新系数，并且初始值a0，b0，c0，d0为自适应开始时随机赋予。

②自适应模糊算法输出:

③推理得到自适应模糊推理与真实值之间的误差函数:

④设定误差阀值。如果步骤3 算出的误差低于阀值，则表示自适应过程完成，此时数据融合完成，步骤1 中的规则方程可得到具体的参数值;如果误差高于阀值，则表示自适应过程没有完成，则重新进行步骤2，直至误差小于阀值。

3 算法仿真

3.1 多传感器仿真参数设置

本文算法仿真在海面上搭建2个传感器3个目标运动物的系统仿真结构。3个运动目标物的参数如下:第1个目标物初始坐标为［24 595 m，4 321 m］，初始速度为［265 m/s，132 m/s］，加速度为［-3 m/s2，6 m/s2］;第2个目标物初始坐标为［26 195 m，7 531 m］，初始速度为［312 m/s，74 m/s］，加速度为［-8 m/s2，36 m/s2］;第3个目标物初始坐标为［22 595 m，13 356 m］，初始速度为［165 m/s，-232 m/s］，加速度为［41 m/s2，16 m/s2］。传感器A 及B 估计误差为［150 m，90 m］。

3.2 仿真实验结果

图3 为真实轨迹与算法计算轨迹比较图。

图3 目标物运行轨迹图Fig.3 The target trajectory diagram

图3 中，空心五角星代表普通算法对目标轨迹跟踪估计图，实心圆圈代表自适应模糊算法对目标轨迹跟踪估计图。由图可知，利用此算法进行数据融合后对于目标物的速度、加速度以及坐标位置方差值的误差都比普通算法小很多。

4 结 语

本文首先介绍分布式传感器多目标检测跟踪系统的原理，针对海面环境的特殊性，分析检测跟踪系统中影响目标检测准确度的关键问题。其次对现有的数据融合技术进行重点研究，并在此基础上提出一种自适应模糊融合算法，给出算法步骤及说明。最后构造2个传感器3个目标运动物的系统仿真模型。仿真结果表明，此算法进行数据融合后对于目标物的速度、加速度以及坐标位置方差值误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.多传感器数据融合方法在军事信息领域的应用［J］.舰船科学技术，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］董岩，郭晓利，范异君.基于点迹距离的概率数据关联方法［J］.舰船科学技术，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.