(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211282410.0 (22)申请日 2022.10.19 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 刘明骞　高志阳　张俊林　李进　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 贺建斌 (51)Int.Cl. G01S 13/72(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 多目标大 数据关联融合跟踪方法及系统 (57)摘要 本发明公开了一种多目标大数据关联融合 跟踪方法及系统， 属于多雷达多目标跟踪技术领 域， 首先利用基于卷积神经网络的数据融合模型 对经过时空对准 以及点迹匹配的多雷达观测数 据进行处理， 得到多雷达多目标融合点迹数据； 然后对多雷达多目标融合点迹数据进行计算， 分 别提取时序特征和空间特征； 并通过利用雷达量 测和目标预测的时序特征和空间特征之间的差 异设计二维差异矩阵； 最后采用基于卷积长短时 记忆网络的数据关联方法依次得到每个目标的 关联概率， 并利用目标的关联概率计算目标的状 态估计； 本发 明可有效实现在杂波和多目标环境 下的目标跟踪。 权利要求书4页 说明书9页 附图2页 CN 115508824 A 2022.12.23 CN 115508824 A 1.一种多目标 大数据关联融合跟踪方法， 其特 征在于， 包括以下步骤： 步骤一， 利用基于卷积神经网络的数据融合模型对经过时空对准以及点迹匹配的多雷 达观测数据{Z1,Z2,…,ZT}进行处理， 得到k时刻多雷达多目标融合点迹数据Y(k)＝{(xf1, yf1),(xf2,yf2),…,(xfT,yfT)}， 其中， xfi,yfi分别表示雷达i对f目标融合 点迹； 步骤二， 对所得到的多雷达多目标融合点迹数据进行计算， 分别提取时序特征{vi,ai,h θi}和空间特征{di,dθi,ci}， 其中， vi为速度特征， ai为加速度特征， hθi为航向角特征， di为距 离特征， dθi为偏航角特 征， ci为曲率特 征； 步骤三， 通过利用雷达量测和目标预测的时序特征和空间特征之间的差异{Δvi,Δai, Δhθi}和{Δdi,Δdθi,Δci}设计二维差异矩阵， 其中， Δvi为速度特征差异， Δai为加速度 特征差异， Δhθi为航向角特征差异， Δdi为距离特征差异， Δdθi为偏航角特征差异， Δci为 曲率特征差异； 步骤四， 采用基于卷积长短时记忆网络的数据关联方法依次得到每个目标的关联概率 βit， 并利用目标的关联概率计算目标的状态估计 其中， 表示对目标t的 状态估计。 2.根据权利要求1所述的方法， 其特 征在于， 所述的步骤一具体为： 基于卷积神经网络的数据融合模型的输入是在k 时刻经过时空对准以及点迹匹配的聚 类点迹记为{Z1,Z2,…,ZT}， 且第i类Zi有N个点迹数据， 记为： {(x1,y1),(x2,y2),…,(xN, yN)}， 其中， xi,yi分别表示雷达i对目标的量测； 将T类聚类点迹按照x轴和y轴的顺序进行排 列， 拼接成N ×(2×T)的二维数据矩阵M； 卷积神经网络的输入表示为X(k)＝M； 多雷达量测 数据进行预处理后， 需要对其进行训练样本和标签， 在输入基于卷积神经网络的数据融合 模型之前还需要对多雷达多目标融合 点迹数据进行归一 化处理； 基于卷积神经网络的数据融合模型通过一维卷积提取不同雷达之间误差差异参数特 征， 过程如下： 将聚类点迹数据 矩阵M首先经过一个一 维卷积层， 进 行雷达误差特征提取， 然 后经过池化层， 采用的是最大池化， 提取到不同雷达误差差异参数λ＝{λ1, λ2,…, λN}， 然后 将差异参数展开为一 维数据输送到全连接层， 利用全连接层强大的函数逼近能力输出融合 点迹； 基于卷积神经网络的数据融合模型的输出是在k时刻多雷达点迹的融合结果， 包含多 个点迹的x轴和y轴信息， 表示为Y(k)＝{(xf1,yf1),(xf2,yf2),…,(xfT,yfT)}； 根据输出的融 合点迹进行后续的跟踪滤波操作； 计算过程表示 为： Y(k)＝f(Zi+s(Zi, λ ))； 式中， Zi为第i类点迹匹配的聚类点迹， λ表示卷积神经网络提取到的不同雷达之间误差 差异参数， s( ·)表示空间误差差异函数， 用于估计不同雷达点迹数据到目标真实值的变 换， f(·)则表示融合 函数， 将不同雷达的点迹数据融合 为一个点迹 。 3.根据权利要求2所述的方法， 其特 征在于， 所述的步骤二具体为： 假设在k时刻， 经过点迹融合之后的量测有M个， 设为 且假设 目标数目已知， 为T个， 观测方程为H， 则在k时刻各个目标的预测状态为X(k)＝HX(k ‑1)， 预 测状态设为 权　利　要　求　书 1/4 页 2 CN 115508824 A 2时序特征{vi,ai,hθi}包括速度特 征， 加速度特 征， 航向角特 征， 分别为： 其中， 对于k时刻包含M个量测以及目标t的状态预测 得到目标t的M+1个速度特征vi， P表示时间间隔， vi表示量测速度特征， vp表示目标预测速度特征； ai表示量测加速度特征， 目标预测加 速度特征ap计算公式同ai计算公式一样； 目标预测航向角特征hθp计算公式同h θi计算公式一样； 空间特征{di,dθi,ci}包括距离特征， 偏航角特征， 曲率特征， 其中， di为距离特征， dθi为 偏航角特 征， ci为曲率特 征， 分别为： 式中， k‑1时刻目标t的状态为 k‑2时刻目标t的状态为 di表示量测距离特征， 目标预测距离特征dp计算公式同di计算公式一样； dθi表示量测偏航角特征， 目标预测偏航 角特征dθp计算公式同dθi计算公式一样； ci表示量测曲率特征， 目标预测偏航角特征cp计算 公式同ci计算公式一样； 且： 4.根据权利要求3所述的方法， 其特 征在于， 所述的步骤三具体为： 时序特征差异{Δvi,Δai,Δhθi}， 其中， Δvi为速度特征差异， Δai为加速度特征差异， Δhθi为航向角特 征差异， 分别为： Δvi＝|vi‑vp|； Δai＝|ai‑ap|；权　利　要　求　书 2/4 页 3 CN 115508824 A 3