第五讲 数据关联重点课件.ppt

第五讲 数据关联技术,智能信息处理技术,智能信息处理技术,2,5.1 基本思路,当单传感器提供动态目标的时间采样信息或多传感器提供同一目标的独立测量时，需要融合多组测量数据，导出目标位置或运动状态信息。 在导出目标位置或运动状态的过程中，包含两类基本处理，即状态估计和数据关联技术。,智能信息处理技术,3,数据关联的目的,建立单一的传感器测量与以前其它测量数据的关系；确定它们是否有一个公共源。,智能信息处理技术,4,测量可能涉及到不同的坐标系，在不同的时间观察不同的源，即在时间上不同步，并且可能有不同的空间分辨率；关联处理必须建立每个测量与大量的可能数据集合的关系，每个数据集合表示一个说明该观测源的假设，它们可能是下列几种可能之一：,智能信息处理技术,5,(1)对已检测到的每一个目标都有一个集合，当前一个单一目标测量与其中之一有同一个源； (2)新目标集合，表示该目标是真实的，并且以前没有该目标的测量； (3)虚警集合，该测量不真实，可能是由噪声、干扰等产生，在一定条件下可将它们消除。,智能信息处理技术,6,例：稳定目标观测与观测(点迹与点迹)关联,设A1，A2是两个 已知实体的位置 的估计值，测量 误差、噪声和人 为干扰等产生的 误差由误差椭圆 来表示。不考虑 两个实体的可能机动。设获得两个实体的三个观测位置Z1，Z2，Z3，讨论三个观测位置与两个已知实体位置进行关联的问题。,智能信息处理技术,7,Zi(i=1、2、3)与Aj (j=1、2)关联有三种可能： (1)观测Zi与实体A1关联； (2)观测Zi与实体A2关联； (3)观测Zi与实体Aj均不关联，是由新的实体、干扰或杂波剩余产生的观测。 不考虑虚警影响，假定实体是稳定的。关联的基本思路如下：,智能信息处理技术,8,关联的基本思路,1）建立观测Zi与实体Aj的关联矩阵 关联矩阵中每个观测实体对(Zi，Aj)包含关联度量Sij，是Zi与Aj接近程度的度量或称相似性度量，把观测Zi与实体Aj按内在规律联系起来，称作几何向量距离：,智能信息处理技术,9,2)对每个观测一实体对(Zi，Aj)，将几何向量距离与先验门限 进行比较，确定Zi能否与实体Aj进行关联。 如果 ，则用判定逻辑将观测Zi分配给实体Aj，没有被关联的观测，用追加逻辑确定另一个假设的正确性，如是新实体或虚警等。,智能信息处理技术,10,3) 最后进行观测与实体的融合处理，改善实体的位置与身份估计精度。,智能信息处理技术,11,例：运动目标的观测点迹与航迹关联,假设实体A、B均以匀速进行直线运动，在t0时刻位于“+” 位置。首先根据实体的运动方程将它们均外推到任一时刻t1的位置，假定给出三个观测位置。接下来的问题就是确定哪些观测与已知实体航迹进行关联。预测位置等不确定性与上例相同。,智能信息处理技术,12,关联处理,1)把实体A和B在时刻t0的位置均外推到新的观测时间t1，即 A(t0) A(t1) B(t0) B(t1) 2)给出新的观测集合Zj(t1)，j=1,2,3； 3)计算观测Zj(t1)与各已知实体在时间t1 的估计位置之间的关联度量Sij形成关联矩阵；,智能信息处理技术,13,4)根据Sij和门限 ，确定哪一个观测Zj(t1)与确定航迹关联； 5)确定关联之后，把该观测分配给实体航迹，利用位置估计技术更新实体的估计位置。,智能信息处理技术,14,数据关联的步骤,1）把来自一个或多个传感器的观测或点迹Zi 与j个已知或已经确认的事件归并到一起，使它们分别属于j个事件的集合，即保证每个事件集合所包含的观测以较大的概率或接近于1的概率均来自同一个实体。 2）对没有归并到j个事件中的点迹，其中可能包括新的来自目标的点迹或由噪声或杂波剩余产生的点迹，保留到下个时刻继续处理。,智能信息处理技术,15,数据关联的实现,关联通过一个m维的判定处理来实现，对观测与预测的目标状态间的空间或属性关系进行量化，以确定m个假设中哪一个能最佳地描述该观测。,智能信息处理技术,16,判定的类型及性质,关联判定分为两类：硬判定和软判定 硬判定：指将一个观测赋给惟一的一个集合； 软判定：允许将一个观测赋给多个集合，但它们具有一个不确定值。软判定可导致多个假设，当通过附加数据使不确定性减小时，多假设可以合并为一个单一的假设或服从以后的硬判定。,智能信息处理技术,17,数据关联的主要形式,1)点迹与点迹关联，形成航迹或进行航迹初始化。 航迹的形成是通过对来自不同采样周期的点迹的处理，按照给定的准则实现对航迹检测。,智能信息处理技术,18,点迹与航迹关联过程中，那些没有与数据库中的航迹关联的点迹，有的是新目标的新点迹。 与对应目标的延续点迹关联后，实现对一个新航迹初始化，也属于点迹与点迹关联。 点迹与点迹的关联和融合，一般用在集中式网络结构中。,智能信息处理技术,19,2)点迹与航迹关联,目的：对已有航迹进行保持或对状态进行更新。方法： 判断各传感器送来的点迹，哪些是数据库中已有航迹的延续点迹，哪些是新航迹的起始点迹，哪些是由杂波或干扰产生的假点迹。 根据给定准则，把延续点迹与数据库中已有航迹连起来，使航迹得到延续，并用当前测量值取代预测值，实现状态更新。,智能信息处理技术,20, 经若干周期后，没有连上的点迹，有一些是由杂波剩余或干扰产生的假点迹，由于没有后续点迹，变成孤立点迹，也按一定的准则被剔除。 主要应用：集中式结构,智能信息处理技术,21,3)航迹与航迹关联（航迹关联）,多传感器情况下，每个传感器都有本身点迹集合和本身的信息处理系统，实现对目标的跟踪，通常把每个传感器的航迹称作局部航迹。,智能信息处理技术,22,处理方法,每个传感器按照一定的时间，把本传感器的全部航迹的状态送给信息处理中心，以便进行航迹融合，航迹融合实际上就是目标状态融合。 在融合中心，如果按某种准则能够确定几个不同传感器的航迹来自同一个目标，则把它们的状态估计和协方差矩阵进行组合，实现航迹融合。 主要应用： 分布式信息处理系统,智能信息处理技术,23,结论,1）按照给定的准则，通过对点迹的处理，实现对航迹的初始化，尽可能地去掉假点迹，并为跟踪作数据准备，这就是数据关联所要完成的任务； 2）在一个实际的信息处理系统中，采用哪种关联方式，往往跟信息系统所采用的网络结构有关；,智能信息处理技术,24,3）集中式融合系统中，一般采用点迹融合，相应的关联方法也是点迹与点迹、点迹与航迹关联； 4）分布式信息处理系统中，一般采用航迹与航迹关联； 5）为提高并保证数据融合的质量，对各传感器送来的点迹有较高的要求，并对其进行预处理。,智能信息处理技术,25,5.2 数据关联过程,数据关联的主要内容： 将传感器送来的点迹进行门限过滤，利用先验知识过滤掉门限外不希望的点迹； 需要过滤的数据： 其它目标形成的真点迹和噪声、干扰形成的假点迹，限制那些不可能的观测航迹对形成。,智能信息处理技术,26,该关联门的输出形成有效点迹航迹对，并形成关联矩阵； 度量各个点迹与该航迹接近的程度。 将最接近预测位置的点迹按赋值策略将它们分别赋予相对应的航迹。,智能信息处理技术,27,数据关联过程,智能信息处理技术,28,1、门限过滤,前提： 监测系统中，具有大量的目标，融合中心数据库中必然有对应的航迹； 传感器监测区域有一定重叠，产生大量重复数据，且还有干扰等产生的数据； 对这大量的数据，不可能把各点迹与数据库中的每条航迹都进行一一比较、判断，判定某点迹是不是数据库中某航迹的延续点迹。,智能信息处理技术,29,同一条航迹中相邻的两个点迹具有相关性。 如果前一个点迹表示目标的真实位置，那么第二个点迹在一个采样周期内，考虑到目标的最大运动速度、机动变化情况和传感器的各种测量误差，不会超出某范围。,智能信息处理技术,30,关联门,根据数据容许范围在系统中心对各传感器设立一个二维或三维窗口，把其他航迹所对应的点迹及干扰等产生的假点迹拒之门外。每条航迹都必须有这样的一个窗口，这种窗口称为关联门。,智能信息处理技术,31,门限过滤技术,定义： 采用关联门来限制非处理航迹和杂波数目的技术关联门跟踪技术： 门限过滤技术与滤波、跟踪结合起来有效点迹： 关联门内的点迹,智能信息处理技术,32,门限大小的影响,门限的大小会直接对关联产生重大影响；门限过小，捕获不到可能的目标；门限过大，起不到抑制其它目标和干扰的作用。,智能信息处理技术,33,门限的设置,基本原则： 以外推坐标数据作为关联门中心，使相邻延续点迹以较大的概率落入关联门。,智能信息处理技术,34,门限的作用,关联门限制了由噪声、干扰或杂波剩余产生的假点迹，及由固定目标产生的孤立点迹； 提高系统的正确关联概率和减小运算量，提高关联质量； 提高系统的关联速度。,智能信息处理技术,35,主要的二维关联门,智能信息处理技术,36,1）矩形关联门,如果由传感器送来的观测i与已经建立的航迹j满足下式，则该观测就可以与该航迹关联： lM，M是关联门维数，Zj,l是当前观测， 是前一采样周期的预测值， 是残差r是残差的标准偏差，KG,l是门限常数。常数KG,l取决于观测密度、检测概率和状态矢量的维数。,智能信息处理技术,37,r与测量数据的误差与Kalman滤波器的预测协方差矩阵有关： 是测量的标准差，p是由卡尔曼滤波器得到的预测标准差。,智能信息处理技术,38,如果假设的高斯误差模型与残差误差相互独立，则正确观测落入关联门内的概率就可由下式表示：,P(|tl|KG,l)是标准正态随机变量超过门限KG,l的概率。对所有的测量维数M，门限尺寸相同，即KG,l=KG，上式简化为：,PG=1-P( |t|KG)M1-MP( |t|KG),给定正确观测的落入概率，通过查表的方法得到门限值。 矩形关联门如图。,智能信息处理技术,39,矩形关联门示意图,智能信息处理技术,40,2）椭圆关联门,智能信息处理技术,41,表示方式：由残差矢量的范数表示。关联门限确定：最大似然法、 分布法,智能信息处理技术,42,残差矢量的范数满足下式： 观测落入关联门之内 G：关联门常数，S：残差协方差矩阵,智能信息处理技术,43,分布法,特点：根据 分布确定门限常数G d2是M个独立高斯分布随机变量的平方和，服从自由度为M的 概率分布，M是观测的总数。设PG是正确观测落入关联门内的概率值，得到： Pd2G1一PG 根据标准 分布表查出门限值。缺点：缺乏自适应性。,智能信息处理技术,44,2、关联矩阵,关联矩阵表示两个实体间相似性程度的度量，对每一个可行观测航迹对都必须计算关联矩阵。主要内容： 1）数据关联度量标准 2）数据关联的逻辑原则 3）相似性度量方法,智能信息处理技术,45,1)数据关联度量标准,为进行观测观测对和观测航迹对间的相似性的定量描述，必须定义度量标准，提供观测对相似与否的定量描述。 对称性 三角不等式 非恒等识别性 恒等识别性,智能信息处理技术,46, 对称性,给出两个实体a和b，它们之间的距离d满足: d(a，b)d(b，a)0 即两个观测间的距离大于或等于0，并且不管从a到b测量还是从b到a测量，其距离相等。,智能信息处理技术,47, 三角不等式,给出三个实体a，b，c，它们之间的距离满足度量标准不等式： d(a，b)d(a，c)+d(b，c) 即三角形任一边小于另两边之和。,智能信息处理技术,48, 非恒等识别性,给出两个实体a，b，若满足： d(a，b) 0， 则 a b 即若a与b之间的距离不等于零，则a与b不同，即为不同的实体。,智能信息处理技术,49, 恒等识别性,对于两个相同的实体a1，a2：有 d(a1 ，a2)0 即两个相同实体间的距离等于零。也即两个距离等于零的实体，实际上是同一个实体。,智能信息处理技术,50,在确定的意义下，对一个关联度量必须满足这些原则。 其重要性在于它们能够导出关联度量标准的性质和关系。,智能信息处理技术,51,2)数据关联的逻辑原则, 单目标时，如已经建立航迹，在当前扫描周期，在关联门只存在一个点迹，则该点迹是航迹惟一的最佳配对点迹。 单传感器时，不管空间有多少目标，关联门内如只有一个点迹，则该点迹是已建立航迹的惟一配对点迹；如果有三个关联门，各关联门内均只有一个点迹，各点迹就是对应航迹的配对点迹。,智能信息处理技术,52, 对单传感器，一个采样周期中来自同一传感器的 多个点迹，属多目标点迹，这些点迹不能关联。 原因： 传感器正常工作时，一个采样周期中，一个目标只能有一个点迹，不可能有两个或两个以上的点迹，关联是对不同扫描周期的点迹而言。,智能信息处理技术,53, 单目标情况下，多传感器工作时，在关联门内， 各传感器报来一个点迹，则认为这些点迹属同一 目标。 原因： 相邻近的可分辨的两个目标，不可能其中一个被某传感器发现，而另一个被另一传感器发现。,智能信息处理技术,54,多传感器工作时，在关联门内，各传感器都报来相同数目的点迹，这一数量将被认为是目标的数量，这是在多传感器有共同覆盖区域下的结果。 多传感器工作时，只有一个点迹存在，并与几条航迹同时相关，则该点迹应同属于这几条航迹，这可能是由于航迹交叉等原因造成的。一个点迹只能与数据关联邻域的航迹进行关联，不管是否关联上，不能再与其它航迹进行关联。,智能信息处理技术,55,重要说明,需要强调，在多传感器工作时，必须有公共覆盖 区域，否则谈不到多传感器数据的关联和融合。,智能信息处理技术,56,3)相似性度量方法,用衡量两个实体相似程度的方法 相关系数法、距离度量法、关联系数法、概率相似法和概率度量法等。相似性度量的选择取决于具体应用。,智能信息处理技术,57,相关系数法,已知两个观测矢量x和y，维数为M，两个矢量之间的相关系数定义: xi，yi是第i个观测， 是观测矢量中所有观测的平均值，-1rxyl。,智能信息处理技术,58,特点,相关系数描述的是几何距离，可用于任何类型数据；对观测幅度的差值不太敏感；高度相关的矢量是一条直线，相关性差的矢量在空间的离散度较大；相关系数不是一个真实的矩阵，但在广泛应用中是有效的。,智能信息处理技术,59,距离度量,方法（欧氏距离）：方法（加权欧氏距离）：,智能信息处理技术,60,特点,是一种最简单、应用最广泛的关联度量方法；对观测幅度之间的差值敏感，不存在上限；通常用来定量描述观测观测对或观测航迹对之间的相似性；是真实的度量标准，且只用于连续变量的情况；距离度量具有明显的几何解释。,智能信息处理技术,61,局限性,具有大尺度差和标准差变量可能会湮没其它具有小尺度差和标准差变量。,智能信息处理技术,62,关联系数,特点：建立二进制变量矢量间的相似性度量。 过程：首先形成两个矢量之间的关联表，典型的关联表： 1表示变量存在，O表示变量不存在；,智能信息处理技术,63,a：在x和y中都存在的特征的数目； b：在x中存在，在y中不存在的特征的数目； c：在x中不存在，在y中存在的特征的数目； d：在x和y中都不存在的特征的数目。,智能信息处理技术,64,关联系数定义,Sxy的范围为01 Sxy = 1表示完全相似，Sxy = 0表示完全不相似,智能信息处理技术,65,3、赋值策略,观测和航迹的真正的关联由赋值策略决定，在构造了所有观测和所有航迹的关联矩阵之后，就可进行赋值。关联矩阵中的每个元素都可通过选择某种相似性度量方法决定。,智能信息处理技术,66,赋值矩阵,特点：三个目标、四个观测。 列表示航迹，行表示观测。,智能信息处理技术,67,具体赋值矩阵,采用矩形关联门后得到的关联矩阵，具体数值用欧氏距离的方法得到。,智能信息处理技术,68,实现方法,总距离之和最小准则：解是此类问题的最佳解；采用距离度量最小准则：解是准最佳的。最佳解的主要缺点：当目标和观测的数目都比较大时，计算机开销太大，因此一般选择距离度量最小准则。,智能信息处理技术,69,实现,采用距离度量最小准则，结果： 将观测3赋给目标1，观测2赋给目标3，观测1赋给目标2。按此分配结果，总距离之和是19。采用总距离之和最小准则，分配方案是： 观测1赋给目标1，观测2赋给目标2，观测3赋给目标3，总距离之和为17，即每个观测到目标i的距离和。,智能信息处理技术,70,说明,三个观测都同时落入两个关联门之内，观测4落入三个关联门之外。,智能信息处理技术,71,5.3 数据关联的一般步骤,数据关联的6个步骤：,智能信息处理技术,72,1、查找数据库中的备选实体,有了备选观测之后，首先从数据库中找出前一采样周期的观测Zj(tj)和表示当时实体状态估计的状态向量 ，它们表示实体的位置、速度或身份的估计，为后续处理做准备。 前提： 数据库中存有前面已经有的观测和状态向量。,智能信息处理技术,73,2、把备选实体校正到观测时间ti,将备选实体的状态向量校正到观测时间ti。需要对每个备选实体通过解运动方程确定在时刻ti的状态x的预测值。,智能信息处理技术,74,3、计算每个备选实体航迹的预测位置,通过观测方程预测每个备选实体的预测位置： xj(ti+1)=gxj(ti)+n 函数g表示实体j通过时刻ti的状态向量xj(ti)预测该实体在时刻ti+1时刻的状态所需的变换； n为观测噪声，通常是零均值分布的高斯噪声。,智能信息处理技术,75,4、门限过滤,通过物理或统计方法来滤除关联过程中不太可能的或所不希望的观测-观测对和观测-航迹对及噪声和干扰，减少计算量，防止计算机过载，同时提高关联速度，以便实时处理。,智能信息处理技术,76,5、计算关联矩阵,关联矩阵中的元素Sij是用来衡量k时刻观测Zi(k)与预测值xj(k)接近程度或相似程度的一个量。 -逆协方差矩阵加权几何距离,智能信息处理技术,77,6、分配准则的实现,应用判定逻辑来说明观测Zi(k)与某实体或状态向量之间的关系，把当前的测量值分配给某个集合或实体。,智能信息处理技术,78,小结,