三种实时误差配准算法性能分析与比较
测绘技术中影像配准与配准精度评价方法
测绘技术中影像配准与配准精度评价方法引言：随着科技的不断发展，测绘技术在不同领域中的应用也变得越来越广泛。
其中，影像配准是一项至关重要的技术，它能够将不同源的影像进行精确定位和叠加，实现空间信息的整合与分析。
本文将探讨测绘技术中影像配准的方法以及如何评价配准精度。
一、影像配准方法：1. 特征匹配法：特征匹配法是最常用的影像配准方法之一。
此方法依靠提取影像的特征点，并通过比较两幅影像的特征点位置来进行匹配。
其中，SIFT（尺度不变特征转换）和SURF（加速稳健特征）是常用的特征提取算法。
这些算法能够提取关键点并计算特征描述子，通过计算特征之间的距离来实现匹配。
2. 控制点法：控制点法是一种基于已知参考点坐标进行配准的方法。
在控制点的帮助下，通过对图像坐标系与地理坐标系的转换，找到两幅影像之间的空间变换关系。
这项方法适用于需要高精度配准的任务，如航空影像和高分辨率遥感影像。
3. 区域匹配法：区域匹配法是一种通过比较影像中相同区域或特征的亮度、颜色等特征来进行配准的方法。
该方法适用于影像中存在较强纹理信息的情况，如城市建筑物和自然地物等。
二、配准精度评价方法：1. 重叠区域比较法：重叠区域比较法是一种简单而直观的配准精度评价方法。
该方法通过选择两幅影像的重叠区域，计算重叠区域中特征点的重合度来评价配准结果的准确性。
重合度越高，说明配准效果越好。
2. 控制点残差法：控制点残差是评价影像配准精度的常见指标之一。
该方法首先利用已知的控制点进行配准，然后计算配准后的影像与控制点之间的残差值。
残差值越小，说明配准结果越精确。
3. 影像差异度法：影像差异度是一种基于图像像素值差异的评价方法。
它通过计算配准前后两幅影像的像素值差异来评估配准的精度。
常见的影像差异度指标包括互信息和相对误差等。
结论：影像配准是测绘技术中至关重要的一项工作。
本文介绍了特征匹配法、控制点法和区域匹配法这三种常见的影像配准方法，并探讨了重叠区域比较法、控制点残差法和影像差异度法这三种评价配准精度的方法。
医学图像配准算法的选择与性能评估
医学图像配准算法的选择与性能评估随着医学图像的广泛应用和发展，医学图像配准算法成为了医学图像处理的重要组成部分。
图像配准是指在不同时间或不同成像设备上获得的医学图像之间建立空间和几何关系的过程。
本文将探讨医学图像配准算法的选择和性能评估方法。
选择适合的医学图像配准算法是关键的一步。
根据医学图像的特点，常用的图像配准算法包括基于特征的算法、基于相似度的算法和基于弹性变形的算法。
基于特征的算法主要利用图像中的特征点进行匹配，常用的特征包括角点、边缘、纹理等。
其中，SIFT（尺度不变特征变换）算法是一种广泛应用的特征点提取和匹配算法。
SIFT算法具有尺度不变性和旋转不变性的特点，适用于医学图像中的不变性点提取和匹配。
基于相似度的算法主要通过测量图像间的相似度来实现配准。
常用的相似度度量包括互信息、归一化互相关等。
其中，归一化互相关算法具有较好的稳定性和鲁棒性，广泛应用于医学影像的配准中。
基于弹性变形的算法可以通过建立变形场来实现图像配准。
这种算法适用于需要进行形变的医学图像配准，例如脑部图像的配准。
常用的基于弹性变形的算法有B样条曲线变形算法和Thin-Plate Spline（TPS）算法。
这些算法能够通过变形场的构建来实现医学图像的形变配准。
在选择医学图像配准算法时，需要考虑医学图像的特点、算法的可行性和效率等方面。
同时，还需考虑配准算法的精度和鲁棒性，以确保配准结果的准确性和稳定性。
不同的医学图像配准算法有其各自的优缺点，需要根据具体应用场景来选择最适合的算法。
除了选择合适的医学图像配准算法，还需要进行性能评估来衡量算法的准确性、稳定性和效率。
医学图像配准性能评估的常用指标包括重叠度指数、均方根误差（RMS）和互信息等。
重叠度指数可以用来评估配准结果与标准图像之间的一致程度。
该指数通常通过计算重叠区域的比例来进行衡量，值越接近1表示配准结果越准确。
均方根误差（RMS）是评估配准结果与标准图像之间的距离的指标。
计算机视觉技术中的图像配准误差分析
计算机视觉技术中的图像配准误差分析图像配准是计算机视觉领域中的一项重要任务，它通过将多幅图像对齐，使得它们在几何和光度上趋于一致。
然而，由于种种因素的影响，实际中的图像配准往往存在误差。
因此，对图像配准误差进行分析以及提出相应的改进方法是非常必要的。
一、图像配准误差的来源1. 传感器误差：图像配准最基本的前提是输入图像必须准确。
然而，由于传感器本身的性能限制，如噪声、畸变等，会导致输入图像存在误差。
这些误差会直接影响配准的准确性。
2. 特征提取误差：在图像配准中，通常需要从图像中提取出一些特征点或特征描述子，并计算它们之间的对应关系。
然而，由于图像噪声、纹理不连续等因素的影响，特征提取算法可能无法准确地提取到正确的特征点，从而导致配准误差。
3. 特征匹配误差：特征匹配是图像配准中的关键步骤，目的是通过计算特征之间的相似度来找到它们的对应关系。
然而，由于特征点的数量不同、特征描述子的差异、图像干扰等原因，特征匹配算法可能会出现误匹配的情况，从而引入配准误差。
4. 变换模型误差：在图像配准中，需要选择适当的变换模型来描述图像之间的几何变换关系。
常见的变换模型包括仿射变换、透视变换等。
然而，由于变换模型的选择及参数估计的不准确性，导致图像配准中的变换误差。
二、图像配准误差的评估方法1. 点对齐误差：点对齐误差是图像配准误差的一种常见评估方法。
它通过比较已配准图像中的特定点与参考图像中的对应点的位置来评估配准的准确性。
通常使用欧氏距离或重叠度量等指标来计算点对齐误差。
2. 特征重投影误差：特征重投影误差是图像配准中常用的一种评估方法。
它通过计算配准后图像中的特征点在参考图像上的投影位置与实际对应点的误差来评估配准的质量。
通常使用重投影误差的均值或标准差来表示配准误差的大小。
3. 变换误差：变换误差是评估图像配准中变换模型准确性的常用指标。
它通过计算配准后图像与参考图像之间的几何变换关系的误差来评估配准的质量。
又快又准的特征匹配方法
又快又准的特征匹配方法又快又准的特征匹配方法是计算机视觉领域中非常重要的一个问题。
特征匹配是指在两个或多个图像中找到具有相似性的特征点，并建立它们之间的对应关系。
特征匹配在很多应用中都有广泛的应用，如图像配准、目标检测和跟踪等。
在过去的几十年中，研究人员提出了许多特征匹配方法，其中一些方法即使在处理大规模数据集时也能提供很高的匹配准确性和效率。
下面将介绍几种又快又准的特征匹配方法。
1.SIFT（尺度不变特征变换）SIFT是一种非常经典的特征匹配算法，在很多应用中都被广泛使用。
它通过将图像中的特征点转换成尺度、旋转和亮度不变的向量，然后使用特征向量之间的欧氏距离来进行匹配。
SIFT算法具有很高的匹配准确性和鲁棒性，但在处理大规模数据集时会存在时间和空间复杂度较高的问题。
2.SURF（加速稳健特征）SURF是一种基于SIFT的改进算法，能够在保持较高匹配准确性的同时提高匹配的速度。
SURF算法用Hessian矩阵来检测特征点，并通过使用积分图像来加速特征描述子的计算。
这种基于加速稳健特征的特征匹配方法比SIFT更快、更鲁棒，适用于处理大规模数据集。
3.ORB（方向倒角二值描述子）ORB是一种在效率和准确性之间取得平衡的特征匹配算法。
它结合了FAST关键点检测器和BRIEF特征描述子，使用方向倒角二进制描述子来表示特征点，从而使得匹配速度更快。
ORB算法在实践中表现良好，尤其适用于移动设备上的实时应用。
4.BRISK（加速鲁棒特征）BRISK是一种能够提供快速、鲁棒特征匹配的算法。
它通过快速角点检测器来检测特征点，并使用二进制描述子来进行特征匹配。
BRISK算法具有较低的计算复杂度和内存消耗，并且能够在保持较高的匹配准确性的同时提供很高的速度。
TCH（局部联合二进制特征）LATCH是一种基于二进制特征匹配的算法，具有很高的匹配速度和鲁棒性。
LATCH算法通过使用快速特征检测器和局部联合二进制描述子来检测和匹配图像中的特征点。
实时时间配准仿真研究
实时时间配准仿真研究李学永 周 俊(空军雷达学院,湖北省武汉市430019)摘 要:针对多传感器数据融合系统中观测数据时间不同步的问题,采用常系数滤波算法与Lagrange 插值法结合进行时间配准,并用仿真的方法验证了此配准方法有效。
与现有算法比较,此方法可与目标跟踪同步进行,配准实时性强,且简单,可提高融合效率。
关键词:多传感器;数据融合;实时时间配准中图分类号:TN957.52收稿日期:2007 06 28。
0 引 言所谓时间配准,就是将关于同一目标的各传感器不同步的量测信息同步到同一时刻。
在集中式融合系统中,并行滤波的精度高,但需对量测数据进行配准,如若使用未经配准的数据进行融合,可能会导致比单独使用某一传感器数据进行融合时的性能还差,因此,为了最大限度地发挥多传感器数据融合系统的优越性,对多传感器数据进行时间配准是数据并行融合的前提,配准方法的优劣直接关系到数据融合效果的好坏。
由于传感器采样周期不同、传感器开机时刻不一致以及通信网络的不同延迟等因素的影响,各传感器对空中同一目标观测所得数据有可能存在时间差,对于这些异步问题,解决的方法有最小二乘法[1]、内插外推法[2 3]、泰勒展开法[4]、曲线拟合法[5]等。
文献[4]对其中3种方法进行了仿真研究,验证其有效性;最小二乘法的研究较多,但用于时间配准模型简单,精度较低;文献[5]对曲线拟合法进行深入研究,并进行了相关仿真分析,得出了有益的结论,可以较好地解决时间不同步的问题,但在拟合区间的左右两极出现大的波动,使得拟合误差增大,尤其当进行高阶曲线拟合时,这种波动经常发生,拟合阶次越高越好并不总是成立,若用于实时时间配准,配准的数据就处在拟合曲线的一极,误差较大,对实时时间配准不适用;而插值法是一种较常用的方法,根据插值法的应用原则,插值数据应在插值区间中部,才能保证较高的精度,因此用于观测数据事后处理效果较好,但实时性不够。
在实际工程应用中,根据目标数据时戳信息,融合中心对多个传感器送来的同一目标的每一点数据进行实时时间配准。
图像配准的常用方法
图像配准的常用方法法图像配准的方法大致分为三类，一类是基于灰度和模板的，这类方法直接采用相关运算等方式计算相关值来寻求最佳匹配位置，方法简单较为死板，一般效果不会太好。
第二类是基于特征的匹配方法，如sift、surf点特征，或者向量特征等等，适应性较强。
第三类是基于域变换的方法，采用相位相关（傅里叶-梅林变换）或者沃尔什变换、小波等方法，在新的域下进行配准。
1. 基于模板匹配的图像配准板匹配时图像配准算法中简单而常见的算法。
在模板匹配中对图像的配准有整幅图像进行的撇皮，也有局部图像和局部图像之间进行的匹配。
在模板匹配过程中通常对模板进行平移，计算对应关系。
一般情况下，采用模板和图像的相关运算计算相关值，相关值越大表示匹配越好。
模板匹配对形态固定的图案具有较好的效果，但是随着配准图像在数量级的扩大，计算复杂度会增加，实时性会增加，随着图像拍摄环境和成像条件的多变，算法的适应性会变差。
2. 基于灰度的图像配准灰度图像配准是利用灰度信息来测量图像的相同部分，方法简单，但是对目标的变动和扭曲会影响配准效果。
较为常见的是求其相似性代价函数，将图像的灰度差做平方和运算。
灰度图像配准方法不需要提取图像的几何特征，所以有很高的识别精度和适用性，单也因为图像灰度信息鼠标比较大，因此运算量大，效率低。
3. 相位相关法、傅里叶-梅林变换（基于变换域的方法）基于变换域的方法有很多，这里安利下我之前的博客：傅里叶-梅林变换进行图像配准，也就是采用了基于相位相关的方法进行的，博客中给出了Matlab的源码。
相位相关法师对图像进行参数转换，利用转换后的参数进行运算，图像由参数变换转换到频域，利用傅里叶变换得到平移后的结果，再在频域实现匹配图像的配准。
在傅里叶变换后，图像的平移成分转换到了相位，计算相位的最大匹配位置，就可以得到原始图像的平移量了，这就是相位相关。
更进一步，我们引入傅里叶-梅林变换的概念。
我们通过相位相关只能得到平移量，那么如果有旋转和缩放呢？是否还记得传统图像中的对数-极坐标变换呢？没错，将二者结合起来：相位相关得到平移位置，对数变换得到尺度，极坐标变换得到旋转角，这就是傅里叶-梅林变换。
一种单传感器实时系统误差配准算法
对 同一运 动 目标 的量测信 息来构建 对多传感 器系统
的观测模 型 ，以实现对各 传感器 的精确误 差配准 。 因而 ，该类技 术 的优 点是无 须 目标 自身提供 定位信 息 ，但 缺点是 需要 多传感 器进行协 同配准处 理 ，这
就首先 需要对 目标航迹 数据进 行可靠关 联 ，但 此时
０ 引言
目前 ，尽 管多传 感器信 息融合技 术及其 理论有
了飞速的发 展 ，但是 在实 际的多雷达 网数据 处理 系 统 中仍 然有很 多技术难 点需要攻 克 ，而传感 器系统
用 基于 非合作 式 目标 的配 准技术 【 ，但其前 提 是 ８ 。 需要 多传感 器之 间进行 协 同配准 ，即基 于多传感 器
误差 配准 问题就 是其 中一个研 究热 点【。传感 器 系 ｌ 】 统误差 配准 的 目的是 准确估计并 校正传感 器 的固有 系统偏 差 ， 为其 后端航 迹关联 与融合提 供技术 保障 ， 其处理好 坏将直接 影 响多传感器信 息 融合系统 融合
性 能与可 靠性 【。 ２ 】
各传感 器未配 准 的固有系统误 差又将使 得航迹 关联 性 能不 可靠 ，导致关联 与配准 间产生技 术矛盾 的问
第 ２ 卷 ５
目标 进行探测 定位 ，传 感器所在 平 台能 够在公共笛
卡尔坐标 系中进行一定 程度 的运动 （ 速直线 、匀 匀
由于上式 中传感 器位置定 位真值 需采用测量 值
代 替 ，而上 述测量 值 只和 目标 坐标 真值与传感器 定
位量 测值 间的差值有 关 。 这样则 可将传感 器定位 随机误差作 为 目标位置 具有 一定程度 的动态 过程噪声来 建模 。
器系统 误差 的实时精 确配准 。
测绘技术中常见的地图配准算法介绍
测绘技术中常见的地图配准算法介绍地图配准是测绘技术中的一个重要环节，它的主要目的是将多幅地图或者地理数据进行对应，使得它们在同一基准下具备一致性。
在实际的测绘应用中，地图配准算法能够帮助我们更加准确地理解和分析地理现象，为精确测绘和地理信息系统等应用提供支持。
本文将介绍一些常见的地图配准算法，以及它们的原理和应用。
一. 特征点匹配算法特征点匹配算法是地图配准中常用的一种方法。
该算法通过提取地图上的关键特征点，比如角点或者边缘点，然后在不同地图上寻找相应的特征点进行匹配。
在特征点匹配中，常用的算法包括克鲁斯卡尔算法、归一化互相关算法和改进的归一化互相关算法等。
克鲁斯卡尔算法是一种最小生成树的算法，它的主要思想是通过连接权值最小的边逐步构建最小生成树。
在地图配准中，我们可以将特征点作为节点，它们之间的相似度作为边的权值，然后使用克鲁斯卡尔算法寻找最佳的匹配组合。
归一化互相关算法是一种基于互相关的特征点匹配方法。
它通过计算两个特征点周围区域内的互相关系数来判断它们的相似度。
在进行配准时，我们可以选取特定阈值来筛选出相似度较高的特征点对，从而得到最佳的匹配结果。
改进的归一化互相关算法是针对传统归一化互相关算法的一种改进。
它在计算互相关系数时引入了自适应窗口大小和自适应核函数，从而提高了特征点匹配的准确性和鲁棒性。
改进的归一化互相关算法在地图配准和图像配准中都有广泛的应用。
二. 尺度不变特征变换算法尺度不变特征变换（Scale-Invariant Feature Transform，简称SIFT）算法是一种经典的特征点匹配算法，它在地图配准中也有较为广泛的应用。
SIFT算法通过分析图像的局部特征，如边缘和角点等，并在不同图像中寻找相应的特征点进行匹配。
SIFT算法的主要步骤包括尺度空间极值检测、关键点定位、方向分配、描述子生成和特征点匹配等。
在进行地图配准时，我们可以提取地图上的SIFT特征点，并在不同地图中进行匹配，从而得到两幅地图之间的对应关系。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｈ ＾） ｛ （ 一
ｃ 两） ｉ ｔ ｙ －） ａ（ ｖ ｋ ＋
ｌ Ｉ
ｌ （ （） ２ 十（ （ ） ７）＋ｂ ｛ ＾ ｚ 是 一乱） 忌 － ３ ｌ ／ 。 ２
卅
ｌａ （ ｖ ａ ｎｋ ２ ｒ （） ） ｃ － ＋ ｔｙ
Ⅵ 尼 的方 差为 ／（ ） Ｒ－ ｄａ （ａ ， ，； ］ － ｉｇ Ｆ； ， ） －
前提 基础 。 若不 能进 行精 确 的误差 配准 ， 则可 能导 致
组 网系统 对 目标 融 合跟 踪 的错误 或对 同一 目标 产 生
多 条 航 迹 ， 而 将 会 严 重 恶 化 雷 达 组 网 的 监 视 效 从 能［纠。 ｈ 因而 ， 随着数 据融 合理 论和 技术 的深入 发展 ， 配 准 问题 逐 渐 引 起 了 国 内外 广 大 学者 的关 注 与 重 视， 一些 配准算 法相 继 被提 出 。 目前 ， 主要 的实 时误
个 问题 从 不 同 的角 度进 行 求解 的 ， 以对它 们 的 所
性 能进行 比较 是很 有 意义 的 。
优 秀博士论文作者专项基金资助项 目（０ ２ ７ ２０３）
作 者 简 介 ｔ 亚 奇 （９ ７ ） ， 南 驻 马 店 人 ， 士 研 究 崔 １ ８一 ， 河 硕
生， 究方向 ； 研 雷达 组 网技 术 、 系统误 差 配 准 、 多
ｒ） 为直 角坐标 系下 的量测 噪 声 ， 方差 为 其
基 于 离 散连 续 白噪声 加速 模 型 ， 目标 的状 态 对
进 行 建 模 ， 得 目标 的状 态 转 移 ７ 可 勾
Ｘ（ ＋ １ 一 Ｆ Ｌ 点 ） Ｘ 。 （） 正 （ ） ２
ｆ ， ｓｎ ＋ Ｃ Ｓ Ｊ ｉ ￣ Ｏ
试验从 算法估计的均方根误差 、 计的一致性检验和算法耗 时等方 面对算法进行了性能 比较 。根据仿真的结果并结合 分析对 估
算 法 做 出 评 价 ， 而 为 实 际 系 统选 用合 适 的 估 计 算 法 提 供 了有 益 指 导 。 从
关 键 词 ： 差 配 准 ， ｒｍｅ— ａ 下 限 ， 致 性 检 验 ， 达 组 网 误 Ｃ ａ ｒＲ ｏ 一 雷 中圈分类号 ：９ Ｅ 文献标识码 ： Ａ
Ｒ（ ＋ 】 ｋ ） （３ ２
Ｋ（ ＋ １ 一 尸（ ＋ １Ｉ ） （ ＋ １ 走 ） 尼 走 是 ）
（ ＋ １ （４ 是 ） ２
崔 亚 奇 ， ： 种 实 时 误 差 配 准算 法 性 能 分 析 与 比较 等 三
（ 第 ３ — １７ ） 总 ６ ６ ３
・５７ ・
又 （ ＋ １志 ） 是 ＋１ 一又 五 ） ｌ （ ＋１ 忌 ＋Ｋ（ ＋１ Ｉ 是 ）・ （ 志 ） 戈 正 ） Ｚ （ ＋１ 一＾ （ （ ＋１ ） ） ｆ
Ｊ
（ ９） １
（ Ｏ ２）
根 据 上 述 变量 ， 照 扩展 卡 尔 曼 的 方法 进 行 滤 按
波 ， 到 的滤波方 程组 为 得
又 矗 １志 一Ｆ （ ） （ 尼 （ ＋ ） 五 又 是ｌ） Ｉ （ １ ２）
Ｐ（ 十 １五 一Ｆ１志 Ｐ（ ｋ Ｆ （ ） （２ 志 ） Ｉ （ ） 是Ｉ） 正 ＋Ｑ ２） Ｓ 忌 １ ＝ ｈ 愚 １ Ｐ（ ＋ １ ｋ ｈ 是 １ ＋ （ ＋ ） ｘ（ 十 ） 愚 ） ＇ （ 十 ） Ｉ ｘ
离偏 差 和方位 偏差 ， 且假 设它 们是 常量 加性偏 差 ， ｂ一［ ｂｌ ， ，ｆ ，一１ ２ （） １
Ｆ ｏ Ｏ（ ｃｓ ， ） — ｒ（ ） ｉ０（ ］ — 志 ｓｎ 志）
Ｂ点：ｓ 五 （ 是 Ｊ ｌ ＝ ｉ （ 。 （ ‘：ｎ ） ｌ ）ｓ ）
其 中 （ ） 忌 和 （ ） 滤波 估计 值 。 愚为
（ 一ｒ ） ｉ， 堪， ｓｎ ｊ Ｊ
其 中 目标 的状态 向量 和状 态转 移 矩 阵 Ｆ 定
义 为
Ｒ足一 （一 ） 。 ｔ ｌ ： ｓ ｃ ‘ ｉ ｓ ｎ
ｃ ＋ ～ 。 ｉ ； ｓ ｚ ？
（ｊ ｊ ３
ｉ ：］ ：
ｏ ｏ １ ７
一
收 稿 日期 ：０ ００ —１ ２ １— ６０
修 回 日期 ：０ ００ —９ ２ １－ ８１
＊基 金 项 目 教 育 部 新 世 纪 优 秀人 才 支 持 计 划 基 金 （ Ｅ 一 ＮＣ Ｔ ０ — ９ ２ ； 家 自然科 学基 金 （０ ７ １ ０ Ｉ 圆 ５０ １ ） 国 ６ ６ ２４ ） 全
差 配准算 法有 扩维 扩展 卡尔 曼算 法［ ］解耦 滤 波算 ３、 “
法ｃ 、 准确 算法 。这 ３ 算法 都是通 过 建立状 态 方 种
程 和量 测方 程 ， 后 通 过滤 波 的 方法 估 计 出系 统 偏 然 差。 由于这 ３种算法 是 基于 同一个 系统 模型 ， 对 同 是
Ｖｏ ．３ Ｎｏ ９ １ ６。 ．
Ｓｅ ２ １ ｐ， ０ １
火 力 与 指 挥 控 制
Ｆｉ ｏ ｔｏ ＆ Ｃｏ ｒ Ｃ ｎｒＩ ｅ ｍｍａ ｄ Ｃ ｎ ｒ ｌ ｎ ｏ ｔｏ
第 ３ ６卷 第 ９ 期 ２１ ０ １年 ９月
文章 编 号 ； ０ ２Ｏ ４ （ Ｏ １ ０ 一 Ｏ ５ Ｏ １ Ｏ 一６ Ｏ ２ １ ） ９Ｏ ５ 一５
目标 跟 踪 。
１ 统 一 的 系统模 型
假 设 系 统 包含 两 部 固定 雷 达 ， 对 同一 单 目标 并 进 行跟 踪 。 两部 雷达 在极 坐标 系下进 行 量测 ， 存在 距
・５ ・ ６
（ 第 ３—１７） 总 ６ ６ ２
火 力 与 指 挥 控 制
２１ ０ １年
第 ９期
ａ ａ ｙ ｅ ｎ ｔ ｉ ｐ ｐ ｒ ｎ ｌ ｓ ｄ ｉ ｈ ｓ ａ ｅ ．Ｔｈ ｏ ａ ｉｉ ｎ ｉ ｇ ｖ ｎ ｂ ｉ ｌ ｔｏ ｎ ｔ ｒ ｅ ａ ｐ ｃ ｓｏ ｏ ｔｍｅ ｎ ｓ ｕ ｒ ｒ ｏ ， ｅ ｃ ｍｐ ｒｓｏ ｓ ｉ ｅ ｙ ｓｍｕ ａ ｉ ｎ ｉ ｈ ｅ ｓ ｅ ｔ ｆｒ ｏ ａ ｑ ａ ｅ ｅ ｒ ｒ ｃ ｎ ｉｔ ｎ ｙ ｔ ｓ ｎ ｉ — ｓｎ ． Ｂ ｓ ｄ ｏ ｈ ｉ ｌ ｔ ｎ ｒ ｓ ｌ ａ ｄ ｔ ｅ ａ ａ ｙ ｉ ｆ ｔ ｅ ｔ ｒ ｅ ａ ｇ ｒｔ ｍｓ ｏ ｓｓ ｅ ｃ ｅ ｔａ ｄ ｔｍｅ ｕ ｉ ｇ ａ ｅ ｎ ｔ ｅ ｓ ｍｕ ａ ｉ ｅ ｕ ｔ ｎ ｈ ｎ ｌ ｓ ｓ ｏ ｈ ｈ ｅ ｌ ｏ ｉｈ ｏ ， ｔ ｅ ｇ ｉ ａ ｃ ｓ ｇ ｖ ｎ ｉ ｈ ｒ ｃ ｉａ ｈ ｉ ｅ ｏ ｓ ｉ ｔｏ ｌ ｏ ｉ ｍ ｓ ｈ ｕ ｄ ｎ ｅ ｉ ｉ ｅ ｎ ｔ ｅ ｐ ａ ｔｃ ｌ ｏ ｃ ｆｅ ｔｍａ ｉ ｎ ａ ｇ ｒｔ ｃ ｈ ．
Ａｂ ｔａ ｔ Ｔｈ ｈ ｅ ｅ ｌｔ ｅ ｂ ａ ｅ ｉｔａｉ ｎ ａｇ ｒｔ ｍ ｓ ｄ ｖ ｌｐ ｄ ｒ ｃ ｎ ｌ ｎ ｒ ｄ ｒ ｎ ｔ ｒ ｉｇ ｓｒ ｃ ： ｅ ｔ ｒｅ ｒ ａ—ｉ ｉｓ ｒ ｇｓ ｒ ｔ ｌ ｏ ｉｈ ， ｅ ｅｏ ｅ ｅ ｅ ｔｙ ｉ ａ ａ ｅ ｗｏ ｋ ｎ ｍ ｏ
始、 目标 发 现概 率 和 跟 踪 可靠 性 等方 面 均 明显 优 于 单 雷达 系统 ， 因此 在空 中交通 管制 、 中 防御 等 领域 空
得 到 了广泛应 用 。 在雷 达组 网探 测系统 中 ， 误差 配准
为 一个 基 础 而 又关 键 的 环节 ， 能 够有 效 地 估 计并 其 补 偿组 网雷 达 系统误 差 ， 后 端航 迹 关 联 与融 合 的 是
ＣＵ ＩＹａ ｑ ， ＯＮＧ ａ ｇ， ｕ － ｉＳ Ｑｉｎ ＨＥ Ｙｏ
（ ｅｅｒｈＩ ｓｔｔ ｏ ｎｏｍ ｔ ｎＦ Ｍｏ ， ｖｌ ｒｎ ｕｉ ｌ ｇｎｅｉｇＩｓ ｔｔ ，ａ ｔｉ ６ ０ １ Ｃ ｉａ Ｒ ｓａｃ ｎｔｕｅ ｆ Ｉｆｒ ａｉ ｕ ｎ Ｎａ ａ ｏ ａ ｔ ａ ｉｅｒ ｎｔｕｅ Ｙ ｎａ ４ ０ ， ｈｎ ） ｉ ｏ Ａｅ ｃ Ｅｎ ｎ ｉ ２
Ｐｅ ｆ ｒ ａ ｅ Ｃｏ ｐａ ｉｉ ｎ ａ ｒ ｏ ｍ ｎｃ ｍ ｒ ｓｏ ｎｄ Ａｎａ ｙ ｉ ｆＴｈ ｅ ａ － ｍ ｅ ｌ ｓｓ ｏ ｒ ｅ Ｒｅ ｌＴｉ
Ｒｅ ｉ ｔ ａ ｉ ｎ Ｂｉ ｓ Ｅｓ ｉ ａ ｉ ｎ Ａｌ ｏ ｉ ｈ ｓ ｇ ｓ ｒ ｔｏ ａ ｔ ｍ ｔｏ ｇ ｒ ｔ ｍ
ｓ ｓｅ ，ｗｈｃ ｒ ｕ ｍ ｅ ｔｄ ｓａ ｅｅ ｔ ｎ ｅ ａｍａ ｉ ｅ ，ｄ ｃ ｕ ｌｄ Ｋａｍ ａ ｉ ｅ ｎ ｘ ｃ ｔ ｏ ｒ ｙ ｔｍｓ ｉｈａ ｅａ ｇ ｎ ｅ ｔ ｔ ｘ ｅ ｄ ｄ ｋ ｌ ｎ ｆ ｔ ｒ ｅ ｏ ｐ ｅ ｌ ｎｆｌ ｒａ ｄｅ ａ ｔｍｅ ｈ ｄ ａ ｅ ｌ ｔ
㈩
Ｖ 愚 的 方 差 为 （）
［ － ｃ ｏ
Ｑ ｌ 一
Ｌ０ ０＿ Ｊ
ｌ
系统 量 测方程 为
Ｚ＾ 忌 一 ｈ（ ＾ 是 ） Ｗ 】 五） （） （）＋ （ ｔ ８） １
其 中
ｉ／ （） １ 十 （ 志 －Ｖ） — 、（ 是 一“） （） 。 ６ Ｉ
三 种 实 时误 差 配 准算 法性 能 分析 与 比较
崔 亚奇 ， 宋 强， 何 友
烟台 ２４ ０） ６ ０ １
（ 军航 空 工 程 学 院 信 息 融 合 技 术 研 究 所 ， 海 山东
摘 要 ： 雷 达 组 网 中 现 有 的 三 种 实 时 误 差 配 准 算 法 即 扩 维 扩 展 卡 尔 曼 滤 波 算 法 （ ｕ ｍｅ ｔｄＳａｅＥ ｔｎ ｅ ｌ ｎ 对 Ａ ｇ ｎｅ ｔｔ ｘｅ ｄｄＫａｍａ Ｆｌ ｒ 、 耦 卡 尔 曼 滤 波 算 法 （ｅｏ ｐｅ ｌ ｎＦｌ ｒ 和 准 确 算 法 （ ｘ ｃ ｔｏ ） 行 了 介 绍 与 分 析 ， 通 过 蒙 特 卡 罗 仿 真 ｉｅ） 解 ｔ ｄ ｃｕ ｌ Ｋａ ｄ ｍａ ｉｅ ） ｔ Ｅ ａｔ ｍｅｈ ｄ 进 并
ｘ ・［ ， ，ｉｂ ，；６］ ， Ｙ， ６ ， ６， （ ４ １，