CN105116392A - 一种针对ais与主动雷达航迹融合及识别的方法 - Google Patents

Abstract

该发明一种针对AIS与主动雷达航迹融合及识别的方法，属于雷达信号处理技术领域。首先，对于处理周期内所有AIS航迹与主动雷达航迹进行时空统一预处理；其次，采用基于航迹关联代价与双重逻辑准则的航迹关联算法，对AIS与主动雷达航迹进行关联；然后，对关联成功的AIS与主动雷达航迹，更新主动雷达航迹对应的基于贝叶斯推理的航迹ID分配概率；最后，根据ID分配概率进行主动雷达航迹识别判决，对配对的AIS航迹和主动雷达航迹，进行基于DCI准则的航迹融合。从而能够在密集目标环境中，利用AIS航迹信息，有效的完成主动雷达航迹的自动识别，并提高了主动雷达目标跟踪精度。

Description

一种针对AIS与主动雷达航迹融合及识别的方法

技术领域

本发明属于雷达信号处理技术领域，涉及多传感器信息融合技术，特别涉及异类传感器信息融合技术。

背景技术

AIS是工作在VHF海上频段的岸基和船载广播式自动识别应答系统，船舶动态信息与静态信息由船载AIS设备主动上报，可以对海上目标进行探测、跟踪和识别。AIS也可作为雷达监视网的旁路系统，将主动雷达与AIS信息结合，可实现系统内优势互补，资源共享，可有效的拓展空间和时间的覆盖范围、改善监控系统可靠性与目标跟踪精度，以较低代价增强雷达系统监视能力，进而改善系统的海事监督、船舶管理或海上作战指导等功能。

在国内，对于AIS和雷达数据融合的研究有很多。2001年大连海事大学信息工程学院索继东教授的《AIS的信息融合与雷达目标跟踪》提出了基于模糊聚类算法的数据融合方法；2002年集美大学林长川教授的《雷达与AIS目标位置信息融合方法的研究》提出了基于距离和舷角双波门法判断点迹融合；2009年山东交通学院海运学院邓术章等发表的《船用ARPA雷达与AIS信息融合的实现》提出了采用灰度理论的判断航迹关联的方法。国外的相关学术巨著有波兰格丁尼亚海洋学院StuparkTadeusz和WaeruchRyszard的《调频连续波雷达和AIS的数据融合的功能分析》、美国康涅狄格大学MarcoGuerriero和PeterWillet的《AIS和雷达的数据融合以及SAR的海上监视任务》等等。

但上述方法只针对航迹融合问题进行研究，并未对密集多目标情况下的主动雷达航迹自动识别进行研究。而在实际的战争环境或海港监视应用中，有效的利用AIS信息对主动雷达航迹进行敌我识别，对战场态势形成或船舶管理等具有重要的应用价值。

发明内容

本发明针对背景技术的不足之处提供一种针对AIS与主动雷达航迹融合及识别的方法，达到密集目标环境下稳定、高效、准确的识别目标航迹的目的。

本发明的技术方案是一种针对AIS与主动雷达航迹融合及识别的方法，首先，对于处理周期内所有AIS航迹与主动雷达航迹进行时空统一预处理；其次，采用基于航迹关联代价与双重逻辑准则的航迹关联算法，对AIS与主动雷达航迹进行关联；然后，对关联成功的AIS与主动雷达航迹，更新主动雷达航迹对应的基于贝叶斯推理的航迹ID分配概率；最后，根据ID分配概率进行主动雷达航迹识别判决，对配对的AIS航迹和主动雷达航迹，进行基于DCI准则的航迹融合。因而本发明一种针对AIS与主动雷达航迹融合及识别的方法包括如下步骤：

步骤1：时空统一；

AIS和主动雷达航迹量测在地理坐标系中分别表示为和对其进行时空统一预处理，得到平面直角坐标系中时间对齐的航迹量测；

步骤2：航迹关联；

采用基于关联代价函数的航迹关联算法对AIS航迹和主动雷达航迹进行关联，具体步骤包括：

步骤2-1：计算关联代价；设k时刻所有AIS航迹量测记为所有主动雷达航迹量测记为当AIS航迹量测和主动雷达航迹量测来自同一目标时，其似然即为先验下的条件概率密度函数，关联代价则为这个似然的负对数，表示为：

$\cos t(i,j)=-log\left(p\right({\hat{x}}_A^i\left(k\right)|{\hat{x}}_R^j\left(k\right)\left)\right)$

条件概率密度函数服从正态分布，则关联代价可变为：

$\cos t(i,j)=-log\left(N\right({\hat{x}}_A^i\left(k\right)|{\hat{x}}_A^j\left(k\right),S\left(i,j\right)\left)\right)$

其中：

$N\left({\hat{x}}_A^i\right(k\left)\right|{\hat{x}}_C^j\left(k\right),S\left(i,j\right))=-\frac{1}{\sqrt{\left|2\mathrm{\π}S(i,j)\right|}}\·\exp (-\frac{1}{2}{\left({\hat{x}}_A^i\left(k\right)-{\hat{x}}_R^j\left(k\right)\right)}^T(S\left(i,j\right)\left)\right({\hat{x}}_A^i\left(k\right)-{\hat{x}}_R^j\left(k\right)\left)\right)$

S(i,j)＝H·P_j·H^T+R_i为该正态分布概率密度协方差矩阵，H为量测方程，P_j为主动雷达航迹协方差矩阵，R_i为AIS量测噪声协方差矩阵；

步骤2-2：航迹关联管理；当AIS航迹与主动雷达航迹的最近N帧关联中，有至少M次关联成功，则认定两条航迹成功关联；当AIS航迹与主动雷达航迹连续L帧关联失败，则认定两条航迹关联终止；

步骤3：航迹融合；

对于判定成功关联的AIS航迹和主动雷达航迹采用基于DCI准则的航迹融合算法，完成AIS与雷达航迹融合；

步骤4：更新航迹ID分配概率；

基于步骤2所得关联代价，主动雷达航迹的自动识别的具体方法为：

每个AIS航迹都对应一个唯一的MMSI识别码，此处称为ID号，设每条主动雷达航迹都对应一个AIS的ID分配概率集初始条件下，各ID的分配概率为一致的，即之后在上述关联算法的基础上，对每条航迹的ID分配概率做如下更新：

对于单帧判定成功关联的AIS航迹和主动雷达航迹主动雷达航迹ID分配概率：

$P\left({\mathrm{\ξ}}_j^i\right(k\left)\right|{\hat{x}}_R^j\left(k\right),{\hat{x}}_A^i\left(k\right))=\frac{P\left({\hat{x}}_A^i\right(k\left)\right|{\mathrm{\ξ}}_j^i\left(k\right),{\hat{x}}_R^j\left(k\right))P\left({\mathrm{\ξ}}_j^i\right(k),{\hat{x}}_R^j(k\left)\right)}{P\left({\hat{x}}_A^i\right(k),{\hat{x}}_R^j(k\left)\right)}$

由贝叶斯理论的条件概率推理可得：

$P\left({\mathrm{\ξ}}_j^i\right(k\left)\right|{\hat{x}}_R^j\left(k\right),{\hat{x}}_A^i\left(k\right))=\frac{P\left({\hat{x}}_A^i\right(k)|{\mathrm{\ξ}}_j^i\left(k\right),{\hat{x}}_R^j\left(k\right))P\left({\mathrm{\ξ}}_j^i\right(k)\left|{\hat{x}}_R^j\left(k\right)\right)}{P\left({\hat{x}}_A^i\right(k)\left|{\hat{x}}_R^j\left(k\right)\right)}$

其中，先验信息：

$P\left({\hat{x}}_A^i\right(k\left)\right|{\mathrm{\ξ}}_j^i\left(k\right),{\hat{x}}_R^j\left(k\right))=\left\{\begin{array}{cc}1& {\mathrm{\ξ}}_j^i\left(k\right)\∈{\hat{x}}_R^j\left(k\right)\\ 0& otherwise\end{array}\right.$

而则为步骤2中所计算的先验条件概率密度。

步骤5：根据步骤4获得的航迹ID分配概率，更新融合后的航迹的ID。

所述步骤1的具体步骤包括：

步骤1-1：将地理坐标系下的AIS和主动雷达航迹量测与采用高斯-吕克格投影算法，统一转换到平面直角坐标系中，表示为x_A＝[x,y]与x_R＝[x,y]；

步骤1-2：根据速度、航向信息将当前处理周期内的航迹均通过线性外推至k时刻，得到时空统一的AIS和主动雷达航迹量测表示为与

所述步骤3航迹融合的实现具体如下：

${\hat{X}}_{R^{\′}}^i\left(k\right)=P_{R^{\′}}\left({\mathrm{\ω}}_A{P}_A^{-1}{\hat{x}}_A^i\right(k)+{\mathrm{\ω}}_R{P}_R^{-1}{\hat{x}}_R^i(k\left)\right)$

$P_{R^{\′}}={({\mathrm{\ω}}_A{P}_A^{-1}+{\mathrm{\ω}}_R{P}_R^{-1})}^{-1}$

ω_A+ω_R＝1

其中，和P_R′为融合之后的主动雷达航迹量测和协方差矩阵，权值ω_A和ω_R为使得P_R′行列式最小的最优解：

$min\left|P_{R^{\′}}\right|=min\left|{({\mathrm{\ω}}_A{P}_A^{-1}+{\mathrm{\ω}}_R{P}_R^{-1})}^{-1}\right|.$

本发明的有益效果是：

本发明提供的新型AIS和主动雷达航迹融合与航迹自动识别方法，首先，时空统一能够有效保证后续航迹关联和航迹融合精度；然后，关联算法在关联判决时采用双重逻辑准则，考虑历史情况实现关联确认和终止，可以有效抑制密集目标环境下航迹交叉、临近等带来的误关联；随后，在关联得到表征关联概率的代价函数的基础上，采用基于贝叶斯理论的航迹ID分配概率的航迹识别算法，有效的解决了密集多目标环境下的航迹自动识别问题；最后，在考虑航迹间相关性的情况下，通过基于DCI的航迹融合算法对AIS航迹与主动雷达航迹进行融合，有效提升了主动雷达跟踪精度。综上所述，本方法能够在密集目标环境中，利用AIS航迹信息，有效的完成主动雷达航迹的自动识别，并提高了主动雷达目标跟踪精度。本发明在现实的海湾监控、海上作战中具有很高的实用性。

附图说明

图1为本发明提供的新型AIS和主动雷达航迹融合与航迹自动识别方法的处理流程图。

图2为AIS航迹与主动雷达航迹及其可识别航迹分析图。

图3为时空统一预处理后的主动雷达航迹图。

图4为AIS/主动雷达航迹融合与航迹自动识别结果。

具体实施方式

本发明主要采用实际的AIS航迹信息报和主动雷达航迹信息报数据进行验证，所有步骤、解困都在Matlab2012上验证正确有效。下面就具体实施方式对本发明做进一步的详细描述。

从实测报文中截取10分钟AIS航迹和主动雷达航迹，如图2所示，为了给后续的航迹识别融合算法提供可参考标准，将AIS航迹与主动雷达航迹通过直观比对进行可识别航迹分析，包括AIS航迹MMSI号、主动雷达航迹ID号与可识别航迹标示。可见主动雷达航迹1-8781、1-8847、1-8848、1-8767、1-8587、1-8757、1-8763、1-8759、1-8633、1-8727、1-8598、1-8774、1-8729、1-8594这14个主动雷达航迹周围都存在AIS航迹，为可能的可识别航迹。在此前提下，采用本文提出的方法进行AIS/主动雷达航迹融合与航迹自动识别，步骤如下：

步骤1：时空统一

AIS船位信息报和主动雷达航迹信息报中均包含以WGS-84地理坐标下经纬度表示的航迹信息以及信息时戳、速度、航向等有效数据。假设起始时刻信息时戳为t_k，设置处理周期T＝5s，则周期k结束时刻为t_k+1＝t_k+T，根据信息时戳t提取周期k内的有效数据。

首先通过高斯-吕克格投影算法，将AIS船位信息和主动雷达航迹信息统一转换到直角平面坐标系中得到x_A＝[x,y]和主动雷达航迹信息x_R＝[x,y]，然后再根据航速v和航向θ采用线性外推得到时间统一后的航迹信息与其中：

$\hat{x}=x+v\·cos\mathrm{\θ}\·(t_{k+1}-t)$

$\hat{y}=y+v\·sin\mathrm{\θ}\·(t_{k+1}-t)$

时空统一后的主动雷达航迹如图3所示。

步骤2：航迹关联

将k时刻所有AIS航迹量测与所有主动雷达航迹量测两两进行关联，计算其关联代价，设置关联门限a＝0.2。在关联判决时，航迹确认MN准则，设置M＝3，N＝4，航迹终止L准则，设置L＝5。

步骤3：航迹融合

对于判定成功识别的AIS航迹和主动雷达航迹采用基于DCI准则的航迹融合算法，完成AIS与雷达航迹融合。航迹融合与自动识别后的航迹ID、融合前雷达号、批号、识别结果等信息如下表1所示，融合后的主动雷达航迹如图4所示。可看出本方法航迹成功关联识别率达78.57％(11/14)，误关联识别率为8.33％(1/12)，可有效实现密集多目标环境下的主动雷达航迹自动识别。

步骤4：更新航迹ID分配概率

设初始条件下，各航迹对应的各ID的分配概率均为在每次关联结束时，对于判定成功关联的AIS航迹和主动雷达航迹更新ID分配概率在所有航迹关联与ID分配概率更新完毕，通过ID分配概率进行航迹成功识别判决，设置门限β＝0.25。

表1航迹融合/识别结果

航迹ID

融合前雷达号-批号

AIS-MMSI

航迹长度

识别结果

1	1-8997		23
					2	1-8781	412476734	46	成功识别
3	1-8845		23
					4	1-8998		23
5	1-8847	413446680	46	成功识别
					6	1-8848	413304540	46	成功识别
7	1-8768	412456526	5	成功识别
					8	1-8587	800023910	46	成功识别
9	1-8757	997752306	27	成功识别
					10	1-8763	412456526	2	成功识别
11	1-8759	412476702	4	成功识别
					12	1-8744	202226020	3	误识别
13	1-8784		3
					14	1-8633	412804899	3	成功识别
15	1-8727	412476702	2	成功识别
					16	1-8598		1	未识别
17	1-8769		3
					18	1-8774		1	未识别
19	1-8729	800023910	2	成功识别
					20	1-8754		1
21	1-3753		1
					22	1-8594		1	未识别
23	1-8447		1

Claims (3)

1.一种针对AIS与主动雷达航迹融合及识别的方法，包括如下步骤：

步骤1：时空统一；

AIS和主动雷达航迹量测在地理坐标系中分别表示为和对其进行时空统一预处理，得到平面直角坐标系中时间对齐的航迹量测；

步骤2：航迹关联；

采用基于关联代价函数的航迹关联算法对AIS航迹和主动雷达航迹进行关联，具体步骤包括：

步骤2-1：计算关联代价；设k时刻所有AIS航迹量测记为所有主动雷达航迹量测记为当AIS航迹量测和主动雷达航迹量测来自同一目标时，其似然即为先验下的条件概率密度函数，关联代价则为这个似然的负对数，表示为：

$\cos t(i,j)=-log\left(p\right({\hat{x}}_A^i\left(k\right)|{\hat{x}}_R^j\left(k\right)\left)\right)$

条件概率密度函数服从正态分布，则关联代价可变为：

$\cos t(i,j)=-log\left(N\right({\hat{x}}_A^i\left(k\right)|{\hat{x}}_A^j\left(k\right),S\left(i,j\right)\left)\right)$

其中：

$N\left({\hat{x}}_A^i\right(k\left)\right|{\hat{x}}_C^j\left(k\right),S\left(i,j\right))=-\frac{1}{\sqrt{\left|2\mathrm{\π}S(i,j)\right|}}\·\exp (-\frac{1}{2}{\left({\hat{x}}_A^i\left(k\right)\right|{\hat{x}}_R^j\left(k\right))}^T(S\left(i,j\right)\left)\right({\hat{x}}_A^i\left(k\right)|{\hat{x}}_R^j\left(k\right)\left)\right)$

S(i,j)＝H·P_j·H^T+R_i为该正态分布概率密度协方差矩阵，H为量测方程，P_j为主动雷达航迹协方差矩阵，R_i为AIS量测噪声协方差矩阵；

步骤2-2：航迹关联管理；当AIS航迹与主动雷达航迹的最近N帧关联中，有至少M次关联成功，则认定两条航迹成功关联；当AIS航迹与主动雷达航迹连续L帧关联失败，则认定两条航迹关联终止；

步骤3：航迹融合；

对于判定成功关联的AIS航迹和主动雷达航迹采用基于DCI准则的航迹融合算法，完成AIS与雷达航迹融合；

步骤4：更新航迹ID分配概率；

基于步骤2所得关联代价，主动雷达航迹的自动识别的具体方法为：

每个AIS航迹都对应一个唯一的MMSI识别码，此处称为ID号，设每条主动雷达航迹都对应一个AIS的ID分配概率集初始条件下，各ID的分配概率为一致的，即之后在上述关联算法的基础上，对每条航迹的ID分配概率做如下更新：

对于单帧判定成功关联的AIS航迹和主动雷达航迹主动雷达航迹ID分配概率：

$P\left({\mathrm{\ξ}}_j^i\right(k\left)\right|{\hat{x}}_R^i\left(k\right),{\hat{x}}_A^i\left(k\right))=\frac{P\left({\hat{x}}_A^i\right(k\left)\right|{\mathrm{\ξ}}_j^i\left(k\right),{\hat{x}}_R^i\left(k\right))P\left({\mathrm{\ξ}}_j^i\right(k),{\hat{x}}_R^i(k\left)\right)}{P\left({\hat{x}}_A^i\right(k),{\hat{x}}_R^i(k\left)\right)}$

由贝叶斯理论的条件概率推理可得：

$P\left({\mathrm{\ξ}}_j^i\right(k\left)\right|{\hat{x}}_R^i\left(k\right),{\hat{x}}_A^i\left(k\right))=\frac{P\left({\hat{x}}_A^i\right(k\left)\right|{\mathrm{\ξ}}_j^i\left(k\right),{\hat{x}}_R^i\left(k\right))P\left({\mathrm{\ξ}}_j^i\right(k),{\hat{x}}_R^i(k\left)\right)}{P\left({\hat{x}}_A^i\right(k\left)\right|{\hat{x}}_R^i\left(k\right))}$

其中，先验信息：

$P\left({\hat{x}}_A^i\right(k\left)\right|{\mathrm{\ξ}}_j^i\left(k\right),{\hat{x}}_R^j\left(k\right))=\left\{\begin{array}{cc}1& {\mathrm{\ξ}}_j^i\left(k\right)\∈{\hat{x}}_R^j\left(k\right)\\ 0& otherwise\end{array}\right.$

而则为步骤2中所计算的先验条件概率密度。

步骤5：根据步骤4获得的航迹ID分配概率，更新融合后的航迹的ID。

2.如权利要求1所述的一种针对AIS与主动雷达航迹融合及识别的方法，其特征在于所述步骤1的具体步骤包括：

步骤1-1：将地理坐标系下的AIS和主动雷达航迹量测与采用高斯-吕克格投影算法，统一转换到平面直角坐标系中，表示为x_A＝[x,y]与x_R＝[x,y]；

步骤1-2：根据速度、航向信息将当前处理周期内的航迹均通过线性外推至k时刻，得到时空统一的AIS和主动雷达航迹量测表示为与

3.如权利要求1所述的一种针对AIS与主动雷达航迹融合及识别的方法，其特征在于所述步骤3航迹融合的实现具体如下：

${\hat{X}}_{R^{\′}}^i\left(k\right)=P_{R^{\′}}\left({\mathrm{\ω}}_A{P}_A^{-1}{\hat{x}}_A^i\right(k)+{\mathrm{\ω}}_R{P}_R^{-1}{\hat{x}}_R^i(k\left)\right)$

$P_{R^{\′}}={({\mathrm{\ω}}_A{P}_A^{-1}+{\mathrm{\ω}}_R{P}_R^{-1})}^{-1}$

ω_A+ω_R＝1

其中，和P_R′为融合之后的主动雷达航迹量测和协方差矩阵，权值ω_A和ω_R为使得P_R′行列式最小的最优解：

$min\left|P_{R^{\′}}\right|=min\left|{({\mathrm{\ω}}_A{P}_A^{-1}+{\mathrm{\ω}}_R{P}_R^{-1})}^{-1}\right|.$