CN110568436A - 一种基于随机有限模型集的飞行物多目标跟踪方法 - Google Patents

一种基于随机有限模型集的飞行物多目标跟踪方法 Download PDF

Info

Publication number
CN110568436A
CN110568436A CN201810576462.6A CN201810576462A CN110568436A CN 110568436 A CN110568436 A CN 110568436A CN 201810576462 A CN201810576462 A CN 201810576462A CN 110568436 A CN110568436 A CN 110568436A
Authority
CN
China
Prior art keywords
flying object
target
target flying
echo
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810576462.6A
Other languages
English (en)
Other versions
CN110568436B (zh
Inventor
陈唯实
李敬
张洁
卢贤锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Civil Aviation Science and Technology
Original Assignee
China Academy of Civil Aviation Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Civil Aviation Science and Technology filed Critical China Academy of Civil Aviation Science and Technology
Priority to CN201810576462.6A priority Critical patent/CN110568436B/zh
Publication of CN110568436A publication Critical patent/CN110568436A/zh
Application granted granted Critical
Publication of CN110568436B publication Critical patent/CN110568436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本公开涉及一种基于随机有限模型集的飞行物多目标跟踪方法。所述方法包括：根据目标飞行物的雷达数据，获得目标飞行物的回波参数；根据目标飞行物的回波强度，确定目标飞行物的回波特征；根据目标飞行物的速度，确定目标飞行物的轨迹特征；根据目标飞行物的回波特征和轨迹特征，确定目标飞行物的类别；根据目标飞行物的类别及回波参数，预测目标飞行物的目标状态。根据本公开的实施例可实现对目标飞行物的种类的确定，根据目标飞行物的种类来预测目标飞行物的飞行状态，并预测目标飞行物的下一时刻的目标状态，提高对目标飞行物的跟踪效果。

Description

一种基于随机有限模型集的飞行物多目标跟踪方法
技术领域
本公开涉及检测技术领域，具体涉及一种基于随机有限模型集的飞行物多目标跟踪方法。
背景技术
飞鸟目标属于典型的“低、慢、小”目标，是雷达目标跟踪领域的难点问题。一般情况下，雷达的主要探测目标为飞机，由于其速度快、高空飞行、雷达散射截面较大且与背景差别较大，因此易于被发现和跟踪。而飞鸟目标的探测与跟踪难度之所以大，主要源于以下几个原因：(1)飞行高度低，一般的飞鸟目标的飞行高度只有几百米甚至几十米，地物遮挡多，雷达观测时会有大量杂波进入接收机，给目标跟踪造成极大干扰；(2)飞行速度慢，一般飞鸟的飞行速度小于50m/s，其回波信号处于杂波主瓣区，为防止过多虚警，多普勒信号处理中极易与杂波混淆而被淹没；(3)回波信号弱，单只鸽子目标的雷达散射截面只有约-20dBm2，而单只麻雀目标的雷达散射截面甚至不足-30dBm2，目标信噪比低，雷达回波信号忽隐忽现，给探测带来极大困难；(4)飞行机动性高，鸟类在除迁徙之外的日常飞行过程中高度灵活，飞行方式多变，不同鸟种的飞行习惯也千差万别，雷达探测中难于形成稳定航迹，一般的目标跟踪方法难以实现实时跟踪和航迹预测。
发明内容
有鉴于此，本公开提出了一种基于随机有限模型集的飞行物多目标跟踪方法。
根据本公开的一方面，提供了一种基于随机有限模型集的飞行物多目标跟踪方法，所述方法包括：
根据目标飞行物的雷达数据，获得所述目标飞行物的回波参数，所述回波参数包括回波强度及速度；
根据目标飞行物的回波强度，确定所述目标飞行物的回波特征；
根据目标飞行物的速度，确定所述目标飞行物的轨迹特征；
根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的类别；
根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态。
在一种可能的实现方式中，根据目标飞行物的回波强度，确定所述目标飞行物的回波特征，包括：
在所述目标飞行物的n个回波强度{σ1,σ2,…,σn}中，删除所述n个回波强度中的最大值和最小值，获得剩余的n-2个回波强度，其中，所述n个回波强度{σ1,σ2,…,σn}为所述目标飞行物在连续的n个扫描周期内的回波强度，n为大于2的整数；
确定剩余的n-2个回波强度的平均值并将确定为所述目标飞行物的回波特征。
在一种可能的实现方式中，根据目标飞行物的速度，确定所述目标飞行物的轨迹特征，包括：
根据所述目标飞行物的n个速度{v1,v2,...,vn}，分别确定所述n个速度的模{|v1|,|v2|,...,|vn|}，其中，所述n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
根据所述n个速度的模{|v1|,|v2|,...,|vn|}，确定所述n个速度的模的第一标准差sv，并将所述第一标准差sv确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，根据目标飞行物的速度，确定所述目标飞行物的轨迹特征，包括：
根据所述目标飞行物的n个速度{v1,v2,...,vn}，确定所述目标飞行物的n个单位速度{e1,e2,...,en}，其中，所述目标飞行物的n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
根据所述目标飞行物的n个单位速度{e1,e2,...,en}，确定n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}；
根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的平均值以及的模并将确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，根据目标飞行物的速度，确定所述目标飞行物的轨迹特征，包括：
根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的模{|e2-e1|,|e3-e2|,...,|en-en-1|}；
根据所述n-1个单位速度的变化率的模以及所述确定单位速度的变化率的模的第二标准差se，并将所述第二标准差se确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的类别，包括：
根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的特征向量；
根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量；
根据所述目标飞行物的特征向量以及各类别的飞行物的标准特征向量，分别确定所述目标飞行物的特征向量与各类别的飞行物的标准特征向量的之间的距离；
将与所述目标飞行物的特征向量距离最小的标准特征向量对应的类别确定为所述目标飞行物的类别。
在一种可能的实现方式中，根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量，包括：
根据各类别的飞行物的多个历史回波特征的中位数以及多个历史轨迹特征的中位数，分别确定各类别的飞行物的标准特征向量。
在一种可能的实现方式中，所述目标飞行物的类别包括做圆周运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和角速度，
其中，根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态，包括：
根据目标飞行物的第一时刻的位置、速度和角速度，确定目标飞行物的第一时刻的第一状态；
根据所述第一时刻的第一状态以及第一时刻与第二时刻之间的时间间隔，确定目标飞行物的第二时刻的目标状态，其中，所述第二时刻在第一时刻之后。
在一种可能的实现方式中，所述目标飞行物的类别包括做匀速直线运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置，
其中，根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态，包括：
根据目标飞行物的第三时刻的位置和速度，确定目标飞行物的第三时刻的第三状态；
根据所述第三时刻的第三状态以及第三时刻与第四时刻之间的时间间隔，确定目标飞行物的第四时刻的目标状态，其中，所述第四时刻在第三时刻之后。
在一种可能的实现方式中，所述目标飞行物的类别包括做变速运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和加速度，
其中，根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态，包括：
根据目标飞行物的第五时刻的位置、速度和加速度，确定目标飞行物的第五时刻的第五状态；
根据所述第五时刻的第五状态以及第五时刻与第六时刻之间的时间间隔，确定目标飞行物的第六时刻的目标状态，其中，所述第六时刻在第五时刻之后。
根据本公开的另一方面，提供了一种基于随机有限模型集的飞行物多目标跟踪装置，包括：
回波参数获得模块，用于根据目标飞行物的雷达数据，获得所述目标飞行物的回波参数，所述回波参数包括回波强度及速度；
回波特征确定模块，用于根据目标飞行物的回波强度，确定所述目标飞行物的回波特征；
轨迹特征确定模块，用于根据目标飞行物的速度，确定所述目标飞行物的轨迹特征；
类别确定模块，用于根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的类别；
目标状态预测模块，用于根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态。
在一种可能的实现方式中，所述回波特征确定模块包括：
回波强度获得子模块，用于在所述目标飞行物的n个回波强度{σ1,σ2,…,σn}中，删除所述n个回波强度中的最大值和最小值，获得剩余的n-2个回波强度，其中，所述n个回波强度{σ1,σ2,…,σn}为所述目标飞行物在连续的n个扫描周期内的回波强度，n为大于2的整数；
回波特征确定子模块，用于确定剩余的n-2个回波强度的平均值并将确定为所述目标飞行物的回波特征。
在一种可能的实现方式中，轨迹特征确定模块包括：
速度模确定子模块，用于根据所述目标飞行物的n个速度{v1,v2,...,vn}，分别确定所述n个速度的模{|v1|,|v2|,...,|vn|}，其中，所述n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
第一轨迹特征确定子模块，用于根据所述n个速度的模{|v1|,|v2|,...,|vn|}，确定所述n个速度的模的第一标准差sv，并将所述第一标准差sv确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，轨迹特征确定模块包括：
单位速度确定子模块，用于根据所述目标飞行物的n个速度{v1,v2,...,vn}，确定所述目标飞行物的n个单位速度{e1,e2,...,en}，其中，所述目标飞行物的n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
速度变化率确定子模块，用于根据所述目标飞行物的n个单位速度{e1,e2,...,en}，确定n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}；
第二轨迹特征确定子模块，用于根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的平均值以及的模并将确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，轨迹特征确定模块包括：
速度变化率模确定子模块，用于根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的模{|e2-e1|,|e3-e2|,...,|en-en-1|}
第三轨迹特征确定子模块，用于根据所述n-1个单位速度的变化率的模以及所述确定单位速度的变化率的模的第二标准差se，并将所述第二标准差se确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，所述类别确定模块包括：
特征向量确定子模块，用于根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的特征向量；
标准特征向量确定子模块，用于根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量；
距离确定子模块，用于根据所述目标飞行物的特征向量以及各类别的飞行物的标准特征向量，分别确定所述目标飞行物的特征向量与各类别的飞行物的标准特征向量的之间的距离；
类别确定子模块，用于将与所述目标飞行物的特征向量距离最小的标准特征向量对应的类别确定为所述目标飞行物的类别。
在一种可能的实现方式中，所述标准特征向量确定子模块包括：
标准特征向量确定单元，用于根据各类别的飞行物的多个历史回波特征的中位数以及多个历史轨迹特征的中位数，分别确定各类别的飞行物的标准特征向量。
在一种可能的实现方式中，所述目标飞行物的类别包括做圆周运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和角速度，其中，目标状态预测模块包括：
第一状态确定子模块，用于根据目标飞行物的第一时刻的位置、速度和角速度，确定目标飞行物的第一时刻的第一状态；
第一目标状态确定子模块，用于根据所述第一时刻的第一状态以及第一时刻与第二时刻之间的时间间隔，确定目标飞行物的第二时刻的目标状态，其中，所述第二时刻在第一时刻之后。
在一种可能的实现方式中，所述目标飞行物的类别包括做匀速直线运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置，其中，目标状态预测模块包括：
第三状态确定子模块，用于根据目标飞行物的第三时刻的位置和速度，确定目标飞行物的第三时刻的第三状态；
第三目标状态确定子模块，用于根据所述第三时刻的第三状态以及第三时刻与第四时刻之间的时间间隔，确定目标飞行物的第四时刻的目标状态，其中，所述第四时刻在第三时刻之后。
在一种可能的实现方式中，所述目标飞行物的类别包括做变速运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和加速度，其中，目标状态预测模块包括：
第五状态确定子模块，用于根据目标飞行物的第五时刻的位置、速度和加速度，确定目标飞行物的第五时刻的第五状态；
第五目标状态确定子模块，用于根据所述第五时刻的第五状态以及第五时刻与第六时刻之间的时间间隔，确定目标飞行物的第六时刻的目标状态，其中，所述第六时刻在第五时刻之后。
根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法，根据目标飞行物的回波强度和速度来确定目标飞行物的种类，并根据目标飞行物的种类来预测目标飞行物的飞行状态，可识别目标飞行物的实时飞行状态，并预测目标飞行物的下一时刻的目标状态，提高对目标飞行物的跟踪效果。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的流程图；
图2示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S12的流程图；
图3示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S13的流程图；
图4示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S13的流程图；
图5示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S13的流程图；
图6示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S14的流程图；
图7示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S15的流程图；
图8示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S15的流程图；
图9示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S15的流程图；
图10示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法应用示意图；
图11示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪装置的框图；
图12示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的流程图。如图1所示，所示方法可包括：
在步骤S11中，根据目标飞行物的雷达数据，获得所述目标飞行物的回波参数，所述回波参数包括回波强度及速度；
在步骤S12中，根据目标飞行物的回波强度，确定所述目标飞行物的回波特征；
在步骤S13中，根据目标飞行物的速度，确定所述目标飞行物的轨迹特征；
在步骤S14中，根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的类别；
在步骤S15中，根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态。
根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法，根据目标飞行物的回波强度和速度来确定目标飞行物的种类，并根据目标飞行物的种类来预测目标飞行物的飞行状态，可识别目标飞行物的实时飞行状态，并预测目标飞行物的下一时刻的目标状态，提高对目标飞行物的跟踪效果。
在一种可能的实现方式中，目标飞行物可包括飞鸟，可根据飞鸟的回波强度和速度来确定飞鸟的种类，并预测飞鸟的目标状态，可提高对飞鸟的跟踪效果，为躲避或驱散飞鸟提供依据。
在一种可能的实现方式中，在步骤S11中，可使用雷达来探测扫描区域中的目标飞行物，例如，雷达的扫描区域可以是机场区域，目标飞行物可以是飞鸟等飞行物，雷达可向目标飞行物发射雷达波，并接收目标飞行物反射的回波信号(雷达数据)，根据对回波信号的处理，可获得目标飞行物的回波参数。回波参数可包括目标飞行物的回波强度和速度，所述速度为向量，可用于表示目标飞行物速度的方向和大小。
在一种可能的实现方式中，在步骤S12中，根据目标飞行物的回波强度，确定所述目标飞行物的回波特征。在示例中，目标飞行物的回波特征可包括目标飞行物的回波强度的平均值。
图2示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S12的流程图。如图2所示，步骤S12可包括：
在步骤S121中，在所述目标飞行物的n个回波强度{σ1,σ2,…,σn}中，删除所述n个回波强度中的最大值和最小值，获得剩余的n-2个回波强度，其中，所述n个回波强度{σ1,σ2,…,σn}为所述目标飞行物在连续的n个扫描周期内的回波强度，n为大于2的整数；
在步骤S122中，确定剩余的n-2个回波强度的平均值并将确定为所述目标飞行物的回波特征。
在一种可能的实现方式中，在步骤S121中，可获取目标飞行物在连续n个扫描周期内的回波强度，其中，所述扫描周期为雷达的扫描周期，n为大于2的整数。在示例中，n的范围可以是2<n≤5的整数。
在一种可能的实现方式中，在n个扫描周期内，可获取目标飞行物的n个回波强度{σ1,σ2,…,σn}，可删除其中的最小值σmin和最大值σmax，即可获得n-2个回波强度。
在一种可能的实现方式中，在步骤S122中，可计算剩余的n-2个回波强度的平均值并将该平均值确定为所述目标飞行物的回波特征，的单位为dBm2。去除n个回波强度{σ1,σ2,…,σn}中的最小值σmin和最大值σmax，可有效避免获取回波特征时出现的误差。
在一种可能的实现方式中，在步骤S13中，可根据目标飞行物的速度，确定所述目标飞行物的轨迹特征。在示例中，目标飞行物的轨迹特征可包括速度的模的第一标准差sv、单位速度的变化率的平均值的模以及单位速度的变化率的第二标准差se。
图3示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S13的流程图。如图3所示，步骤S13可包括：
在步骤S131中，根据所述目标飞行物的n个速度{v1,v2,...,vn}，分别确定所述n个速度的模{|v1|,|v2|,...,|vn|}，其中，所述n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
在步骤S132中，根据所述n个速度的模{|v1|,|v2|,...,|vn|}，确定所述n个速度的模的第一标准差sv，并将所述第一标准差sv确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，在步骤S131中，可获取目标飞行物在连续n个扫描周期内的n个速度{v1,v2,...,vn}，所述n个速度均为向量，根据向量的运算法则，可确定所述n个速度的模{|v1|,|v2|,...,|vn|}，并可确定n个速度的模的平均值
在一种可能的实现方式中，在步骤S132中，可根据以下公式(1)来确定n个速度的模的第一标准差sv：
其中，|vi|表示第i个速度的模，且1≤i≤n，sv的单位为m/s。
图4示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S13的流程图。如图4所示，步骤S13可包括：
在步骤S133中，根据所述目标飞行物的n个速度{v1,v2,...,vn}，确定所述目标飞行物的n个单位速度{e1,e2,...,en}，其中，所述目标飞行物的n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
在步骤S134中，根据所述目标飞行物的n个单位速度{e1,e2,...,en}，确定n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}；
在步骤S135中，根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的平均值以及的模并将确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，在步骤S133中，可获取目标飞行物在连续n个扫描周期内的n个速度{v1,v2,...,vn}，并将所述n个速度进行归一化，以获得目标飞行物的n个单位速度{e1,e2,...,en}，其中，n个单位速度为向量，且n个单位速度的模均为1。
在一种可能的实现方式中，在步骤S134中，在n个单位速度中，可将相邻的两个单位速度相减，获得n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}。
在一种可能的实现方式中，在步骤S135中，可计算n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}的平均值并确定的模 无单位。
图5示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S13的流程图。如图5所示，步骤S13可包括：
在步骤S136中，根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的模{|e2-e1|,|e3-e2|,...,|en-en-1|}；
在步骤S137中，根据所述n-1个单位速度的变化率的模以及所述确定单位速度的变化率的模的第二标准差se，并将所述第二标准差se确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，在步骤S136中，可分别计算n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}的模{|e2-e1|,|e3-e2|,...,|en-en-1|}。
在一种可能的实现方式中，在步骤S137中，可根据以下公式(2)来确定单位速度的变化率的模的第二标准差se：
其中，|ej+1-ej|表示根据第j+1个单位速度ej+1与第j个单位速度ej确定的单位速度变化率ej+1-ej的模，且1≤j≤n-1，se无单位。
图6示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S14的流程图。如图6所示，步骤S14可包括：
在步骤S141中，根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的特征向量；
在步骤S142中，根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量；
在步骤S143中，根据所述目标飞行物的特征向量以及各类别的飞行物的标准特征向量，分别确定所述目标飞行物的特征向量与各类别的飞行物的标准特征向量的之间的距离；
在步骤S144中，将与所述目标飞行物的特征向量距离最小的标准特征向量对应的类别确定为所述目标飞行物的类别。
在一种可能的实现方式中，在步骤S141中，可根据目标飞行物的回波特征和轨迹特征，构建目标飞行物的特征向量。在示例中，目标飞行物的回波特征包括回波强度的平均值目标飞行物的轨迹特征可包括速度的模的第一标准差sv、单位速度的变化率的平均值的模以及单位速度的变化率的第二标准差se，因此，可构建由sv、和se组成的特征向量即，目标飞行物的特征向量为
在一种可能的实现方式中，在步骤S142中，可根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量。在示例中，飞行物可根据运动轨迹分为三类，即做圆周运动的飞行物的类别(例如大型猛禽)、做匀速直线运动的飞行物的类别(例如大型迁徙鸟)以及做变速运动的飞行物的类别(例如中小型留鸟)。可分别根据上述三类飞行物的历史回波特征和历史轨迹特征，确定各类飞行物的标准特征向量。例如，目标飞行物是飞鸟。在飞鸟的多个类别中，大型猛禽常做圆周运动，例如，大型猛禽常保持盘旋飞行状态。大型迁徙鸟常做匀速直线运动，例如，大型迁徙鸟可匀速飞过雷达扫描区域。中小型留鸟常做变速运动，速度的方向和大小是随机的，例如，中小型鸟类在雷达扫描区域中以随机的速度飞行。
在示例中，在雷达系统的数据库中，可保存各类飞行物的历史数据，例如关于飞鸟的历史数据，例如可保存各类飞行物的历史回波参数，可根据各类飞行物的历史回波参数，确定各类飞行物的标准特征向量。
在一种可能的实现方式中，根据各类别的飞行物的多个历史回波特征的中位数以及多个历史轨迹特征的中位数，分别确定各类别的飞行物的标准特征向量。
在示例中，针对做圆周运动的飞行物的类别(例如大型猛禽)，可根据该类别的飞行物的N组历史数据，分别确定N个回波强度的平均值、N个速度的模的第一标准差、N个单位速度的变化率的平均值的模以及N个单位速度的变化率的第二标准差，并分别获得N个回波强度的平均值的中位数N个速度的模的第一标准差的中位数N个单位速度的变化率的平均值的模的中位数以及N个单位速度的变化率的第二标准差的中位数以组成做圆周运动的飞行物的类别的标准特征向量在示例中，单位为dBm2；单位为m/s；无单位；无单位。
在示例中，针对做匀速直线运动的飞行物的类别(例如大型迁徙鸟)，可根据该类别的飞行物的N组历史数据，分别确定N个回波强度的平均值、N个速度的模的第一标准差、N个单位速度的变化率的平均值的模以及N个单位速度的变化率的第二标准差，并分别获得N个回波强度的平均值的中位数N个速度的模的第一标准差的中位数N个单位速度的变化率的平均值的模的中位数以及N个单位速度的变化率的第二标准差的中位数以组成做匀速直线运动的飞行物的类别的标准特征向量在示例中，单位为dBm2；单位是m/s；无单位；无单位。
在示例中，做变速运动的飞行物的类别(例如中小型留鸟)，可根据该类别的飞行物的N组历史数据，分别确定N个回波强度的平均值、N个速度的模的第一标准差、N个单位速度的变化率的平均值的模以及N个单位速度的变化率的第二标准差，并分别获得N个回波强度的平均值的中位数N个速度的模的第一标准差的中位数N个单位速度的变化率的平均值的模的中位数以及N个单位速度的变化率的第二标准差的中位数以组成做变速运动的飞行物的类别的标准特征向量在示例中，单位为dBm2；单位是m/s；无单位；无单位。
在一种可能的实现方式中，在步骤S143中，根据所述目标飞行物的特征向量以及各类别的飞行物的标准特征向量，可分别确定所述目标飞行物的特征向量与各类别的飞行物的标准特征向量和的之间的距离。所述距离可包括所述特征向量和各类别的飞行物的标准特征向量之间的欧氏距离。
在一种可能的实现方式中，在步骤S144中，将与所述目标飞行物的特征向量距离最小的标准特征向量对应的类别确定为所述目标飞行物的类别。即，如果目标飞行物的特征向量与做圆周运动的飞行物的类别(例如大型猛禽)的标准特征向量之间的欧氏距离最小，则将目标飞行物的类别确定为做圆周运动的飞行物的类别。如果目标飞行物的特征向量与做匀速直线运动的飞行物的类别(例如大型迁徙鸟)的标准特征向量之间的欧氏距离最小，则将目标飞行物的类别确定为做匀速直线运动的飞行物的类别。如果目标飞行物的特征向量与做变速运动的飞行物的类别(例如中小型留鸟)的标准特征向量之间的欧氏距离最小，则将目标飞行物的类别确定为做变速运动的飞行物的类别。
图7示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S15的流程图。如图7所示，针对做圆周运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和角速度，步骤S15可包括：
在步骤S151中，根据目标飞行物的第一时刻的位置、速度和角速度，确定目标飞行物的第一时刻的第一状态；
在步骤S152中，根据所述第一时刻的第一状态以及第一时刻与第二时刻之间的时间间隔，确定目标飞行物的第二时刻的目标状态，其中，所述第二时刻在第一时刻之后。
在一种可能的实现方式中，在步骤S151中，在第一时刻的第一状态可用第一时刻的状态向量表示。在示例中，目标飞行物第k时刻的目标状态可用状态向量xk表示，针对做圆周运动的飞行物的类别，xk可用于表示目标飞行物的第k时刻的位置、速度和角速度，即(xk yk)为目标飞行物第k时刻的位置，为目标飞行物第k时刻的速度，ωk为目标飞行物第k时刻的角速度。在示例中，第k时刻可以是第一时刻，xk可表示目标飞行物在第一时刻的第一状态。在雷达的扫描区域的俯视图中，可以正北方向为Y轴方向，以正东方向为X轴方向，也可任意定义X轴和Y轴的方向，本公开对X轴和Y轴的方向不做限制。
在一种可能的实现方式中，在步骤S152中，可根据第一时刻的第一状态以及第一时刻与第二时刻之间的时间间隔，确定目标飞行物的第二时刻的目标状态。
在示例中，第k时刻可以是第一时刻，xk表示目标飞行物在第一时刻的第一状态，第k+1时刻可以是第二时刻，目标飞行物在第二时刻的目标状态可用状态向量xk+1表示，即，目标飞行物在第k+1时刻的状态向量。其中，第二时刻在第一时刻之后，第二时刻与第一时刻的时间间隔可等于雷达系统扫描周期的时间间隔△t，即第k+1时刻与第k时刻之间的时间间隔为△t。
在示例中，可根据以下公式(3)确定目标飞行物在第二时刻的目标状态xk+1：
其中，vk为转弯过程噪声，vk服从高斯分布(正态分布)。
在一种可能的实现方式中，还可根据扩展卡尔曼滤波、无味卡尔曼滤波或粒子滤波等方法来预测目标飞行物在第二时刻的目标状态，本公开对预测方法不做限制。
图8示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S15的流程图。如图8所示，针对做匀速直线运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置，步骤S15可包括：
在步骤S153中，根据目标飞行物的第三时刻的位置和速度，确定目标飞行物的第三时刻的第三状态；
在步骤S154中，根据所述第三时刻的第三状态以及第三时刻与第四时刻之间的时间间隔，确定目标飞行物的第四时刻的目标状态，其中，所述第四时刻在第三时刻之后。
在一种可能的实现方式中，在步骤S153中，第三时刻的第三状态可用第三时刻的状态向量表示。在示例中，目标飞行物第k时刻的目标状态可用状态向量xk表示，针对做匀速直线运动的飞行物的类别，xk可用于表示目标飞行物的第k时刻的位置和速度，即(xk yk)为目标飞行物第k时刻的位置，为目标飞行物第k时刻的速度，在示例中，第k时刻可以是第三时刻，xk可表示目标飞行物在第三时刻的第三状态。在雷达的扫描区域的俯视图中，可以正北方向为Y轴方向，以正东方向为X轴方向，也可任意定义X轴和Y轴的方向，本公开对X轴和Y轴的方向不做限制。
在一种可能的实现方式中，在步骤S154中，根据所述第三时刻的第三状态以及第三时刻与第四时刻之间的时间间隔，可确定目标飞行物的第四时刻的目标状态。
在示例中，第k时刻可以是第三时刻，xk表示目标飞行物在第三时刻的第三状态，第k+1时刻可以是第四时刻，目标飞行物在第四时刻的目标状态可用状态向量xk+1表示，即，目标飞行物在第k+1时刻的状态向量。其中，第四时刻在第三时刻之后，第四时刻与第三时刻的时间间隔可等于雷达系统扫描周期的时间间隔△t，即第k+1时刻与第k时刻之间的时间间隔为△t。
在示例中，可根据以下公式(4)确定目标飞行物在第四时刻的目标状态xk+1：
其中，qk为高斯过程噪声，其均值为零，协方差可根据以下公式(5)确定：
其中，q是高斯过程噪声的谱密度。
在一种可能的实现方式中，还可根据卡尔曼滤波或粒子滤波等方法来预测目标飞行物在第四时刻的目标状态，本公开对预测方法不做限制。
图9示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法的步骤S15的流程图。如图9所示，针对做变速运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和加速度，步骤S15可包括：
在步骤S155中，根据目标飞行物的第五时刻的位置、速度和加速度，确定目标飞行物的第五时刻的第五状态；
在步骤S156中，根据所述第五时刻的第五状态以及第五时刻与第六时刻之间的时间间隔，确定目标飞行物的第六时刻的目标状态，其中，所述第六时刻在第五时刻之后。
在一种可能的实现方式中，在步骤S155中，在第五时刻的第五状态可用第五时刻的状态向量表示。在示例中，目标飞行物第k时刻的目标状态可用状态向量xk表示，针对做变速运动的飞行物的类别，xk可用于表示目标飞行物的第k时刻的位置、速度和加速度，即(xk yk)为目标飞行物第k时刻的位置，为目标飞行物第k时刻的速度，为目标飞行物第k时刻的加速度。在示例中，第k时刻可以是第一时刻，xk可表示目标飞行物在第五时刻的第五状态。在雷达的扫描区域的俯视图中，可以正北方向为Y轴方向，以正东方向为X轴方向，也可任意定义X轴和Y轴的方向，本公开对X轴和Y轴的方向不做限制。
在一种可能的实现方式中，在步骤S156中，可根据所述第五时刻的第五状态以及第五时刻与第六时刻之间的时间间隔，确定目标飞行物的第六时刻的目标状态。
在示例中，第k时刻可以是第五时刻，xk表示目标飞行物在第五时刻的第五状态，第k+1时刻可以是第六时刻，目标飞行物在第六时刻的目标状态可用状态向量xk+1表示，即，目标飞行物在第k+1时刻的状态向量。其中，第六时刻在第五时刻之后，第六时刻与第五时刻的时间间隔可等于雷达系统扫描周期的时间间隔△t，即第k+1时刻与第k时刻之间的时间间隔为△t。
在示例中，可根据以下公式(6)确定目标飞行物在第六时刻的目标状态xk+1：
其中，qk为高斯过程噪声，其均值为零，协方差可根据以下公式(7)确定：
其中，q是高斯过程噪声的谱密度。
在一种可能的实现方式中，还可根据卡尔曼滤波、扩展卡尔曼滤波或粒子滤波等方法来预测目标飞行物在第六时刻的目标状态，本公开对预测方法不做限制。
根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法，根据目标飞行物的回波强度和速度来确定目标飞行物的种类，并根据目标飞行物的种类来预测目标飞行物的飞行状态，可确定目标飞行物的种类，判定目标飞行物的实时飞行状态，并预测目标飞行物的下一时刻的目标状态，提高对目标飞行物的跟踪效果，有效跟踪目标飞行物的航迹。
图10示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪方法应用示意图。如图10所示，雷达系统可位于原点O处，可向周围发射雷达波，并接收目标飞行物反射的回波。在雷达的扫描区域的俯视图中，可以正北方向为Y轴方向，以正东方向为X轴方向。
在一种可能的实现方式中，可分别获取三个目标飞行物的回波特征和轨迹特征。
在示例中，可获取第一目标飞行物在连续的n个扫描周期内的回波强度{σ1,σ2,…,σn}和速度{v1,v2,...,vn}。在示例中，n＝5，第一目标飞行物在连续的5个扫描周期内的回波强度为{-15,-16,-25,-10,-18}，删除其中的最小值-25和最大值-10，剩余3个回波强度的平均值根据第一目标飞行物在连续的5个扫描周期内的速度，可确定连续5个扫描周期内的速度的模分别为|v1|＝9.5、|v2|＝9.2、|v3|＝9.4、|v4|＝9.7和|v5|＝9.6，平均值根据公式(1)可确定5个速度的模的第一标准差sv＝0.172。根据第一目标飞行物在连续的5个扫描周期内的速度，可确定连续5个扫描周期内的单位速度为e1＝[0.7071,-0.7071]、e2＝[0.766,-0.6428]、e3＝[0.8192,-0.5736]、e4＝[0.866,-0.5]、e5＝[0.9063,-0.4226]，并可确定4个变化率分别为e2-e1＝[0.0589,0.0643]、e3-e2＝[0.0532,0.0692]、e4-e3＝[0.0468,0.0736]和e5-e4＝[0.0403,0.0774]。变化率的平均值为 根据公式(2)可确定单位速度的变化率的模的第二标准差se＝0.0005。可构建第一目标飞行物的特征向量
在示例中，可获取第二目标飞行物在连续的n个扫描周期内的回波强度{σ1,σ2,…,σn}和速度{v1,v2,...,vn}。在示例中，n＝5，第二目标飞行物在连续的5个扫描周期内的回波强度为{-12,-11,-15,-30,-9}，删除其中的最小值-30和最大值-9，剩余3个回波强度的平均值根据第二目标飞行物在连续的5个扫描周期内的速度，可确定连续5个扫描周期内的速度的模分别为|v1|＝10.8、|v2|＝11.2、|v3|＝10.5、|v4|＝10.7和|v5|＝11，平均值 根据公式(1)可确定5个速度的模的第一标准差sv＝0.2471。根据第二目标飞行物在连续的5个扫描周期内的速度，可确定连续5个扫描周期内的单位速度为e1＝[0.342,0.9397]、e2＝[0.33338,0.9426]、e3＝[0.342,0.9397]、e4＝[0.3469,0.9397]、e5＝[0.3404,0.9403]，并可确定4个变化率分别为e2-e1＝[-0.0082,0.0029]、e3-e2＝[0.0082,-0.0029]、e4-e3＝[0.0049,-0.0018]和e5-e4＝[-0.0065,0.0024]。变化率的平均值为 根据公式(2)可确定单位速度的变化率的模的第二标准差se＝0.5362。可构建第二目标飞行物的特征向量
在示例中，可获取第三目标飞行物在连续的n个扫描周期内的回波强度{σ1,σ2,…,σn}和速度{v1,v2,...,vn}。在示例中，n＝5，第三目标飞行物在连续的5个扫描周期内的回波强度为{-42,-29,-33,-36,-28}，删除其中的最小值-42和最大值-28，剩余3个回波强度的平均值根据第三目标飞行物在连续的5个扫描周期内的速度，可确定连续5个扫描周期内的速度的模分别为|v1|＝14.2、|v2|＝9.5、|v3|＝9.8、|v4|＝10.2和|v5|＝12.8，平均值 根据公式(1)可确定5个速度的模的第一标准差sv＝1.8633。根据第三目标飞行物在连续的5个扫描周期内的速度，可确定连续5个扫描周期内的单位速度为e1＝[0.766,-0.6428]、e2＝[0.7771,-0.6293]、e3＝[0.8192,0.5736]、e4＝[0.848,0.5299]、e5＝[0.9962,0.0872]，并可确定4个变化率分别为e2-e1＝[0.0111,0.0135]、e3-e2＝[0.0421,1.2029]、e4-e3＝[0.0288,-0.0437]和e5-e4＝[0.1482,-0.4427]。变化率的平均值为 根据公式(2)可确定单位速度的变化率的模的第二标准差se＝0.5362。可构建第三目标飞行物的特征向量
在一种可能的实现方式中，可根据雷达数据库中各类飞行物的历史数据，确定各类飞行物的标准特征向量。在示例中，针对做圆周运动的飞行物的类别(例如大型猛禽)，可根据该类别的飞行物的50组历史数据，分别确定50个回波强度的平均值、50个速度的模的第一标准差、50个单位速度的变化率的平均值的模以及50个单位速度的变化率的第二标准差，并分别获得50个回波强度的平均值的中位数50个速度的模的第一标准差的中位数50个单位速度的变化率的平均值的模的中位数以及50个单位速度的变化率的第二标准差的中位数以组成做圆周运动的飞行物的类别的标准特征向量在示例中，
在示例中，针对做匀速直线运动的飞行物的类别(例如大型迁徙鸟)，可根据该类别的飞行物的50组历史数据，分别确定50个回波强度的平均值、50个速度的模的第一标准差、50个单位速度的变化率的平均值的模以及50个单位速度的变化率的第二标准差，并分别获得50个回波强度的平均值的中位数50个速度的模的第一标准差的中位数50个单位速度的变化率的平均值的模的中位数以及50个单位速度的变化率的第二标准差的中位数以组成做匀速直线运动的飞行物的类别的标准特征向量在示例中，
在示例中，做变速运动的飞行物的类别(例如中小型留鸟)，可根据该类别的飞行物的50组历史数据，分别确定50个回波强度的平均值、50个速度的模的第一标准差、50个单位速度的变化率的平均值的模以及50个单位速度的变化率的第二标准差，并分别获得50个回波强度的平均值的中位数50个速度的模的第一标准差的中位数50个单位速度的变化率的平均值的模的中位数以及50个单位速度的变化率的第二标准差的中位数以组成做变速运动的飞行物的类别的标准特征向量
在示例中，
在一种可能的实现方式中，可分别确定每个目标飞行物与上述三种标准特征向量之间的欧氏距离。在示例中，第一目标飞行物的特征向量与之间的距离的欧氏距离为0.3016，与之间的距离的欧氏距离为4.3010，与之间的距离的欧氏距离为13.7737，即，第一目标飞行物的特征向量与做圆周运动的飞行物的类别(例如大型猛禽)的标准特征向量之间的欧氏距离最小，则将第一目标飞行物的类别确定为做圆周运动的飞行物的类别。
在示例中，第二目标飞行物的特征向量与之间的距离的欧氏距离为3.3018，与之间的距离的欧氏距离为0.7013，与之间的距离的欧氏距离为17.3538，即，第二目标飞行物的特征向量与做匀速直线运动的飞行物的类别(例如大型迁徙鸟)的标准特征向量之间的欧氏距离最小，则将第二目标飞行物的类别确定为做匀速直线运动的飞行物的类别。
在示例中，第三目标飞行物的特征向量与之间的距离的欧氏距离为16.7914，与之间的距离的欧氏距离为20.7745，与之间的距离的欧氏距离为2.7246，即，第三目标飞行物的特征向量与做变速运动的飞行物的类别(例如中小型留鸟)的标准特征向量之间的欧氏距离最小，则将第三目标飞行物的类别确定为做变速运动的飞行物的类别。
在一种可能的实现方式中，针对第一目标飞行物，根据第一目标飞行物的当前位置、速度和角速度组成的状态向量可通过公式(3)来预测第一目标飞行物在下一个扫描周期内的状态向量xk+1。针对第二目标飞行物，根据第二目标飞行物的当前位置霍如速度组成的状态向量可通过公式(4)来预测第二目标飞行物在下一个扫描周期内的状态向量xk+1。针对第三目标飞行物，根据第三目标飞行物的当前位置、速度和加速度组成的状态向量可通过公式(6)来预测第三目标飞行物在下一个扫描周期内的状态向量xk+1。
图11示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪装置的框图。如图11所示，所述装置包括：
回波参数获得模块11，用于根据目标飞行物的雷达数据，获得所述目标飞行物的回波参数，所述回波参数包括回波强度及速度；
回波特征确定模块12，用于根据目标飞行物的回波强度，确定所述目标飞行物的回波特征；
轨迹特征确定模块13，用于根据目标飞行物的速度，确定所述目标飞行物的轨迹特征；
类别确定模块14，用于根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的类别；
目标状态预测模块15，用于根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态。
图12示出根据本公开的实施例的基于随机有限模型集的飞行物多目标跟踪装置的框图。如图12所示，回波特征确定模块12可包括：
回波强度获得子模块121，用于在所述目标飞行物的n个回波强度{σ1,σ2,…,σn}中，删除所述n个回波强度中的最大值和最小值，获得剩余的n-2个回波强度，其中，所述n个回波强度{σ1,σ2,…,σn}为所述目标飞行物在连续的n个扫描周期内的回波强度，n为大于2的整数；
回波特征确定子模块122，用于确定剩余的n-2个回波强度的平均值并将确定为所述目标飞行物的回波特征。
在一种可能的实现方式中，轨迹特征确定模块13可包括：
速度模确定子模块131，用于根据所述目标飞行物的n个速度{v1,v2,...,vn}，分别确定所述n个速度的模{|v1|,|v2|,...,|vn|}，其中，所述n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
第一轨迹特征确定子模块132，用于根据所述n个速度的模{|v1|,|v2|,...,|vm|}，确定所述n个速度的模的第一标准差sv，并将所述第一标准差sv确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，轨迹特征确定模块13可包括：
单位速度确定子模块133，用于根据所述目标飞行物的n个速度{v1,v2,...,vn}，确定所述目标飞行物的n个单位速度{e1,e2,...,en}，其中，所述目标飞行物的n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
速度变化率确定子模块134，用于根据所述目标飞行物的n个单位速度{e1,e2,...,en}，确定n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}；
第二轨迹特征确定子模块135，用于根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的平均值以及的模并将确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，轨迹特征确定模块13可包括：
速度变化率模确定子模块136，用于根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的模{|e2-e1|,|e3-e2|,...,|en-en-1|}；
第三轨迹特征确定子模块137，用于根据所述n-1个单位速度的变化率的模以及所述确定单位速度的变化率的模的第二标准差se，并将所述第二标准差se确定为所述目标飞行物的轨迹特征中的一种。
在一种可能的实现方式中，类别确定模块14包括：
特征向量确定子模块141，用于根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的特征向量；
标准特征向量确定子模块142，用于根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量；
距离确定子模块143，用于根据所述目标飞行物的特征向量以及各类别的飞行物的标准特征向量，分别确定所述目标飞行物的特征向量与各类别的飞行物的标准特征向量的之间的距离；
类别确定子模块144，用于将与所述目标飞行物的特征向量距离最小的标准特征向量对应的类别确定为所述目标飞行物的类别。
在一种可能的实现方式中，所述标准特征向量确定子模块142包括：
标准特征向量确定单元，用于根据各类别的飞行物的多个历史回波特征的中位数以及多个历史轨迹特征的中位数，分别确定各类别的飞行物的标准特征向量。
在一种可能的实现方式中，目标状态预测模块15包括：
第一状态确定子模块151，用于根据目标飞行物的第一时刻的位置、速度和角速度，确定目标飞行物的第一时刻的第一状态；
第一目标状态确定子模块152，用于根据所述第一时刻的第一状态以及第一时刻与第二时刻之间的时间间隔，确定目标飞行物的第二时刻的目标状态，其中，所述第二时刻在第一时刻之后。
在一种可能的实现方式中，目标状态预测模块15包括：
第三状态确定子模块153，用于根据目标飞行物的第三时刻的位置和速度，确定目标飞行物的第三时刻的第三状态；
第三目标状态确定子模块154，用于根据所述第三时刻的第三状态以及第三时刻与第四时刻之间的时间间隔，确定目标飞行物的第四时刻的目标状态，其中，所述第四时刻在第三时刻之后。
在一种可能的实现方式中，目标状态预测模块15包括：
第五状态确定子模块155，用于根据目标飞行物的第五时刻的位置、速度和加速度，确定目标飞行物的第五时刻的第五状态；
第五目标状态确定子模块156，用于根据所述第五时刻的第五状态以及第五时刻与第六时刻之间的时间间隔，确定目标飞行物的第六时刻的目标状态，其中，所述第六时刻在第五时刻之后。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于随机有限模型集的飞行物多目标跟踪方法，其特征在于，包括：
根据目标飞行物的雷达数据，获得所述目标飞行物的回波参数，所述回波参数包括回波强度及速度；
根据目标飞行物的回波强度，确定所述目标飞行物的回波特征；
根据目标飞行物的速度，确定所述目标飞行物的轨迹特征；
根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的类别；
根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态。
2.根据权利要求1所述的方法，其特征在于，根据目标飞行物的回波强度，确定所述目标飞行物的回波特征，包括：
在所述目标飞行物的n个回波强度{σ1,σ2,…,σn}中，删除所述n个回波强度中的最大值和最小值，获得剩余的n-2个回波强度，其中，所述n个回波强度{σ1,σ2,…,σn}为所述目标飞行物在连续的n个扫描周期内的回波强度，n为大于2的整数；
确定剩余的n-2个回波强度的平均值并将确定为所述目标飞行物的回波特征。
3.根据权利要求1所述的方法，其特征在于，根据目标飞行物的速度，确定所述目标飞行物的轨迹特征，包括：
根据所述目标飞行物的n个速度{v1,v2,...,vn}，分别确定所述n个速度的模{|v1|,|v2|,...,|vn|}，其中，所述n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
根据所述n个速度的模{|v1|,|v2|,...,|vn|}，确定所述n个速度的模的第一标准差sv，并将所述第一标准差sv确定为所述目标飞行物的轨迹特征中的一种。
4.根据权利要求1所述的方法，其特征在于，根据目标飞行物的速度，确定所述目标飞行物的轨迹特征，包括：
根据所述目标飞行物的n个速度{v1,v2,...,vn}，确定所述目标飞行物的n个单位速度{e1,e2,...,en}，其中，所述目标飞行物的n个速度{v1,v2,...,vn}为所述目标飞行物在连续的n个扫描周期内的速度，n为大于2的整数；
根据所述目标飞行物的n个单位速度{e1,e2,...,en}，确定n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}；
根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的平均值以及的模并将确定为所述目标飞行物的轨迹特征中的一种。
5.根据权利要求4所述的方法，其特征在于，根据目标飞行物的速度，确定所述目标飞行物的轨迹特征，包括：
根据所述n-1个单位速度的变化率{e2-e1,e3-e2,...,en-en-1}，确定所述n-1个单位速度的变化率的模{|e2-e1|,|e3-e2|,...,|en-en-1|}；
根据所述n-1个单位速度的变化率的模以及所述确定单位速度的变化率的模的第二标准差se，并将所述第二标准差se确定为所述目标飞行物的轨迹特征中的一种。
6.根据权利要求1所述的方法，其特征在于，根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的类别，包括：
根据所述目标飞行物的回波特征和轨迹特征，确定所述目标飞行物的特征向量；
根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量；
根据所述目标飞行物的特征向量以及各类别的飞行物的标准特征向量，分别确定所述目标飞行物的特征向量与各类别的飞行物的标准特征向量的之间的距离；
将与所述目标飞行物的特征向量距离最小的标准特征向量对应的类别确定为所述目标飞行物的类别。
7.根据权利要求6所述的方法，其特征在于，根据各类别的飞行物的历史回波特征和历史轨迹特征，确定各类别的飞行物的标准特征向量，包括：
根据各类别的飞行物的多个历史回波特征的中位数以及多个历史轨迹特征的中位数，分别确定各类别的飞行物的标准特征向量。
8.根据权利要求1所述的方法，其特征在于，所述目标飞行物的类别包括做圆周运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和角速度，
其中，根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态，包括：
根据目标飞行物的第一时刻的位置、速度和角速度，确定目标飞行物的第一时刻的第一状态；
根据所述第一时刻的第一状态以及第一时刻与第二时刻之间的时间间隔，确定目标飞行物的第二时刻的目标状态，其中，所述第二时刻在第一时刻之后。
9.根据权利要求1所述的方法，其特征在于，所述目标飞行物的类别包括做匀速直线运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置，
其中，根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态，包括：
根据目标飞行物的第三时刻的位置和速度，确定目标飞行物的第三时刻的第三状态；
根据所述第三时刻的第三状态以及第三时刻与第四时刻之间的时间间隔，确定目标飞行物的第四时刻的目标状态，其中，所述第四时刻在第三时刻之后。
10.根据权利要求1所述的方法，其特征在于，所述目标飞行物的类别包括做变速运动的飞行物的类别，所述回波参数还包括所述目标飞行物的位置和加速度，
其中，根据所述目标飞行物的类别及所述回波参数，预测所述目标飞行物的目标状态，包括：
根据目标飞行物的第五时刻的位置、速度和加速度，确定目标飞行物的第五时刻的第五状态；
根据所述第五时刻的第五状态以及第五时刻与第六时刻之间的时间间隔，确定目标飞行物的第六时刻的目标状态，其中，所述第六时刻在第五时刻之后。
CN201810576462.6A 2018-06-06 2018-06-06 一种基于随机有限模型集的飞行物多目标跟踪方法 Active CN110568436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810576462.6A CN110568436B (zh) 2018-06-06 2018-06-06 一种基于随机有限模型集的飞行物多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810576462.6A CN110568436B (zh) 2018-06-06 2018-06-06 一种基于随机有限模型集的飞行物多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN110568436A true CN110568436A (zh) 2019-12-13
CN110568436B CN110568436B (zh) 2021-12-03

Family

ID=68771902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810576462.6A Active CN110568436B (zh) 2018-06-06 2018-06-06 一种基于随机有限模型集的飞行物多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110568436B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495270A (zh) * 2020-04-07 2021-10-12 富士通株式会社 基于微波雷达的监控装置以及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101207638A (zh) * 2007-12-03 2008-06-25 浙江树人大学 一种基于预测的无线传感器网络目标跟踪方法
CN101349565A (zh) * 2008-09-10 2009-01-21 北京航空航天大学 一种基于计算机视觉的飞行器航向跟踪方法
CN101470896A (zh) * 2007-12-24 2009-07-01 南京理工大学 基于视频分析的机动目标飞行模式预测方法
CN102621542A (zh) * 2012-04-02 2012-08-01 中国人民解放军海军航空工程学院 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法
CN102722697A (zh) * 2012-05-16 2012-10-10 北京理工大学 一种无人飞行器视觉自主导引着陆的目标跟踪方法
CN103823983A (zh) * 2014-03-03 2014-05-28 中国民航科学技术研究院 一种飞机起降过程中的鸟击概率估计方法
CN105182342A (zh) * 2015-09-29 2015-12-23 长安大学 一种颠簸路面车辆雷达目标位置的追踪装置及追踪方法
CN105354861A (zh) * 2015-09-28 2016-02-24 凯迈（洛阳）测控有限公司 一种机载光电设备基于目标轨迹预测的跟踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101207638A (zh) * 2007-12-03 2008-06-25 浙江树人大学 一种基于预测的无线传感器网络目标跟踪方法
CN101470896A (zh) * 2007-12-24 2009-07-01 南京理工大学 基于视频分析的机动目标飞行模式预测方法
CN101349565A (zh) * 2008-09-10 2009-01-21 北京航空航天大学 一种基于计算机视觉的飞行器航向跟踪方法
CN102621542A (zh) * 2012-04-02 2012-08-01 中国人民解放军海军航空工程学院 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法
CN102722697A (zh) * 2012-05-16 2012-10-10 北京理工大学 一种无人飞行器视觉自主导引着陆的目标跟踪方法
CN103823983A (zh) * 2014-03-03 2014-05-28 中国民航科学技术研究院 一种飞机起降过程中的鸟击概率估计方法
CN105354861A (zh) * 2015-09-28 2016-02-24 凯迈（洛阳）测控有限公司 一种机载光电设备基于目标轨迹预测的跟踪方法
CN105182342A (zh) * 2015-09-29 2015-12-23 长安大学 一种颠簸路面车辆雷达目标位置的追踪装置及追踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙宁等: "实时红外目标跟踪方法 ", 《电光与控制》 *
李斌等: "基于HRRP识别信息辅助多目标跟踪的仿真研究 ", 《系统仿真学报》 *
郭志波等: "多技术融合的Mean-Shift目标跟踪算法", 《山东大学学报(工学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495270A (zh) * 2020-04-07 2021-10-12 富士通株式会社 基于微波雷达的监控装置以及方法

Also Published As

Publication number Publication date
CN110568436B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
US11650286B2 (en) Method for separating targets and clutter from noise, in radar signals
US20220413121A1 (en) Radar based system and method for detection of an object and generation of plots holding radial velocity data, and system for detection and classification of unmanned aerial vehicles, uavs
CN112526513B (zh) 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN109791200B (zh) 基于轨迹跟踪的导线和塔架分类
KR101652395B1 (ko) 기동표적에 대한 isar 영상의 수직거리 스케일링 기법
CN108181620B (zh) 一种三坐标雷达点迹质量评估方法
CN109557533B (zh) 一种基于模型的联合跟踪与识别方法
CN111401168B (zh) 一种无人机的多层雷达特征提取与选择方法
CN107818324B (zh) 将功能性网格单元添加到随机稀疏树形网格以便空间滤波的系统和方法
CN113933790A (zh) 一种相控阵雷达工作模式的反演识别方法、装置及介质
Steiner et al. Ego-motion estimation using distributed single-channel radar sensors
CN110568436B (zh) 一种基于随机有限模型集的飞行物多目标跟踪方法
US10830883B2 (en) Method for filtering the ground and/or sea clutter echoes intercepted by an airborne radar, and radar implementing such a method
US20100134346A1 (en) Method for the multidimensional temporal kinematic filtering of radar blips, from antenna revolution to antenna revolution
JP2725955B2 (ja) 感度速度制御の方法及び装置
Lai et al. Bearings-only tracking and Doppler-bearing tracking with inequality constraint
Guerraou et al. Particle filter track-before-detect for target detection and tracking from marine radar data
Ahmad et al. Tracking of target body and micro-Doppler components in drone surveillance radar
WO2023193923A1 (en) Maritime traffic management
Kohlleppel Ground target tracking with signal adaptive measurement error covariance matrix
Ahmad et al. Low-latency convolution neural network for estimating drone physical parameters with radar
Vylegzhanin et al. Fuzzy logic alghorithms for target classification in radar observations
JP7389629B2 (ja) 長時間積分による検出方法および対応するレーダシステム
CN116758261B (zh) 基于生成对抗网络的宽带前视成像雷达目标识别方法
US20240004055A1 (en) Radar Device and Method of Operating a Radar Device

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant