CN103913740B - 一种基于空域分布特征的飞鸟群目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于空域分布特征的飞鸟群目标跟踪方法，本发明提出的飞鸟群目标跟踪方法基于“探鸟雷达”实时获取的鸟情信息，首先确定当前时刻飞鸟群目标集合的预估中心，并利用隶属度关系建立多个备选的群目标量测集合；然后，提取出每个备选群目标量测集合的空域分布特征，进而估计出每个备选群目标集合与前一时刻群目标集合的空域分布相似度；最后，以相似度最大的群目标量测集合修正群预估中心。本发明基于空域分布特征的群目标跟踪方法适用于密集飞行的飞鸟群目标，不会受到群目标量测缺失或空间位置偏移的影响。

Description

一种基于空域分布特征的飞鸟群目标跟踪方法

技术领域

本发明涉及一种基于空域分布特征的飞鸟群目标跟踪方法，属于低空空域安全监视技术领域，涉及雷达图像处理与目标检测。

背景技术

“探鸟雷达”是机场鸟情观测的重要技术手段，其优点在于不受能见度和恶劣天气等因素的限制，能够全天候自动运行。但是，当雷达跟踪目标为鸟群时，个体目标的空间距离很近，运动方式大致相同，回波众多且关联门交叉严重，要实现精确跟踪十分困难。如果把这些有一定规律的目标作为一个群进行跟踪，就可以避免采用一般目标跟踪方法所遇到的问题，在节省雷达资源的同时取得更好的跟踪效果。

由于探鸟雷达图像分辨率较低，导致单个目标的尺寸一般小于雷达分辨单元；当鸟群目标密集飞行时，距离过近的成员只能占据一个分辨单元，加之飞鸟目标起伏特性明显，在观测过程中群中某些成员的量测可能缺失，其空间位置可能发生偏移，且可能混进一些虚警目标，导致传统的群目标跟踪算法性能显著下降。但是，鸟类的飞行一般是有组织的，例如线性排列飞行和聚集飞行；尽管受到漏检和虚警的干扰，鸟群中的大部分成员仍然保持了特定的空域分布特征。

发明内容

本发明的目的是为了解决解决上述问题，提出一种基于空域分布特征的飞鸟群目标跟踪方法，该方法适用于基于“机场探鸟雷达”的飞鸟群目标跟踪，在节省雷达资源的同时取得更好的跟踪效果。

一种基于空域分布特征的飞鸟群目标跟踪方法，包括如下步骤：

步骤1，群目标中心预估；

步骤2，建立备选群目标集合；

步骤3，空域分布特征提取；

步骤4，相似度计算；

步骤5，群目标中心修正。

本发明的优点在于：

(1)基于空域分布特征的群目标跟踪方法适用于密集飞行的飞鸟群目标，不会受到群目标量测缺失或空间位置偏移的影响；

(2)基于空域分布特征的群目标跟踪方法适用于有组织飞行的飞鸟群目标，不会受到漏检和虚警的影响。

附图说明

图1是本发明的基于空域分布特征的飞鸟群目标跟踪方法的示意图；

图2是本发明实施例的当前帧图像中的量测位置示意图；

图3是本发明实施例的当前帧图像中相似度最大的群目标集合示意图；

图4是本发明实施例的飞鸟群目标中心跟踪结果示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种基于空域分布特征的飞鸟群目标跟踪方法，包括如下步骤：

步骤1，群目标中心预估；

设飞鸟群目标在前一个扫描周期中的群目标集合为G_k-1，中心为O_k-1，前一个扫描周期中包含q个量测信息，飞鸟群运动速度为v，则飞鸟群目标在当前扫描周期中的群预估中心为：

$O_k^{*}=O_{k-1}+v\·\mathrm{\Δt}---\left(1\right)$

其中，k为当前扫描周期，k-1为前一个扫描周期，Δt为雷达的扫描周期步长。由于“探鸟雷达”获取的鸟情信息为二维信息，因此O_k-1、v为均为二维向量。

步骤2，建立备选群目标集合；

基于步骤1中获得的群目标预估中心和当前扫描周期中的量测信息

M_k＝{m_i|i＝1,2,...,n}(2)

其中：M_k表示当前扫描周期中的量测信息集合，m_i表示当前扫描周期中的两侧信息，n表示量测信息的数量；

建立N个备选群目标集合，每个备选群目标集合的中心由下式计算

$O_k^j=O_k^{*}+{\mathrm{\η}}_k^j,j=\mathrm{1,2},...,N---\left(3\right)$

其中：表示群目标中心随机偏移向量。

每个备选群目标集合中包含的元素需满足以下条件

$G_k^j=\left\{m_i\right||m_i-O_k^j|<\mathrm{\&theta;}\},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,N---\left(4\right)$

式中，θ为距离阈值。由上式获得的N个备选群目标集合中，每个备选群目标集合包含p_j个量测，且满足p_j≤n。

步骤3，空域分布特征提取；

采用距离度量的方法提取备选群目标集合的空域分布特征，求出中任意两个量测之间的差矢量模组成的距离集合，即群目标集合的空域分布特征集合记为

$L\left\{G_k^j\right\}={\left\{l_s^{k,j}\right\}}_{s=1}^{C_{p_j}^2}---\left(5\right)$

式中，且a＜b，s表示空域分布特征集合中每个元素的角标，表示元素的总数。

步骤4，相似度计算；

按照公式(6)提取前一个扫描周期中的群目标集合G_k-1的空域分布特征集合为

$L\left\{G_{k-1}\right\}={\left\{l_t^{k-1}\right\}}_{t=1}^{C_q^2}---\left(6\right)$

式中，t表示空域分布特征集合G_k-1中每个元素的角标，表示元素的总数，q为群目标集合G_k-1中的量测个数。计算前一个扫描周期中的群目标集合G_k-1的空域分布特征集合与当前扫描周期中N个备选群目标集合空域分布特征集合内元素两两之间的距离，得到距离矩阵：

$R_{k-1,k}^j=\left[r_{\mathrm{st}}\right],1\&le;s\&le;C_{p_j}^2,1\&le;t\&le;C_q^2---\left(7\right)$

其中，r_st表示和内元素之间的绝对差。

设集合和之间的距离为

${\mathrm{\&mu;}}_{k-1,k}^j=\max (\max \left(R_{\min }\right),\max \left(C_{\min }\right))---\left(8\right)$

其中，R_min和C_min分别为距离矩阵中每行和每列中最小元素组成的集合。

设相似度为

${\mathrm{\&lambda;}}_{k-1,k}^j=\exp \{-\mathrm{\&xi;}\&CenterDot;{\mathrm{\&mu;}}_{k-1,k}^j\},j=\mathrm{1,2},...,N---\left(9\right)$

其中，ξ为调整系数；

设λ_max表示相似度的最大值，λ_max对应的备选群目标集合作为当前扫描周期的群目标量测集合，其中心坐标为

步骤5，群目标中心修正；

利用步骤4中获得的相似度系数λ_max和中心坐标修正群预估中心，如下式

$O_k=O_k^{*}+{\mathrm{\&lambda;}}_{\max }\&CenterDot;({\stackrel{\&OverBar;}{G}}_k^{{\mathrm{\&lambda;}}_{\max }}-O_k^{*})---\left(10\right)$

经过上式对k时刻群目标预估中心的修正，获得k时刻群目标的估计中心O_k，完成k时刻的飞鸟群目标跟踪；然后，基于式（1）继续预估k+1时刻的群目标预估中心进入下一轮飞鸟群目标跟踪过程，直至结束。

本发明利用雷达图像中飞鸟群目标的空域分布特征对其进行跟踪，在节省雷达资源的同时取得更好的跟踪效果，其流程图如图1所示，本发明的基于空域分布特征的飞鸟群目标跟踪方法，包括具体步骤如下：

步骤1，群目标中心预估；

设飞鸟群目标在前一个扫描周期中的群目标集合为G_k-1，中心为O_k-1，前一个扫描周期中包含q个量测信息，飞鸟群运动速度为v，则飞鸟群目标在当前扫描周期中的群预估中心为：

$O_k^{*}=O_{k-1}+v\&CenterDot;\mathrm{\&Delta;t}---\left(1\right)$

其中，k为当前扫描周期，k-1为前一个扫描周期，Δt为雷达的扫描周期步长。由于“探鸟雷达”获取的鸟情信息为二维信息，因此群目标中心为二维向量[x,y]，运动速度为二维向量[v_x,v_y]。

如图2所示，雷达图像大小为456×456，图像左下角为坐标原点，X轴水平向右，Y轴垂直向上，一群飞鸟目标沿X轴负方向水平运动。设当前扫描周期标记为k=1，前一扫描周期标记为k-1=0，群目标集合G₀共包含q=20个量测，其中心为O₀=[403.4,335.3]，运动速度为v=[-8.3,-3.6]，雷达的扫描周期Δt＝2.5。因此，该群目标在当前扫描周期中的群预估中心为

$O_1^{*}=\left[\mathrm{403.4,335.3}\right]+[-8.3,-3.6]\&times;2.5=\left[\mathrm{382.7,326.3}\right].$

步骤2，建立备选群目标集合；

基于步骤1中获得的群目标预估中心和当前扫描周期中的量测信息，当前扫描周期中共有40个量测，则

M₁＝{m_i|i＝1,2,...,40}(2)

其中：M₁表示当前扫描周期中的量测信息集合，m_i表示当前扫描周期中的两侧信息；当前帧图像的所有量测位置如图2所示。

建立N=9个备选群目标集合，每个备选群目标集合的中心由下式计算

$O_1^j=O_1^{*}+{\mathrm{\&eta;}}_1^j,j=\mathrm{1,2},...,9---\left(3\right)$

式中， ${\mathrm{\&eta;}}_1^1=\left[\mathrm{0,0}\right],{\mathrm{\&eta;}}_1^2=\left[\mathrm{1,0}\right],{\mathrm{\&eta;}}_1^3=[\sin (\mathrm{\&pi;}/4),\cos (\mathrm{\&pi;}/4)],{\mathrm{\&eta;}}_1^4=\left[\mathrm{0,1}\right],$ ${\mathrm{\&eta;}}_1^5=[-\sin (\mathrm{\&pi;}/4),\cos (\mathrm{\&pi;}/4)],{\mathrm{\&eta;}}_1^6=[-\mathrm{1,0}],{\mathrm{\&eta;}}_1^7=[-\sin (\mathrm{\&pi;}/4),-\cos (\mathrm{\&pi;}/4)],{\mathrm{\&eta;}}_1^8=[0,-1],$ ${\mathrm{\&eta;}}_1^9=[\sin (\mathrm{\&pi;}/4),-\cos (\mathrm{\&pi;}/4)].$

每个备选群目标集合中包含的元素需满足以下条件

$G_1^j=\left\{m_i\right||m_i-O_1^j|<\mathrm{\&theta;}\},i=\mathrm{1,2},...,40;j=\mathrm{1,2},...,9---\left(4\right)$

式中，设距离阈值为θ=104。

由上式获得的9个备选群目标集合中，每个备选群目标集合包含p_j个量测，具体为:p₁＝20，p₂＝20，p₃＝18，p₄＝19，p₅＝18，p₆＝20，p₇＝21，p₈＝20，p₉＝20。步骤3，空域分布特征提取；

采用距离度量的方法提取备选群目标集合的空域分布特征，求出中任意两个量测之间的差矢量模组成的距离集合，即群目标集合的空域分布特征集合记为

$L\left\{G_1^j\right\}={\left\{l_s^{1,j}\right\}}_{s=1}^{C_{p_j}^2}---\left(5\right)$

式中， $L_s^{k,j}=|m_a-m_b|,m_a,m_b\&Element;G_k^j.$ 且a＜b。

步骤4，相似度计算；

按照公式(6)提取前一个扫描周期中的群目标集合G_k-1的空域分布特征集合为：

$L\left\{G_0\right\}={\left\{l_t\right\}}_{t=1}^{C_{20}^2}---\left(6\right)$

计算其与当前扫描周期中9个备选群目标集合空域分布特征集合内元素两两之间的距离，得到距离矩阵

$R^{\mathrm{0,1}}=\left[r_{\mathrm{st}}\right],1\&le;s\&le;C_{p_j}^2,1\&le;t\&le;C_{20}^2---\left(7\right)$

其中，r_st表示内元素之间的绝对差。

设集合和之间的距离为

${\mathrm{\&mu;}}_{\mathrm{0,1}}^j=\max (\max \left(R_{\min }\right),\max \left(C_{\min }\right))---\left(8\right)$

其中，R_min和C_min分别为距离矩阵中每行和每列中最小元素组成的集合。

设相似度为

${\mathrm{\&lambda;}}_{0,1}^j=\exp \{-\mathrm{\&xi;}\&CenterDot;{\mathrm{\&mu;}}_{0,1}^j\},j=\mathrm{1,2},...,9---\left(9\right)$

其中，ξ为调整系数，并以相似度最大（λ_max）的一组备选群目标集合作为当前扫描周期的群目标量测集合，其中心坐标为

在本实施例中，调整系数ξ＝0.1，则当前帧图像中相似度最大的群目标集合如图3所示，其最大相似度为 ${\mathrm{\&lambda;}}_{\max }=\exp \{-0.1*{\mathrm{\&mu;}}_{\mathrm{0,1}}^4\}=\exp \{-0.1*4.3\}=0.65,$ 该集合的中心坐标为

${\stackrel{\&OverBar;}{G}}_1^{{\mathrm{\&lambda;}}_{\max }}=[386.9,331.2]$

步骤5，群目标中心修正；

利用步骤4中获得的相似度系数λ_max和中心坐标修正群预估中心，如下式

$\begin{array}{c}{O}_1=O_1^{*}+{\mathrm{\&lambda;}}_{\max }\&CenterDot;({\stackrel{\&OverBar;}{G}}_1^{{\mathrm{\&lambda;}}_{\max }}-O_1^{*})\\ =\left[\mathrm{382.7,326.3}\right]+0.65\&times;\left(\right[\mathrm{386.9,331.2}]-[\mathrm{382.7,326.3}\left]\right)\\ =\left[\mathrm{385.4,329.5}\right]\end{array}---\left(10\right)$

按照以上步骤，处理24个连续扫描周期（k=1,2,…,24）中的“探鸟雷达”数据，获得飞鸟群目标中心跟踪结果如图4所示。

Claims (1)

1.一种基于空域分布特征的飞鸟群目标跟踪方法，包括如下步骤：

步骤1，群目标中心预估；

设飞鸟群目标在前一个扫描周期中的群目标集合为G_k-1，中心为O_k-1，前一个扫描周期中包含q个量测信息，飞鸟群运动速度为v，则飞鸟群目标在当前扫描周期中的群预估中心为：

$O_k^{*}=O_{k-1}+v\&CenterDot;\mathrm{\&Delta;t}---\left(1\right)$

其中，k为当前扫描周期，k-1为前一个扫描周期，Δt为雷达的扫描周期步长；O_k-1、v为均为二维向量；

步骤2，建立备选群目标集合；

基于步骤1中获得的群目标预估中心和当前扫描周期中的量测信息

M_k＝{m_i|i＝1,2,...,n}(2)

其中：M_k表示当前扫描周期中的量测信息集合，m_i表示当前扫描周期中的量测信息，n表示量测信息的数量；

建立N个备选群目标集合，每个备选群目标集合的中心由下式计算

$O_k^j=O_k^{*}+{\mathrm{\&eta;}}_k^j,j=\mathrm{1,2},...,N---\left(3\right)$

其中：表示群目标中心随机偏移向量；

每个备选群目标集合中包含的元素需满足以下条件

$G_k^j=\left\{m_i\right||m_i-O_k^j|<\mathrm{\&theta;}\},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,N---\left(4\right)$

式中，θ为距离阈值；

获得N个备选群目标集合，每个备选群目标集合中包含p_j个量测信息，且满足p_j≤n；

步骤3，空域分布特征提取；

获取中任意两个量测信息之间的差矢量模组成的距离集合，记为

$L\left\{G_k^j\right\}={\left\{l_s^{k,j}\right\}}_{s=1}^{C_{p_j}^2}---\left(5\right)$

式中，且a＜b，s表示空域分布特征集合中每个元素的角标， $C_{p_j}^2=p_j\&CenterDot;(p_j-1)/2$ 表示元素的总数；

步骤4，相似度计算；

按照公式(6)提取前一个扫描周期中的群目标集合G_k-1的空域分布特征集合为：

$L\left\{G_{k-1}\right\}={\left\{l_t^{k-1}\right\}}_{t=1}^{C_q^2}---\left(6\right)$

式中：t表示空域分布特征集合G_k-1中每个元素的角标，表示元素的总数，q为群目标集合G_k-1中的量测个数，计算其与当前扫描周期中N个备选群目标集合空域分布特征集合内元素两两之间的距离，得到距离矩阵

$R_{k-1,k}^j=\left[r_{\mathrm{st}}\right],1\&le;s\&le;C_{p_j}^2,1\&le;t\&le;C_q^2---\left(7\right)$ 其中，rst表示和内元素之间的绝对差；

设集合和之间的距离为

${\mathrm{\&mu;}}_{k-1,k}^j=\max (\max \left(R_{\min }\right),\max \left(C_{\min }\right))---\left(8\right)$

其中，R_min和C_min分别为距离矩阵中每行和每列中最小元素组成的集合；

设相似度为

${\mathrm{\&lambda;}}_{k-1,k}^j=\exp \{-\mathrm{\&xi;}\&CenterDot;{\mathrm{\&mu;}}_{k-1,k}^j\},j=\mathrm{1,2},...,N---\left(9\right)$

其中，ξ为调整系数；

设λ_max表示相似度的最大值，λ_max对应的备选群目标集合作为当前扫描周期的群目标量测集合，其中心坐标为

步骤5，群目标中心修正；

利用步骤4中获得的相似度系数λ_max和中心坐标修正群预估中心，如下式

$O_k=O_k^{*}+{\mathrm{\&lambda;}}_{\max }\&CenterDot;({\stackrel{\&OverBar;}{G}}_k^{{\mathrm{\&lambda;}}_{\max }}-O_k^{*})---\left(10\right)$

最后得到修正后k时刻飞鸟群目标估计中心O_k，完成k时刻的飞鸟群目标跟踪，返回步骤1，进入k+1时刻，依次循环直至完成飞鸟群目标跟踪。