CN107728140B - 一种警戒雷达多目标多通道并行跟踪处理方法 - Google Patents

Abstract

本发明公开一种警戒雷达多目标多通道并行跟踪处理方法，首先，建立并行的航迹跟踪架构，将跟踪架构划分为多个互不干扰的独立跟踪通道；其次，利用各跟踪通道中目标运动统计量及特征识别的手段进行航迹自动起始；然后，根据不同跟踪通道的运动特性设定关联、滤波模型及参数，对正式航迹进行跟踪，并利用目标似然函数给出航迹跟踪质量评价；最后通过一种并行的融合架构以及航迹管理策略将多通道的跟踪结果进行统一，得到全面精确的警戒辖区目标态势。本发明将警戒雷达观测到的海面、空中目标分为多个通道分别进行航迹发现和航迹维持，从而达到全面正确地发现目标，实现高精度、高稳定性跟踪不同类型目标的效果。

Description

一种警戒雷达多目标多通道并行跟踪处理方法

技术领域

本发明涉及一种警戒雷达跟踪处理方法，尤其涉及一种警戒雷达多目标多通道并行跟踪处理方法。

背景技术

警戒雷达肩负可疑目标预警与监视职能，往往都具有较大的观测辖区，全面处理辖区内数量众多的海空各类目标，抑制云雨、海浪杂波以及地物回波等复杂情况的干扰，保证目标跟踪质量是一项具有挑战性的任务。采用传统的雷达目标跟踪方法处理警戒雷达数据时，在跟踪模型选择与参数配置环节难度较大，对不同类型目标的跟踪常常有顾此失比的情况，导致较多的目标漏检测、虚假目标起始、航迹跟踪不稳定、跟踪精度差等问题的出现。

发明内容

发明目的：本发明提供一种可对监控区域内多种类目标全发现并稳定跟踪的警戒雷达多目标多通道并行跟踪处理方法。

技术方案：本发明提供一种警戒雷达多目标多通道并行跟踪处理方法，包括以下步骤：

1、建立并行的航迹跟踪架构，将跟踪架构划分为多个互不干扰的独立跟踪通道；

2、利用各跟踪通道中目标运动统计量及特征识别的手段进行航迹自动起始；

3、根据不同跟踪通道的运动特性设定关联、滤波模型及参数，对正式航迹进行跟踪，并利用目标似然函数给出航迹跟踪质量评价；

4、通过并行的融合架构以及航迹管理策略将多通道的跟踪结果进行融合，形成统一的航迹输出。

步骤(1)中所述多个互不干扰的独立跟踪通道主要包括快速空目标通道、慢速空目标通道、直升机及慢速低空目标通道、海面常规目标通道，海面快速弱小目标通道、海面慢速弱小目标通道。

所述步骤(2)包括以下步骤：

(21)对多个独立跟踪通道建立并维持具有多假设分支的候选航迹；

(22)对多个独立跟踪通道设定差异化的航迹起始参数，并基于累计信息统计量等物理量进行目标判别；

(23)针对每个通道构建特征库，对目标进行特征识别；

(24)当正常的候选航迹满足(22)和(23)的目标判决与特征识别条件后，即可在该通道建立正式航迹；

所述步骤(3)包括以下步骤：

(31)寻找航迹关联点、设置航迹关联参数；

(32)对快速空目标、慢速空目标、直升机及慢速低空目标、海面常规目标，海面快速弱小目标通道采用由转换量测Cv模型和转换量测Singer模型构建而成的转换量测交互式多模型滤波器，慢速小目标通道采用带机动判定的Cv模型卡尔曼滤波器；

(33)各滤波器的滤波似然函数作为跟踪精度的评价的依据，同时将滤波器输出的似然函数作为航迹评估的标准，为融合提供支撑。

所述步骤(4)包括以下步骤：

(41)对多个通道的航迹进行轮循式的航迹关联，把多通道关联问题转化为两通道关联问题，确立通道间的航迹关联关系，并去除关联冲突；

(42)对于同时在多个通道中建立航迹的目标，基于跟踪质量评价和航迹关联规则，对其进行选优输出，最后形成统一的航迹。

所述步骤(21)具体实现方式为：

(211)设Z_j(k)作为新候选航迹的航迹头，记产生的候选航迹簇为Cnd_p＝{Z_j(k)}；

(212)候选航迹第一关联周期采用环形关联门，如果第k+1周期，存在量测落入环内，即量测Z_i(k+1)满足R₁≤norm(Z_i(k+1)-Z_j(k))≤R₂，则候选航迹簇Cnd_p成功关联，反之，则清除候选航迹簇Cnd_p；

(213)对候选航迹簇Cnd_p中所有分支航迹进行关联及分裂处理，汇总分支航迹并重新编号，得到第h周期的候选航迹其中l_h表示第h周期候选航迹簇Cnd_p的航迹分支数；

(214)以累计信息统计量为依据，对质量较差的假设分支进行裁剪，对均满足清除条件的航迹簇进行清除，对未被清除或转化为正式航迹的继续进行关联生长和分裂。

所述步骤(23)包括以下步骤：

(231)基于目标的速度、窗内关联率、回波距离宽度、回波方位宽度、信噪比、多普勒速度6种特征构建目标特征向量，对各目标提取以上六类特征构建样本库，针对每一个单独通道构建正样本与负样本；

(232)对多个独立通道，都利用加权k近邻投票法构建每个特征元素维上的弱分类器，通过Boosting方法对弱分类器进行训练及融合，用训练好的Boosting分类器对待判定目标进行分类判决，完成特征识别过程。

所述步骤(41)包括以下步骤：

(411)轮流以每一通道作为参考通道，而其他剩余通道为计算通道，进行两个通道间的数据关联；

(412)进行粗关联，形成航迹样本组；

(413)进行精细关联，选取灰关联作为度量，主要包括目标的位置、航向、航速等运动参数进行关联度的确定；

(414)对于关联结果不一致的通道航迹关联对暂不处理，直到不一致解除

有益效果：与现有技术相比，本发明的有益效果：1、摒弃单通道的航迹处理架构，采用多个架构类似的并行的处理通道，设计不同通道的航迹起始、航迹维持策略，保证不同类别目标都能进行有针对性处理；2、在各处理通道的航迹起始阶段，设计了一种多分支的候选航迹生长与维持方法，并给出了基于累计信息等统计量的目标判别方法和基于特征库与分类器进行的特征识别方法，再配合各通道航迹起始参数的独立设置，达到目标类别划分以及抑制虚假目标起始航迹的效果；3、在航迹维持环节对不同通道设计了不同的航迹关联参数以及滤波模型和参数，滤波器采用了转换量测交互式多模型滤波器及带机动判断的Cv模型转换量测滤波器，兼顾目标跟踪精度和机动目标跟踪稳定性，同时采用了滤波似然函数值作为航迹跟踪质量的评价量，为选择高精度跟踪通道航迹输出提供有力依据；4、采用了一种轮循的关联架构并配套对应系统航迹管理手段解决多通道并行处理架构需要解决的航迹统一问题，似然函数值作为航迹跟踪质量的评价量，选择高质量的跟踪通道航迹作为融合输出，保证航迹跟踪精度。

附图说明

图1为警戒雷达多通道并行跟踪处理架构图；

图2为单通道处理流程说明图；

图3为警戒雷达多通道跟踪系统目标发现效果图；

图4为警戒雷达多通道跟踪系统快速空目标跟踪效果图；

图5为警戒雷达多通道跟踪系统海面目标与停泊目标跟踪效果图；

图6为警戒雷达多通道跟踪系统快、慢速海面弱小目标跟踪效果图；

图7为警戒雷达多通道跟踪系统直升机目标跟踪效果图。

具体实施方式

下面结合附图对本发明做更进一步的说明，具体步骤如下：

如图1所示，1、建立并行的航迹跟踪架构，将跟踪架构划分为六个互不干扰的独立跟踪通道，包括快速空目标通道、慢速空目标通道、直升机及慢速低空目标通道、海面常规目标通道，海面快速弱小目标通道、海面慢速弱小目标通道。

如图2所示，2、利用各跟踪通道中目标运动统计量及特征识别的手段进行航迹自动起始，过程如下：

(1)候选航迹的产生与维持，通过以下步骤实现：

A、候选航迹起始

设Z_j(k)为第k个扫描周期第j个量测点迹，其中j＝1,…,m_k,m_k为第k周期量测总数，用未被任何候选航迹或正式航迹关联的量测Z_j(k)作为新候选航迹的航迹头，记产生的候选航迹簇为Cnd_p＝{Z_j(k)}。

B、候选航迹第一周期关联

候选航迹第一关联周期采用环形关联门，以Z_j(k)为中心点，环形内半径为R₁＝V_min·Δt，环形外半径为R₂＝V_max·Δt，其中V_min，V_max分别为某通道的最小和最大跟踪速度范围，Δt为数据处理间隔时间。

如果第k+1周期，存在量测落入环内，即量测Z_i(k+1)满足

R₁≤norm(Z_i(k+1)-Z_j(k))≤R₂

则候选航迹簇Cnd_p成功关联(p为流水编号，是相同起始源的候选航迹簇的唯一编号)，进行生长和分裂，假设共l个量测落入关联门内，则将此l个量测分别与航迹头组合，得到生长更新后的候选航迹簇表示为

其中为分裂得到的l条候选航迹分支，具体的公式为：

如果第k+1周期，无量测落入关联门内，则清除候选航迹簇Cnd_p，此外，为候选航迹的每一分支构建目标连续丢失计数LostCount_i和关联率AssocRate_i两个统计量，其中LostCount_i为子航迹持续未关联到量测点的周期计数，当子航迹关联到量测点时清零，其中N_A为最近N个周期子航迹关联上量测点的周期计数，AssocRate_i与LostCount_i每周期进行更新。

C、候选航迹关联生长及分裂

候选航迹簇Cnd_p建立第h周期(h＞2)，对该簇航迹的每条候选航迹分支独立进行处理。对于候选航迹簇Cnd_p下的任意分支构建一阶多项式模型，通过最小二乘法解算一阶多项式系数，并利用解算出系数的一阶多项式模型，预测目标新周期位置，以预测点作为外推点。候选航迹分支以外推点为中心采用扇形关联门，斜距宽度的半径R_sec＝V_max·Δt+v_r，方位宽度半径W＝(V_max·Δt)/R+v_w单位为弧度。其中V_max为通道处理目标最大速度，v_r、v_w为雷达量测斜距与方位角量测误差标准差，根据具体雷达精度确定，一般v_r可设为60米，v_w可设为1度，R为目标预测位置的斜距。

如果有m_i个量测落入扇形波门内，则候选航迹分支进行生长和分裂，与分别组合产生，分裂生长为mi条分支航迹，并重置新产生的这些分支航迹的丢失计数LostCount为零；如果没有量测落入关联门中，则以外推点作为量测，对进行生长操作，并对该子航迹的丢失计数LostCount_i做加1操作。

对候选航迹簇Cnd_p中所有的分支航迹的均进行关联及分裂处理后，汇总所有分支航迹并重新编号，得到第h周期的候选航迹其中l_h表示第h周期候选航迹簇Cnd_p的航迹分支数。

D、候选航迹分支裁剪

第h周期，候选航迹生长分裂后，需要对质量较差的假设分支进行裁剪，裁剪主要以累计信息统计量为依据，对于候选航迹簇Cnd_p，第h周期的任意航迹分支，累计信息统计量计算方式如下：

其中J(h)与J(h-1)分别为第h周期及第h-1周期信息统计量的计算方法，信息统计量J的初值为零；为基于C中的一阶多项式最小二乘拟合得到的目标预测点的位置，Z(h)为航迹分支最新的关联量测点，当J(h)≥δ_max时，清除该候选航迹分支，若第h周期关联量测点，则

J(h)＝J(h-1)+δ_max/LostCount_max

其中LostCount_max为允许候选航迹分支未关联最大周期数。

如果候选航迹簇Cnd_p的所有航迹分支，均满足清除条件，则对候选航迹簇Cnd_p进行清除。

E、候选航迹清除及转化

如果Cnd_p未被清除或者转化为正式航迹，那么继续执行步骤C。

(2)目标判别

目标判别主要对维持的候选航迹簇进行判定，判定是否能够转化为候选航迹，首先基于候选航迹簇的各分支建立考察划窗，设划窗的长度N，由于多通道起始方法需要积累较多的目标特征信息，故选择划窗长度N至少为6，考察所有候选航迹簇各假设分支N个周期内的点迹，首先求解N个划窗周期中各候选航迹簇的累计信息统计量；再选择一簇航迹中，累计信息统计量最小的航迹分支进行航迹判定，判定条件有以下三个：

A.累计信息统计量判别条件

如果累计信息统计量小于阈值，即

J＜δ_max

则候选航迹满足累计信息统计量判别条件。

B.速度范围判别条件

当候选航迹最优子航迹速度V满足

V_min≤V≤V_max

则候选航迹满足速度范围判别条件。

C.关联概率判别条件

当候选航迹最优子航迹关联率AssocRate满足

A_min≤AssocRate≤A_max

则候选航迹满足关联概率判别条件。

同时满足以上A、B、C三个判决条件则认定目标满足起始条件通过目标判决。

(3)特征识别

单独使用特征判别并不足以对目标进行精确区分以及对杂波等虚假目标有效剔除，本发明采用基于样本特征库，利用Boosting算法对非隶属通道目标以及虚假目标进行剔除。

A.样本库的构建

基于目标的速度、窗内关联率、回波距离宽度、回波方位宽度、信噪比、多普勒速度6种特征构建目标特征向量。对包含快速空目标、慢速空目标、直升机及慢速低空目标、常规海目标、快速海面弱小目标、慢速海面弱小目标以及错误起始目标(杂波、地物等)等目标提取以上六类特征构建样本库，针对每一个单独通道构建正样本与负样本。正样本为在不进行识别条件下(经过“目标判定”后就直接起始正式航迹)本通道起始的对应类别的或相近类别的目标；负样本为在不进行识别条件下本通道起始的非对应类别目标(目标所属类别与处理通道差异较大)或虚假目标样本。

差异较大的通道定义如表1，如果某通道在未进行特征识别条件下自动起始了本通道或小差异的通道类别的目标，则记录该目标的6维特征作为正样本，如果某通道在未进行特征识别条件下自动起始了差异性较大类别的目标或虚假目标，则记录该非正确隶属目标或虚假目标样本为负样本。

表1通道相似程度说明表

分别对快速空目标通道、慢速空目标通道、直升机及慢速低空目标通道、常规海目标通道、海面慢速弱小目标通道、海面快速弱小目标通道，进行以上样本库的构建。样本越丰富越好，一般一个通道样本库中样本数应保持100以上，保证正样本数在70以上，负样本数30个以上。

B.特征识别

基于每一个通道构架的正负样本库训练分类器，对目标进行判定，对任一通道，均首先利用加权k近邻投票法构建每个特征元素维上的弱分类器，再通过Boosting方法对弱分类器进行训练及融合，最后用训练好的Boosting分类器对待判定目标进行分类判决，完成特征识别过程。

1)加权k近邻弱分类器构建方法

设x_j样本的一个特征量在第j维度的一个分量(j＝1,…，6，分别代表速度、窗内关联率、回波距离宽度、回波方位宽度、信噪比、多普勒速度六维特征)

设有N个已知类别样本分属于c个类y_i,i＝1,…,c,考察新样本x_j在这些样本中的前k个近邻(欧式距离最近)，对前k个近邻，设其中有k_i个属于y_i类，则y_i类别的累计判别量为：

其中ω_p为样本的权重值，满足0≤ω_p≤1

则x_j∈y_k

本例中，每个通道均只有正样本类与负样本类，故c＝2。

每一个并行处理通道，对提取的样本6维特征中的每一维，构建1个k近邻的弱分类器f_m(x)∈{-1,1}(m＝1,…,M)(M＝6)。

2)AbaBoost算法对弱分类器进行训练与融合决策

a.初始化训练样本{x₁,…,x_N}的权重ω_i＝1/N，i＝1,…,N。

b.对6个弱分类器分别重复以下过程：

i.利用{ω_i}加权后的训练样本构造分类器利用以上描述的加权k-近邻分类器f_m(x)∈{-1,1}；

ii.计算样本用{ω_i}加权后分类错误率e_m，并令分类器权重c_m＝log((1-e_m)/e_m)；

iii.令并归一化使

其中，表示当y_i≠f_m(x_i)时取1，否则取0。

对于待分类样本x，分类器的输出为

3)基于训练样本集进行多次迭代一般10次左右，采用迭代训练后的分类器对需要起始的航迹进行分类，输出1表示目标被判定为正样本，允许在该通道起始航迹，-1表示目标为负样本，不允许在该通道起始航迹。

(4)正式航迹起始

某一独立跟踪通道中，当一簇正常生长的候选航迹满足(2)、(3)中的目标判决与特征识别条件后，即可在该通道建立正式航迹。

(5)不同通道的起始参数设定

本发明划分快速空目标、慢速空目标、直升机及慢速低空目标、常规海目标、海面慢速弱小目标、海面快速弱小目标六个通道进行航迹起始，不同之处主要体现在航迹起始过程中参数差异化设定以及样本库的独立构建。每个通道的航迹起始参数对于目标划分以及虚假目标的抑制有着至关重要重要的作用，建议按表2进行设定。

表2各通道航迹起始相关参数设定表

其中V_min、V_max代表目标速度范围，A_min、A_max代表候选航迹关联率范围，Lc_max代表候选航迹允许最大丢失周期数，N代表候选航迹考察周期窗长，δ_max为信息统计量阈值。

以上为参数参考值，可进行微调，各通道之间速度方面需要相互覆盖，避免造成目标漏发现的现象。

3、根据不同跟踪通道的运动特性设定关联、滤波模型及参数，对正式航迹进行跟踪，并利用目标似然函数给出航迹跟踪质量评价。其中快速空目标、慢速空目标、直升机及慢速低空目标、海面常规目标，海面快速弱小目标通道采用转换量测交互式多模型滤波滤波器，慢速小目标通道采用带机动判定的Cv模型卡尔曼滤波器。

(1)航迹关联方法

对已存在航迹Tck_p，以预测点(航迹第一周期可利用转换为该航迹的候选航迹速度进行外推产生)为中心采用扇形关联门，斜距宽度的半径

R_sec＝V_max·Δt+v_r，方位宽度半径W_sec＝(V_max·Δt)/R+v_w单位为弧度，如果第k+1周期，存在量测落入环内，即量测点的斜距和方位角满足：

则判定量测为航迹关联点，其中R_z为量测点斜距、W_z为量测点方位角，为预测点斜距，为预测点方位角；如果有多个量测同时落入关联门内则选取欧式距离最近量测点作为航迹关联点。

若目标未关联到量测点可按一定比例放大关联门限R_sec、W_sec，避免机动后丢失目标。

当有量测落入关联门中，则正式航迹进行生长，没有则丢失计数加1，对航迹进行外推，各处理通道主要通过目标不同的速度范围对关联门进行控制，保证本通道所针对目标能够进行正常关联，具体参数V_max以及v_r、v_w的设置可参考表2进行设定。

(2)航迹滤波方法

本发明为兼顾目标跟踪精度以及跟踪稳定性采用转换量测的交互式多模型滤波和转换量测的带机动判断的Cv模型卡尔曼滤波两种滤波模型，其中快速空目标通道、慢速空目标通道、直升机及低空目标通道、常规海目标通道、海面快速弱小目标通道均采用转换量测的交互式多模型滤波模型，海面慢速弱小目标通道采用转换量测的带机动判断的Cv模型卡尔曼滤波。

设定二维坐标系下的目标状态向量

其中x、分别代表二维坐标系x方向的位置、速度、加速度，y、 代表y方向的位置、速度、加速度。

基于二维坐标系给出转换量测交互式多模型滤波器与带机动判别的Cv滤波器的实现方式如下：

A.转换量测交互式多模型滤波

转换量测交互式多模型滤波器，由一个转换量测Cv模型和一个转换量测Singer模型，采用典型的交互式多模型算法构建而成。

1)其中Cv模型具体实现形式如下：

其中F_cv为状态转移矩阵，T_cv过程噪声转移矩阵，Q_cv为过程噪声矩阵，H为量测矩阵。

2)Singer模型具体实现形式如下：

其中1/α为机动自相关常数，为加速度方差。

Cv模型与Singer模型均需转换量测处理，换量测滤波需对量测Z进行偏差修正，并基于目标相对于雷达原点的距离方法，以及距离量测噪声标准差、方位量测噪声标准差得到以下转换公式：

量测噪声矩阵设定如下：

3)基于Cv和Singer模型，分别进行标准的卡尔曼滤波

卡尔曼滤波的初始的误差协方差阵可设为:

r₀可设置为r_m·θ_m/2

状态向量初值可设置为：

其中x₀，y₀为目标初始位置。

4)采用标准的交互式多模型算法将Cv滤波器与Singer滤波进行组合得到最终滤波器。其中交互式多模型相关参数定义如下：

模型转移概率：

其中，p_ij代表模型i切换到模型j的概率。

模型初始概率：

μ₀为模型初始周期模型概率矩阵，代表初始周期Cv模型，代表初始周期singer模型的概率。

基于P_r与μ₀，采用标准的多模型滤波流程即可构建滤波器。

5)在利用转换量测交互式多模型滤波器对目标进行跟踪后，基于似然函数对跟踪质量进行评价。计算方法表述如下：

在利用Cv模型进行卡尔曼滤波后，可根据滤波的信息以及信息协方差阵计算第k周期Cv模型似然函数

同样可得到Singer模型的似然函数

交互式多模型滤波器的似然函数定义为：

其中与S_k分别为各模型的信息矩阵与信息协方差阵。

B.采用机动判断滤波的处理方式如下：

机动判断滤波即在转换量测Cv模型卡尔曼滤波处理的基础上，再加上机动过程判断得到。机动判断过程为，计算并记录最近两个处理周期的目标滤波值与量测值之差{D_k-1,D_k}，以第K周期为例，其中

和为目标滤波位置点的斜距与方位角，r_m和θ_m为关联量测点的斜距与方位角。

判断若同时满足以下条件

则判定目标机动，对于判定目标机动的情况，重置误差协方差阵使P＝P0。

在利用带机动判断的Cv模型滤波器对目标进行跟踪后，基于似然函数对跟踪质量进行评价。似然函数与Cv模型一致：

各通道采用的滤波器以及部分滤波参数设置如表3：

表3各通道采用的滤波器及滤波参数设置

(3)航迹的清除

本发明设定目标连续丢失10个周期则自动对目标继续清除处理。

(4)航迹的跟踪质量评价

多模型滤波器采用作为评价标准，机动判断滤波器采用作别评价标准，似然值越大说明目标跟踪效果越好，跟踪评价标准为航迹融合提供依据；若目标某周期未关联到量测，则目标该周期的似然值Λ_k无法计算，Λ_k应设定为一个极小的值，一般设定为Λ_k＝e^-100。

4、利用一种融合的策略将独立维持的多个跟踪通道航迹进行融合，形成统一的航迹输出，并给出管理策略；对多个通道的航迹进行轮循式的航迹关联，确立通道间的航迹关联关系，对于同时在多个通道中建立航迹的目标，基于跟踪质量评价和航迹关联规则，对其进行选优输出，最后形成统一的航迹。

(1)并行通道航迹关联

A、并行通道航迹关联采用基于轮循的关联方法，具体处理方式是对于设计的六个通道Channel_i,i＝1,2,…，6，轮流以每一通道作为参考通道，而其他剩余通道为计算通道，进行两个通道间的数据关联，把六通道的关联问题化解为两通道间两两关联问题。

B、两通道关联方法如下：

1)粗关联

计算Relation^ij时，在对通道i中的航迹Track_p，搜索以其为中心，半径为R的圆域内的通道j的所有航迹Track_q,q＝q₁,…,q_N。形成航迹样本组。

2)精细关联

基于粗关联得到的航迹样本组。计算灰关联度，关联度量选取灰关联作为度量：主要包括目标的位置、航向、航速等运动参数进行关联度的确定。

设定用于航迹关联的目标航迹四维样本点结构为：

其中x_k，y_k为目标在二维直角坐标下x方向和y方向坐标值，C_k为目标航向角，V_k为目标速度。

对于一个参考样本序列G₀，有若干个比较数列G₁,G₂…,G_n，则参考样本G₀与比较数列在第i维的灰关联度为：

其中，为G₀相对于G_k在第i个维度的差的绝对值，而Δ(min)为为G₀。

基于灰关联度分别将通道1的n个航迹作为参考序列，与通道2的m个航迹进行关联，从而得到灰关联度矩阵：

矩阵中第i行第j列元素表示通道1的第i条航迹与通道2第j条航迹序列的灰关联度。

灰关联度描述的是两航迹间的位置和形状的接近程度，下面就需要判断两航迹的相似程度，为了得到航迹间的相似性判决，需要对关联度按照从大到小的顺序进行排列，对得到的灰关联序进行判断：

给定阈值参数ε(0.5≤ε＜1)，可根据实际情况进行调整，如果灰关联矩阵中的值γ_ij(i＝1,2,…,n,j＝1,2,…,m)小于ε时，则通道1的航迹i与通道2的航迹j不相关，并将γ_ij置为0，这样得到的矩阵为截灰关联矩阵Γ^ε，在截灰关联矩阵中找出最大的元素，即则判断传感器1的航迹i与传感器2的航迹j^*关联。

如果通道Channel_i的航迹Tck_p与通道Channel_j中的航迹Tck_p关联，那么两通道匹配关联对计为且目前采用的关联方法保证互逆性即Relation^ij＝Relation^ji。

3)冲突情况处理

考虑极端情况当目标比较集中时，可能出现部分通道错误关联导致各个通道关联结果出现不一致的情况(例如同时存在的关联关系，即通道1中航迹1与通道2中航迹1关联，通道2中航迹1与通道3中航迹1关联，通道3中航迹1又与通道1中航迹3关联，即出现不一致情况)，对于关联结果不一致情况进行判断，暂不处理不一致的通道航迹关联对，直到不一致解除。

(2)系统航迹管理

基于并行多通道航迹关联结果，产生系统航迹，每隔3个雷达扫描周期，进行一次多通道间航迹关联关系的更新，根据最新更新的关联关系，确定系统航迹的产生、更新及清除。

A.系统航迹产生

在对关联关系的一致性检验后，所保留下来的关联关系具有一致性，基于一致性的关联关系，可以将系统航迹关联关系以集合的形式表示：

其中表示通道i的编号为t_p的航迹是系统航迹k在通道i中的对应局部航迹，系统航迹在通道i中无对应局部航迹，则集合中元素，上标中m表示主通道号(m＝1,2,…,6)。

当关联关系S中元素与当前所维持的系统航迹航关联关系中所包含元素无交集时，建立新的系统航迹。

B.系统航迹更新

当关联关系S中包含系统航迹k中主通道元素时，对进行更新

C.系统航迹终结

当系统航迹关联关系集合退化到没有元素为空集时，终结系统航迹，即所有局部航迹均消失后系统航迹终结。

D.航迹融合策略

某一系统航迹由稳定关联的并行通道航迹对构成，考察5个周期内系统航迹对应的各个通道局部航迹的跟踪质量评价(即似然值Λ_k)，选择出5个周期内获得最大似然值次数最多的通道(如果存在多个通道次数相同则比较似然值累加后大小，选择似然值累加结果较大的)作为主通道，采用主通道航迹作为融合航迹进行输出。

图3为警戒雷达多通道跟踪系统目标发现效果图，图4、图5、图6、图7分别为快速空目标跟踪效果图、海面目标与停泊目标跟踪效果图、快、慢速海面弱小目标跟踪效果图、直升机目标跟踪效果图。

Claims (6)

1.一种警戒雷达多目标多通道并行跟踪处理方法，其特征在于，包括以下步骤：

(1)建立并行的航迹跟踪架构，将跟踪架构划分为多个互不干扰的独立跟踪通道；

(2)利用各跟踪通道中目标运动统计量及特征识别的手段进行航迹自动起始；

(3)根据不同跟踪通道的运动特性设定关联、滤波模型及参数，对正式航迹进行跟踪，并利用目标似然函数给出航迹跟踪质量评价；

(4)通过并行的融合架构以及航迹管理策略将多通道的跟踪结果进行融合，形成统一的航迹输出；

所述步骤(2)包括以下步骤：

(21)对多个独立跟踪通道建立并维持具有多假设分支的候选航迹；

(22)对多个独立跟踪通道设定差异化的航迹起始参数，并基于累计信息统计量等物理量进行目标判别；

(23)针对每个通道构建特征库，对目标进行特征识别；

(24)当正常的候选航迹满足(22)和(23)的目标判决与特征识别条件后，即可在该通道建立正式航迹；

所述步骤(4)包括以下步骤：

(41)对多个通道的航迹进行轮循式的航迹关联，把多通道关联问题转化为两通道关联问题，确立通道间的航迹关联关系，并去除关联冲突；

(42)对于同时在多个通道中建立航迹的目标，基于跟踪质量评价和航迹关联规则，对其进行选优输出，最后形成统一的航迹。

2.根据权利要求1所述的一种警戒雷达多目标多通道并行跟踪处理方法，其特征在于，步骤(1)中所述的多个互不干扰的独立跟踪通道主要包括快速空目标通道、慢速空目标通道、直升机及慢速低空目标通道、海面常规目标通道，海面快速弱小目标通道、海面慢速弱小目标通道。

3.根据权利要求1所述的一种警戒雷达多目标多通道并行跟踪处理方法，其特征在于，所述步骤(3)包括以下步骤：

(31)寻找航迹关联点、设置航迹关联参数；

(32)对快速空目标、慢速空目标、直升机及慢速低空目标、海面常规目标，海面快速弱小目标通道采用由转换量测Cv模型和转换量测Singer模型构建而成的转换量测交互式多模型滤波器，慢速小目标通道采用带机动判定的Cv模型卡尔曼滤波器；

(33)各滤波器的滤波似然函数作为跟踪精度的评价的依据，同时将滤波器输出的似然函数作为航迹评估的标准，为融合提供支撑。

4.根据权利要求3所述的一种警戒雷达多目标多通道并行跟踪处理方法，其特征在于，所述步骤(21)包括以下步骤：

(211)设Z_j(k)作为新候选航迹的航迹头，记产生的候选航迹簇为Cnd_p＝{Z_j(k)}；

(212)候选航迹第一关联周期采用环形关联门，如果第k+1周期，存在量测落入环内，即量测Z_i(k+1)满足R₁≤norm(Z_i(k+1)-Z_j(k))≤R₂，则候选航迹簇Cnd_p成功关联，反之，则清除候选航迹簇Cnd_p，其中，R₁＝V_min·Δt为环形内半径，R₂＝V_max·Δt为环形外半径，V_min，V_max分别为通道的最小和最大跟踪速度范围，Δt为数据处理间隔时间；

(213)对候选航迹簇Cnd_p中所有分支航迹进行关联及分裂处理，汇总分支航迹并重新编号，得到第h周期的候选航迹其中l_h表示第h周期候选航迹簇Cnd_p的航迹分支数；

(214)以累计信息统计量为依据，对质量较差的假设分支进行裁剪，对均满足清除条件的航迹簇进行清除，对未被清除或转化为正式航迹的继续进行关联生长和分裂。

5.根据权利要求1所述的一种警戒雷达多目标多通道并行跟踪处理方法，其特征在于，所述步骤(23)包括以下步骤：

(231)基于目标的速度、窗内关联率、回波距离宽度、回波方位宽度、信噪比、多普勒速度6种特征构建目标特征向量，对各目标提取以上六类特征构建样本库，针对每一个单独通道构建正样本与负样本；

(232)对多个独立通道，都利用加权k近邻投票法构建每个特征元素维上的弱分类器，通过Boosting方法对弱分类器进行训练及融合，用训练好的Boosting分类器对待判定目标进行分类判决，完成特征识别过程。

6.根据权利要求1所述的一种警戒雷达多目标多通道并行跟踪处理方法，其特征在于，所述步骤(41)包括以下步骤：

(411)轮流以每一通道作为参考通道，而其他剩余通道为计算通道，进行两个通道间的数据关联；

(412)进行粗关联，形成航迹样本组；

(413)进行精细关联，选取灰关联作为度量，主要包括目标的位置、航向、航速等运动参数进行关联度的确定；

(414)对于关联结果不一致的通道航迹关联对暂不处理，直到不一致解除。