CN105974403A - 广义分群检测方法 - Google Patents

Abstract

一种广义分群检测方法，包括以下步骤：S1，广义点迹生成；S2，广义分群检测准则；S3，广义分群检测算法。广义点迹使得分群检测具有选择性，提高了抗干扰能力；广义分群检测准则使得分群检测具有灵活性，提高了目标识别能力；广义分群检测算法使得分群检测具有广泛性，提高了态势认知能力。广义分群检测算法不仅适用于窄带雷达、宽带雷达目标跟踪，还能够应用于可见光、红外与多光谱等传感器的目标跟踪；既适用于单目标跟踪，也适用于多目标跟踪；既适用于密集多目标跟踪，也适用于稀疏多目标跟踪；既适用于物理域的群目标跟踪，也适用于功能域的群目标跟踪。对陆上、空中、海面、临近空间与太空等目标的探测系统能力提升，以及指控系统瘦身。

Description

广义分群检测方法

技术领域

本发明涉及信息处理领域，特别涉及雷达、光学系统目标跟踪与指控系统的态势认知领域。

背景技术

群目标也称为团目标、目标群，是指满足给定的目标间距准则，在足够长的时间内保持空间位置相对稳定的多目标的集合，其中，单目标与编队目标是群目标的特例。群目标跟踪的流程可以概括为：①将密集多目标划分为不可分辨的密集多目标集群与可分辨单目标，即分群检测；②将不可分辨的密集多目标集群按照一定的规则作为群目标来处理；③将群目标与可分辨单目标作为稀疏多目标来跟踪。因此，分群检测成为了群目标跟踪的首要环节。群目标密集多目标实现了向“稀疏”多目标的转换，这种转化过程如图1所示，图中1为难以为辨的密集多目标集群，2为量测，3为较小的密集多目标集群，4为可分辨单目标。

群目标跟踪的基本流程如图2所示：分群检测单元完成密集多目标向“稀疏”多目标的转换，实现群目标形成；关联门形成单元送出关联门与跟踪门，实现群目标航迹起始；数据关联单元实现群目标数据关联，滤波与预测单元实现航迹维持；群目标合并与分离检测实现群目标新成员的合并检测与老成员离开的分离检测；群撤销单元及时撤销消失了的群目标航迹。

但是，这种分群检测是基于目标尺度信息的分群检测方法，即分别计算出群目标成员之间的目标间距，按照小于规定的目标间距实现群目标分群检测，这种方法并没有考虑目标特性信息。也就是说，当类型不同、功能不同、大小不同、结构不同与材质不同的多目标同时出现在一个群中的时候，现有的分群检测算法并不具有区分能力。

发明内容

为了解决现有群目标分群检测算法存在的上述问题，本发明提出了一种广义分群检测方法。

一种广义分群检测方法，包括以下步骤：

S1，广义点迹生成

以目标特性的时序为基准，对狭义点迹进行内插或外推使之与目标特性的数据率相等，且时序对齐，保持狭义点迹原有格式及列数不变，采取直接增加行数的方法对狭义点迹维数扩容，所增加的维数与所使用目标特性种类的数量相等，并将相应的目标特性录入所增加的行中，即实现了广义点迹生成；所述的广义点迹是指包含目标尺度信息与一种以上该目标特性信息的点迹；所述的狭义点迹是指仅含有目标尺度信息的点迹；所述的目标特性信息是指目标在电磁波作用下所表现出来的目标雷达特性与目标光学特性，以及目标红外特性与目标自身所发射信号的信号特性。

S2，广义分群检测准则

获得监视空间内所有目标狭义点迹，以及狭义点迹的目标特性信息；计算所有狭义点迹之间目标间距，以及狭义点迹目标特性值；形成目标尺度信息分群检测准则与目标特性信息分群检测准则，同时满足这两种准则即为广义分群检测准则；所述尺度信息分群检测准则，是指以选定的目标间距值为门限值，取小于该门限值作为尺度信息分群检测准则；所述目标特性信息分群检测准则，是指以监视空间内所有目标的一种特性或几种特性值为门限值，小于、大于该门限值或介于两个区间值即为目标特性信息分群检测准则。同时满足尺度信息分群检测准则、目标特性信息分群检测准则的准则，称之为广义分群检测准则；满足尺度信息分群检测准则的多目标，称为狭义群目标；满足广义群目标分群检测准则的多目标，称之为广义群目标。

S3，广义分群检测算法

S31，串行广义分群检测算法

将目标尺度信息分群检测准则与目标特性信息分群检测准则分步使用，通过一次分群与二次分群，实现广义分群检测，称之为串行广义分群检测。

1)基于尺度信息的一次分群检测

设探测设备在k-1时刻得到任意两个广义点迹为Y_gi(k-1)与Y_gj(k-1)，目标数量为M，设任意两个广义点迹之间的距离为所述探测设备是指雷达、光学探测设备、红外探测设备或信号探测设备；设广义点迹尺度信息分群检测准则的门限值为T_g(k-1)，构建基于尺度信息的广义点迹分群检测矩阵为：

$\left[\begin{array}{ccccc}& 1& 2& ...& M\\ 1& 1& l_{12}^o& ...& l_{1M}^o\\ 2& l_{21}^o& 1& ...& l_{2M}^o\\ \·& \·& \·& & \·\\ \·& \·& \·& ...& \·\\ \·& \·& \·& & \·\\ M& l_{M1}^o& l_{M2}^o& ...& 1\end{array}\right]---\left(1\right)$

式(1)中各元素的取值为：

$l_{ij}^o(k-1)=\left\{\begin{array}{c}1,d_{ij}^o(k-1)<T_g\\ 0,d_{ij}^o(k-1)\&GreaterEqual;T_g\end{array}\right.,i,j=1,2,...,M---\left(2\right)$

2)基于目标特性信息的二次分群检测

设M个目标中有M_k个目标满足尺度信息分群检测准则，任意两个广义点迹某种选定的目标特性的值A_gi(k)、A_gj(k)，取目标特性信息分群检测准则门限值分别为 且设任意两个广义点迹某种目标特性值之差为构建基于目标特性信息的二次分群检测矩阵为：

$\left[\begin{array}{ccccc}& 1& 2& ...& M_k\\ 1& 1& L_{12}^o& ...& L_{1Mk}^o\\ 2& L_{21}^o& 1& ...& L_{2Mk}^o\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& ...& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ M_k& L_{Mk1}^o& L_{Mk2}^o& ...& 1\end{array}\right]---\left(3\right)$

式(3)中各元素根据小于、大于或区间三种情况取值分别为：

$L_{ij}^o\left(k\right)=\left\{\begin{array}{c}1,A_{ij}^o\left(k\right)<A_g^{01}\left(k\right)\\ 0,A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{01}\left(k\right)\end{array}\right.,i,j=1,2,...,M_k---\left(4\right)$

式(4)为小于准则的二次分群检测矩阵元素取值。

$L_{ij}^o\left(k\right)=\left\{\begin{array}{c}1,A_{ij}^o\left(k\right)>A_g^{01}\left(k\right)\\ 0,A_{ij}^o\left(k\right)\&le;A_g^{01}\left(k\right)\end{array}\right.,i,j=1,2,...,M_k---\left(5\right)$

式(5)为大于准则的二次分群检测矩阵元素取值。

$L_{ij}^o\left(k\right)=\left\{\begin{array}{c}1,A_g^{01}\left(k\right)<A_{ij}^o\left(k\right)<A_g^{02}\left(k\right)\\ 0,K_{ij}^o\left(k\right)\&le;A_g^{01}\left(k\right),A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{02}\left(k\right)\end{array}\right.,i,j=1,2,...,M_k---\left(6\right)$

式(6)为满足区间准则的二次分群检测矩阵元素取值。

S32，并行广义分群检测算法

将目标尺度信息分群检测准则与目标特性信息分群检测准则联合使用，在一个探测周期内一次性完成分群检测，称之为并行广义分群检测。

设在k时刻获得M个广义点迹，则基于目标尺度信息与目标特性信息的联合分群检测矩阵为：

$\left[\begin{array}{ccccc}& 1& 2& ...& M\\ 1& 1& {\mathrm{\&Pi;}}_{12}& ...& {\mathrm{\&Pi;}}_{1M}\\ 2& {\mathrm{\&Pi;}}_{21}& 1& ...& {\mathrm{\&Pi;}}_{2M}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& ...& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ M& {\mathrm{\&Pi;}}_{M1}& {\mathrm{\&Pi;}}_{M2}& ...& 1\end{array}\right]---\left(7\right)$

式(7)中联合分群检测矩阵元素取值为：

${\mathrm{\&Pi;}}_{ij}\left(k\right)=\left\{\begin{array}{c}1,d_{ij}^o\left(k\right)<T_g;A_{ij}^o\left(k\right)<A_g^{01}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_{ij}^o\left(k\right)<A_g^{01}\left(k\right)\\ 0,d_{ij}^o\left(k\right)<T_g;A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{01}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{01}\left(k\right)\end{array}\right.,i,j=1,2,...,M---\left(8\right)$

${\mathrm{\&Pi;}}_{ij}\left(k\right)=\left\{\begin{array}{c}1,d_{ij}^o\left(k\right)<T_g;A_{ij}^o\left(k\right)>A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_{ij}^o\left(k\right)\&le;A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)<T_g;A_{ij}^o\left(k\right)\&le;A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{02}\left(k\right)\end{array}\right.,i,j=1,2,...,M---\left(9\right)$

${\mathrm{\&Pi;}}_{ij}\left(k\right)=\left\{\begin{array}{c}1,d_{ij}^o\left(k\right)<T_g;A_{ij}^{01}\left(k\right)<A_{ij}^o\left(k\right)<A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_g^{01}\left(k\right)<A_{ij}^o\left(k\right)<A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)<T_g;A_{ij}^o\left(k\right)\&le;A_g^{01}\left(k\right),A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_{ij}^o\left(k\right)\&le;A_g^{01}\left(k\right),A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{02}\left(k\right)\end{array}\right.,i,j=1,2,...,M---\left(10\right)$

本发明具有以下有益效果：

1)广义点迹使得分群检测具有选择性，提高了抗干扰能力

狭义点迹只能表达目标位置信息及其彼此之间间距，而广义点迹还含有目标尺寸、形状结构、姿态与材质特性信息，即广义点迹不仅包含位置信息，而且包含目标特性信息，因而使得目标探测系统具有了选择性，能够滤除不需考虑的目标，因而提高了抗干扰能力。

2)广义分群检测准则使得分群检测具有灵活性，提高了目标识别能力

由于广义点迹具有更高的维数，不仅能够表达出成员之间位置关系，而且能够表达出彼此之间的目标特性关系，既可以选择小于一定目标特性门限值的目标形成群目标，也可以选择大于一定目标特性门限值的目标形成群目标，还可以选择一定区间内的目标构成群目标，因而使得广义分群检测准则更加具有灵活性，具有相同类型目标的筛选与识别能力。

3)广义分群检测算法使得分群检测具有广泛性，提高了态势认知能力

无论是串行广义分群检测算法，还是并行广义分群检测算法，它们都既利用了目标的尺度信息，也利用了目标特性信息，相当于就能够描述监视空间内多目标的位置，也能够描述监视空间内多目标的大小、现状与姿态，并且把二者统一起来，因此，具有了群目标成员数量测量、空间构型辨识与目标类型区分的能力，因而提高了监视空间内的多目标态势认知能力。

概言之，广义分群检测算法不仅适用于窄带雷达目标跟踪，也适用于宽带雷达的目标跟踪，还能够应用于可见光、红外与多光谱等传感器的目标跟踪；既适用于单目标跟踪，也适用于多目标跟踪；既适用于密集多目标跟踪，也适用于稀疏多目标跟踪；既适用于物理域的群目标跟踪，也适用于功能域的群目标跟踪。对陆上、空中、海面、临近空间与太空等目标的探测系统能力提升，以及指控系统瘦身等，均具有推广重大的推广应用价值，应用前景十分广阔。

附图说明

图1是密集多目标转化为稀疏多目标示意图，

图2是群目标跟踪架构示意图。

具体实施方式

由于目标雷达截面积RCS与目标大小、结构、材质均密切相关，因此以三坐标雷达为例，在目标尺度信息的基础上，利用目标RCS特性信息，对本发明作进一步说明。

(一)广义点迹生成

设监视空间内有M个目标，设雷达狭义点迹为：

Y_i(k)＝(R_i，α_i，β_i) i＝1，2，...，M (11)

式中R_i、α_i、β_i分别为第i个广义点迹的k时刻距离、方位、俯仰值。其数据格式如表1所示：

表1狭义点迹数据格式

设任一目标RCS特性值为A_gi(k)，保持狭义点迹格式及列数不变，将其行数增加一维，并且将RCS特性信息A_gi(k)录入，则广义点迹为：

Y_gi(k)＝(R_i，α_i，β_i，A_gi) i＝1，2，...，M (12)

式中R_i、α_i、β_i与A_gi分别为第i个广义点迹k时刻距离、方位、俯仰值与RCS值。所形成的广义点迹格式为：

表2广义点迹数据格式

(二)广义分群检测准则

1.基于尺度信息的分群检测准则确定

目标尺度信息的分群检测准则确定的步骤为：生成监视空间内所有目标广义点迹；估计这些广义点迹之间空间间距；确定基于尺度信息分群检测门限值。

假设在雷达的一次扫描中形成M个广义点迹，即测量坐标系，任意两个点迹分别为：

$\left\{\begin{array}{c}{Y}_{gi}\left(k\right)=(R_i,{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i,A_{gi})\\ Y_{gj}\left(k\right)=(R_j,{\mathrm{\&alpha;}}_j,{\mathrm{\&beta;}}_j,A_{gj})\end{array}\right.,i,j=1,2,...,M---\left(13\right)$

式中R_i、α_i、β_i、A_gi与R_j、α_j、β_j与A_gj分别为第i，j个广义点迹的距离、方位角、俯仰角值与RCS值，i，j＝1，2，...，M。由式(13)则有：

$d_{ij}^o\left(k\right)=|Y_{gi}\left(k\right)-Y_{gj}\left(k\right)|,i,j=1,2,...,M---\left(14\right)$

式(14)中为任意两个广义点迹之间的空间距离。门限值T_g既可以选择一个所需要的固定值，也可以选择k时刻最大值或最小值，也可以选择若干个雷达周期的平均值等。本例中取k时刻目标间距最小值作为门限值。设

T_g＝MIN[d^o _ij(k)] i，j＝1，2，…，M (15)

于是：

$d_{ij}^o(k-1)<T_g,i,j=1,2,...,M---\left(16\right)$

这就是基于尺度信息的分群检测准则。

2.基于目标特性信息的分群检测准则确定

设任意两个广义点迹RCS特性为A_gi(k)与A_gj(k)，则其差值为：

$A_{ij}^o\left(k\right)=|A_{gi}\left(k\right)-A_{gj}\left(k\right)|,i,j=1,2,...,M---\left(17\right)$

式(17)中为任意两个广义点迹RCS值之差。设定两个门限值与且既可以取小于也可以取大于作为目标特性信息的分群检测准则门限值，也可以取其区间作为门限值。本例中取k时刻大于小于区间作为门限值。设：

$\left\{\begin{array}{c}{A^{01}}_g=MIN\&lsqb;{A^o}_{ij}\left(k\right)\&rsqb;\\ {A^{02}}_g=MAX\&lsqb;{A^o}_{ij}\left(k\right)\&rsqb;\end{array}\right.---\left(18\right)$

于是：

$A_g^{01}\left(k\right)<A_{ij}^o\left(k\right)<A_g^{02}\left(k\right)---\left(19\right)$

这就是基于目标特性信息的分群检测准则。

(三)串行广义分群检测算法实现

1.基于尺度信息的分群检测方法

基本步骤是：①以广义点迹两两之间的空间间距值为元素建立分群检测矩阵；②在该矩阵中，符合所采用的目标间距准则T_g的元素置为1，否则为0；③元素为1的狭义点迹被确认为一个暂态群，元素为0的作为独立广义点迹处理。所述暂态群是指满足目标尺度信息分群检测准则的广义点迹形成的多目标集合。基于尺度信息的广义点迹分群检测矩阵为：

$\left[\begin{array}{ccccc}& 1& 2& ...& M\\ 1& 1& l_{12}^o& ...& l_{1M}^o\\ 2& l_{21}^o& 1& ...& l_{2M}^o\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& ...& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ M& l_{M1}^o& l_{M2}^o& ...& 1\end{array}\right]---\left(1\right)$

式(1)中各元素的取值为：

$l_{ij}^o(k-1)=\left\{\begin{array}{c}1,d_{ij}^o(k-1)<T_g\\ 0,d_{ij}^o(k-1)\&GreaterEqual;T_g\end{array}\right.,i,j=1,2,...,M---\left(2\right)$

2)基于目标特性信息的二次分群检测

基于目标特性信息二次分群检测的步骤是：①在获得暂态群的基础上，建立基于目标特性信息的分群检测矩阵；②在该矩阵中，满足所定义的准则与元素置为1，否则为0；③元素为1的广义点迹被确认为同一个稳态群，元素为0的作为独立广义点迹处理。所述稳态群是指既满足尺度信息准则、又满足目标特性信息准则的多目标集合，即广义群目标。

基于目标特性信息的二次分群检测矩阵为：

$\left[\begin{array}{ccccc}& 1& 2& ...& M_k\\ 1& 1& L_{12}^o& ...& L_{1Mk}^o\\ 2& L_{21}^o& 1& ...& L_{2Mk}^o\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& ...& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ M_k& L_{Mk1}^o& L_{Mk2}^o& ...& 1\end{array}\right]---\left(3\right)$

式(3)中各元素取值为：

$L_{ij}^o\left(k\right)=\left\{\begin{array}{c}1,A_g^{01}\left(k\right)<A_{ij}^o\left(k\right)<A_g^{02}\left(k\right)\\ 0,K_{ij}^o\left(k\right)\&le;A_g^{01}\left(k\right),A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{02}\left(k\right)\end{array}\right.,i,j=1,2,...,M_k---\left(6\right)$

串行分群检测方法的优点是逻辑关系清晰，缺点是需要两个周期才能够完成广义分群检测。

(四)并行广义分群检测算法实现

并行广义分群检测的步骤是：①以任意广义点迹两两之间的空间间距与目标特性值为元素，建立联合分群检测矩阵；②在该矩阵中，同时满足所定义的空间间距T_g、目标特性与的元素置为1，否则为0；③元素为1的点迹被确认为广义群目标，元素为0的作为独立广义点迹处理。

基于目标尺度信息与目标特性信息的联合分群检测矩阵为：

$\left[\begin{array}{ccccc}& 1& 2& ...& M\\ 1& 1& {\mathrm{\&Pi;}}_{12}& ...& {\mathrm{\&Pi;}}_{1M}\\ 2& {\mathrm{\&Pi;}}_{21}& 1& ...& {\mathrm{\&Pi;}}_{2M}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& ...& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ M& {\mathrm{\&Pi;}}_{M1}& {\mathrm{\&Pi;}}_{M2}& ...& 1\end{array}\right]---\left(7\right)$

式(7)中联合分群检测矩阵元素取值为：

${\mathrm{\&Pi;}}_{ij}\left(k\right)=\left\{\begin{array}{c}1,d_{ij}^o\left(k\right)<T_g;A_{ij}^{01}\left(k\right)<A_{ij}^o\left(k\right)<A_g^{01}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_g^{01}\left(k\right)<A_{ij}^o\left(k\right)<A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)<T_g;A_{ij}^o\left(k\right)\&le;A_g^{01}\left(k\right),A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{02}\left(k\right)\\ 0,d_{ij}^o\left(k\right)\&GreaterEqual;T_g;A_{ij}^o\left(k\right)\&le;A_g^{01}\left(k\right),A_{ij}^o\left(k\right)\&GreaterEqual;A_g^{02}\left(k\right)\end{array}\right.,i,j=1,2,...,M---\left(10\right)$

对于串行分群检测方法而言，需要经过空间距离、目标特性两次分群检测计算，适用于集中式信息处理系统；对于并行分群检测方法而言，能够一次性完成分群检测，但需要增加一次空间距离与目标特性信息取交集的运算。两种方法都能够滤除大目标、小目标等影响，具有较强的抗干扰能力与目标筛选能力。

事实上，增加目标特性信息用于分群检测，不仅是一种理论方法创新，而且也是一种工程技术创新，已经具有了抗大、小目标与多路径干扰、目标识别与态势认知的能力，实现了目标跟踪、识别与态势认知一体化。例如，空间碎片大小筛选。

上述两种算法都能够实现广义群目标的分群检测，实际应用中可以根据探测设备具体情况自行选择。

Claims (2)

1.一种广义分群检测方法，包括以下步骤：

S1，广义点迹生成

以目标特性的时序为基准，对狭义点迹进行内插或外推使之与目标特性的数据率相等，且时序对齐，保持狭义点迹原有格式及列数不变，采取直接增加行数的方法对狭义点迹维数扩容，所增加的维数与所使用目标特性种类的数量相等，并将相应的目标特性录入所增加的行中，即实现了广义点迹生成；所述的广义点迹是指包含目标尺度信息与一种以上该目标特性信息的点迹；所述的狭义点迹是指仅含有目标尺度信息的点迹；所述的目标特性信息是指目标在电磁波作用下所表现出来的目标雷达特性与目标光学特性，以及目标红外特性与目标自身所发射信号的信号特性；

S2，广义分群检测准则

获得监视空间内所有目标狭义点迹，以及狭义点迹的目标特性信息；计算所有狭义点迹之间目标间距，以及狭义点迹目标特性值；形成目标尺度信息分群检测准则与目标特性信息分群检测准则，同时满足这两种准则即为广义分群检测准则；所述尺度信息分群检测准则，是指以选定的目标间距值为门限值，取小于该门限值作为尺度信息分群检测准则；所述目标特性信息分群检测准则，是指以监视空间内所有目标的一种特性或几种特性值为门限值，小于、大于该门限值或介于两个区间值即为目标特性信息分群检测准则；同时满足尺度信息分群检测准则、目标特性信息分群检测准则的准则，称之为广义分群检测准则；满足尺度信息分群检测准则的多目标，称为狭义群目标；满足广义群目标分群检测准则的多目标，称之为广义群目标；

S3，广义分群检测算法

S31，串行广义分群检测算法

将目标尺度信息分群检测准则与目标特性信息分群检测准则分步使用，通过一次分群与二次分群，实现广义分群检测，称之为串行广义分群检测；

1)基于尺度信息的一次分群检测

设探测设备在k-1时刻得到任意两个广义点迹为Y_gi(k-1)与Y_gi(k-1)，目标数量为M，设任意两个广义点迹之间的距离为所述探测设备是指雷达、光学探测设备、红外探测设备或信号探测设备；设广义点迹尺度信息分群检测准则的门限值为 T_g(k-1)，构建基于尺度信息的广义点迹分群检测矩阵为：

2.

式(1)中各元素的取值为：

2)基于目标特性信息的二次分群检测

设M个目标中有M_k个目标满足尺度信息分群检测准则，任意两个广义点迹某种选定的目标特性的值A_gi(k)、A_gj(k)，取目标特性信息分群检测准则门限值分别为 且设任意两个广义点迹某种目标特性值之差为构建基于目标特性信息的二次分群检测矩阵为：

式(3)中各元素根据小于、大于或区间三种情况取值分别为：

式(4)为小于准则的二次分群检测矩阵元素取值；

式(5)为大于准则的二次分群检测矩阵元素取值；

式(6)为满足区间准则的二次分群检测矩阵元素取值；

S32，并行广义分群检测算法

将目标尺度信息分群检测准则与目标特性信息分群检测准则联合使用，在一个探测周期内一次性完成分群检测，称之为并行广义分群检测；

设在k时刻获得M个广义点迹，则基于目标尺度信息与目标特性信息的联合分群检测矩阵为：

式(7)中联合分群检测矩阵元素取值为：