CN102930276A - 基于线性回归和聚类分析理论的高速机动目标跟踪方法 - Google Patents

基于线性回归和聚类分析理论的高速机动目标跟踪方法 Download PDF

Info

Publication number
CN102930276A
CN102930276A CN2012104371092A CN201210437109A CN102930276A CN 102930276 A CN102930276 A CN 102930276A CN 2012104371092 A CN2012104371092 A CN 2012104371092A CN 201210437109 A CN201210437109 A CN 201210437109A CN 102930276 A CN102930276 A CN 102930276A
Authority
CN
China
Prior art keywords
linear regression
target
cluster
tracking
cluster analysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012104371092A
Other languages
English (en)
Other versions
CN102930276B (zh
Inventor
孟凡
邢永昌
郑庆琳
刘建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
724th Research Institute of CSIC
Original Assignee
724th Research Institute of CSIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 724th Research Institute of CSIC filed Critical 724th Research Institute of CSIC
Priority to CN201210437109.2A priority Critical patent/CN102930276B/zh
Publication of CN102930276A publication Critical patent/CN102930276A/zh
Application granted granted Critical
Publication of CN102930276B publication Critical patent/CN102930276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于线性回归和聚类分析理论的高速机动目标跟踪方法，主要适用于雷达跟踪高速并且加速度有大范围变动的目标，并在保证实时性的情况下实现多种机动情况的稳定跟踪。方法实现过程：首先对机动目标航迹的历史参数建立样本集，依据回归分析理论设计自适应关联波门，进行航迹分裂，形成多航迹；然后对主航迹样本集中的样本进行投影，提取特征向量，根据聚类分析理论获取聚类中心并计算类内相似度；同样方法依次得到分裂航迹参数的投影值，即待分辨样本；最后，根据相似度判别准则提取出感兴趣目标航迹。在实际工程中应用表明，本算法可实现高速强机动目标的稳定跟踪，随着未来武器装备的机动性能不断的提高，该发明具有广泛的应用前景。

Description

基于线性回归和聚类分析理论的高速机动目标跟踪方法
技术领域
本发明属于雷达数据处理中的机动目标跟踪技术，采用基于线性回归和聚类分析理论的高速机动目标跟踪方法。
背景技术
机动目标跟踪是雷达数据处理的一个重要课题。目前，随着目标自身的机动特性的不断提高，机动性能成为衡量武器系统的一个重要战术指标。因此，机动加速度大范围变动或突变的机动目标跟踪问题已经受到广泛的关注，跟踪高速机动目标是现代雷达系统必须要解决的问题。
机动目标跟踪的最大难点在于机动目标模型并不能满足实际运动的需要。传统方法往往是针对目标机动模型本身，加入相关的机动变化量，当机动发生时，通过设置阈值判断机动，调节机动变化量，从而实现机动目标跟踪，这种方法往往存在机动变化量无法满足实际机动变化的需要，故当机动加速度出现大范围变动时，就无法跟踪到目标；或者采用多模型的方法，当发生机动时进行模型间的切换，或者增加滤波模型，从而得到目标状态的最佳位置估值。此方法算法复杂度高，不易实现滤波器参数的自适应控制。本发明结合线性回归和聚类分析理论，设计出一种新的高速机动目标跟踪方法。通过设计一种自适应波门，进行点迹的关联，从源头找到目标；并提出一种基于点迹参数投影的特征提取方法，从分裂的航迹中提取出目标航迹，从而避免了加入机动变化量和修改滤波模型带来的问题。
发明内容
本发明的目的在于提供一种基于线性回归和聚类分析理论的高速机动目标跟踪方法，该发明能够实时并稳定的跟踪高速机动目标。
实现本发明的技术解决方案为：首先为目标跟踪设计关联波门。目标跟踪过程中，由于目标发生机动，常常导致跟踪不稳定致使目标丢失。从数据关联的角度，我们可以认为是没有找到合适的观测数据与目标航迹关联。如果为了保证跟踪的稳定性，扩大波门，又会导致干扰的增加。
基于以上情况，针对直线机动和转弯机动，本算法设计了两种波门，如图（2）所示。当目标发生机动时，以上一个周期的滤波点A为圆心，当前外推点B到A的距离为半径，当前航向为基准分别向左右旋转角度                                                
Figure 341745DEST_PATH_IMAGE001
，以C点和D点为中心分别建立波门，此类波门主要针对机动转弯的情况；做C点和D点的切线相交与E点，以E点为中心建立波门，此类波门主要针对直线机动的情况。
发生在两次机动之间的航迹，可以被认为是由散列在某一直线附近的点迹所形成的，这些点迹可被看成是每个独立的样本。故可构建每个观测点的滤波坐标值的样本集
Figure 856428DEST_PATH_IMAGE002
。然后对一元正态线性回归模型进行参数估计，从而确定波门。
其次，根据已建立的波门，进行点迹关联（每个波门内只选择最近关联到的点迹），并分别得到分裂航迹，和
Figure 287781DEST_PATH_IMAGE005
。然后对航迹参数进行特征提取，并根据聚类分析原理选择出属于感兴趣目标的航迹。
图3为目标在运动过程中形成的轨迹，从0时刻起始（A点），到i时刻结束，设A点为投影中心，假如目标在i+1时刻发生机动，那么对i时刻之前的历史点迹依次向A点投影。首先，按照运动学公式，得到相邻周期间X方向的距离差，Y方向的距离差
Figure 259990DEST_PATH_IMAGE007
；其次根据下式，将每一个周期的点迹反推回A点
Figure 332988DEST_PATH_IMAGE008
。
Figure 425578DEST_PATH_IMAGE009
这样在A点附近形成了以A点为中心的点迹参数的聚类集合，其中
Figure 646344DEST_PATH_IMAGE010
为当前航向。
本发明在基于Windows的软件平台上，采用C++语言编程，实现了该算法并应用于工程实际。
在本发明中从数据关联的角度出发，提出一种新的高速机动目标跟踪方法。基于线形回归理论，设计了一种自适应关联波门，可以有效地跟踪直线机动和转弯机动的目标；并提出了一种点迹参数投影的特征提取方法，对目标航迹参数进行特征提取。
本发明与现有方法相比，其显著优点为：采用基于线性回归和聚类分析理论的高速机动目标跟踪方法，能在保证系统实时性的情况下实现高速机动目标的稳定跟踪；无需修改滤波器结构和参数；当发生较大机动的时候有效的防止了滤波器发散；无需增加滤波模型，算法易于工程实现。它的提出及工程实现对于解决机动加速度大范围变动或突变的机动目标跟踪问题具有很高的借鉴价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为基于线性回归和聚类分析理论的高速机动目标跟踪方法的流程图。
图2为关联波门示意图。
图3为点迹投影法的示意图。
具体实施方式
本发明基于线性回归和聚类分析理论的高速机动目标跟踪方法具体实施步骤(参见图1)：
（1）对主航迹历史参数中的坐标值x和y分别建立样本集，根据一元线性回归模型，得到的参数估计值为：
Figure 420264DEST_PATH_IMAGE011
其中，
Figure 401297DEST_PATH_IMAGE012
和
Figure 602471DEST_PATH_IMAGE013
为样本均值，n为主航迹跟踪周期数，
Figure 310533DEST_PATH_IMAGE014
为样本集Z第n个周期的估计值，
Figure 684883DEST_PATH_IMAGE015
为前n-1个周期的平均估计值，即
Figure 732473DEST_PATH_IMAGE016
为仿真的最大机动加速度，
Figure 169795DEST_PATH_IMAGE017
。
（2）根据
Figure 302836DEST_PATH_IMAGE001
值，建立如图2所示的波门，并进行点迹关联，分别得到分裂航迹，
Figure 382974DEST_PATH_IMAGE004
和
Figure 988267DEST_PATH_IMAGE005
；
（3）运用点迹参数投影法（如图3）对分裂航迹参数进行投影，得到待分辨样本
Figure 408272DEST_PATH_IMAGE018
； 
（4）同样采用该方法对主航迹的参数进行投影，形成聚类和
Figure 146607DEST_PATH_IMAGE020
，分别得到聚类
Figure 922802DEST_PATH_IMAGE021
和
Figure 30435DEST_PATH_IMAGE022
的均值
Figure 553208DEST_PATH_IMAGE023
和
Figure 226634DEST_PATH_IMAGE024
，根据下式计算类内相似度
Figure 376993DEST_PATH_IMAGE025
和；
Figure 169159DEST_PATH_IMAGE027
（5）根据欧式距离提取目标航迹，如下式所示，m i 是这些样本的聚类中心。
        
Figure 634776DEST_PATH_IMAGE028
   
其中i=1,2,3，
Figure 18353DEST_PATH_IMAGE029
和
Figure 834999DEST_PATH_IMAGE030
分别为聚类和
Figure 347593DEST_PATH_IMAGE022
中样本间的标准差；
本算法的滤波模型采用交互多模型（IMM），模拟目标起始点为（-20000,-10000)，初始速度为零，加速度为5m/s，加速时间为60s，之后速度保持不变；然后每次发生机动的时间为8s，机动加速度为60m/s。当机动发生时，模型与目标的实际运动失配，产生较大的预测误差，滤波器参数也无法满足跟踪的需要，方位、距离等参数值都有较大的突变。由于采用了本发明的方法，在原航迹关联失败后，及时建立波门，进行航迹分裂，并根据提取的特征在关联波门中匹配相关点迹，实现了高速机动目标的稳定跟踪。
基于线性回归和聚类分析理论的高速机动目标跟踪方法可以实时并稳定的跟踪包括直线机动和转弯机动的目标，其基本思想可以为机动目标跟踪提供新的解决方案，并具有广泛的应用前景。

Claims (3)

1.一种基于线性回归和聚类分析理论的高速机动目标跟踪方法，其特征在于：基于线性回归理论，设计一种自适应关联波门，进行点迹的关联；并提出一种基于点迹参数映射的特征提取方法，从分裂的航迹中提取出目标航迹。
2.一种实现权利要求1所述的基于线性回归和聚类分析理论的高速机动目标跟踪方法，其特征在于基于线性回归分析理论，设计一种自适应关联波门：首先对机动目标航迹的历史参数建立样本集，对滤波点和外推点之间的连线向顺时针和逆时针方向进行旋转，依据线性回归分析理论，对样本集进行参数估计，获取旋转角度，从而确定左右两边的波门；再根据已经确定的波门中心点，沿旋转所得的弧段作切线，在交点处形成波门，此两类波门可以针对直线机动和转弯机动两种情况进行点迹关联，并形成多航迹。
3.一种实现权利要求1所述的基于线性回归和聚类分析理论的高速机动目标跟踪方法，其特征在于提出一种基于点迹参数投影的特征提取方法，该方法对形成的多航迹参数建立样本集，对该样本集中的样本进行投影，提取特征向量，从而形成聚类；根据聚类分析理论获取聚类中心和类内相似度，然后，根据相似度判别准则提取出感兴趣目标航迹，该方法无需增加机动变化量和修改滤波模型，对速度大于300km/h的机动目标可以实现稳定跟踪，并易于工程实现。
CN201210437109.2A 2012-11-05 2012-11-05 基于线性回归和聚类分析理论的高速机动目标跟踪方法 Active CN102930276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210437109.2A CN102930276B (zh) 2012-11-05 2012-11-05 基于线性回归和聚类分析理论的高速机动目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210437109.2A CN102930276B (zh) 2012-11-05 2012-11-05 基于线性回归和聚类分析理论的高速机动目标跟踪方法

Publications (2)

Publication Number Publication Date
CN102930276A true CN102930276A (zh) 2013-02-13
CN102930276B CN102930276B (zh) 2015-10-14

Family

ID=47645073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210437109.2A Active CN102930276B (zh) 2012-11-05 2012-11-05 基于线性回归和聚类分析理论的高速机动目标跟踪方法

Country Status (1)

Country Link
CN (1) CN102930276B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105066995A (zh) * 2015-07-15 2015-11-18 北方信息控制集团有限公司 一种情报处理目标关联方法
CN108535710A (zh) * 2018-03-06 2018-09-14 中国船舶重工集团公司第七二四研究所 一种基于目标环境特征向量的干扰抑制与目标识别方法
WO2018184181A1 (zh) * 2017-04-07 2018-10-11 深圳大学 一种用于三维空间跟踪转弯机动目标的方法及系统
CN114035171A (zh) * 2021-11-11 2022-02-11 西安迅尔电子有限责任公司 一种相控阵体制核电站安防雷达目标航迹处理实时算法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000230977A (ja) * 1999-02-10 2000-08-22 Mitsubishi Electric Corp 目標追尾装置
CN101655561A (zh) * 2009-09-14 2010-02-24 南京莱斯信息技术股份有限公司 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000230977A (ja) * 1999-02-10 2000-08-22 Mitsubishi Electric Corp 目標追尾装置
CN101655561A (zh) * 2009-09-14 2010-02-24 南京莱斯信息技术股份有限公司 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘天帧、童恒庆: "基于投影寻踪和聚类分析的多维数据可视化方法", 《福建电脑》, no. 8, 31 August 2005 (2005-08-31), pages 113 - 114 *
沈莹: "机动目标跟踪算法与应用研究", 《西北工业大学硕士学位论文》, 15 June 2007 (2007-06-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105066995A (zh) * 2015-07-15 2015-11-18 北方信息控制集团有限公司 一种情报处理目标关联方法
WO2018184181A1 (zh) * 2017-04-07 2018-10-11 深圳大学 一种用于三维空间跟踪转弯机动目标的方法及系统
CN108535710A (zh) * 2018-03-06 2018-09-14 中国船舶重工集团公司第七二四研究所 一种基于目标环境特征向量的干扰抑制与目标识别方法
CN114035171A (zh) * 2021-11-11 2022-02-11 西安迅尔电子有限责任公司 一种相控阵体制核电站安防雷达目标航迹处理实时算法

Also Published As

Publication number Publication date
CN102930276B (zh) 2015-10-14

Similar Documents

Publication Publication Date Title
CN103853908B (zh) 一种自适应交互式多模型的机动目标跟踪方法
CN104252178B (zh) 一种基于强机动的目标跟踪方法
Zhou et al. Adaptive artificial potential field approach for obstacle avoidance path planning
CN111460636B (zh) 不完全量测数据驱动下的机动扩展目标混合交互式强跟踪滤波方法
Zhang et al. Two-stage cooperative guidance strategy using a prescribed-time optimal consensus method
CN102930276A (zh) 基于线性回归和聚类分析理论的高速机动目标跟踪方法
Zhai et al. Millimeter wave radar target tracking based on adaptive Kalman filter
CN102568004A (zh) 一种高机动目标跟踪算法
Wang et al. Fuzzy-control-based particle filter for maneuvering target tracking
CN104793201A (zh) 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法
CN103884237A (zh) 基于目标概率分布信息的多对一协同制导方法
CN110517286B (zh) 基于多智能体控制的单目标动态跟踪与围捕方法
CN113031621B (zh) 一种桥式起重机安全避障路径规划方法及系统
Hou et al. Time-to-go estimation for terminal sliding mode based impact angle constrained guidance
CN105929391A (zh) 基于后验概率的变结构交互多模型雷达机动目标跟踪方法
CN107643083B (zh) 基于轨迹预报的空间目标中断航迹关联方法
CN105197200B (zh) 一种基于航迹引导的气垫船进坞过程自动控制系统及控制方法
Yuru et al. Impact time control guidance against maneuvering targets based on a nonlinear virtual relative model
Shaferman et al. Cooperative interception in a multi-missile engagement
CN111121804B (zh) 一种具有安全性约束的智能车辆路径规划方法及系统
Xu et al. Adapting to length shift: Flexilength network for trajectory prediction
Havangi Intelligent FastSLAM: An intelligent factorized solution to simultaneous localization and mapping
Glizer et al. Optimal evasion from a pursuer with delayed information
Chen Terminal sliding mode tracking controller design for Automatic Guided Vehicle
Yunhong et al. Maneuvering target tracking based on adaptive turning rate interactive multiple model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant