CN109000645A - 复杂环境目标经典航迹提取方法 - Google Patents

Abstract

本发明提出了一种复杂环境下的目标经典航迹提取方法。利用本发明可实现目标航迹数据随机性强、噪声大、航迹长短不一、点迹间隔差异大等复杂条件下的目标经典航迹的提取。本发明通过下述技术方案予以实现：读取目标航迹数据，根据航迹数据中不同属性的取值范围约束进行预筛选，去除异常数据项；栅格化经纬度网格，统计每个经纬度网格中的点迹密度，并提取点迹密度较大的网格中的所有航迹数据和过滤航迹数据；采用多距离阈值DBSCAN聚类算法对过滤后的航迹数据进行聚类形成多个航迹聚类簇；针对每一个聚类簇设置扫描线，依次计算扫描线与航迹交点平均值得到目标经典航迹中的点迹，并按先后顺序连接点迹，得到目标经典航迹提取结果。

Description

复杂环境目标经典航迹提取方法

技术领域

本发明属于计算机科学与技术的数据挖掘技术领域，具体涉及一种复杂环境下的目标经典航迹提取方法。

背景技术

现代态势处理日益复杂，目标数量大、种类多，态势处理过程中需要监控的目标运动情况复杂多变，观测目标航迹的数据量巨大，面对海量原始的航迹数据，在需要快速查看某一目标的运动规律时，如何及时有效提取目标经典航迹，提升态势处理的时效性，显得越来越迫切。航迹是飞行器飞行实际经过的路径，经典航迹是技侦情报领域中的经典目标的运动轨迹。目标经典航迹反映了目标运动的方式与规律，对目标的历史航迹数据进行理论建模、分析和研究对于智能监控中的目标属性识别、行为模式辨识、活动预测、异常检测等方面的应用有着重要的意义。目标经典航迹提取利用大量历史航迹数据，通过机器学习和数据挖掘算法，分析目标对象的时间、空间、状态等维度的运动特征和变化特点，将具有相似特性的数据对象划分到一起，发现并提取其中有意义的模式和规律。目标航迹数据的质量直接受到传感器本身的性能的影响。另外，目标的运动是由驾驶员操纵的，同时还受到交通管制部门、空间环境和地理环境的约束，这些因素导致目标航迹复杂多样，观测目标航迹数据上表现出数据量大、随机性强、噪声大、航迹长短不一、点迹间隔差异大等特点，给目标经典航迹提取带来极大的困难。目标经典航迹提取一般是利用聚类算法实现，根据数据内在的聚集特性，将其划分为多个簇，并提取相应的中心航迹。目前，国内在目标经典航迹提取方面的研究较少，但是在目标轨迹聚类方面开展了一些研究，主要包括：

(1)子空间轨迹聚类，将时空轨迹数据划分为不同维度的子空间，并利用CLIQUE算法进行分别聚类，可在空间和属性中发现多种具有不同含义的聚类，从多角度发现目标轨迹的运动特征。该方法参数设置较多，多边界数据的处理不够精确，且空间和其它属性信息没有进行关联分析。航迹关联聚类有非常的明确的应用背景和重要的价值，是分布式多传感器系统中信息融合的关键环节。在多传感器分布式数据融合中，航迹关联聚类是一基本问题，目的是确定来自不同传感器的哪些航迹代表同一个真实目标。

(2)运动轨迹的密度峰聚类，计算目标运动轨迹之间的相似性距离，再利用基于密度的峰值聚类算法，将运动轨迹进行划分，得到多个聚类簇。该方法在对密度分布均匀的数据进行聚类时具有优势。但该算法在工程实际中的关联策略的应用还不够完善，适应能力较差，在某些情况下甚至出现严重的错误，性能评估不全面。

(3)运动轨迹的DBSCAN聚类，利用运动轨迹中点的空间位置信息将轨迹数据进行聚类，得到多个航行轨迹区域，形成航迹图谱。该方法仅考虑了空间位置信息，可用于提取目标活动区域信息。

(4)K-means轨迹模式聚类，将K-means算法结合到轨迹分析中，挖掘目标活动行为的轨迹模式。该方法也只利用了空间位置信息，且需要事先指定聚类中心的个数。

(5)轨迹距离度量，距离度量方面的研究，包括基于欧式空间的欧式距离、最长公共子序列距离、编辑距离、动态时间规整距离等，基于网格的最大公共网格距离、基于网格的最长公共子序列距离等。这些距离度量方法只考虑了空间位置信息，或仅考虑了相似部分。

上述方法仅针对目标经典航迹提取中的一方面进行研究，且对于随机性强、噪声大、航迹不连续、时间长度不一致、点迹间隔差异大等的复杂航迹数据环境下的目标经典航迹提取，难以奏效。

发明内容

本发明的目的在于针对上述现有技术在密集杂波环境下存在的问题或缺陷，提供一种能有效降低噪声数据影响，距离计算更准确的复杂环境下目标经典航迹提取方法。

为了达到上述目的，本发明提出一种复杂环境下目标经典航迹提取方法，其特征在于包括如下步骤：采用航迹数据预筛选模块读取目标航迹数据中的点迹序列，根据经度、维度、高度、速度和航向的取值范围约束对航迹数据进行预筛选，去除异常数据项对应的点迹数据；然后采用航迹数据过滤模块滤除低密度点迹，栅格化经纬度网格，统计落在每一个经纬度网格中的点迹个数，形成栅格灰度图像，并提取像素值大于给定阈值的像素位置对应的经纬度网格中的所有点迹数据，完成点迹数据的过滤，过滤后的航迹数据输入到航迹数据聚类模块；采用航迹数据聚类模块将过滤后的航迹数据划分为聚类簇，计算不同航迹之间的距离，利用运动速度和运动方向信息作为惩罚因子，形成距离矩阵，并在航迹数据聚类时，根据航迹数据自身的内在特性，设置密度阈值和多个距离阈值，按距离阈值从小到大的顺序，利用DBSCAN聚类算法分层次进行航迹聚类，形成航迹聚类簇；在计算经典航迹时，针对每一个聚类簇，采用目标经典航迹计算模块，根据聚类结果和中心航迹设置扫描线，将扫描线与多条航迹的交点进行平均，依次计算每一个扫描线与所有航迹交点的平均值，按先后顺序进行点迹的连接，提取得到目标经典航迹的结果。

本发明相比于现有技术具有如下显著效果：

本发明针对实际目标航迹数据随机性强、噪声大等特点，采用航迹数据预筛选模块、航迹数据过滤模块、航迹数据聚类模块和目标经典航迹计算模块，四个模块提取复杂环境下的目标经典航迹，提供一套完整的处理流程。通过实验数据分析表明，能有效降低噪声数据的影响，提高目标经典航迹提取的效果，具有较强的工程实用价值。

本发明在计算航迹之间距离度量时，不是直接计算点迹之间的位置距离，而是计算点与线段的距离，同时还利用了运动速度和运动方向信息作为惩罚因子，这样可以解决非同步航迹的距离计算问题，同时考虑速度和方向的影响使距离计算更准确。

本发明在航迹数据聚类时，不是直接利用传统的DBSCAN聚类方法进行航迹聚类，而是根据航迹数据自身的内在特性，设定多个距离阈值，并分层次进行聚类处理，这样可以解决传统DBSCAN算法在处理密度分布不均匀数据时失效的弱点，为实现复杂环境下的目标经典航迹提取提供了解决方法和坚实基础。

本发明在计算经典航迹时，不是利用整体运动方向、也不是直接利用距离远近将多条航迹中对应点迹进行平均，而是根据中心航迹设置扫描线，将扫描线与多条航迹的交点进行平均，这样可以防止目标运动方向变化大、多条航迹数据点迹间隔不一致时算法失效的不足。

附图说明

为了更清楚地理解本发明，现将通过本发明实施方式，同时参照附图，来描述本发明，其中：

图1是本发明复杂环境下目标经典航迹提取方法的流程图。

图2是本发明航迹数据过滤模块的流程图。

图3是本发明航迹数据聚类模块的流程图。

图4是本发明目标经典航迹计算模块的示意图。

下面结合附图对本发明作进一步说明。

具体实施方式

参阅图1。根据本发明，采用航迹数据预筛选模块、航迹数据过滤模块、航迹数据聚类模块和目标经典航迹计算模块，四个模块提取复杂环境下的目标经典航迹。首先采用航迹数据预筛选模块读取目标航迹数据中的点迹序列，并根据经度、维度、高度、速度和航向的取值范围约束对航迹数据进行预筛选，去除异常数据项对应的点迹数据；航迹数据过滤模块滤除低密度点迹，栅格化经纬度网格，统计落在每一个经纬度网格中的点迹个数，形成栅格灰度图像，并提取像素值大于给定阈值的像素位置对应的经纬度网格中的所有点迹数据，完成点迹数据的过滤，过滤后的航迹数据输入到航迹数据聚类模块；航迹数据聚类模块将过滤后的航迹数据划分为聚类簇，计算不同航迹之间的距离，引入运动速度和运动方向信息作为惩罚因子，形成距离矩阵，并在航迹数据聚类时，根据航迹数据自身的内在特性，设置密度阈值和多个距离阈值，按距离阈值从小到大的顺序，利用DBSCAN聚类算法分层次进行航迹聚类，形成航迹聚类簇。航迹数据聚类模块在后一次聚类的过程中，将前一次聚类形成的簇作为一个整体进行簇的合并，并优先选择作为后一次聚类中的核心对象进行类的扩展；目标经典航迹计算模块，针对每一个聚类簇，根据中心航迹设置扫描线，依次计算每一条扫描线与所有航迹交点的平均值，并按先后顺序对点迹进行连接，得到经典航迹提取结果。经典航迹计算模块输出目标经典航迹。

航迹数据预筛选模块根据每条航迹有P_n个点迹，读取一段时间内的N条航迹{Tr₁…Tr_n,…Tr_N}，将对应的航迹标号记为{M₁…M_n,…M_N}，用M_n表示第n条航迹的编号按时间先后顺序排列每条航迹中的P_n个点迹，并设第n条航迹第n条航迹中的第p个点迹使每个点迹包含时间T、经度Lon、纬度Lat、高度H、速度V、航向D多个数据项，其中，N为航迹条数，n为自然数，时间为经度为纬度为高度为速度为和航向为 分别表示第n条航迹中的第p个点迹的时间、经度、纬度、高度、速度和航向。在航迹数据过滤模块之前，先根据经度Lon、纬度Lat、高度H、速度V和航向D的取值范围约束对航迹数据进行预筛选，去除异常点迹，取值约束如下：Lon∈[-180,180]，Lat∈[-90,90]，H∈{0,Max_H}，V∈[0,Max_V]，D∈[0,360]，由航迹数据预筛选模块输出预筛选后的目标航迹数据。

参阅图2。航迹数据过滤模块根据航迹数据预筛选模块输出的预筛选后的目标航迹数据，统计目标航迹数据中的经度的最大值Max_Lon、纬度的最大值Max_Lat和经度的最小值Min_Lon、纬度的最小值Min_Lat，将[Min_Lon,Max_Lon]和[Min_Lat,Max_Lat]范围内的经纬度进行栅格化，生成经纬度网格，并统计目标航迹数据中经度Lon和纬度Lat落在每个网格中的目标点迹数据的个数，得到经纬度网格图像，记为I(x,y)，其中，x,y分别为经度对应的图像行坐标和纬度对应的图像列坐标，I是(x,y)坐标位置的像素值，即落在对应经纬度网格中的目标点迹数据的个数。航迹数据过滤模块将网格图像I(x,y)中像素值小于阈值T_Den的像素位置赋值为0，即并提取图像I(x,y)中像素值大于0的像素位置对应的经纬度网格中的点迹数据，输出过滤后的目标航迹数据，完成航迹数据过滤，其中，T_Den是人为给定的密度阈值。

参阅图3，航迹数据聚类模块根据航迹数据过滤模块过滤后的目标航迹数据，利用多距离阈值DBSCAN聚类算法，对筛选、过滤后的目标航迹数据进行分层次聚类形成多个聚类簇。目标航迹聚类的主要思想是把具有相同或相似行为的航迹聚集成簇，形成目标航迹簇。航迹数据过滤模块处理后共有N条记为{Tr₁…Tr_n，…Tr_N}的航迹，对应的航迹标号记为{M₁…M_n,…M_N}，第n条航迹的编号为M_n，第n条航迹共有P_n个点迹，其中，第n条航迹的第p个点迹记为 分别表示第n条航迹的第p个点迹的时间、经度、纬度、高度、速度、航向六个数据项。

航迹数据聚类模块利用过滤后的目标航迹数据计算距离矩阵Dis，Dis是一个N×N大小的矩阵，距离矩阵Dis中第i行第j列的元素Dis(i,j)表示第i条航迹与第j条航迹的距离。航迹数据聚类模块依次计算航迹Tr_i上的P_i个点迹到航迹Tr_j的距离值，得到P_i个距离值，并将P_i个距离值中的最大值作为航迹Tr_i到航迹Tr_j的距离dis(i,j)，用同样的方法可以计算航迹Tr_j到航迹Tr_i的距离dis(j,i)，dis(j,i)与dis(i,j)之间的最大值就是航迹Tr_i与航迹Tr_j之间的距离Dis(i,j)，即Dis(i,j)＝max{dis(i,j),dis(j,i)}(2)

上式中，其中，Tr_i和Tr_j分别表示第i条航迹和第j条航迹，Tr_i ^p表示第i条航迹中的第p个点迹,dist(Tr_i ^p,Tr_j)为航迹Tr_i上第p个点迹Tr_i ^p到第j条航迹Tr_j的距离，同时考虑空间位置、速度和航向的影响，通过下式计算距离dist(Tr_i ^p,Tr_j)

其中，p是第i条航迹中点迹的序号,t是第j条航迹中点迹的序号,dist_p,t表示经度、纬度、高度三个数据项之间的距离，dist_p,t是目标三维空间点到点与点之间线段的最小空间距离，是速度距离，是航向距离，分别是第i条航迹的第p个点迹的经度、纬度、高度、速度、航向数据项,分别是第j条航迹的第t个点迹的经度、纬度、高度、速度、航向数据项,ω₁,ω₂,ω₃分别表示空间距离、速度距离、航向距离的权重。该方法可以克服传统方法在计算非同步航迹之间距离时结果偏大的缺点。

从实际的航迹距离计算出发，三维空间中的位置关系比速度关系更重要，因此，将目标经度、纬度、高度之间的距离dist_p,t作为距离度量dist(Tr_i ^p,Tr_j)的主体部分；同时，采用加权的相似度作为距离度量的惩罚系数，只有当两个点的航速和航向分别近似相同时，惩罚系数才越接近于1，此时，航迹Tr_i上第p个点迹Tr_i ^p到第j条航迹Tr_j之间的距离dist(Tr_i ^p,Tr_j)约等于dist_p,t；航速和航向的差距越大，惩罚系数也越大，此时dist(Tr_i ^p,Tr_j)远大于dist_p,t。按以上计算方法计算距离矩阵Dis中所有元素，得到距离矩阵Dis的计算结果，距离矩阵Dis用于后续的航迹数据聚类。

航迹数据聚类模块利用距离矩阵Dis计算DBSCAN聚类中距离阈值d_T。d_T表征的是聚类的上限距离，即认为属于同一聚类的点之间的距离应不大于d_T，也就是说，DBSCAN算法中的距离阈值d_T只是一个距离上限，无法解决不均匀数据的聚类问题。为了解决不均匀数据的聚类问题，将DBSCAN算法中的距离阈值d_T扩展到S个距离阈值d∈{d₀、d₁…,d_i…d_S}，不同的局部数据空间对应于不同的距离阈值，其中，d_i＝d₀+i×Δd，0≤i≤S，且d_S≤d_T，Δd是人为设定的距离间隔，d₀是距离矩阵Dis中除去0以外的最小值。

航迹数据聚类模块根据距离阈值d∈{d₀、d₁…,d_i…d_S}的取值范围，依次使邻域半径R的取值为d₀、d₁…,d_i,…d_S，分层次采用DBSCAN算法进行航迹聚类，得到比原始DBSCAN聚类算法更精细的聚类结果。

航迹数据聚类模块在某一层次的聚类过程中，将密度阈值设为ρ，利用得到的航迹距离矩阵Dis，根据当前邻域半径R计算N个元素的密度ρ_1:N＝{ρ₁、ρ₂…ρ_n,…ρ_N}，其中ρ_n表示第n个元素的密度；然后根据密度阈值ρ，按照下式将所有元素划分为核心对象、边界对象和噪声点

选择一个核心对象p，在数据集中寻找与p直接密度可达的对象，形成集合T_p，然后选择集合T_p中的核心对象，继续寻找与其直接密度可达的对象，不断迭代，直到找不到与核心对象p密度可达的对象为止，得到一个聚类簇C_p；然后，从剩余的数据集中选择一个核心对象，重复以上过程，直到剩余数据集中没有核心对象为止，完成本层次的聚类过程。通过以上过程，可得到K个聚类簇。然后根据上一层次的聚类结果，进行下一层次的聚类。在后一次聚类的过程中，将前一次聚类形成的簇作为一个整体进行簇的合并，并优先选择作为后一次聚类中的核心对象进行类的扩展；当小距离阈值的簇聚类完毕后，采用大一级的距离阈值，重复以上步骤，直到最大一级距离阈值的聚类完成，在完成每一层次的聚类后，判断是否满足i＜S，是则使i＝i+1，继续进行后一层次的DBSCAN密度聚类，否则结束目标航迹聚类，并输出目标航迹聚类簇。这里面有两个定义：1)直接密度可达，如果一个对象处在一个核心对象的d邻域内，那么称这两个对象直接密度可达；2)密度可达(相连)，如果一个对象a和b直接密度可达，对象b和c也是直接密度可达，那么我们称a和c是密度可达的，也称这两个对象是密度相连的。

参阅图4。目标经典航迹计算模块根据航迹数据聚类模块的聚类结果，对每个聚类簇计算经典航迹，即根据航迹的运动方向设置扫描线，计算扫描线与所有航迹交点的平均值，得到经典航迹中的一个点，对所有轨迹点重复这一过程，得到一个经典航迹点序列，其连线就是待求的经典航迹，具体包括以下过程：

目标经典航迹计算模块利用航迹数据聚类模块中的距离矩阵和距离阈值d_T计算每一个航迹元素的密度，从聚类簇中选择密度最大的元素作为中心航迹，该航迹本身在一定程度上代表了目标的运动行为；

目标经典航迹计算模块设置扫描线，扫描线与中心航迹的运动方向垂直，依次以中心航迹中的每一个点迹为基准设置扫描线，求取该扫描线与所有航迹交点的平均值，并作为经典航迹上的点迹，每个点迹包含经度、维度、高度、速度、方向五个要素；将得到的所有交点平均值点迹按先后顺序依次连接起来，得到目标经典航迹。

以上是向熟悉本发明领域的工程技术人员提供的对本发明及其实施方案的描述，这些描述应被视为是说明性的，而非限定性的。工程技术人员可据此发明权利要求书中的思想做具体的操作实施，在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。上述这些都应被视为本发明的涉及范围。

Claims (10)

1.一种复杂环境下目标经典航迹提取方法，其特征在于包括如下步骤：采用航迹数据预筛选模块读取目标航迹数据中的点迹序列，根据经度、维度、高度、速度和航向的取值范围约束对航迹数据进行预筛选，去除异常数据项对应的点迹数据；然后采用航迹数据过滤模块滤除低密度点迹，栅格化经纬度网格，统计落在每一个经纬度网格中的点迹个数，形成栅格灰度图像，并提取像素值大于给定阈值的像素位置对应的经纬度网格中的所有点迹数据，完成点迹数据的过滤，过滤后的航迹数据输入到航迹数据聚类模块；采用航迹数据聚类模块将过滤后的航迹数据划分为聚类簇，计算不同航迹之间的距离，利用运动速度和运动方向信息作为惩罚因子，形成距离矩阵，并在航迹数据聚类时，根据航迹数据自身的内在特性，设置密度阈值和多个距离阈值，按距离阈值从小到大的顺序，利用DBSCAN聚类算法分层次进行航迹聚类，形成航迹聚类簇；在计算经典航迹时，针对每一个聚类簇，采用目标经典航迹计算模块，根据聚类结果和中心航迹设置扫描线，将扫描线与多条航迹的交点进行平均，依次计算每一个扫描线与所有航迹交点的平均值，按先后顺序连接点迹，提取得到目标经典航迹的结果。

2.如权利要求1所述的复杂环境下目标经典航迹提取方法，其特征在于：在航迹数据过滤模块之前，先根据经度Lon、纬度Lat、高度H、速度V和航向D的取值范围约束对航迹数据进行预筛选，去除异常点迹，且取值约束为：Lon∈[-180,180]，Lat∈[-90,90]，H∈{0,Max_H}，V∈[0,Max_V]，航迹数据预筛选模块输出预筛选后的目标航迹数据；根据航迹数据预筛选模块输出的预筛选后的目标航迹数据，统计目标航迹数据中的经度的最大值Max_Lon、纬度的Max_Lat和经度的最小值Min_Lon、纬度的最小值Min_Lat，将[Min_Lon,Max_Lon]和[Min_Lat,Max_Lat]范围内的经纬度进行栅格化，生成经纬度网格，并统计目标航迹数据中经度Lon和纬度Lat落在每个网格中的目标点迹数据的个数，得到经纬度网格图像记为I(x,y)，其中，x,y分别为经度对应的图像行坐标和纬度对应的图像列坐标，I是(x,y)坐标位置的像素值。

3.如权利要求2所述的复杂环境下目标经典航迹提取方法，其特征在于：航迹数据过滤模块将I(x,y)中像素值小于阈值T_Den的像素位置赋值为0，即

并提取图像I(x,y)中像素值大于0的像素位置对应的经纬度网格中的点迹数据，输出过滤后的目标航迹数据，完成航迹数据过滤，其中，T_Den是人为给定的密度阈值。

4.如权利要求1所述的复杂环境下目标经典航迹提取方法，其特征在于：航迹数据聚类模块根据航迹数据过滤模块过滤后的目标航迹数据，利用多距离阈值DBSCAN聚类算法，对筛选、过滤后的目标航迹数据进行分层次聚类形成多个聚类簇。

5.如权利要求1所述的复杂环境下目标经典航迹提取方法，其特征在于：航迹数据聚类模块依次计算航迹Tr_i上的P_i个点迹到航迹Tr_j的距离值，得到P_i个距离值，并将P_i个距离值中的最大值作为航迹Tr_i到航迹Tr_j的距离dis(i,j)，Tr_i和Tr_j分别表示第i条航迹和第j条航迹，Tr_i ^p表示第i条航迹中的第p个点迹。

6.如权利要求5所述的复杂环境下目标经典航迹提取方法，其特征在于：航迹数据聚类模块将目标经度、纬度、高度之间的距离dist_p,t作为距离度量dist(Tr_i ^p,Tr_j)的主体，采用加权的相似度作为距离度量的惩罚系数，当航迹中两个点迹的航速和航向分别近似相同时，惩罚系数接近于1，当航迹中两个点迹的航速和航向的差距较大时，惩罚系数远大于1，依次计算距离矩阵Dis中的所有元素，得到距离矩阵Dis的计算结果。

7.如权利要求1所述的复杂环境下目标经典航迹提取方法，其特征在于：航迹数据聚类模块在某一层次的聚类过程中，将密度阈值设为ρ，利用得到的航迹距离矩阵Dis，根据当前邻域半径R计算N个元素的密度ρ_1:N＝{ρ₁、ρ₂…ρ_n,…ρ_N}，其中ρ_n表示第n个元素的密度；然后根据密度阈值ρ，按照下式将所有元素划分为核心对象、边界对象和噪声点

选择一个核心对象p，在数据集中寻找与p直接密度可达的对象，形成集合T_p，然后选择集合T_p中的核心对象，继续寻找与其直接密度可达的对象，不断迭代，直到找不到与核心对象p密度可达的对象为止，得到一个聚类簇C_p；然后，从剩余的数据集中选择一个核心对象，重复以上过程，直到剩余数据集中没有核心对象为止，完成本层次的聚类过程。

8.如权利要求1所述的复杂环境下目标经典航迹提取方法，其特征在于：航迹数据聚类模块利用距离矩阵Dis计算DBSCAN聚类中表征的是聚类的上限距离的距离阈值d_T，为了解决不均匀数据的聚类问题，将DBSCAN算法中的距离阈值d_T扩展到S个距离阈值d∈{d₀、d₁…,d_i…d_S}，不同的局部数据空间对应于不同的距离阈值；根据距离阈值d∈{d₀、d₁…,d_i…d_S}的取值范围，依次使邻域半径R的取值为d₀、d₁…,d_i,…d_S，分层次采用DBSCAN算法进行航迹聚类，得到比原始DBSCAN聚类算法更精细的聚类结果，其中，d_i＝d₀+i×Δd，0≤i≤S，且d_S≤d_T，Δd是人为设定的距离间隔，d₀是距离矩阵Dis中除去0以外的最小值。

9.如权利要求1所述的复杂环境下目标经典航迹提取方法，其特征在于：得到K个聚类簇后根据上一层次的聚类结果，进行下一层次的聚类；在后一次聚类的过程中，将前一次聚类形成的簇作为一个整体进行簇的合并，并优先选择作为后一次聚类中的核心对象进行类的扩展；当小距离阈值的簇聚类完毕后，采用大一级的距离阈值，重复以上步骤，直到最大一级距离阈值的聚类完成，在完成每一层次的聚类后，判断是否满足i＜S，是则使i＝i+1，继续进行后一层次的DBSCAN密度聚类，否则结束目标航迹聚类，并输出目标航迹聚类簇。

10.如权利要求9所述的复杂环境下目标经典航迹提取方法，其特征在于：目标经典航迹计算模块利用航迹数据聚类模块中的距离矩阵和距离阈值d_T计算每一个航迹元素的密度，从聚类簇中选择密度最大的元素作为中心航迹，依次以中心航迹中的每一个点迹为基准设置扫描线，求取该扫描线与所有航迹交点的平均值，并作为经典航迹上的点迹，将得到的所有交点平均值点迹按先后顺序依次连接起来，得到目标经典航迹。