CN104391294A - 一种基于连通域特征和模板匹配的雷达点迹关联方法 - Google Patents
一种基于连通域特征和模板匹配的雷达点迹关联方法 Download PDFInfo
- Publication number
- CN104391294A CN104391294A CN201410707302.2A CN201410707302A CN104391294A CN 104391294 A CN104391294 A CN 104391294A CN 201410707302 A CN201410707302 A CN 201410707302A CN 104391294 A CN104391294 A CN 104391294A
- Authority
- CN
- China
- Prior art keywords
- target
- domain
- method based
- template matches
- correlation
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明设计一种基于连通域特征和模板匹配的雷达点迹关联方法。该方法主要针对在复杂环境下的机动目标,在保证实时性的情况下实现稳定的目标点迹关联。方法实现过程是:首先对当前关注目标建立3×3网格式关联域,并把原始雷达视频数据的幅度量级按照0~255的灰度级别进行投影,转化成图像数据;针对周期间关联域内的图像,运用帧差法去除地物、杂波和固定目标干扰;其次运用直方图规定化处理,进一步去除杂波,并区分出背景和目标;然后进行连通域检测,提取出特征参数;最后根据特征参数,采用相似性度量函数进行特征匹配,关联到所关注目标。本方法可以在复杂环境下实现稳定的机动目标关联。随着未来武器装备性能和干扰措施的不断提高,该发明具有广泛的应用前景。
Description
技术领域
本发明属于雷达数据处理中的目标数据关联技术,涉及一种基于连通域特征和模板匹配的雷达点迹关联方法,可以实现复杂环境下雷达目标点迹的关联。
背景技术
数据关联算法一直是目标跟踪领域的一项关键技术。数据关联的准确与否直接影响到航迹融合的精度。随着目标自身的机动性能的不断提高和新式干扰措施的提出,都对数据关联算法提出了新的挑战。
数据关联问题的核心在于如何将原始的目标回波判定为可能的目标航迹。目前,这方面的方法很多,在理论上较完善的算法是联合概率数据关联法,但该方法在密集多目标环境下其联合关联假设数目急剧增加,计算量出现“组合爆炸”现象,并且当目标处于强杂波背景下时,目标测量的不确定性也随之增加,这种情况将会导致较多的错、漏相关;同时,当目标出现机动时,采用多模型自适应跟踪方法,由于杂波干扰,真实目标回波新息将增大,关联概率减小,最终导致关联失败。
本发明结合连通域特征和模板匹配理论,设计出一种基于连通域特征的目标检测方法,通过设计一种以当前目标为中心的3×3网格式关联域,并把原始雷达视频数据的幅度量级按照0~255的灰度级别进行投影,转化成图像数据,在关联域内,采用图像处理的相关算法,检测连通域,提取出目标的特征参数;同时提出一种基于模板匹配的目标点迹关联方法,根据已经获取到的目标特征参数,采用相似性度量函数,对检测出的连通区域进行模板匹配,从而关联到重点关注目标。
发明内容
本发明的目的在于提出一种基于连通域特征和模板匹配的雷达点迹关联方法,该发明能够自适应的实现目标点迹关联。
实现本发明的技术解决方案为:针对重点关注目标,借助模板的方法,以目标的连通域为中心形成一个类似3×3模板的网格式关联域,以关联域为处理单元,从而大大减少数据量,保证了实时性,且提高了重点关注目标的关联精度。
在本方法中,针对当前重点关注目标建立关联区域,如图2所示,A为目标当前的位置,其他八个区域为下一个周期的可能的预测位置。由于目标在两点建航后,就基本确定了航向,所以只需把虚线框内的关联区域作为备选处理单元,即对所关注目标处理的同时保存其备选单元的数据,作为下一个天线周期所关注目标的检测背景。
然后,根据保存的检测背景的数据,在下一个天线周期进行帧差法处理,从而有效去除大量的杂波以及地物干扰。但是由于回波的起伏,还会有一些残留,会影响目标检测的精度。因此采用直方图规定化处理,有效的区分出背景和目标。直方图是图像的一种统计表达。对一幅灰度图像而言,灰度统计直方图反映了该图中不同灰度级出现的统计情况。其中,横轴表示不同的灰度级(0~255),纵轴表示图像中各个灰度级像素的个数。
图3和图4是根据真实数据模拟的目标投影以及其直方图的效果。图3(a)、(b)、(c)分别为强目标,弱小目标和杂波背景的图像,从(a)中可以看出,由于目标回波较强,反映到图像中就是该区域图像的像素灰度值动态范围比较宽,灰度级分布大约从0到120,其中灰度级100~120之间的尖峰对应图3(a)中间最亮的(目标幅度最强)的区域,而灰度级50~80之间的尖峰则对应最亮区域的边缘部分,而灰度级20到50之间也呈现出了像素灰度值的变化,它对应目标上下两侧灰度稍暗的区域;而图3(b)中由于目标回波较弱,故像素灰度值动态范围相对较窄,大约从0到40左右,而目标的尖峰出现在20到30之间;图4(c)为杂波背景图像,故像素灰度值都集中在大约20以内。
根据直方图可以把雷达回波图像中的杂波背景和目标区分开来,只需要有选择的增强某个灰度值范围内的对比度或使图像灰度值的分布满足特定的要求,具体步骤如下。
(1)、分别得到原始图像和规定直方图的累积直方图 和,式中为图像的第级灰度值,是图像里像素的总个数,和分别为原始图像和规定图像中的灰度级数,且。通过对图像里像素的总个数进行归一化,直方图各列表达了各灰度值像素在图像中所占的比例。
(1)
(2)
(3)
(2)、根据式(2)和(3),计算中每一个值在中的距离最小的位置。
(3)、求原图像每个像素通过index映射到的新像素的值。
采用直方图规定化处理后,可以基本去除杂波干扰,但是所关注目标进入到关联区域的同时也可能混入其他的机动目标,这就需要提取出所有目标的特征参数,以备后续的匹配关联。
直方图规定化后的图像属于灰度图像,像素值分布从0到255,不利于检测连通域,需要以规定化直方图为参考,在图像中找到一个合适的阈值,以阈值为分割点,把图像转化成二值图像(用0和255两种灰度级表示的图像),从而方便提取出连通区域特征参数。然后,为了获得所有连通域的外部特征,对其进行轮廓提取。具体步骤是:以3×3模板扫描整个关联域,中间点为当前点,判断如果当前点像素值为0,且它的8个相邻点值都为0时,则将该当前点的像素值置为255。
根据已获取的目标参数信息,采用模板对原始目标图像进行相似性匹配。设模板叠放在关联域的图像上进行平移,为了保证算法的实时性,只选取提取轮廓的目标区域进行相似性计算。若两者一致,则和之差趋近于零。
(4)
将此式展开如式(5)所示:
(5)
此式中第一项表示模板覆盖下那块图像的能量,第三项表示模板总能量,第二项是当前疑似目标轮廓区域和模板的互相关,随而变化,和匹配时这一项的取值最大。
本方法采用如式(6)所示相似度函数计算当前周期下目标和模板的相似度,其中模板的值取感兴趣目标历史航迹中目标特征点的均值,为关联域的宽度,为关联域的长度。
(6)
本发明在基于Windows的软件平台上,实现了该算法并应用于工程实际。
在本发明中从图像处理的角度出发,提出一种新的自适应雷达点迹关联方法。基于连通域特征,设计了一种目标检测方法,可以在复杂环境下有效地检测出多种运动形态的目标;并提出了一种基于模板匹配的目标点迹关联方法,可以准确的关联到所关注的目标,避免错、漏相关。
本发明与现有方法相比,其显著优点为:采用基于连通域特征和模板匹配的雷达点迹关联方法,最适合在复杂情况下机动目标的关联,因为它能有效的去除杂波的干扰,从而保证准确的提取出所关注目标的参数信息,避免产生漏、错关联的现象;同时它可以自适应的满足各种运动形态的需要,并易于工程实现。该方法的提出为雷达目标关联问题提供了新的解决思路,尤其对于解决复杂情况下机动加速度大范围变动的目标的关联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为基于连通域特征和模板匹配的雷达点迹关联方法的流程图。
图2为关联域示意图。
图3为目标和杂波背景图像。
图4为目标和杂波背景图像的直方图。
图5为规定直方图。
具体实施方式
本发明基于连通域特征和模板匹配的雷达点迹关联方法具体实施步骤(参见图1)。
(1)对所关注目标进行两点建航,并获取航向。
(2)以关注目标为中心建立关联域。首先,根据目标的历史坐标值和,由下式可得到和的参数估计值。
(7)
其中,和为样本均值,为样本集中第个周期的估计值,为前个周期的平均估计值,即,其中,,和分别为和方向上加速度。
然后以前一个周期的外推位置为中心,建立关联域子单元,宽度和高度分别为:,,并根据子单元形成备选单元。其中,为当前周期滤波值与外推值之间的距离,和为目标连通域的高度和宽度,为量程系数。
(3)保存当前周期备选单元内的原始视频数据,并对其进行直方图处理,判断关联域内是否存在地物或其他目标。
(4)根据关联域直方图计算用于分割背景和目标的阈值(即用于分割背景和目标的灰度级),其中为0~255个灰度级,为每个灰度级的个数:
(8)。
(5)采用帧差法去除地物和杂波干扰。
(6)选取规定直方图,进行直方图规定化处理,进一步剔出杂波,区分出背景和目标。假设背景和目标的灰度级服从高斯分布,如式(5)和(6)所示,其中、,为前一个周期目标检测到的最大幅度值(即图(5)中B点的值):
(9)
(10)。
(7)根据阈值分割和轮廓提取,检测出连通域,获取待分辨目标的特征向量和,其中和分别为待分辨连通域的面积和周长,为待分辨连通域的数目,然后根据形状因子对其进行分类,如式(11)所示:
(11)。
(8)针对分类后的结果,采用相似性函数对当前周期的雷达视频投影后的数据作模板匹配,找到最小的值,即为所关注目标。
本算法的滤波模型采用交互多模型(IMM),针对模拟数据在杂波环境下进行仿真试验,采用传统方法时,由于杂波、地物和干扰目标的存在,目标往往会产生错、漏关联,严重影响跟踪的精度。当采用了本发明的方法时,可以显著的去除杂波,并将背景和目标区分开,然后提取待分辨目标的特征参数,进行模板匹配,从而保证了机动目标穿杂波时的稳定跟踪。
基于连通域特征和模板匹配的雷达点迹关联方法已经成功应用于某型雷达系统。该方法可以实现复杂环境下,重点关注目标的稳定跟踪,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)
1.一种基于连通域特征和模板匹配的雷达点迹关联方法,其特征在于:提出一种基于连通域特征的目标检测方法,设计了一种类似3×3模板的网格式关联域,针对重点关注目标,在关联域内进行连通域检测,获取目标的特征参数;并提出一种基于模板匹配的目标关联方法,根据目标特征参数,采用模板匹配的方法提取出所关注的目标。
2.根据权利要求1所述的一种基于连通域特征和模板匹配的雷达点迹关联方法,其特征在于基于连通域特征的目标检测方法:首先对重点关注目标建立3×3网格式关联域,并把原始雷达视频数据的幅度量级按照0~255的灰度级别进行投影,转化成图像数据;针对周期间关联域内的图像,运用帧差法去除地物、杂波和固定目标干扰;然后运用直方图规定化处理,进一步去除杂波,从而区分出背景和目标;最后采用阈值分割和轮廓提取检测出连通域的特征参数。
3.根据权利要求1所述的一种基于连通域特征和模板匹配的雷达点迹关联方法,其特征在于基于模板匹配的目标点迹关联方法:根据提取出的目标连通域参数,计算得出形状因子,对连通域进行分类;然后以历史目标连通域的数据为模板,采用相似性函数对当前周期的雷达视频投影后的数据作模板匹配,提取出所关注目标,该方法实现了准确的数据关联,避免了由于目标测量的不确定性导致的错、漏相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410707302.2A CN104391294B (zh) | 2014-11-27 | 2014-11-27 | 一种基于连通域特征和模板匹配的雷达点迹关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410707302.2A CN104391294B (zh) | 2014-11-27 | 2014-11-27 | 一种基于连通域特征和模板匹配的雷达点迹关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104391294A true CN104391294A (zh) | 2015-03-04 |
CN104391294B CN104391294B (zh) | 2017-07-14 |
Family
ID=52609218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410707302.2A Active CN104391294B (zh) | 2014-11-27 | 2014-11-27 | 一种基于连通域特征和模板匹配的雷达点迹关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104391294B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809720A (zh) * | 2015-04-08 | 2015-07-29 | 西北工业大学 | 基于小交叉视场的两相机目标关联方法 |
CN105243360A (zh) * | 2015-09-21 | 2016-01-13 | 西安空间无线电技术研究所 | 一种基于距离搜索的舰船目标自组织聚类方法 |
CN106918807A (zh) * | 2017-02-28 | 2017-07-04 | 西安电子科技大学 | 一种雷达回波数据的目标点迹凝聚方法 |
CN107479037A (zh) * | 2017-08-18 | 2017-12-15 | 上海无线电设备研究所 | 一种pd雷达杂波区域判别方法 |
CN111161303A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
CN117541484A (zh) * | 2024-01-09 | 2024-02-09 | 巨野县龙祥面粉有限公司 | 一种用于面粉麸星检测的图像增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706576A (zh) * | 2009-11-13 | 2010-05-12 | 山东大学 | 基于雷达图像的运动目标形态检测及跟踪方法 |
CN102096925A (zh) * | 2010-11-26 | 2011-06-15 | 中国科学院上海技术物理研究所 | 一种机动目标的实时闭环预测跟踪方法 |
CN102540181A (zh) * | 2011-12-26 | 2012-07-04 | 南京鹏力系统工程研究所 | 一种基于环境信息图点迹预处理的航迹起始方法 |
CN103630885A (zh) * | 2013-11-07 | 2014-03-12 | 北京环境特性研究所 | 合成孔径雷达的目标识别方法和系统 |
-
2014
- 2014-11-27 CN CN201410707302.2A patent/CN104391294B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706576A (zh) * | 2009-11-13 | 2010-05-12 | 山东大学 | 基于雷达图像的运动目标形态检测及跟踪方法 |
CN102096925A (zh) * | 2010-11-26 | 2011-06-15 | 中国科学院上海技术物理研究所 | 一种机动目标的实时闭环预测跟踪方法 |
CN102540181A (zh) * | 2011-12-26 | 2012-07-04 | 南京鹏力系统工程研究所 | 一种基于环境信息图点迹预处理的航迹起始方法 |
CN103630885A (zh) * | 2013-11-07 | 2014-03-12 | 北京环境特性研究所 | 合成孔径雷达的目标识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
龙波: "天空背景下红外弱小目标的检测与跟踪算法研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809720A (zh) * | 2015-04-08 | 2015-07-29 | 西北工业大学 | 基于小交叉视场的两相机目标关联方法 |
CN104809720B (zh) * | 2015-04-08 | 2017-07-14 | 西北工业大学 | 基于小交叉视场的两相机目标关联方法 |
CN105243360A (zh) * | 2015-09-21 | 2016-01-13 | 西安空间无线电技术研究所 | 一种基于距离搜索的舰船目标自组织聚类方法 |
CN106918807A (zh) * | 2017-02-28 | 2017-07-04 | 西安电子科技大学 | 一种雷达回波数据的目标点迹凝聚方法 |
CN106918807B (zh) * | 2017-02-28 | 2019-07-09 | 西安电子科技大学 | 一种雷达回波数据的目标点迹凝聚方法 |
CN107479037A (zh) * | 2017-08-18 | 2017-12-15 | 上海无线电设备研究所 | 一种pd雷达杂波区域判别方法 |
CN107479037B (zh) * | 2017-08-18 | 2020-04-17 | 上海无线电设备研究所 | 一种pd雷达杂波区域判别方法 |
CN111161303A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
CN117541484A (zh) * | 2024-01-09 | 2024-02-09 | 巨野县龙祥面粉有限公司 | 一种用于面粉麸星检测的图像增强方法 |
CN117541484B (zh) * | 2024-01-09 | 2024-05-14 | 巨野县龙祥面粉有限公司 | 一种用于面粉麸星检测的图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104391294B (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104391294A (zh) | 一种基于连通域特征和模板匹配的雷达点迹关联方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN103077521B (zh) | 一种用于视频监控的感兴趣区域提取方法 | |
CN101727654B (zh) | 一种并行流水线实现的点目标连通域实时标记与识别方法 | |
CN101996401B (zh) | 基于强度图像和深度图像的目标分析方法及设备 | |
CN102496016B (zh) | 一种基于时空协同框架的红外目标检测方法 | |
CN102567733B (zh) | 一种微波图像非合作情况下人体隐私部位检测与遮挡方法 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN102540264B (zh) | 一种人体隐私部位自动检测与遮挡的微波安检系统 | |
CN104156987A (zh) | 一种视频内容多目标跟踪方法 | |
CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN104680538A (zh) | 基于超像素的sar图像cfar目标检测方法 | |
CN103336947A (zh) | 基于显著性和结构性的红外运动小目标识别方法 | |
CN105427342A (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
CN103247032B (zh) | 一种基于姿态补偿的微弱扩展目标定位方法 | |
CN104881561A (zh) | 一种基于Hough变换的多维参数的检测前跟踪方法 | |
CN106327464A (zh) | 一种边缘检测方法 | |
CN104199009B (zh) | 一种基于时域特性的雷达图像杂波抑制方法 | |
CN113781523B (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
CN111161308A (zh) | 一种基于关键点匹配的双波段融合目标提取方法 | |
CN105303566A (zh) | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 | |
CN110163894A (zh) | 基于特征匹配的亚像素级目标跟踪方法 | |
CN109461171A (zh) | 基于多通道改进DoG滤波的红外弱小目标检测算法 | |
CN105118072A (zh) | 一种对多个运动目标进行跟踪的方法及装置 | |
CN102073996B (zh) | 基于图像相关性评估的图像分割阈值确定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |