CN110929810B - 一种低慢小目标探测系统多源数据融合方法 - Google Patents

一种低慢小目标探测系统多源数据融合方法 Download PDF

Info

Publication number
CN110929810B
CN110929810B CN201911372187.7A CN201911372187A CN110929810B CN 110929810 B CN110929810 B CN 110929810B CN 201911372187 A CN201911372187 A CN 201911372187A CN 110929810 B CN110929810 B CN 110929810B
Authority
CN
China
Prior art keywords
track
radar
fusion
data
coefficient
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.)
Active
Application number
CN201911372187.7A
Other languages
English (en)
Other versions
CN110929810A (zh
Inventor
池姗姗
张靓
孟伟
郭正红
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.)
Aerospace Nanhu Electronic Information Technology Co ltd
Original Assignee
Aerospace Nanhu Electronic Information Technology Co ltd
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 Aerospace Nanhu Electronic Information Technology Co ltd filed Critical Aerospace Nanhu Electronic Information Technology Co ltd
Priority to CN201911372187.7A priority Critical patent/CN110929810B/zh
Publication of CN110929810A publication Critical patent/CN110929810A/zh
Application granted granted Critical
Publication of CN110929810B publication Critical patent/CN110929810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种低慢小目标探测系统多源数据融合方法，属雷达信息探测技术领域。包括六个实现步骤，针对低慢小目标航迹特点,实现实时计算单源航迹质量数据，根据航迹质量数据自适应分配融合权重，对复杂、变化环境背景适应性强，可最大化利用多雷达协同探测，充分发挥多传感器组网探测优势，有效提高对低慢小目标航迹的探测精度和探测稳定性，节约组网资源，提高了多源信息融合方法的环境适应性。解决了现有多传感器的多源信息融合方法采用加权平均融合法，权重系数初始给定，使得在低慢小目标探测中难以适应环境干扰的影响，极易出现因权重系数设置不合理导致融合结果精度不高，造成组网资源浪费的问题。

Description

一种低慢小目标探测系统多源数据融合方法
技术领域
本发明涉及一种低慢小目标探测系统多源数据融合方法，属雷达信息探测技术领域。
背景技术
常见的低慢小目标包括多旋翼无人机、航拍气球、动力三角翼等。低慢小目标的雷达散射面积小、飞行高度低、速度慢、多普勒频移不明显，加之使用环境复杂、背景干扰多，空军雷达设备无法覆盖，使得探测和识别低慢小目标成为业界公认的难题。通过多传感器组网探测低慢小目标不失为一个有效办法，但如何最大化发挥各传感器优势，获得优于单传感器的探测精度是多传感器信息融合亟待解决的问题。目前多传感器的信息融合方法通常是采用加权平均融合法，权重系数是初始给定的，此种固定的加权权重系数在低慢小目标探测中难以适应环境干扰的影响，极易出现因权重系数设置不合理导致融合结果精度不高，造成组网资源浪费的问题，从而无法最大限度利用多雷达设备组网协同探测的优势，实现对低慢小目标的高效探测和识别。
发明内容
本发明的目的在于，针对上述现有技术的不足，提供一种针对低慢小目标航迹特点,实现自适应分配权重系数，对复杂、变化环境背景适应性强，可最大化利用多雷达设备组网协同探测，充分发挥多传感器组网探测优势，有效提高对低慢小目标航迹的探测精度和探测稳定性，节约组网资源的低慢小目标探测系统多源数据融合方法。
本发明是通过如下的技术方案来实现上述目的的：
一种低慢小目标探测系统多源数据融合方法，其特征在于：它是通过包括如下步骤完成的：
步骤一、对接收到的单雷达航迹数据进行预处理；
a）所述预处理包括剔除野值数据和无效数据，其中野值数据指超出测量范围的数据，无效数据指数据格式不符合的数据；
步骤二、将各雷达航迹数据通过坐标变换转到统一的地心空间直角坐标系；坐标转换通过两步完成，步骤如下：
ａ）雷达测量的目标距离
Figure 980832DEST_PATH_IMAGE001
、方位
Figure 624303DEST_PATH_IMAGE002
、俯仰
Figure 100002_DEST_PATH_IMAGE003
为极坐标值，将极坐标值变换到以雷达站址为中心的大地直角坐标系
Figure 631573DEST_PATH_IMAGE004
；
Figure 100002_1
ｂ）将以雷达站址为中心的大地直角坐标值变换到地心空间直角坐标系；雷达
Figure 439309DEST_PATH_IMAGE006
的站址经纬高为
Figure 891282DEST_PATH_IMAGE007
，其在地心空间直角坐标系的值为：
Figure 397349DEST_PATH_IMAGE008
由大地直角坐标系转到地心空间直角坐标系：
Figure 613567DEST_PATH_IMAGE009
步骤三、将各单雷达航迹数据由接收时间对齐到当前数据融合时间；接收时间为
Figure 433755DEST_PATH_IMAGE011
，数据融合时刻为
Figure 786239DEST_PATH_IMAGE012
，融合时刻各雷达航迹位置为：
Figure 728788DEST_PATH_IMAGE013
其中
Figure 166722DEST_PATH_IMAGE014
分别为
Figure 100002_DEST_PATH_IMAGE016
时刻雷达
Figure 508711DEST_PATH_IMAGE017
测量的目标位置，
Figure 184543DEST_PATH_IMAGE019
分别为
Figure 32413DEST_PATH_IMAGE021
时刻雷达
Figure 380480DEST_PATH_IMAGE022
测量的目标位置，
Figure 604788DEST_PATH_IMAGE023
为目标运动速度，
Figure 931864DEST_PATH_IMAGE025
为目标运动加速度；
步骤四、各单雷达航迹分别与所有系统航迹进行关联，选出距离最小的航迹点作为关联成功的点，进行后续的融合；航迹关联由三步完成，步骤如下：
ａ）计算雷达
Figure 419477DEST_PATH_IMAGE026
的航迹
Figure 832004DEST_PATH_IMAGE027
与每一条系统航迹的距离值，判断该距离值是否落入关联门
Figure 594424DEST_PATH_IMAGE028
内，距离计算公式为：
Figure 100002_DEST_PATH_IMAGE029
其中
Figure 962957DEST_PATH_IMAGE030
为雷达
Figure 418209DEST_PATH_IMAGE031
的航迹
Figure 100002_DEST_PATH_IMAGE032
的位置坐标，
Figure 990136DEST_PATH_IMAGE033
为系统航迹
Figure 556246DEST_PATH_IMAGE034
的位置坐标，若
Figure 592335DEST_PATH_IMAGE035
，则认为系统航迹
Figure 184202DEST_PATH_IMAGE037
落入了雷达
Figure 571321DEST_PATH_IMAGE038
的航迹
Figure 675544DEST_PATH_IMAGE039
的关联门内；
ｂ）对雷达
Figure 831718DEST_PATH_IMAGE040
的航迹
Figure 100002_DEST_PATH_IMAGE041
，在落入其关联门内的所有系统航迹中选出距离最近的，认为该雷达的该条航迹与此系统航迹关联上；
ｃ）重复步骤四的 步骤ａ）和ｂ）直至所有雷达的所有航迹均完成关联，得到每一条系统航迹对应的多个雷达或单个雷达的关联航迹；
步骤五、计算步骤四得到的各关联航迹参与融合时的融合系数，其中融合系数计算包括：计算航迹上报频率F、航迹稳定性系数S、航迹准确性系数A、外推系数E、融合系数Q，计算方法如下：
ａ）航迹上报频率Ｆ计算：航迹报告频率即该雷达航迹在一个融合周期内的数据输出率；
F=融合周期/航迹数据输出周期
b）航迹稳定性系数S计算：通过二次函数回归拟合该航迹历史数据得出，体现该雷达自身航迹报告的稳定性；
雷达
Figure 300877DEST_PATH_IMAGE042
的航迹
Figure 909713DEST_PATH_IMAGE043
历史航迹点数为
Figure 270156DEST_PATH_IMAGE044
，坐标分别为
Figure 280837DEST_PATH_IMAGE045
，将该
Figure 248793DEST_PATH_IMAGE047
个点通过二次函数拟合，得到拟合后的航迹函数为
Figure 548188DEST_PATH_IMAGE048
，
拟合回归平方和为：
Figure 994212DEST_PATH_IMAGE049
Figure 124979DEST_PATH_IMAGE050
其中
Figure 686673DEST_PATH_IMAGE051
分别为
Figure 270101DEST_PATH_IMAGE052
对应的拟合值，
Figure 519817DEST_PATH_IMAGE054
分别为
Figure 708353DEST_PATH_IMAGE055
对应的均值；
拟合残差平方和为：
Figure 18111DEST_PATH_IMAGE056
拟合系数计算公式为：
Figure 88836DEST_PATH_IMAGE057
该航迹的拟合系数
Figure 63614DEST_PATH_IMAGE058
为：
Figure 903394DEST_PATH_IMAGE059
c）航迹准确性系数
Figure 384054DEST_PATH_IMAGE060
计算：由近期报告位置与预测的融合位置计算得出，体现该雷达近期报告与融合值在位置上的偏离程度；
系统航迹预测位置为
Figure 676495DEST_PATH_IMAGE061
，当前雷达测量位置为
Figure 471275DEST_PATH_IMAGE062
，距离偏差为：
Figure 165562DEST_PATH_IMAGE063
航迹准确性
Figure 817123DEST_PATH_IMAGE064
系数为：
Figure 816434DEST_PATH_IMAGE065
d）外推系数
Figure 211643DEST_PATH_IMAGE066
计算：一个无量纲系数，取值0~1，该周期雷达航迹有更新则
Figure 760436DEST_PATH_IMAGE067
为1，若无更新则E为一个小于1但大于0的值；
e）融合系数
Figure 520582DEST_PATH_IMAGE069
计算：融合系数是由上述反应航迹质量的系数计算得到，计算公式为：
Figure 787615DEST_PATH_IMAGE070
步骤六、利用步骤四计算得到的当前各关联航迹融合系数，加权平均融合各单源航迹信息，得到融合航迹更新值
Figure 720936DEST_PATH_IMAGE071
，即：
Figure 576766DEST_PATH_IMAGE072
其中
Figure DEST_PATH_IMAGE073
为与该系统航迹关联上的单雷达航迹数，
Figure DEST_PATH_IMAGE074
为第
Figure DEST_PATH_IMAGE076
个与该系统航迹关联上的单雷达航迹。
本发明与现有技术相比的有益效果在于：
该低慢小目标探测系统多源数据融合方法，通过本发明包括六个步骤，针对低慢小目标航迹特点,实现自适应分配权重系数，对复杂、变化环境背景适应性强，最大化发挥多传感器组网探测优势，有效提高对低慢小目标航迹的探测精度和探测稳定性，节约组网资源，实现实时计算单源航迹质量数据，根据航迹质量数据自适应分配融合权重，相比于现有技术初始给定固定融合权重，大大改善了单源航迹质量下降影响融合效果的问题，提高了多源信息融合方法的环境适应性。解决了现有多传感器的多源信息融合方法采用加权平均融合法，权重系数初始给定，使得在低慢小目标探测中难以适应环境干扰的影响，极易出现因权重系数设置不合理导致融合结果精度不高，造成组网资源浪费的问题。
附图说明
图1为一种低慢小目标探测系统多源数据融合方法的流程示意图；
图2为一种低慢小目标探测系统多源数据融合方法的单雷达探测无人机目标航迹与融合航迹对比图；
图3为一种低慢小目标探测系统多源数据融合方法的多雷达数据融合航迹图。
具体实施方式
本发明的设计思路是，低慢小目标的运行状态相对复杂，主要表现为：1）易受地面周围环境干扰，造成多雷达设备的监视传感器无法有效监测、跟踪目标，出现目标跟踪中断现象，不利于多源数据融合跟踪。2）低慢小目标飞行的非线性运动状态突出，与民航客机的飞行状态多数情况下基本处于线性或匀速运动状态不同，低慢小目标具有机动性强的非线性运动特点，使得单源报告目标运动状态呈现锯齿状态，给多源融合跟踪造成很不利的影响。如何利用多雷达设备协同探测，最大限度的发挥各传感器的优势，获得对低慢小目标大大优于单传感器的探测精度，最终实现对低慢小目标的高效探测和识别，是多传感器信息融合亟待解决的问题。目前利用多雷达设备协同探测的多源信息融合方法通常采用加权平均融合法，即权重系数是初始就给定的，对于低慢小目标探测来说，固定的加权系数难以适应环境干扰的影响，初始给定的权重系数无法适配低慢小目标的非线性运动特质，不合理的权重系数配置，导致多源融合探测结果精度不高，造成多传感器组网资源的浪费。因此本发明提出一种低慢小目标探测系统多源数据融合方法，针对低慢小目标的航迹特性，实时计算单源航迹质量，再根据航迹质量自适应分配融合权重，相比于现有初始给定固定融合权重方式，极大改善了单源航迹质量下降影响融合效果的问题，有效提高了多源信息融合方法的环境适应性。
下面结合附图对该低慢小目标探测系统多源数据融合方法的实施方式作进一步详细说明（参见图1～3）：
该低慢小目标探测系统多源数据融合方法，其特征在于：它是通过包括如下步骤完成的：
步骤一、对接收到的单雷达航迹数据进行预处理；
a）所述预处理包括剔除野值数据和无效数据，其中野值数据指超出测量范围的数据，无效数据指数据格式不符合的数据；
步骤二、将各雷达航迹数据通过坐标变换转到统一的地心空间直角坐标系；坐标转换通过两步完成，步骤如下：
ａ）雷达测量的目标距离
Figure 773392DEST_PATH_IMAGE001
、方位
Figure 262142DEST_PATH_IMAGE002
、俯仰
Figure 264733DEST_PATH_IMAGE003
为极坐标值，将极坐标值变换到以雷达站址为中心的大地直角坐标系
Figure 476534DEST_PATH_IMAGE004
；
Figure 2
ｂ）将以雷达站址为中心的大地直角坐标值变换到地心空间直角坐标系；雷达
Figure 882424DEST_PATH_IMAGE006
的站址经纬高为
Figure 626390DEST_PATH_IMAGE007
，其在地心空间直角坐标系的值为：
Figure 4281DEST_PATH_IMAGE008
由大地直角坐标系转到地心空间直角坐标系：
Figure 605027DEST_PATH_IMAGE009
步骤三、将各单雷达航迹数据由接收时间对齐到当前数据融合时间；接收时间为
Figure 989741DEST_PATH_IMAGE011
，数据融合时刻为
Figure 334134DEST_PATH_IMAGE012
，融合时刻各雷达航迹位置为：
Figure 832112DEST_PATH_IMAGE013
其中
Figure 275863DEST_PATH_IMAGE014
分别为
Figure 492080DEST_PATH_IMAGE016
时刻雷达
Figure 374586DEST_PATH_IMAGE017
测量的目标位置，
Figure 727070DEST_PATH_IMAGE019
分别为
Figure 92454DEST_PATH_IMAGE021
时刻雷达
Figure 530389DEST_PATH_IMAGE022
测量的目标位置，
Figure 216585DEST_PATH_IMAGE023
为目标运动速度，
Figure 361258DEST_PATH_IMAGE025
为目标运动加速度；
步骤四、各单雷达航迹分别与所有系统航迹进行关联，选出距离最小的航迹点作为关联成功的点，进行后续的融合；航迹关联由三步完成，步骤如下：
ａ）计算雷达
Figure 474708DEST_PATH_IMAGE026
的航迹
Figure 399939DEST_PATH_IMAGE027
与每一条系统航迹的距离值，判断该距离值是否落入关联门
Figure 811197DEST_PATH_IMAGE028
内，距离计算公式为：
Figure 138273DEST_PATH_IMAGE029
其中
Figure 422624DEST_PATH_IMAGE030
为雷达
Figure 507255DEST_PATH_IMAGE031
的航迹
Figure 535254DEST_PATH_IMAGE032
的位置坐标，
Figure 716836DEST_PATH_IMAGE033
为系统航迹
Figure 860504DEST_PATH_IMAGE034
的位置坐标，若
Figure 760327DEST_PATH_IMAGE035
，则认为系统航迹
Figure 326437DEST_PATH_IMAGE037
落入了雷达
Figure 362527DEST_PATH_IMAGE038
的航迹
Figure 926363DEST_PATH_IMAGE039
的关联门内；
ｂ）对雷达
Figure 47903DEST_PATH_IMAGE040
的航迹
Figure 417704DEST_PATH_IMAGE041
，在落入其关联门内的所有系统航迹中选出距离最近的，认为该雷达的该条航迹与此系统航迹关联上；
ｃ）重复步骤四的步骤ａ）和ｂ）直至所有雷达的所有航迹均完成关联，得到每一条系统航迹对应的多个雷达或单个雷达的关联航迹；
步骤五、计算步骤四得到的各关联航迹参与融合时的融合系数，其中融合系数计算包括：计算航迹上报频率F、航迹稳定性系数S、航迹准确性系数A、外推系数E、融合系数Q，计算方法如下：
ａ）航迹上报频率Ｆ计算：航迹报告频率即该雷达航迹在一个融合周期内的数据输出率；
F=融合周期/航迹数据输出周期
b）航迹稳定性系数S计算：通过二次函数回归拟合该航迹历史数据得出，体现该雷达自身航迹报告的稳定性；
雷达
Figure 760830DEST_PATH_IMAGE042
的航迹
Figure 557885DEST_PATH_IMAGE043
历史航迹点数为
Figure 166720DEST_PATH_IMAGE044
，坐标分别为
Figure 12317DEST_PATH_IMAGE045
，将该
Figure 22998DEST_PATH_IMAGE047
个点通过二次函数拟合，得到拟合后的航迹函数为
Figure 990954DEST_PATH_IMAGE048
，
拟合回归平方和为：
Figure 87086DEST_PATH_IMAGE049
Figure 487106DEST_PATH_IMAGE050
其中
Figure 617873DEST_PATH_IMAGE051
分别为
Figure 756730DEST_PATH_IMAGE052
对应的拟合值，
Figure 12262DEST_PATH_IMAGE054
分别为
Figure 527557DEST_PATH_IMAGE055
对应的均值；
拟合残差平方和为：
Figure 512830DEST_PATH_IMAGE056
拟合系数计算公式为：
Figure 9540DEST_PATH_IMAGE057
该航迹的拟合系数
Figure 814685DEST_PATH_IMAGE058
为：
Figure 868091DEST_PATH_IMAGE059
c）航迹准确性系数
Figure 645554DEST_PATH_IMAGE060
计算：由近期报告位置与预测的融合位置计算得出，体现该雷达近期报告与融合值在位置上的偏离程度；
系统航迹预测位置为
Figure 126214DEST_PATH_IMAGE061
，当前雷达测量位置为
Figure 684235DEST_PATH_IMAGE062
，距离偏差为：
Figure 964169DEST_PATH_IMAGE063
航迹准确性
Figure 924034DEST_PATH_IMAGE064
系数为：
Figure 575595DEST_PATH_IMAGE065
d）外推系数
Figure 355333DEST_PATH_IMAGE066
计算：一个无量纲系数，取值0~1，该周期雷达航迹有更新则
Figure 688225DEST_PATH_IMAGE067
为1，若无更新则E为一个小于1但大于0的值；
e）融合系数
Figure 502597DEST_PATH_IMAGE069
计算：融合系数是由上述反应航迹质量的系数计算得到，计算公式为：
Figure 325060DEST_PATH_IMAGE070
步骤六、利用步骤四计算得到的当前各关联航迹融合系数，加权平均融合各单源航迹信息，得到融合航迹更新值
Figure 779044DEST_PATH_IMAGE071
，即：
Figure 977944DEST_PATH_IMAGE072
其中
Figure 646823DEST_PATH_IMAGE073
为与该系统航迹关联上的单雷达航迹数，
Figure 577870DEST_PATH_IMAGE074
为第
Figure 332199DEST_PATH_IMAGE076
个与该系统航迹关联上的单雷达航迹。
该低慢小目标探测系统多源信息融合方法的具体实施例如下：
将201、202、203、205、206共5部雷达分别布设在3个不同的站点，在3个站点组成的三角形区域内放飞大疆精灵4无人机，所述无人机按照一定航线飞行，所述5部雷达同时对所述无人机进行探测。
数据融合模块接收到所述5部雷达发送的目标航迹数据，首先按照步骤一对单雷达数据进行预处理，剔除野值点和无效航迹点，剔除距离超过10Km或方位、俯仰角不在0～360范围内的野值点，对输入数据进行帧头帧尾校验，不符合要求的视为无效数据剔除。201雷达传输的航迹数据异常，为无效数据被剔除；将预处理后的202、203、205、206这4部雷达的航迹数据按照步骤二所述方法变换到统一的地心空间直角坐标系，并用步骤三所述线性外推的方法将航迹数据从接收时刻对齐到融合时刻；随后用步骤四对各单雷达航迹分别与所有系统航迹进行关联，对各单源雷达航迹进行关联，关联成功的航迹保存为待融合航迹，依据各航迹频率、稳定性、准确性、外推等情况，按照步骤五计算各航迹在当前融合时刻的融合系数，利用该融合系数按照步骤六进行加权融合计算，得到融合结果。
（参见图2），如图2所示大疆精灵4无人机目标在缓慢转弯飞行，各通道的数据状况不尽相同：202雷达在中段漏报，直到尾段才重新出现；203雷达的数据率较高，趋势明显，但航迹很不平滑，无法准确直指所述目标在某时刻的位置。205雷达数据质量好，但数据率很低，提供给融合航迹的信息较少。206雷达在中段出现漏报和虚警，融合系统成功辨别了虚警目标，避免将虚警目标的信息融合。（参见图3），如图3所示为上述场景的融合航迹输出，数据率高，航迹平滑、准确。
以上所述只是本发明的较佳实施例而已，上述举例说明不对本发明的实质内容作任何形式上的限制，所属技术领域的普通技术人员在阅读了本说明书后依据本发明的技术实质对以上具体实施方式所作的任何简单修改或变形，以及可能利用上述揭示的技术内容加以变更或修饰为等同变化的等效实施例，均仍属于本发明技术方案的范围内，而不背离本发明的实质和范围。

Claims (1)

1.一种低慢小目标探测系统多源数据融合方法，其特征在于：它是通过包括如下步骤完成的：
步骤一、对接收到的单雷达航迹数据进行预处理；
a）所述预处理包括剔除野值数据和无效数据，其中野值数据指超出测量范围的数据，无效数据指数据格式不符合的数据；
步骤二、将各雷达航迹数据通过坐标变换转到统一的地心空间直角坐标系；坐标转换通过两步完成，步骤如下：
ａ）雷达测量的目标距离
Figure DEST_PATH_IMAGE001
、方位
Figure DEST_PATH_IMAGE002
、俯仰
Figure DEST_PATH_IMAGE003
为极坐标值，将极坐标值变换到以雷达站址为中心的大地直角坐标系
Figure DEST_PATH_IMAGE004
；
Figure 1
ｂ）将以雷达站址为中心的大地直角坐标值变换到地心空间直角坐标系；雷达
Figure DEST_PATH_IMAGE006
的站址经纬高为
Figure DEST_PATH_IMAGE007
，其在地心空间直角坐标系的值为：
Figure DEST_PATH_IMAGE008
由大地直角坐标系转到地心空间直角坐标系：
Figure DEST_PATH_IMAGE009
步骤三、将各单雷达航迹数据由接收时间对齐到当前数据融合时间；接收时间为
Figure DEST_PATH_IMAGE010
，数据融合时刻为
Figure DEST_PATH_IMAGE011
，融合时刻各雷达航迹位置为：
Figure DEST_PATH_IMAGE012
其中
Figure DEST_PATH_IMAGE013
分别为
Figure DEST_PATH_IMAGE014
时刻雷达
Figure DEST_PATH_IMAGE015
测量的目标位置，
Figure DEST_PATH_IMAGE016
分别为
Figure DEST_PATH_IMAGE017
时刻雷达
Figure DEST_PATH_IMAGE018
测量的目标位置，
Figure DEST_PATH_IMAGE019
为目标运动速度，
Figure DEST_PATH_IMAGE020
为目标运动加速度；
步骤四、各单雷达航迹分别与所有系统航迹进行关联，选出距离最小的航迹点作为关联成功的点，进行后续的融合；
航迹关联由三步完成，步骤如下：
ａ）计算雷达
Figure DEST_PATH_IMAGE021
的航迹
Figure DEST_PATH_IMAGE022
与每一条系统航迹的距离值，判断该距离值是否落入关联门
Figure DEST_PATH_IMAGE023
内，距离计算公式为：
Figure DEST_PATH_IMAGE024
其中
Figure DEST_PATH_IMAGE025
为雷达
Figure DEST_PATH_IMAGE026
的航迹
Figure DEST_PATH_IMAGE027
的位置坐标，
Figure DEST_PATH_IMAGE028
为系统航迹
Figure DEST_PATH_IMAGE029
的位置坐标，若
Figure DEST_PATH_IMAGE030
，则认为系统航迹
Figure DEST_PATH_IMAGE031
落入了雷达
Figure DEST_PATH_IMAGE032
的航迹
Figure DEST_PATH_IMAGE033
的关联门内；
ｂ）对雷达
Figure DEST_PATH_IMAGE034
的航迹
Figure DEST_PATH_IMAGE035
，在落入其关联门内的所有系统航迹中选出距离最近的，认为该雷达的该条航迹与此系统航迹关联上；
ｃ）重复步骤四的步骤ａ）和ｂ）直至所有雷达的所有航迹均完成关联，得到每一条系统航迹对应的多个雷达或单个雷达的关联航迹；
步骤五、计算步骤四得到的各关联航迹参与融合时的融合系数，其中融合系数计算包括：计算航迹上报频率F、航迹稳定性系数S、航迹准确性系数A、外推系数E、融合系数Q，计算方法如下：
ａ）航迹上报频率Ｆ计算：航迹报告频率即该雷达航迹在一个融合周期内的数据输出率；
F=融合周期/航迹数据输出周期
b）航迹稳定性系数S计算：通过二次函数回归拟合该航迹历史数据得出，体现该雷达自身航迹报告的稳定性；
雷达
Figure DEST_PATH_IMAGE036
的航迹
Figure DEST_PATH_IMAGE037
历史航迹点数为
Figure DEST_PATH_IMAGE038
，坐标分别为
Figure DEST_PATH_IMAGE039
，将该
Figure DEST_PATH_IMAGE040
个点通过二次函数拟合，得到拟合后的航迹函数为
Figure DEST_PATH_IMAGE041
，
拟合回归平方和为：
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE043
其中
Figure DEST_PATH_IMAGE044
分别为
Figure DEST_PATH_IMAGE045
对应的拟合值，
Figure DEST_PATH_IMAGE046
分别为
Figure DEST_PATH_IMAGE047
对应的均值；
拟合残差平方和为：
Figure DEST_PATH_IMAGE048
拟合系数计算公式为：
Figure DEST_PATH_IMAGE049
该航迹的拟合系数
Figure DEST_PATH_IMAGE050
为：
Figure DEST_PATH_IMAGE051
c）航迹准确性系数
Figure DEST_PATH_IMAGE052
计算：由近期报告位置与预测的融合位置计算得出，体现该雷达近期报告与融合值在位置上的偏离程度；
系统航迹预测位置为
Figure DEST_PATH_IMAGE053
，当前雷达测量位置为
Figure DEST_PATH_IMAGE054
，距离偏差为：
Figure DEST_PATH_IMAGE055
航迹准确性
Figure DEST_PATH_IMAGE056
系数为：
Figure DEST_PATH_IMAGE057
d）外推系数
Figure DEST_PATH_IMAGE058
计算：一个无量纲系数，取值0~1，该周期雷达航迹有更新则
Figure DEST_PATH_IMAGE059
为1，若无更新则E为一个小于1但大于0的值；
e）融合系数
Figure DEST_PATH_IMAGE060
计算：融合系数是由上述反应航迹质量的系数计算得到，计算公式为：
Figure DEST_PATH_IMAGE061
步骤六、利用步骤四计算得到的当前各关联航迹融合系数，加权平均融合各单源航迹信息，得到融合航迹更新值
Figure DEST_PATH_IMAGE062
，即：
Figure DEST_PATH_IMAGE063
其中
Figure DEST_PATH_IMAGE064
为与该系统航迹关联上的单雷达航迹数，
Figure DEST_PATH_IMAGE065
为第
Figure DEST_PATH_IMAGE066
个与该系统航迹关联上的单雷达航迹。
CN201911372187.7A 2019-12-27 2019-12-27 一种低慢小目标探测系统多源数据融合方法 Active CN110929810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911372187.7A CN110929810B (zh) 2019-12-27 2019-12-27 一种低慢小目标探测系统多源数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911372187.7A CN110929810B (zh) 2019-12-27 2019-12-27 一种低慢小目标探测系统多源数据融合方法

Publications (2)

Publication Number Publication Date
CN110929810A CN110929810A (zh) 2020-03-27
CN110929810B true CN110929810B (zh) 2022-06-07

Family

ID=69861126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911372187.7A Active CN110929810B (zh) 2019-12-27 2019-12-27 一种低慢小目标探测系统多源数据融合方法

Country Status (1)

Country Link
CN (1) CN110929810B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829506B (zh) * 2020-06-12 2021-05-14 中国船舶重工集团公司第七二四研究所 一种基于序贯处理的主被动航迹运动特征关联方法
CN112182062B (zh) * 2020-09-15 2022-09-13 中国人民解放军63660部队 一种多目标雷达组网测量数据匹配与编目方法
CN112541261A (zh) * 2020-12-09 2021-03-23 中国航空工业集团公司沈阳飞机设计研究所 一种基于数据回灌功能的目标航迹融合评估方法
CN112816975B (zh) * 2020-12-31 2024-03-15 亿咖通(湖北)技术有限公司 一种航迹确定方法、装置及电子设备
CN113608213A (zh) * 2021-08-03 2021-11-05 哈尔滨工业大学 一种基于船用雷达信息融合的海上目标联合检测方法
CN113776538B (zh) * 2021-09-16 2024-08-06 中国人民解放军91388部队 基于指显平台对目标航迹的实时数据融合方法
CN114280596B (zh) * 2021-12-24 2024-06-07 中国航天科工集团八五一一研究所 一种多源数据融合引导方法
CN114415168A (zh) * 2022-01-18 2022-04-29 舟山市质量技术监督检测研究院 一种无人水面艇航迹融合方法及装置
CN114971436B (zh) * 2022-08-02 2022-09-30 中国电子科技集团公司第十五研究所 雷达情报组网融合中的装备贡献计算方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8369622B1 (en) * 2009-10-29 2013-02-05 Hsu Shin-Yi Multi-figure system for object feature extraction tracking and recognition
CN106680806A (zh) * 2016-11-24 2017-05-17 清华大学 一种多雷达点迹融合方法
CN107133635A (zh) * 2017-03-30 2017-09-05 南京航空航天大学 一种多源异构飞行事故航迹数据融合方法
CN108957445A (zh) * 2018-07-30 2018-12-07 四川九洲空管科技有限责任公司 一种低空慢速小目标探测系统及其探测方法
CN109085569A (zh) * 2018-08-13 2018-12-25 南京邮电大学 一种基于区域划分的多雷达航迹关联方法
CN110346788A (zh) * 2019-06-14 2019-10-18 北京雷久科技有限责任公司 基于雷达和光电融合的高机动和悬停目标全航迹跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8369622B1 (en) * 2009-10-29 2013-02-05 Hsu Shin-Yi Multi-figure system for object feature extraction tracking and recognition
CN106680806A (zh) * 2016-11-24 2017-05-17 清华大学 一种多雷达点迹融合方法
CN107133635A (zh) * 2017-03-30 2017-09-05 南京航空航天大学 一种多源异构飞行事故航迹数据融合方法
CN108957445A (zh) * 2018-07-30 2018-12-07 四川九洲空管科技有限责任公司 一种低空慢速小目标探测系统及其探测方法
CN109085569A (zh) * 2018-08-13 2018-12-25 南京邮电大学 一种基于区域划分的多雷达航迹关联方法
CN110346788A (zh) * 2019-06-14 2019-10-18 北京雷久科技有限责任公司 基于雷达和光电融合的高机动和悬停目标全航迹跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于AIS的对海雷达多目标融合跟踪方法;贺丰收等;《雷达科学与技术》;20170415(第02期);全文 *
基于多源数据多特征融合的弱小目标关联研究;刘铮等;《红外与激光工程》;20190122(第05期);全文 *

Also Published As

Publication number Publication date
CN110929810A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110929810B (zh) 一种低慢小目标探测系统多源数据融合方法
US10450083B2 (en) Methods of airflow vortex sensing and tracking
US9870005B2 (en) Apparatus for close formation flight
EP3299299B1 (en) Apparatus and method of compensating for relative motion of at least two aircraft-mounted cameras
US20170269612A1 (en) Flight control methods for operating close formation flight
CN107368095B (zh) 一种小型固定翼无人机空中防撞系统及防撞方法
CN102891453B (zh) 一种基于毫米波雷达的无人机巡检线路走廊方法与装置
CN102508493B (zh) 一种小型无人飞行器飞行控制方法
WO2017161304A1 (en) Systems, methods, and apparatus for airflow sensing and close formation flight
CN103699713A (zh) 一种编队飞机冲突检测方法及其应用
CN115731268A (zh) 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法
CN110764083B (zh) 毫米波雷达防入侵的数据融合方法及系统
CN110262555B (zh) 连续障碍环境下无人机实时避障控制方法
CN105548970A (zh) 一种飞鸟探测雷达处理机
CN106679672A (zh) 一种基于dbn和卡尔曼滤波算法的agv定位算法
JP2016142705A (ja) 追跡システム、方法、およびプログラム
CN116907282A (zh) 基于人工智能算法的无人靶机超低空飞行控制方法
CN110673627A (zh) 一种森林无人机搜寻方法
CN114740497A (zh) 基于ukf多源融合探测的无人机欺骗方法
Ivancsits et al. Visual navigation system for small unmanned aerial vehicles
CN117472081B (zh) 一种基于感知约束的无人机避障方法
Vitiello et al. Detection and tracking of non-cooperative flying obstacles using low SWaP radar and optical sensors: an experimental analysis
EP3430487B1 (en) Systems, methods, and apparatus for airflow sensing and close formation flight
CN103176477B (zh) 一种基于风速风向动态调整的机载sar飞行航路编排方法
Liu et al. The altitude hold algorithm of UAV based on millimeter wave radar sensors

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