[发明专利]基于加权负一阶RD和的多目标伯努利分布式融合方法

说明书

技术领域

本发明属于雷达信号处理领域，特别涉及多目标跟踪技术以及基于负一阶加权RD和的多目标伯努利分布式融合技术。

背景技术

由于现代目标的隐身设计特性(或电磁干扰环境)，使得单节点雷达系统的单视角观测不能满足对目标有效探测的需求，促使国内外工程师和研究员采用多节点雷达组网系统来解决隐身目标探测难问题。多节点(传感器)雷达系统通过多视角观测在不同节点位置都获得目标的量测信息，为了有效的利用各传感器提供的信息对目标进行跟踪，需要设计可靠性高、计算量小、易于实现的多传感器数据融合方法。在多传感器信息融合系统中，通常采用集中式和分布式两种结构。在集中式数据融合结构中，传感器信息被直接送至数据融合中心进行处理，具有信息损失小的优点，但数据互联复杂、可靠性差、计算和通信资源要求也高。而在分布式融合结构中，每个传感器都可独立地处理其自身信息，之后将各决策结果送至数据融合中心，再进行融合，因此分布式融合方式更具有实用价值。在分布融合技术中，有两个需要克服的技术难题：多目标跟踪和分布式信息融合。

近年来，基于随机集统计理论的多目标跟踪技术得到了广泛的关注，这类方法避免传统多目标跟踪的数据关联，并且能够处理目标个数未知且时变的情况。参见文献(R.Mahler,Statistical Multisource-Multitarget Information Fusion,Norwood,MA:Artech House,2007.)。随机集理论将多目标状态建模为随机集合的形式，并且提出了最优多目标贝叶斯滤波器，然而多目标贝叶斯滤波器涉及集合积分，通常情况下难以实现。随后，在相关分布都为多目标-伯努利分布的假设下，多目标贝叶斯滤波器求出了闭合解，称之为多目标-伯努利滤波器，参见文献(B.T.Vo,B.N.Vo,N.T.Pham and D.Suter,“Joint Detection and Estimation of Multiple Objects From Image Observation,”IEEE Trans.on Signal Process.,Vol.58,No.10,pp.5129-5141,Oct.2010.)。多目标伯努利滤波器仅仅需要递归一组伯努利参数，避免了集合积分，大大减少了计算量，具有很强的实用价值。当仅含有一个伯努利分量时，多目标伯努利分布退化成了伯努利分布，伯努利滤波器仅能实现单目标跟踪。

为了解决随机集框架下的分布式融合问题，Mahler提出了基于混合指数密度函数的CI(Covariance Intersection，协方差交集)融合准则，参见文献(R.Mahler，“Optimal/robust distributed data fusion:a unified approach”，Proc.SPIE4052,Signal Processing,Sensor Fusion,and Target Recognition IX，4August，2000)。2013年，文献(M.Uney,D.E.Clark,and S.j.Julier,“Distributed Fusion of PHD Filters Via Exponential Mixture Densities”,IEEE J.Sel.Top.Signal Process.,Vol.7,No.3,pp.553-564,Jun.2013.)中指出两个伯努利分布融合后的混合指数密度仍然为伯努利分布，并给出融合后伯努利参数的解析表示式。然而，经过推导，我们发现两个多目标伯努利分布融合后的混合指数密度不服从多目标伯努利分布，因此直接利用CI融合准则实现多目标伯努利滤波器的分布式融合无法实现。

发明内容

本发明的目的是针对背景技术中的不足之处，设计一种基于加权负一阶RD(Renyi Divergence)和的多目标伯努利分布式融合方法，从而达跟踪精度高、虚警率低、鲁棒性强、可靠性高、通信代价小、抗干扰能力强的目的。

本发明的技术方案是一种基于加权负一阶RD和的多目标伯努利分布式融合方法，该方法包括：

步骤1：初始化系统参数包括：传感器监视范围，雷达分辨率△r，雷达扫描周期T，扫描总帧数K，传感器个数S；

步骤2：接收传感器扫描数据前(k＝0)，初始化传感器1～S的出生多目标伯努利参数；

步骤3：各雷达接收到第1帧扫描数据后，使用初始化的多目标伯努利参数将该帧数据通过多目标伯努利滤波器进行滤波，计算出每个传感器的后验多目标伯努利参数；

步骤4：将各传感器对第1帧数据的后验多目标伯努利参数传入融合中心；