CN106324577B - 一种基于标准差椭圆的高分辨雷达检测点聚集方法 - Google Patents

Abstract

本发明公开了一种基于标准差椭圆的高分辨雷达检测点聚集方法。使用本发明能够在复杂场景下能够更准确地聚集检测点。本发明根据目标检测点的分布特征建立椭圆模型，并利用椭圆的特征参数聚集不同目标的检测点，判断目标个数并排除干扰点。该方法不需要场景目标的先验信息，也不需要给定初始的聚类中心，在任何复杂场景下，均可根据目标的检测点的分布特征进行点迹聚类，因此对检测点的聚集更加准确；在强杂波环境下，此方法能进一步减少“干扰杂波点”对目标点迹聚集的影响。

Description

一种基于标准差椭圆的高分辨雷达检测点聚集方法

技术领域

本发明属于高分辨雷达技术领域，具体涉及一种基于标准差椭圆的高分辨雷达检测点聚集方法。

背景技术

高分辨雷达通过发射宽带波形获得高的距离分辨率，从而可以获取更丰富的目标特征信息，是现代雷达技术的重要发展方向，在这里，高分辨率雷达是指能分辨的两个目标物的最小实际距离在厘米级及以下的雷达。高分辨率雷达工作过程中，由于目标尺寸通常会大于距离分辨单元，单个目标的检测结果会表现为多个检测点，这给目标跟踪带来困难。在复杂环境下，能否将同一目标的多个检测点进行正确聚集，同时区分不同目标各自的检测点，是高分辨雷达目标跟踪前的一个重要步骤。传统的基于k-均值的检测点聚集方法需要场景中目标个数的先验信息，并且初始聚类中心的选取对聚集结果存在较大影响，这使复杂场景下目标的检测点聚集较为困难。

发明内容

针对上述现有技术，本发明提供了一种基于标准差椭圆的高分辨雷达检测点聚集方法，能够在复杂场景下能够更准确地聚集检测点，具体步骤如下:

步骤一、建立标准差椭圆：在距离多普勒平面图上，针对包含所有高分辨雷达检测点的集合，建立标准差椭圆；

步骤二、判断集合内的目标个数：计算标准差椭圆内过圆心且平行于距离采样单元轴的线段mn的长度l_mn，并将其与目标在雷达径向上的最大分布长度Dr进行比较；如果D_r＜l_mn，则判断检测点集合里包含多个目标，执行步骤三；否则，判断检测点集合里只包含一个目标，执行步骤四；

步骤三、子集合划分：将横坐标小于或等于圆心横坐标的检测点划分为一个子集合，将横坐标大于圆心横坐标的检测点划分为另一个子集合；然后针对每个子集合，采用步骤一～步骤三的方法，分别建立标准差椭圆模型、目标个数判断和子集合划分，直到每个子集合都只包含一个目标，执行步骤四；

步骤四、聚集检测点：针对每个只包含1个目标的集合或子集合，对该集合或子集合进行聚集，选取集合或子集合内幅值最大的点作为聚集结果或将集合或子集合内的检测点按幅值进行加权平均得到聚集结果。

其中，建立标准差椭圆模型的步骤如下：

步骤1.1：假设在距离多普勒平面目标经过检测后形成数量为n的检测点，这些检测点集合为G：

G＝{p₁(r₁,d₁),p₂(r₂,d₂),...,p_i(r_i,d_i),..,p_n(r_n,d_n)},1≤i≤n (1)

其中，r_i和d_i分别为检测点p_i所在的距离采样单元和多普勒通道号；

计算n个检测点的平均中心

步骤1.2：将所有的检测点进行坐标变换为：

步骤1.3：计算标准差椭圆圆心(C₁,C₂)：

步骤1.4：计算标准差椭圆转角θ:

其中，

其中，转角θ为椭圆长轴与距离多普勒平面横轴的夹角；

步骤1.5：计算椭圆的长轴σ₁和短轴σ₂：

步骤1.6：建立目标检测点椭圆方程：

λ₁(r-C₁)²+λ₂(r-C₁)(d-C₂)+λ₃(d-C₂)²+λ₄＝0 (8)

其中，

优选的，在步骤四中，针对集合中椭圆内的检测点进行聚集。

有益效果：

该方法不需要场景目标的先验信息，也不需要给定初始的聚类中心，在任何复杂场景下，均可根据目标的检测点的分布特征进行点迹聚类，因此对检测点的聚集更加准确；

在强杂波环境下，此算法能进一步减少“干扰杂波点”对目标点迹聚集的影响。

附图说明

图1为标准差椭圆模型示意图。

图2为子算法-建立检测点的标准差椭圆的流程图。

图3为主算法-基于标准差椭圆的检测点聚集方法的流程图。

图4为基于标准差椭圆的检测点聚集方法的工作流程示意图。

图4(a)为检测点集合G示意图。

图4(b)为标准差椭圆示意图。

图4(c)为将集合G划分为两个子集合G₁和G₂示意图。

图4(d)为将检测点分为左右两个部分G₁和G₂的结果示意图。

图4(e)为两个子集合的标准差椭圆示意图。

图4(f)和图4(g)分别为剔除前和剔除后的效果图。

图4(h)为两个目标检测点区域G1'和G2'的示意图。

具体实施方式

本发明提供了一种基于标准差椭圆的高分辨雷达检测点聚集方法。目标检测点的分布特征能够展现目标的空间结构信息，而目标的空间结构不随时间变化，并且不同目标的结构特征差异较大，因此，本发明利用目标的检测点分布特征进行检测点聚集。在空间分析领域，标准差椭圆是点数据分布特征分析的一个重要工具，利用标准差椭圆可识别一组数据的方向及分布趋势，并得到该组数据的一些特性。基于此，提出一种基于标准差椭圆的检测点聚集方法，根据目标检测点的分布特征建立椭圆模型，并利用椭圆的特征参数聚集不同目标的检测点，判断目标个数并排除干扰点。

下面结合附图对本发明的实施方式作详细说明。具体流程如图3所示，具体包括如下步骤：

步骤1、建立检测点的标准差椭圆

高分辨雷达目标回波经相参积累和检测后形成检测点通常具有一定的方向偏离性并且检测点具有高斯分布的特点，所以采用标准差椭圆模型来描述检测点的分布。

假设目标经过检测后在距离多普勒平面上(以距离采样单元为横坐标，多普勒通道信号为纵坐标的构成的平面)形成数量为n的检测点，这些检测点集合为

G＝{p₁(r₁,d₁),p₂(r₂,d₂),...,p_i(r_i,d_i),..,p_n(r_n,d_n)},1≤i≤n (10)

其中，r_i和d_i分别为检测点p_i所在的距离采样单元和多普勒通道号。采用如下步骤建立建立检测点标准差椭圆模型，如图1所示：

步骤1.1：计算n个检测点平均中心

步骤1.2：将所有的检测点进行坐标变换为(r_i′,d_i′)：

步骤1.3：计算标准差椭圆圆心(C₁,C₂)：

步骤1.4：计算标准差椭圆转角θ:

其中，

其中，转角θ为椭圆长轴与r轴的夹角，r轴为距离多普勒平面的横轴，如图1所示。

步骤1.5：计算椭圆的长轴σ₁和短轴σ₂：

步骤1.6：建立目标检测点椭圆方程：

λ₁(r-C₁)²+λ₂(r-C₁)(d-C₂)+λ₃(d-C₂)²+λ₄＝0 (17)

其中，

λ₁＝σ₁ ²cos²θ+σ₂ ²sin²θ

λ₂＝2(σ₁ ²-σ₂ ²)sinθcosθ

λ₃＝σ₁ ²sin²θ+σ₂ ²cos²θ

λ₄＝-σ₁ ²σ₂ ²

(18)

步骤1.7：计算椭圆内过圆心且平行于距离采样单元轴的线段mn的长度l_mn：

步骤1.8：得标准差椭圆的特征参数集合T：

T＝{C₁,C₂,λ₁,λ₂,λ₃,λ₄,l_mn} (20)

步骤2、判断检测点集合内含目标个数

针对图4(a)的检测点集合G，经计算后形成如图4(b)所示的标准差椭圆，因单个目标所占距离单元数有限，所以可以通过线段mn的长度来判断当前集合内的检测点是否属于同一个目标，实现检测点的聚集，具体流程：

判断线段mn长度是否满足如下条件：

l_mn≤Dr (21)

其中，Dr为目标在雷达径向上的最大分布长度；如果不满足，则判定集合G内包含多个目标的检测点，执行步骤3；否则判定集合G内只包含一个目标的检测点，执行步骤4。

步骤3、划分检测点集合为两个子集合

如果集合G内包含多个目标的检测点，则通过以下判断条件

r_i≤C₁ (22)

将集合G划分为两个子集合，即以图4(c)中的虚线将检测点分为左右两个部分G₁和G₂，结果如图4(d)；然后针对每个子集合重复步骤1～2，计算两个子集合的标准差椭圆，结果如图4(e)所示，直到每个子集合的检测点建立的标准差椭圆参数l_mn都满足式(12)；

步骤4、排除干扰检测点

由于在复杂情况下，干扰回波经检测后形成干扰检测点，干扰检测点一般分布在目标检测点的周围，针对只包含一个目标的检测点集合或子集，通过以下判断条件排除所述标准差椭圆外的干扰点，即认为不满足式(14)的检测点为干扰点

λ₁(r_i-C₁)²+λ₂(r_i-C₁)(d_i-C₂)+λ₃(d_i-C₂)²+λ₄<0 (23)

图4(f)和图4(g)分别代表剔除前和剔除后的效果图。最后形成两个目标检测点区域G₁'和G₂'，如图4(h)所示。通过此方法能够减少干扰检测点对后续量测计算的影响。

步骤5、聚集检测点

椭圆内的多个检测点均为同一目标的检测结果，选取标准差椭圆内幅值最大的点作为聚集结果或将椭圆圆内的检测点按幅值进行加权平均得到聚集结果，以进行后续的跟踪处理。

基于标准差椭圆的检测点聚集方法利用了检测点分布特征，建立检测点的标准差椭圆模型，通过判断椭圆的特征参数将不同目标的检测点聚集起来，同时进一步减少了干扰噪声对目标量测的影响。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于标准差椭圆的高分辨雷达检测点聚集方法，其特征在于，包括以下步骤：

步骤一、建立标准差椭圆：在距离多普勒平面图上，针对包含所有高分辨雷达检测点的集合，建立标准差椭圆；

步骤二、判断集合内的目标个数：计算标准差椭圆内过圆心且平行于距离采样单元轴的线段mn的长度l_mn，并将其与目标在雷达径向上的最大分布长度Dr进行比较；如果D_r＜l_mn，则判断检测点集合里包含多个目标，执行步骤三；否则，判断检测点集合里只包含一个目标，执行步骤四；

步骤三、子集合划分：将横坐标小于或等于圆心横坐标的检测点划分为一个子集合，将横坐标大于圆心横坐标的检测点划分为另一个子集合；然后针对每个子集合，采用步骤一～步骤三的方法，分别建立标准差椭圆模型、目标个数判断和子集合划分，直到每个子集合都只包含一个目标，执行步骤四；

步骤四、聚集检测点：针对每个只包含1个目标的集合或子集合，对该集合或子集合进行聚集，选取集合或子集合内幅值最大的点作为聚集结果或将集合或子集合内的检测点按幅值进行加权平均得到聚集结果。

2.如权利要求1所述的基于标准差椭圆的高分辨雷达检测点聚集方法，其特征在于，采用如下步骤建立标准差椭圆模型：

步骤1.1：假设在距离多普勒平面目标经过检测后形成数量为n的检测点，这些检测点集合为G：

G＝{p₁(r₁,d₁),p₂(r₂,d₂),...,p_i(r_i,d_i),..,p_n(r_n,d_n)},1≤i≤n (1)

其中，r_i和d_i分别为检测点p_i所在的距离采样单元和多普勒通道号；

计算n个检测点的平均中心

步骤1.2：将所有的检测点进行坐标变换为：

步骤1.3：计算标准差椭圆圆心(C₁,C₂)：

步骤1.4：计算标准差椭圆转角θ:

其中，

其中，转角θ为椭圆长轴与距离多普勒平面横轴的夹角；

步骤1.5：计算椭圆的长轴σ₁和短轴σ₂：

步骤1.6：建立目标检测点椭圆方程：

λ₁(r-C₁)²+λ₂(r-C₁)(d-C₂)+λ₃(d-C₂)²+λ₄＝0 (8)

其中，

3.如权利要求1所述的基于标准差椭圆的高分辨雷达检测点聚集方法，其特征在于，在步骤四中，针对集合中椭圆内的检测点进行聚集。