CN110988880B - 一种基于smr目标轨迹的地理信息提取及目标跟踪方法 - Google Patents

一种基于smr目标轨迹的地理信息提取及目标跟踪方法 Download PDF

Info

Publication number
CN110988880B
CN110988880B CN201911272750.3A CN201911272750A CN110988880B CN 110988880 B CN110988880 B CN 110988880B CN 201911272750 A CN201911272750 A CN 201911272750A CN 110988880 B CN110988880 B CN 110988880B
Authority
CN
China
Prior art keywords
road
target
track
triangle
area
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
CN201911272750.3A
Other languages
English (en)
Other versions
CN110988880A (zh
Inventor
陈硕
翟海涛
商凯
赵玉丽
张鈞溥
章林
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.)
Nanjing Laisi Electronic Equipment Co ltd
Original Assignee
Nanjing Laisi Electronic Equipment 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 Nanjing Laisi Electronic Equipment Co ltd filed Critical Nanjing Laisi Electronic Equipment Co ltd
Priority to CN201911272750.3A priority Critical patent/CN110988880B/zh
Publication of CN110988880A publication Critical patent/CN110988880A/zh
Application granted granted Critical
Publication of CN110988880B publication Critical patent/CN110988880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • 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
    • 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
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Processing Or Creating Images (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于SMR目标轨迹的地理信息提取及目标跟踪方法，包括：步骤1，进行航迹数据甄选预处理，得到目标历史轨迹数据；步骤2，提取区域道路多边形，剔除异常凹凸道路区，识别道路边缘信息；步骤3，提取道路网中心线、道路中航向及目标运动区域道路宽度数据，剔除虚假道路信息；步骤4，识别道路区域类型，区分不同的区域的道路类型；步骤5，将道路的地理信息作为约束条件带入相应的卡尔曼滤波方程，进行目标状态估计。该方法在道路地理特征信息无法或尚未获取时、机场基建道路信息未能及时更新时、地图道路精度较差时，可依据雷达实际探测跟踪的目标轨迹信息自动提取道路地理信息并改善目标跟踪的航迹精度与稳定性。

Description

一种基于SMR目标轨迹的地理信息提取及目标跟踪方法
技术领域
本发明属于雷达数据处理领域，尤其涉及一种基于SMR目标轨迹的地理信息提取及目标跟踪方法。
背景技术
场面监视雷达(SMR)主要用于机场表面(跑道和机动区域)交通管制，对跑道、滑行道、停机坪区域的飞机、车辆和其他物体进行雷达监视的探测设备。SMR利用电磁波的散射效应生成机场地面的高分辨率雷达图像，并对目标进行全自动录取和跟踪，为系统提供及时、准确、全面的机场地面活动目标信息。场面监视雷达拥高分辨率、抗地物和气象杂波、全天候工作、高可靠性等技术特点。
道路地图信息可以用来改善路面行驶目标的航迹精度与跟踪稳定性，在某些特定的应用中，基于目标跟踪提取道路地图的方法是非常有效的：
1、当可靠的道路信息无法或尚未获取时、由地理信息系统提供的道路地图未能及时更新时，或者当前道路地图的精度较差时。
2、利用速度约束和相关滤波算法，可以有效实现场面监视运动目标的跟踪性能优化，同时滤波算法的航迹更为平滑，跟踪精度更高。
发明内容
发明目的：针对无道路辅助信息或道路信息缺少下的目标精确跟踪，本发明公开了一种基于SMR目标轨迹的地理信息提取及精确跟踪技术方法，提取的道路地图信息用以改善路面运动目标的跟踪航迹精度，提高航迹的连续性、稳定性。
技术方案：本发明公开了一种基于SMR目标轨迹的地理信息提取及目标跟踪方法，包括如下步骤：
步骤1，提取航迹库中积累的历史航迹数据，进行航迹数据甄选预处理，得到目标历史轨迹数据；
步骤2，基于目标历史轨迹数据，构建带约束的Delaunay三角网，提取区域道路多边形，剔除异常凹凸道路区，识别道路边缘信息；
步骤3，基于目标历史轨迹数据，提取道路网中心线，剔除虚假道路信息；
步骤4，基于目标历史轨迹数据，识别道路区域类型，区分不同的区域的道路类型，进行目标运动区域宽度提取，根据道路区域类型建立地理信息图层，并按固定格式存储为地理信息图层文件；
步骤5，根据目标所处道路区域类型，将道路的地理信息作为约束条件带入相应的卡尔曼滤波方程，进行目标状态估计。
步骤1包括：提取航迹库中积累的历史航迹数据，按照目标对历史航迹数据进行分类，每个目标对应一组历史航迹数据，提取航迹的位置、航速航向、时间信息，对雷达航迹参数信息进行解析和解算(参见欧洲航空安全局关于民用雷达的240数据编码格式https://www.eurocontrol.int/asterix)，判别航迹参数异常值数据，将超出运动目标的各个分量的正常取值范围的异常数据剔除掉，得到目标历史轨迹数据。
步骤2包括：
步骤2-1，在步骤1得到的航迹数据中，先找到一个包含点迹的外接矩阵，外接矩阵边框长度为点集的最大边界长度的N倍，连接外接矩阵任意一条对角线，形成两个三角形，对它们进行标号，把它们作为初始Delaunay三角网格；
步骤2-2，从点集中取任意一点P，把点P插入Delaunay三角网格中；
步骤2-3，查找点P所在三角形，连接点P和所述三角形的三个顶点，形成三个三角形；
步骤2-4，调用Lawson的局部优化算法，逐个更新所有生成的三角形；
步骤2-5，重复步骤2-2～步骤2-4直至插入所有点；
步骤2-6，删除所有包含超三角形顶点的三角形，得到轨迹线构建的Delaunay三角网；
步骤2-7，Delaunay三角网中三角形的边长分为两类：位于道路外空白区域的长边和位于道路内部的短边，根据Delaunay三角网边长的统计特征，得出一种整体长边边长约束准则(约束准则为：整体长边边长小于给定阈值的三角形，这里阈值设定为500米)，判断三角形的一边是否在多边形的内部，如果是，保留该边，否则舍弃，即剔除异常凹凸道路区，三角形网的边缘信息即道路边缘信息。
步骤3包括：
步骤3-1，提取道路面多边形，二次构建Delaunay三角网，并标记所有三角形的类型；
步骤3-2，提取道路网中心线；
步骤3-3，剔除不规则道路网中心线信息，即剔除提取的道路轮廓的多边形突刺(导致道路面多边形不平滑的三角形，即在道路中心线一边的三角形，这些异类三角形的长度小于道路宽度)；虚假道路信息剔除后(虚假道路信息即前面所述的多边形突刺)，然后删除短轨迹线(长度小于50米)、删除轨迹线方向变化大(前后两个周期航向差值大于60度)且直接穿越不同道路的异常轨迹线。
步骤3-1中，所述三角形的类型包括4类：
第0类三角形是位于多边形外部的三角形，是无效三角形，对于提取道路网中心线没有意义；位于多边形内部的三角形是有效三角形，将位于多边形内部的三角形分为3类，第1类三角形只有1个邻接三角形，第2类有两个邻接三角形，第3类是三角形3条边都有邻接三角形。
步骤3-2包括：判断三角形是否是为有效三角形，对于有效三角形，如果是第1类三角形，提取桥接边的中点和另外两边中较长一边的中点；如果是第2类三角形，提取两个桥接边的中点；如果是第3类三角形则需提取三角形的重心和3条桥接边的中点，从而得到道路网中心线提取算法：从任意一个第1类或第3类三角形出发依次按三角形的临近关系逐次搜索、按中心线提取原则依次提取相应节点，终止于第1类或第3类三角形，则得到一条道路网中心线，当所有第1类三角形作为出发或终止搜索过一遍，所有第3类三角形作为出发或终止搜索过三遍，道路网中心线提取完毕。
步骤4包括：
步骤4-1，将道路区域分为三类：跑道区域、滑行道区域和停机坪区域；
步骤4-2，将已经分类为跑道区域、滑行道区域、停机坪区域的区域中的跑道、滑行道进行二次分类：判断区域内的道路网中心线个数，只有一个道路网中心线的为单道路网中心线区域，有两个以上道路网中心线的为多道路网中心线区域；
步骤4-3，根据道路区域类型建立地理信息图层，并按固定格式存储为地理信息图层文件。
步骤5包括：在目标跟踪系统中，加载生成的地图数据后，对目标进行跟踪时，实时判断目标所处区域位置，对于不同区域的目标按如下方法进行跟踪：
如果目标位于跑道区域和连续的滑行道区域，进行带航向约束条件的卡尔曼滤波；
如果目标位于目标转弯和多交叉口道路区，进行带航向约束的多假设目标跟踪滤波，多交叉道路区即多道路网中心线区域；
如果目标位于停机坪区域，进行带航向约束的简易卡尔曼滤波，完成慢速目标跟踪。
步骤5中，所述进行带航向约束条件的卡尔曼滤波，包括如下步骤：
目标航向和道路网中心线方向平行，雷达坐标系下，航向为θ，目标在tk-1时刻位置位于(xk-1,yk-1)，在tk时刻加速度为(axk,ayk)，速度为(vxk,vyk)，位置位于(xk,yk)，则
tan
Figure BDA0002314652990000041
tan
Figure BDA0002314652990000042
可以得到：
0＝cosθ·vxk-sinθ·vyk
构建伪量测：雷达在k时刻量测得到距离和方位以及伪量测值为0的值：
xk＝[xk vxk axk yk vyk ayk[T，
Figure BDA0002314652990000043
其中h(xk)为观测方程，zk为观测值(包括方位、距离以及构造的伪量测值)。
步骤5中，所述进行带航向约束的多假设目标跟踪滤波，包括如下步骤：
步骤a1，对每一个航迹计算航迹得分，航迹得分是局部特征，仅依赖于所述航迹上的观测点，把航迹得分低于阈值60的航迹删除；
步骤a2，把有共同节点的航迹合并成一个节点航迹，即考察前一次扫描得到的节点航迹，把其中有共同观测点的节点航迹合并为一个新的更大的节点航迹，所述共同节点即共同观测点；
步骤a3，在每一个节点航迹内形成m个假设(每个节点的关联门内存在m个点迹)，即假设目标的轨迹为节点轨迹，每一个假设包含相容m条航迹；
步骤a4，假设形成之后，计算每一个假设的概率，删除概率低于阈值60的假设；
步骤a5，计算每一条航迹的概率，航迹的概率即航迹所属的各个假设概率之和，删除低概率航迹假设，即删除概率低于阈值60的假设；
步骤a6，进行n个周期(一般n取值为3)扫描回溯，考虑当前航迹中最有可能的一个，找到多个周期前这个航迹上的观测，保留以这个观测为根节点的整棵假设树，而删除掉原树上其它假设分枝；
步骤a7，将剩余航迹进行滤波和预测处理，获得预测位置和关联波门(参考论文邵俊伟,同伟,单奇.基于IMM-MHT算法的杂波环境多机动目标跟踪[J].舰船电子对抗,2014,37(02):87-90+93.)；
步骤a8，将每一个目标所对应各条航迹按其概率加权融合估计，输出当前周期统一的目标航迹。
本发明公开了一种基于SMR目标轨迹的地理信息提取及精确跟踪技术方法，通过对轨迹库中积累的航迹数据进行甄选，剔除野值，基于正确的历史目标轨迹数据计算、提取机场场面各区域道路信息，获取区域道路的位置、宽度及中心线、中心线指向等特征参数；在雷达探测跟踪目标过程中，实时判别目标所处道路区域类型，读取相应约束条件，并将约束条件信息引入动态方程，精确估计目标运动状态，实现机场场面监视雷达探测全域目标准确、连续、稳定跟踪。
本发明与现有技术相比，其显著优点是：
1、以轨迹库中的航迹为数据源进行动态提取，可以对地理图层数据进行实时更新，提取和发现离线地图数据中未能绘制出的道路信息；
2、可以用来改善路面运动目标航迹精度，显著提高航迹的连续性、稳定性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明基于轨迹库提取的航迹数据；
图2是本发明通过构建带约束的Delaunay三角网，形成的道路面域轮廓；
图3本发明不同区域示意图；
图4是本发明经过处理后的道路轮廓图；
图5是本发明提取出的道路网中心线信息；
图6是本发明单向区域和多向区域示意图；
图7是本发明基于道路的多假设目标跟踪算法中的航迹分支产生示意图；
图8是本发明中多假设算法中的多假设形成的过程示意图。
图9是本发明基于道路的多假设目标跟踪算法中的航迹管理过程示意图；
图10是基于提取的地图信息进行目标跟踪的示意图；
图11是本发明流程图。
具体实施方式
如图11所示，本发明提供了一种基于SMR目标轨迹的地理信息提取及目标跟踪方法，包括以下步骤：
步骤1、提取航迹库中积累的历史航迹数据，并对提取的大量历史航迹数据甄选预处理，数据见图1；
提取航迹库中积累的历史航迹数据，对雷达航迹参数信息进行解析和解算，判别速度、位置、时间等航迹参数异常值数据，例如位置大于10km，速度大于320km/h，时间大于86400秒等，即将这样的数据定义为“野值”，依据航迹各参数项合理取值范围，判断和剔除存在“野值”数据的历史航迹。
步骤2、构建带约束的Delaunay三角网，进行区域道路多边形提取和异常凹凸道路区剔除，识别道路边缘信息；
三角网剖分技术在地质学、计算几何学、图形图像学和生物医学等众多领域具有广泛应用。三角网剖分能够快速构建模型，特别是带约束的Delaunay三角网被认为是三角剖分中最有效的，带约束的Delaunay三角网使用原始数据建模，更能准确客观的反应真实信息。鉴于不规则三角网方式能逼真有效的表达地貌信息，本发明采用不规则三角网方式构建道路模型，即带约束的Delaunay三角网算法，通过采用逐点插入法生成无约束的Delaunay三角网，再根据约束边删除多边形外部多余的三角形。
带约束的Delaunay三角网操作详细步骤如下：
步骤2-1，在给定点集中，先找到一个包含点迹的外接矩阵，一般要保证矩阵边框长度为点集的最大边界长度的三倍。当选好后就连接其任意一条对角线，形成两个三角形，对它们进行标号，把它们作为初始Delaunay三角网格。
步骤2-2，从点集中取任意一点P，把点P插入三角网中。
步骤2-3，查找点P所在三角形，连接点P和该三角形的三个顶点，形成三个三角形。
步骤2-4，调用Lawson的局部优化算法，逐个更新所有生成的三角形。
步骤2-5，重复步骤2-2～步骤2-4直至插入所有点；
步骤2-6，删除所有包含超三角形顶点的三角形；构建后的原始道路边缘信息参见图2。
步骤2-7，从轨迹线构建的Delaunay三角网中可看出轨迹线聚集的内部区域三角形分布密集、边长面积较小，而轨迹线簇外的三角形边长面积都较大。因此，三角网中三角形的边长可分为两类，位于道路外空白区域的长边和位于道路内部的短边。故只需删除Delaunay三角网的长三角形即可较好地识别道路面域轮廓，便于提取道路网中心线。根据Delaunay三角网边长的统计特征，得出一种整体长边边长约束准则，判断三角形的一边是否在多边形的内部，如果在其内部保留该边，如果不在则舍弃；经过处理后的道路边缘信息见图4。
步骤3、区域道路网中心线提取道路网中心线指向，剔除不规则道路网中心线；
步骤3-1，二次构建Delaunay三角网：
一般的骨架线提取算法有：①数学形态学提取骨架线，这种方法本质是矢量化方法；②最大内切圆盘法，最大圆盘完全落于目标图像内，并且至少有2点与目标边界相切。骨架的每一个点都对应于一个最大圆盘的圆心和半径，圆盘的构建特别是小圆盘的构建是该算法的最大难题；③基于Delaunay三角网的多边形骨架线提取算法，Delaunay三角网是一系列相连但不重叠的三角形的集合，而且这些三角形的外接圆不包含面域中其他任意点，且是Voronoi图的对偶。Delaunay三角剖分可以最大限度地避免狭长三角形的出现，并且可以不管何处开始都能保持三角网络的唯一性，Delaunay三角网是探测空间图形邻近关系非常有效的工具。
对提取的道路面多边形二次构建Delaunay三角网，并标记所有三角形的类型，用于提取道路网中心线。根据三角形与道路多边形的邻接关系，可将三角形分为4类：第0类三角形是位于多边形外部的三角形，是无效三角形，对于提取道路网中心线没有意义；将位于多边形内部的三角形分为3类，第1类三角形只有1个邻接三角形，第2类有两个邻接三角形，第3类是该三角形3条边都有邻接三角形。从图4中可以看出不同类型三角形的分布规律，第1类三角形位于道路多边形出口、第3类三角形位于道路交叉口处、第2类三角形位于道路干线上，这种分布利于提取道路网中心线。
步骤3-2，道路网中心线提取：
首先判断三角形是否是为有效三角形。对于有效三角形，如果是第1类三角形，提取桥接边(有邻接三角形的边)的中点和另外两边中较长一边的中点；如果是第2类三角形提取两个桥接边的中点；如果是第3类三角形则需提取该三角形的重心和3条桥接边的中点。据此推得道路网中心线提取算法：从任意一个1类或3类三角形出发依次按三角形的临近关系逐次搜索、按中心线提取原则依次提取相应节点，终止于1类或3类三角形，则得到一条道路网中心线，当所有1类三角形作为出发或终止搜索过一遍，所有3类三角形作为出发或终止搜索过三遍，道路网中心线提取完毕。
步骤3-3，后处理：
剔除不规则道路网中心线信息，即提取的道路轮廓的多边形突刺。虚假道路信息剔除后，标记所有三角形的类型，提取道路网中心线，然后删除短轨迹线、删除轨迹线方向变化大且直接穿越不同道路的异常轨迹线；经过处理后的道路中心线信息见图5。
步骤4、道路区域类型识别，区分不同的区域的道路类型，进行目标运动区域宽度提取；根据道路区域类型建立地理信息图层，并存储地理信息图层文件；道路分类结果参见图3。
道路区域拓扑关系构建步骤为：断链，即将道路相交处断开，接链，即将距离满足阈值(小于200米)的两个结点合并为一个结点，将提取的道路信息进行分割。
在进行道路信息初步分类后，同时计算道路中各三角形的面积，由道路中各三角形的面积除以道路中心线的长度，得到道路中目标运动区域信息的宽度值。
步骤4-1，通过对目标运动规律关系的分析拟合，通过形状模板匹配算法(参考论文王昊,翟仁健,周明辉,朱丽.一种基于复杂网络的道路匹配方法[J].测绘科学技术学报,2016,33(01):88-93)，对道路区域进行分类：
(1)跑道区域：飞机目标速度范围0km/h～320km/h，跑道宽直，长度一般大于2200米。
(2)滑行道区域：飞机目标直线滑行速度范围0km/h～55km/h，转弯处0km/h～19km/h。
(3)停机坪区域：飞机目标速度范围0km/h～19km/h，且低速及驻留目标较多。
步骤4-2，将已经分类为跑道、滑行道、停机坪的区域中的跑道、滑行道进行二次分类，判断区域内的道路网中心线个数，分为单道路网中心线区域和多道路网中心线区域；单向道路和多向道路分类图见图6。
步骤5、雷达探测目标跟踪时，读取地理图层文件信息，根据目标位置获取其所处道路区域类型，将道路约束条件引入动态方程，精确估计目标运动状态，实时更新目标航迹及航迹库。依据目标所处不同道路区域类型，开展不同约束条件下的目标状态估计。对跑道和滑行道区域活动目标，进行带速度约束的卡尔曼滤波；对转弯或多道路交叉汇集区活动目标，进行带速度约束的多假设跟踪滤波；对停机坪区域停航目标，进行简化的卡尔曼滤波，基于提取的地图信息进行目标跟踪的流程见图10。
(1)带速度约束条件的卡尔曼滤波方法
带约束的卡尔曼滤波方法有多种方法，包括多种方法，从计算量方面进行考虑，采用下述方法：
目标航向和道路网中心线方向平行，雷达坐标系下，航向为θ，目标在tk-1时刻位置位于(xk-1,yk-1)，在tk时刻加速度为(axk,ayk)速度为(vxk,vyk)，位置位于(xk,yk)则
tan
Figure BDA0002314652990000091
tan
Figure BDA0002314652990000092
可以得到：
0＝cosθ·vxk-sinθ·vyk
Figure BDA0002314652990000101
构建伪量测：雷达在k时刻量测得到距离和方位以及伪量测值为0的值：
xk＝[xk vxk axk yk vyk ayk]T，
Figure BDA0002314652990000102
其中h(xk)为观测方程，zk为观测值(包括方位、距离以及构造的伪量测值)。
(2)带速度约束条件的多假设跟踪滤波方法
多假设跟踪算法(MHT)是一种在数据关联发生冲突时，形成多种假设以延迟做决定的逻辑。与PDA合并多种假设的做法不同，MHT算法把多个假设继续传递，让后续的观测数据解决这种不确定性。举个例子，PDA对所有假设以对应的概率进行加权平均，然后再对航迹进行更新。因此，如果有10个假设，PDA会将这10个假设有效的合并只留下一个假设。假设树形成过程见图8(其中Previous root Node表示上一周期的根节点，New root Node表示当前周期的根节点，Track 5Deleted表示被删除的假设分支，New Track starts newFamily表示一条新航迹的三个扫描周期的假设集合)。另一方面，MHT却是保持这10个假设的子集并延迟决定，这样可以利用之后的观测数据解决当前扫描帧的不确定性问题。
MHT方法主要包括跟踪门、假设生成、假设管理、航迹更新和航迹输出等部分，流程可以大体分为两个步骤：数据关联以及航迹维护，流程图见图7。数据关联是将读入的扇扫数据按照其所处的波门和已有的航迹进行关联，要求把所有落在波门内的扇扫数据和相应的航迹都关联起来，暂时不考虑航迹的质量。
普通的MHT的方法利用跟踪门进行多假设的产生，在目标的带速度约束的多假设目标跟踪方法中，本发明运用多道路信息进行多假设的产生，产生的多假设树参图8，暂不考虑航迹起始问题，则跟踪流程如流程图9所述，在由单向道路进入多向道路时，产生航迹分支，并进行航迹维护，由多向道路进入单向道路时，进行航迹的裁剪。
航迹维护的作用是把数据关联步骤中形成的粗略关联细化，消除其中的冗余和不确定性，形成质量良好的航迹。航迹维护包括以下执行步骤：
步骤a1，首先对每一个航迹计算航迹得分，航迹得分是局部特征，仅依赖于该航迹上的观测点。然后把航迹得分比较低的航迹删除。
步骤a2，其次把有共同节点(观测)的航迹合并成一个节点航迹，这一步通常递推完成，即考察前一次扫描得到的节点航迹，把其中有共同观测点的节点航迹合并为一个新的更大的节点航迹。
步骤a3，随后在每一个节点航迹内形成m个假设(每个节点的关联门内存在m个点迹，m取值一般为10)，每一个假设包含相容(没有共同观测点)m条航迹，形成假设时可保留所有可能的假设，也可以保留概率较高的假设。
步骤a4，假设形成之后，计算每一个假设的概率，删除较低概率的假设。这一步可以和上一步合并处理，生成概率较高的假设。
步骤a5，计算每一条航迹的概率(该航迹所属的各个假设概率之和)，删除低概率航迹假设。
步骤a6，进行多次扫描回溯，考虑当前航迹中最有可能的一个，找到多个(一般取3)周期前这个航迹上的观测，保留以这个观测为根节点的整棵假设树，而删除掉原树上其它假设分枝。
步骤a7，将剩余航迹进行滤波和预测处理，获得预测位置和关联波门。
步骤a8，将每一个目标所对应各条航迹按其概率加权融合估计，输出当前周期统一的目标航迹。
(3)简化卡尔曼滤波
对停机坪区域内目标，直接采用常增益简化卡尔曼α-β滤波器估计目标状态，采用尺度方法增加历史值权重。
本发明提供了一种基于SMR目标轨迹的地理信息提取及目标跟踪方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (3)

1.一种基于SMR目标轨迹的地理信息提取及目标跟踪方法，其特征在于，包括如下步骤：
步骤1，提取航迹库中积累的历史航迹数据，进行航迹数据甄选预处理，得到目标历史轨迹数据；
步骤2，基于目标历史轨迹数据，构建带约束的Delaunay三角网，提取区域道路多边形，剔除异常凹凸道路区，识别道路边缘信息；
步骤3，基于目标历史轨迹数据，提取道路网中心线，剔除虚假道路信息；
步骤4，基于目标历史轨迹数据，识别道路区域类型，区分不同的区域的道路类型，进行目标运动区域宽度提取，根据道路区域类型建立地理信息图层，并按固定格式存储为地理信息图层文件；
步骤5，根据目标所处道路区域类型，将道路的地理信息作为约束条件带入相应的卡尔曼滤波方程，进行目标状态估计；
步骤1包括：提取航迹库中积累的历史航迹数据，按照目标对历史航迹数据进行分类，每个目标对应一组历史航迹数据，提取航迹的位置、航速航向、时间信息，对雷达航迹参数信息进行解析和解算，判别航迹参数异常值数据，将超出运动目标的各个分量的正常取值范围的异常数据剔除掉，得到目标历史轨迹数据；
步骤2包括：
步骤2-1，在步骤1得到的航迹数据中，先找到一个包含点迹的外接矩阵，外接矩阵边框长度为点集的最大边界长度的N倍，连接外接矩阵任意一条对角线，形成两个三角形，对它们进行标号，把它们作为初始Delaunay三角网格；
步骤2-2，从点集中取任意一点P，把点P插入Delaunay三角网格中；
步骤2-3，查找点P所在三角形，连接点P和所述三角形的三个顶点，形成三个三角形；
步骤2-4，调用Lawson的局部优化算法，逐个更新所有生成的三角形；
步骤2-5，重复步骤2-2～步骤2-4直至插入所有点；
步骤2-6，删除所有包含超三角形顶点的三角形，得到轨迹线构建的Delaunay三角网；
步骤2-7，Delaunay三角网中三角形的边长分为两类：位于道路外空白区域的长边和位于道路内部的短边，根据Delaunay三角网边长的统计特征，得出一种整体长边边长约束准则，判断三角形的一边是否在多边形的内部，如果是，保留该边，否则舍弃，即剔除异常凹凸道路区，三角形网的边缘信息即道路边缘信息；
步骤3包括：
步骤3-1，提取道路面多边形，二次构建Delaunay三角网，并标记所有三角形的类型；
步骤3-2，提取道路网中心线；
步骤3-3，剔除不规则道路网中心线信息，即剔除提取的道路轮廓的多边形突刺；虚假道路信息剔除后，然后删除短轨迹线、删除轨迹线方向变化大且直接穿越不同道路的异常轨迹线；
步骤3-1中，所述三角形的类型包括4类：
第0类三角形是位于多边形外部的三角形，是无效三角形，对于提取道路网中心线没有意义；位于多边形内部的三角形是有效三角形，将位于多边形内部的三角形分为3类，第1类三角形只有1个邻接三角形，第2类有两个邻接三角形，第3类是三角形3条边都有邻接三角形；
步骤3-2包括：判断三角形是否是为有效三角形，对于有效三角形，如果是第1类三角形，提取桥接边的中点和另外两边中较长一边的中点；如果是第2类三角形，提取两个桥接边的中点；如果是第3类三角形则需提取三角形的重心和3条桥接边的中点，从而得到道路网中心线提取算法：从任意一个第1类或第3类三角形出发依次按三角形的临近关系逐次搜索、按中心线提取原则依次提取相应节点，终止于第1类或第3类三角形，则得到一条道路网中心线，当所有第1类三角形作为出发或终止搜索过一遍，所有第3类三角形作为出发或终止搜索过三遍，道路网中心线提取完毕；
步骤4包括：
步骤4-1，将道路区域分为三类：跑道区域、滑行道区域和停机坪区域；
步骤4-2，将已经分类为跑道区域、滑行道区域、停机坪区域的区域中的跑道、滑行道进行二次分类：判断区域内的道路网中心线个数，只有一个道路网中心线的为单道路网中心线区域，有两个以上道路网中心线的为多道路网中心线区域；
步骤4-3，根据道路区域类型建立地理信息图层，并按固定格式存储为地理信息图层文件；
步骤5包括：在目标跟踪系统中，加载生成的地图数据后，对目标进行跟踪时，实时判断目标所处区域位置，对于不同区域的目标按如下方法进行跟踪：
如果目标位于跑道区域和连续的滑行道区域，进行带航向约束条件的卡尔曼滤波；
如果目标位于目标转弯和多交叉口道路区，进行带航向约束的多假设目标跟踪滤波，多交叉道路区即多道路网中心线区域；
如果目标位于停机坪区域，进行带航向约束的简易卡尔曼滤波，完成慢速目标跟踪。
2.根据权利要求1所述的方法，其特征在于，步骤5中，所述进行带航向约束条件的卡尔曼滤波，包括如下步骤：
目标航向和道路网中心线方向平行，雷达坐标系下，航向为θ，目标在tk-1时刻位置位于(xk-1,yk-1)，在tk时刻加速度为(axk,ayk)，速度为(vxk,vyk)，位置位于(xk,yk)，则：
Figure FDA0003103345430000031
Figure FDA0003103345430000032
得到：
0＝cosθ·vxk-sinθ·vyk
构建伪量测：雷达在k时刻量测得到距离和方位以及伪量测值为0的值：
xk＝[xk vxk axk yk vyk ayk]T，
Figure FDA0003103345430000033
其中h(xk)为观测方程，zk为观测值。
3.根据权利要求2所述的方法，其特征在于，步骤5中，所述进行带航向约束的多假设目标跟踪滤波，包括如下步骤：
步骤a1，对每一个航迹计算航迹得分，航迹得分是局部特征，仅依赖于所述航迹上的观测点，把航迹得分低于阈值的航迹删除；
步骤a2，把有共同节点的航迹合并成一个节点航迹，即考察前一次扫描得到的节点航迹，把其中有共同观测点的节点航迹合并为一个新的更大的节点航迹，所述共同节点即共同观测点；
步骤a3，在每一个节点航迹内形成m个假设，每个节点的关联门内存在m个点迹，即假设目标的轨迹为节点轨迹，每一个假设包含相容m条航迹；
步骤a4，假设形成之后，计算每一个假设的概率，删除概率低于阈值的假设；
步骤a5，计算每一条航迹的概率，航迹的概率即航迹所属的各个假设概率之和，删除低概率航迹假设，即删除概率低于阈值60的假设；
步骤a6，进行3个周期扫描回溯，考虑当前航迹中最有可能的一个，找到3个周期前这个航迹上的观测，保留以这个观测为根节点的整棵假设树，而删除掉原树上其它假设分枝；
步骤a7，将剩余航迹进行滤波和预测处理，获得预测位置和关联波门；
步骤a8，将每一个目标所对应各条航迹按其概率加权融合估计，输出当前周期统一的目标航迹。
CN201911272750.3A 2019-12-12 2019-12-12 一种基于smr目标轨迹的地理信息提取及目标跟踪方法 Active CN110988880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272750.3A CN110988880B (zh) 2019-12-12 2019-12-12 一种基于smr目标轨迹的地理信息提取及目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272750.3A CN110988880B (zh) 2019-12-12 2019-12-12 一种基于smr目标轨迹的地理信息提取及目标跟踪方法

Publications (2)

Publication Number Publication Date
CN110988880A CN110988880A (zh) 2020-04-10
CN110988880B true CN110988880B (zh) 2021-09-07

Family

ID=70092715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272750.3A Active CN110988880B (zh) 2019-12-12 2019-12-12 一种基于smr目标轨迹的地理信息提取及目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110988880B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858816B (zh) * 2020-07-23 2023-06-13 成都民航空管科技发展有限公司 一种提高单监视源与多监视源航迹关联效率的方法及系统
CN111912413B (zh) * 2020-07-23 2022-04-19 腾讯科技（深圳）有限公司 一种定位方法及装置
CN112181667B (zh) * 2020-10-30 2023-08-08 中国科学院计算技术研究所 一种用于目标跟踪的多假设树虚拟化管理方法
CN112946624B (zh) * 2021-03-01 2023-06-27 西安交通大学 一种基于航迹管理方法的多目标跟踪方法
CN112598724B (zh) * 2021-03-01 2021-06-01 武大吉奥信息技术有限公司 一种改进的基于tin的矢量数据中心线提取方法
CN113175931B (zh) * 2021-04-02 2022-08-16 上海机电工程研究所 基于约束卡尔曼滤波的集群组网协同导航方法及系统
CN113532422B (zh) * 2021-07-12 2022-06-21 哈尔滨工程大学 一种基于距离图和数据清洗的多传感器航迹融合方法
CN115811712A (zh) * 2021-09-13 2023-03-17 海鹰航空通用装备有限责任公司 一种天线引导方法、天线引导装置以及天线跟踪系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903019B (zh) * 2014-04-11 2017-12-15 北京工业大学 一种多车道车辆轨迹时空图的自动生成方法
CN108920481B (zh) * 2018-04-20 2020-11-27 中国地质大学（武汉） 一种基于手机定位数据的道路网重建方法及系统
CN108984643B (zh) * 2018-06-22 2021-09-21 武汉大学 一种基于慢跑gps轨迹数据的运动场所提取方法
CN109459047B (zh) * 2018-12-24 2022-10-18 武汉大学 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法

Also Published As

Publication number Publication date
CN110988880A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110988880B (zh) 一种基于smr目标轨迹的地理信息提取及目标跟踪方法
US6952632B2 (en) Method of guiding an aircraft in the final approach phase and a corresponding system
CN104376595B (zh) 一种基于机载LiDAR和GIS协同的三维道路生成方法
CN105158762A (zh) 识别和跟踪对流天气单体
US20130229298A1 (en) Threaded Track Method, System, and Computer Program Product
CN114419152A (zh) 一种基于多维度点云特征的目标检测与跟踪方法及系统
CN115064009B (zh) 一种终端区无人机与有人机冲突风险等级划分方法
Schreier et al. Grid mapping in dynamic road environments: Classification of dynamic cell hypothesis via tracking
Hashemi Automatic inference of road and pedestrian networks from spatial-temporal trajectories
Tejenaki et al. A new hierarchical method for automatic road centerline extraction in urban areas using LIDAR data
CN115435798A (zh) 无人车高精地图路网生成系统及方法
CN114547866A (zh) 基于bim-无人机-机械狗的预制构件智能检测方法
CN114802303A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
Cao et al. Lane determination of vehicles based on a novel clustering algorithm for intelligent traffic monitoring
CN114814820A (zh) 一种基于毫米波雷达的多扩展目标跟踪方法及其设备
Truong-Hong et al. Automatic detection of road edges from aerial laser scanning data
Mujica et al. Internet of Things in the railway domain: Edge sensing system based on solid-state LIDAR and fuzzy clustering for virtual coupling
Vatavu et al. Environment estimation with dynamic grid maps and self-localizing tracklets
Herrero et al. Surface movement radar data processing methods for airport surveillance
US20220326395A1 (en) Device and method for autonomously locating a mobile vehicle on a railway track
Manikandan et al. Map Matching Algorithm Based on a Hidden Markov Model for Vehicle Navigation
Subash Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering
KR102616435B1 (ko) 지도 갱신 방법 및 이를 실행하기 위하여 기록매체에기록된 컴퓨터 프로그램
Kühner et al. Automatic generation of training data for image classification of road scenes
Tong et al. An integrated method for accurate identification and dynamic monitoring of buildings in aerodrome obstacle free space

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