CN110187318A - 一种雷达数据处理方法 - Google Patents

Abstract

本发明公开了一种雷达数据处理方法，包括：获取雷达点迹数据并对所述雷达点迹数据进行预处理得到待选点迹对应的待选点迹数据；利用至少两种波门对所述待选点迹数据进行由粗到精的筛选；利用逻辑法对所述临时航迹进行判断，若所述临时航迹满足条件，则将所述临时航迹变为真实航迹；基于所述真实航迹，进行跟踪滤波。利用本发明实施例的雷达数据处理方法，可以简单快速的处理雷达数据，并且显示在雷达终端的目标航迹更加可靠。

Description

一种雷达数据处理方法

技术领域

本发明属于雷达技术领域，特别涉及一种雷达数据处理方法。

背景技术

在雷达探测慢速小目标的过程中，由于在目标周围经常存在着各种复杂的背景，如地物、云雨等，这些背景产生的回波往往被称为杂波或者无源干扰，且并不总是静止的。信号处理器则是利用一定的方法来抑制杂波或者干扰。信号处理器通过信号处理、恒虚警检测、门限判断等手段发现目标，并将目标的空间位置、幅度值、径向速度等输送到数据录取器，数据录取器输出点迹(量测)到数据处理器，数据处理器将点迹进行预处理，获得目标距离、方位、运动参数等，并进行关联、滤波跟踪等运算形成稳定的目标航迹，雷达终端显示目标航迹。由于数据处理器处理后的结果中还会有大量的虚假目标，并会和运动目标同时在雷达终端上显示，这会使对目标的快速发现和观察变得十分困难。

目前，雷达数据处理中对虚假目标抑制的基本的方法是通过数据关联，并利用逻辑法进行目标航迹的快速起始和滤波跟踪。雷达数据处理中可用的信息有限，通过设置波门进行目标关联的判断，往往由于受到周围虚假点迹的影响导致关联错误，形成较多的试验航迹。再对试验航迹进行快速的逻辑法判断会导致大量的虚假目标也一并转化为确认航迹并显示在雷达终端上。

专利号为CN 103472441A的中国专利公开了一种基于杂波图的雷达数据处理方法，能够根据雷达控制状态的改变而自适应重新训练和建立杂波图，带有冻结功能的杂波图能够将慢速以及停航目标的保留下来，但是其实现结构复杂，实现成本较高，并且对慢速小目标的检测效果较差。

因此，如何提供一种成本低、简单、对慢速小目标检测效果好的雷达数据处理方法成为了一个亟待解决的技术问题。

发明内容

本发明所要解决的技术问题之一是如何实现一种成本低、简单、对慢速小目标检测效果好的雷达数据处理方法。

为了解决上述技术问题，本申请的实施例首先提供了一种雷达数据处理方法，包括：

获取雷达点迹数据并对所述雷达点迹数据进行预处理得到待选点迹对应的待选点迹数据，所述待选点迹数据包含点迹属性信息；

利用至少两种波门对所述待选点迹数据进行第一层和第二层关联筛选获得目标点迹数据，将所述目标点迹数据对应的目标点迹形成临时航迹；

利用逻辑法对所述临时航迹进行航迹起始判断，若所述临时航迹满足条件，则将所述临时航迹作为真实航迹来起始；

基于所述真实航迹，利用卡尔曼滤波器进行跟踪滤波。

优选地，利用至少两种波门对所述待选点迹数据进行第一层和第二层关联筛选获得目标点迹数据，将所述目标点迹数据对应的目标点迹形成临时航迹，包括：

利用至少两种波门对所述待选点迹数据进行第一层和第二层关联筛选；

如果所述待选点迹中有多个点迹与试验航迹相关联，则利用目标的特性参数从多个点迹中选择目标点迹；

如果所述待选点迹中只有一个点迹与试验航迹相关联，则将该点迹作为目标点迹。

优选地，利用至少两种波门对所述待选点迹数据进行筛选，包括：

如果试验航迹的航迹长度小于2，利用环形波门对所述待选点迹数据进行筛选；

如果试验航迹的航迹长度不小于2，利用扇环形波门对所述待选点迹数据进行筛选。

优选地，所述环形波门的内环半径为0.5*Vmin*T，所述环形波门的外环半径为Vmax*T，其中，Vmin为最小速度，Vmax为最大速度，T为时间；

所述扇环形波门的内环半径为0.5*Vmin*T，所述扇环形波门的外环半径为Vmax*T，所述扇环形波门的圆心角为θmax，其中，Vmin为最小速度，Vmax为最大速度，T为时间，θmax为最大角度。

优选地，利用环形波门对所述待选点迹数据进行筛选，包括：

针对每个待选点迹执行：如果该待选点迹与试验航迹中最后一个点迹的距离大于0.5*Vmin*T并且小于Vmax*T，则该待选点迹与试验航迹相关联；

利用扇环形波门对所述待选点迹数据进行筛选，包括：

针对每个待选点迹执行：如果所述待选点迹与试验航迹中最后一个点迹的距离大于0.5*Vmin*T并且小于Vmax*T，该待选点迹的加速度大于Amax，以及所述待选点迹与试验航迹中最后一个点迹形成的连线与所述扇环形波门的一条直边的角度大于θmax，则该待选点迹与试验航迹相关联，其中，Amax为最大加速度。

优选地，利用目标的特性参数从多个点迹中选择目标点迹，包括：

建立基于目标的特征属性的学习模型，所述学习模型包括速度变化率学习模型、加速度变化率模型和距离变化率模型；

将所述待选点迹中与试验航迹相关联的多个点迹输入至少一个学习模型，将至少两个学习模型的输出量化结果进行加权计算，选择加权结果满足一定门限值的点迹作为目标点迹。

优选地，所述速度变化率的学习模型为其中，参数α取0，参数k取0.1，v为速度；

所述加速度变化率的学习模型为其中，参数α取0，参数k取0.001，a为加速度；

所述距离变化率的学习模型为其中，参数α取8，参数k取0.0005，r为距离。

优选地，利用逻辑法对所述临时航迹进行判断，若所述临时航迹满足条件，则将所述临时航迹作为真实航迹，包括：

利用N/M逻辑法对所述临时航迹进行判断，若所述临时航迹的长度等于M，并且有N个目标点迹，则将所述临时航迹作为真实航迹。

优选地，还包括：若所述真实航迹连续3次关联不到所述待选点迹，则消除所述真实航迹。

优选地，基于所述真实航迹，进行跟踪滤波，包括：

基于所述真实航迹，利用圆形波门对跟踪点迹进行判断；

如果所述跟踪点迹满足所述圆形波门的数量为1时，则利用卡尔曼滤波器对真实航迹进行更新滤波；

如果所述跟踪点迹满足所述圆形波门的数量大于1时，则采用最近邻的方式选取最佳跟踪点迹，并利用卡尔曼滤波器对真实航迹进行更新滤波；

如果所述跟踪点迹不满足所述圆形波门时，则利用基于匀速模型的卡尔曼滤波器进行外推补点。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

通过对雷达点迹数据进行预处理可以实现对雷达点迹数据进行凝聚和杂波点的剔除，利用至少两种波门对待选点迹数据进行筛选，将获得的目标点迹数据对应的目标点迹形成临时航迹，可以对待选点迹数据进行由粗关联到精关联的筛选，形成的临时航迹更加可靠，利用逻辑法对临时航迹进行判断，若临时航迹满足条件，则将临时航迹作为真实航迹，从而对航迹快速起始，基于真实航迹，进行跟踪滤波，形成稳定的目标航迹，进而可以在雷达终端显示。

本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。

图1是根据本发明一实施例的雷达数据处理方法的流程示意图；

图2是根据本发明一实施例的雷达数据处理方法的速度变化率的学习模型的函数图；

图3是根据本发明一实施例的雷达数据处理方法的加速度变化率的学习模型的函数图；

图4是根据本发明一实施例的雷达数据处理方法的距离变化率的学习模型的函数图；

图5是根据本发明一实施例的雷达数据处理方法的环形波门的示意图；

图6是根据本发明一实施例的雷达数据处理方法的扇环形波门的示意图；

图7是根据本发明一实施例的雷达数据处理方法的航迹快速起始的流程示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。

获取雷达点迹数据并对雷达点迹数据进行预处理得到待选点迹对应的待选点迹数据，对雷达点迹数据进行预处理可以实现对雷达点迹数据进行凝聚和杂波点的剔除；利用至少两种波门对待选点迹数据进行筛选，将获得的目标点迹数据对应的目标点迹形成临时航迹，利用至少两种波门可以对待选点迹数据进行由粗关联到精关联的筛选，形成的临时航迹更加可靠；利用逻辑法对临时航迹进行判断，若临时航迹满足条件，则将临时航迹作为真实航迹，从而对航迹快速起始；基于真实航迹，进行跟踪滤波，形成稳定的目标航迹，进而可以在雷达终端显示。

利用上述方法，可以简单快速的处理雷达数据，并且显示在雷达终端的目标航迹更加可靠。

下面以两个具体的实施例对本发明作进一步说明。

如图1所示，为本发明实施例的一种雷达数据处理方法，其包括：

S1，获取雷达点迹数据并对雷达点迹数据进行预处理得到待选点迹对应的待选点迹数据，待选点迹数据包含点迹属性信息；

雷达点迹数据包括帧号、目标个数、方位、俯仰、距离、幅值、速度等信息，对雷达点迹数据进行预处理，即对雷达点迹数据进行数据解析，主要包括对点迹进行凝聚和杂波点的剔除。

S2，利用至少两种波门对待选点迹数据进行第一层和第二层关联筛选获得目标点迹数据，将目标点迹数据对应的目标点迹形成临时航迹；

利用至少两种波门对待选点迹数据进行第一层和第二层关联筛选，可以实现通过不同波门的设置进行由粗关联到精关联的点迹筛选，可以提升点迹关联的准确程度。

在一个实施例中，利用环形波门和扇环形波门对待选点迹数据进行筛选。当然，在其他实施例中，根据实际情况也可以选用矩形波门等进行粗关联的筛选。S3，利用逻辑法对临时航迹进行航迹起始判断，若临时航迹满足条件，则将临时航迹作为真实航迹来起始；

例如，利用N/M逻辑法对临时航迹进行航迹起始判断，若临时航迹的长度等于M，并且有N个目标点迹，则将临时航迹作为真实航迹起始，并对真实航迹建立批号，实现航迹的快速起始。N/M一般可以选择为2/3或3/4。后面的例子中，均是以2/3为例进行说明。

S4，基于真实航迹，利用卡尔曼滤波器进行跟踪滤波。

通过跟踪滤波，能够修正雷达对目标位置、速度的测量误差，精确地估计出目标真实信息。

通过上述方法，可以成本低、简单方便的实现对慢速小目标进行检测。

在一个实施例中，利用至少两种波门对待选点迹数据进行第一层和第二层关联筛选获得目标点迹数据，将目标点迹数据对应的的目标点迹形成临时航迹，包括：

利用至少两种波门对待选点迹数据进行第一层和第二层关联筛选，可以从大量的待选点迹数据中筛选出符合条件的点迹用于建立临时航迹；

如果待选点迹中有多个点迹与试验航迹相关联，则利用目标的特性参数从多个点迹中选择目标点迹；

如果待选点迹中只有一个点迹与试验航迹相关联，则将该点迹作为目标点迹。

利用多重波门对先后的待选点迹数据进行筛选，当待选点迹中有多个点迹与试验航迹相关联，需要从多个点迹中选择目标点迹，从而去除大量的虚假航迹，保留最接近慢速小目标特性的航迹，进而提升系统数据处理的速度，为后续目标分类提供更加可靠的目标信息。

在一个实施例中，利用目标的特性参数从多个点迹中选择目标点迹，包括：

建立基于目标的特征属性的学习模型，学习模型包括速度变化率学习模型、加速度变化率模型和距离变化率模型；

将待选点迹中与试验航迹相关联的多个点迹输入目标的速度变化率学习模型、加速度变化率学习模型和距离变化率学习模型中的的至少一个学习模型，将至少两个学习模型的输出的量化结果进行加权计算，选择加权值满足一定门限值的点迹作为目标点迹。目标的学习模型涵盖了目标的基本属性，例如，速度、距离、加速度等，全面且量化简便，通过加权计算，能够将最符合慢速小目标特性的目标筛选出来，运算实时性好。

具体地，参考图2，速度变化率的学习模型为其中，参数α取0，参数k取0.1，v为速度；

参考图3，加速度变化率的学习模型为其中，参数α取0，参数k取0.001，a为加速度；

参考图4，距离变化率的学习模型为其中，参数α取8，参数k取0.0005，r为距离。

通过将待选点迹中与试验航迹相关联的多个点迹的参数输入上述学习模型中，将获得的量化结果进行加权计算，加权值满足一定门限值的点迹即为质量优的点迹，将其作为目标点迹，去除待选点迹中与试验航迹相关联的多个点迹中除目标点迹外其他点迹。

在一个实施例中，利用至少两种波门对待选点迹数据进行筛选，包括：

如果试验航迹的航迹长度小于2，利用环形波门对待选点迹数据进行筛选；

其中，环形波门相较于圆形波门，筛选效果更好。

如果试验航迹的航迹长度不小于2，利用扇环形波门对待选点迹数据进行筛选。

当然，在其他实施例中，也可以将航迹长度的判断标准进行另外的设定，例如，航迹长度的判断标准可以为3或4。另外，对待选点迹进行筛选时，也可以利用三种波门进行多重筛选，或利用同种波门中不同参数的波门进行多重筛选。

在一个实施例中，利用环形波门对待选点迹数据进行筛选，参考图5，环形波门的内环半径为0.5*Vmin*T，环形波门的外环半径为Vmax*T，其中，Vmin为最小速度，Vmax为最大速度，T为时间；

在第一层关联筛选的阶段，即粗相关的阶段，根据最大速度和最小速度设计覆盖方位角涉及360°的环形波门。

在第二层关联筛选的阶段，即精相关的阶段，根据最大速度和最小速度以及现有的三个点迹的信息构成具有一定方位指向性的扇形波门，并且加入了加速度的限制条件。利用扇环形波门对待选点迹数据进行筛选，参考图6，扇环形波门的内环半径为0.5*Vmin*T，扇环形波门的外环半径为Vmax*T，扇环形波门的圆心角为θmax，其中，Vmin为最小速度，Vmax为最大速度，T为时间，θmax为最大角度。

扇环形波门相较于环形波门范围更小，方向性更强，能够将更可靠的点迹筛选出来。

具体地，利用环形波门对待选点迹数据进行筛选，包括：

如果待选点迹与试验航迹中最后一个点迹的距离大于0.5*Vmin*T并且小于Vmax*T，则待选点迹与试验航迹相关联；

利用扇环形波门对待选点迹数据进行筛选，包括：

如果待选点迹与试验航迹中最后一个点迹的距离大于0.5*Vmin*T并且小于Vmax*T，待选点迹的加速度大于Amax，以及待选点迹与试验航迹中最后一个点迹形成的连线与扇环形波门的一条直边的角度大于θmax，则待选点迹与试验航迹相关联，其中，Amax为最大加速度，具体地，计算现有三个点迹的夹角，参照θmax判断待选的区域范围，进而形成具有一定指向性的扇形波门，并且对扇形波门内的待选点迹的加速度进行判断，如果大于指定参数Amax，则待选点迹与试验航迹相关联。

其中，试验航迹中最后一个点迹的位置为环形波门或扇环形波门的圆心。

参考图7，下面以具体例子说明利用环形波门和扇形波门进行多重筛选，进而对航迹进行快速起始。

将第一圈数据中的一个点作为第一个航迹点，计算第一圈数据中的点与第一个航迹点的距离，判断此时第一圈数据中的点是否试验航迹的第二个点，如果是，则判断第一圈数据中的点与第一个航迹点的距离是否满足环形波门，如果满足环形波门，则判断满足环形波门的关联成功的点迹数是否大于1，当点迹数为1时，将该点迹作为试验航迹的第二个航迹点，当点迹数大于1时，利用学习模型选择目标点迹，并将其作为第二个航迹点，如果不满足环形波门，则新起一条试验航迹，将该点迹作为新起试验航迹的第一个航迹点。

如果第一圈数据中的点不是试验航迹的第二个点，例如是第三个点，则判断第一圈数据中的点与第一个航迹点的距离是否满足扇环形波门和加速度条件，如果满足扇环形波门，则判断满足扇环形波门的关联成功的点迹数是否大于1，当点迹数为1时，将该点迹作为试验航迹的第三个航迹点，当点迹数大于1时，利用学习模型选择目标点迹，并将其作为第二个航迹点，如果不满足扇环形波门或加速度条件，则新起一条试验航迹，将该点迹作为新起的试验航迹的第一个航迹点。

在一个实施例中，若真实航迹连续3次关联不到所述待选点迹，则消除真实航迹。

在一个实施例中，基于真实航迹，进行跟踪滤波，包括：

基于真实航迹，利用圆形波门对跟踪点迹进行判断；

如果跟踪点迹满足圆形波门的数量为1时，则利用卡尔曼滤波器对真实航迹进行更新滤波；

如果跟踪点迹满足圆形波门的数量大于1时，则采用最近邻的方式选取最佳跟踪点迹，并利用卡尔曼滤波器对真实航迹进行更新滤波；

如果跟踪点迹不满足圆形波门时，则利用基于匀速模型的卡尔曼滤波器进行外推补点。

当跟踪点迹不满足圆形波门时，则认为航迹为匀速运动，利用基于匀速模型的卡尔曼滤波器进行外推补点。基于匀速模型的滤波特点是直线外推，基于当前统计的卡尔曼滤波加入了机动参数的条件对状态进行更新，利用到了上一次的加速度信息和机动参数建立的状态转移矩阵。因为若没有观测值，此时要利用预推点进行补点作为下一次观测的航迹参照点，若加入加速度和机动参数外推可能导致下一个点关联不上。

其中，圆形波门的半径参数可以根据实际情况设定。

对已经起始的真实航迹，其关联成功与否分别采用基于当前统计模型的卡尔曼滤波器和普通的匀速预推模型，保证了在偶尔掉点的情况下依然能保持稳定的跟踪。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种雷达数据处理方法，其特征在于，包括：

获取雷达点迹数据并对所述雷达点迹数据进行预处理得到待选点迹对应的待选点迹数据，所述待选点迹数据包含点迹属性信息；

利用至少两种波门对所述待选点迹数据进行第一层和第二层关联筛选获得目标点迹数据，将所述目标点迹数据对应的目标点迹形成临时航迹；

利用逻辑法对所述临时航迹进行航迹起始判断，若所述临时航迹满足条件，则将所述临时航迹作为真实航迹来起始；

基于所述真实航迹，利用卡尔曼滤波器进行跟踪滤波。

2.根据权利要求1所述的雷达数据处理方法，其特征在于，利用至少两种波门对所述待选点迹数据进行第一层和第二层关联筛选获得目标点迹数据，将所述目标点迹数据对应的目标点迹形成临时航迹，包括：

利用至少两种波门对所述待选点迹数据进行第一层和第二层关联筛选；

如果所述待选点迹中有多个点迹与试验航迹相关联，则利用目标的特性参数从多个点迹中选择目标点迹；

如果所述待选点迹中只有一个点迹与试验航迹相关联，则将该点迹作为目标点迹。

3.根据权利要求2所述的雷达数据处理方法，其特征在于，利用至少两种波门对所述待选点迹数据进行筛选，包括：

如果试验航迹的航迹长度小于2，利用环形波门对所述待选点迹数据进行筛选；

如果试验航迹的航迹长度不小于2，利用扇环形波门对所述待选点迹数据进行筛选。

4.根据权利要求3所述的雷达数据处理方法，其特征在于，所述环形波门的内环半径为0.5*Vmin*T，所述环形波门的外环半径为Vmax*T；

所述扇环形波门的内环半径为0.5*Vmin*T，所述扇环形波门的外环半径为Vmax*T，所述扇环形波门的圆心角为θmax；

其中，Vmin为最小速度，Vmax为最大速度，T为时间，θmax为最大角度。

5.根据权利要求4所述的雷达数据处理方法，其特征在于，利用环形波门对所述待选点迹数据进行筛选，包括：

针对每个待选点迹执行：如果该待选点迹与试验航迹中最后一个点迹的距离大于0.5*Vmin*T并且小于Vmax*T，则该待选点迹与试验航迹相关联；

利用扇环形波门对所述待选点迹数据进行筛选，包括：

针对每个待选点迹执行：如果该待选点迹与试验航迹中最后一个点迹的距离大于0.5*Vmin*T并且小于Vmax*T，该待选点迹的加速度大于Amax，以及该待选点迹与试验航迹中最后一个点迹形成的连线与所述扇环形波门的一条直边的角度大于θmax，则该待选点迹与试验航迹相关联，其中，Amax为最大加速度。

6.根据权利要求2所述的雷达数据处理方法，其特征在于，利用目标的特性参数从多个点迹中选择目标点迹，包括：

建立基于目标的特征属性的学习模型，所述学习模型包括速度变化率学习模型、加速度变化率模型和距离变化率模型；

将所述待选点迹中与试验航迹相关联的多个点迹输入至少一个学习模型，将至少两个学习模型的输出的量化结果进行加权计算，选择加权值满足一定门限值的点迹作为目标点迹。

7.根据权利要求6所述的雷达数据处理方法，其特征在于，所述速度变化率的学习模型为其中，参数α取0，参数k取0.1，v为速度；

所述加速度变化率的学习模型为其中，参数α取0，参数k取0.001，a为加速度；

所述距离变化率的学习模型为其中，参数α取8，参数k取0.0005，r为距离。

8.根据权利要求1所述的雷达数据处理方法，其特征在于，利用逻辑法对所述临时航迹进行判断，若所述临时航迹满足条件，则将所述临时航迹作为真实航迹，包括：

利用N/M逻辑法对所述临时航迹进行判断，若所述临时航迹的长度等于M，并且有N个目标点迹，则将所述临时航迹作为真实航迹。

9.根据权利要求1所述的雷达数据处理方法，其特征在于，还包括：

若所述真实航迹连续3次关联不到所述待选点迹，则消除所述真实航迹。

10.根据权利要求1所述的雷达数据处理方法，其特征在于，基于所述真实航迹，进行跟踪滤波，包括：

基于所述真实航迹，利用圆形波门对跟踪点迹进行判断；

如果所述跟踪点迹满足所述圆形波门的数量为1时，则利用卡尔曼滤波器对真实航迹进行更新滤波；

如果所述跟踪点迹满足所述圆形波门的数量大于1时，则采用最近邻的方式选取最佳跟踪点迹，并利用卡尔曼滤波器对真实航迹进行更新滤波；

如果所述跟踪点迹不满足所述圆形波门时，则利用基于匀速模型的卡尔曼滤波器进行外推补点。