CN111650581B - 一种基于环境感知的雷达全域目标航迹自动起始方法 - Google Patents
一种基于环境感知的雷达全域目标航迹自动起始方法 Download PDFInfo
- Publication number
- CN111650581B CN111650581B CN202010541998.1A CN202010541998A CN111650581B CN 111650581 B CN111650581 B CN 111650581B CN 202010541998 A CN202010541998 A CN 202010541998A CN 111650581 B CN111650581 B CN 111650581B
- Authority
- CN
- China
- Prior art keywords
- track
- target
- candidate
- points
- flight path
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008447 perception Effects 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000000977 initiatory effect Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- ODKSFYDXXFIFQN-UHFFFAOYSA-M argininate Chemical compound [O-]C(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-M 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims 1
- 229910052739 hydrogen Inorganic materials 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 24
- 239000000523 sample Substances 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000011426 transformation method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm 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
-
- 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
-
- 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
- G01S7/418—Theoretical aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于环境感知的雷达全域目标航迹自动起始方法，包括：步骤1，将雷达探测区域进行方位距离的网格量化；步骤2，利用雷达的点航迹、原始回波数据，从信号层和数据层综合感知，评估杂波环境与强度，建立环境感知图谱；步骤3，每个网格单元可通过环境感知图谱获得不同的区域属性，点迹信息按照映射位置映射到对应的网络单元格，将网络单元格属性赋予点迹信息；步骤4，采用多通道并行跟踪处理架构，对目标进行双通道航迹自动起始，常规海目标通道，采用基于环境感知和目标多元特征进行航迹起始精细化处理，慢速小目标通道，采用基于DP‑TBD弱小目标检测算法进行航迹起始。步骤5：进行系统航迹综合，输出起始的综合航迹。
Description
技术领域
本发明属于雷达数据处理领域，尤其涉及一种基于环境感知的雷达全域目标航迹自动起始方法。
背景技术
对海警戒雷达探测区域多海况、多目标、多运动模式等复杂情况，实现全域目标的自动起始存在一定的技术难度。特别是在复杂海杂波背景下，目标自动发现性能和稳定跟踪能力下降，甚至有时只能依靠人工补点方式进行目标录取，严重影响了目标航迹情报质量。为降低操作员工作负担和提高雷达情报质量，提出了基于环境感知的对雷达全域目标自动起始技术。
目前，对海全域目标自动起始技术存在以下几方面问题，制约了其在目标检测、目标航迹起始中的应用：
(1)对海警戒雷达探测范围内存在RCS小、信噪比或信杂比低的对海弱小目标，用传统的信号检测处理手段难以检测这些低可探测的弱小目标；
(2)对海警戒雷达探测全域范围内不同区域海况的特点不尽相同，既存在目标相对稀疏的常规海区，又存在目标密集的锚泊区、渔船密集区，也存在干扰严重的强海杂波区，还存在目标规律运动的航道区等等其它区域。
(3)对海警戒雷达探测范围广，雷达探测全域范围内目标数量多，单一快速航迹起始算法，缺少先验信息、缺乏“分而治之”的精细化处理手段，不能满足多目标/强杂波跟踪环境下的航迹起始任务，容易发生漏警、虚警的现象；
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于环境感知的雷达全域目标航迹自动起始方法，
根据岸基对海警戒雷达探测范围内不同区域的海况复杂情况，海上目标密集、活动和分布规律，划分出不同属性特征的区域。在目标自动发现或跟踪维持阶段，依据目标所处不同区域的属性特征，综合利用目标多元特征信息进行自动起始、自动跟踪，克服对海雷达自动录取处理传统方法中仅利用目标位置、运动状态和检测目标“存在”的连续性等信息进行数据关联、自动起始容易造成错误关联和虚假航迹等问题，提高了复杂海况条件下的目标航迹起始正确率、跟踪稳定性，提高了岸基对海雷达全域自动录取能力。
技术方案：本发明公开了一种基于环境感知的雷达全域目标航迹自动起始方法，包括如下步骤：
步骤1，将雷达探测区域进行方位距离的网格量化；
步骤2，建立对海雷达探测环境感知图谱；
步骤3，每个网格单元通过环境感知图谱获得不同的区域属性，点迹信息按照映射位置映射到对应的网络单元格，将网络单元格属性赋予点迹信息；
步骤4，采用多通道并行跟踪处理架构，对目标进行双通道航迹自动起始，对于常规海目标通道，采用基于环境感知和目标多元特征进行航迹起始处理，对于慢速小目标通道，采用TBD弱小目标检测通道航迹起始；
步骤5，进行系统航迹综合，输出起始的综合航迹。
步骤1包括：根据雷达的工作模式和系统参数，通过参数化设置，设定雷达探测分区图距离单元个数N_r和方位单元个数N_θ，在方位和距离上对探测区域进行等分，计算雷达探测分区图距离分辨单元Res_r、方位分辨单元Res_θ，并将等分后的区域进行编号。
步骤2包括：
步骤2-1，通过分形理论，对海杂波进行识别，利用差分盒维DBC算法对海杂波进行建模，进行气象杂波区域自动识别建立杂波图，其中图像的灰度值即对应着雷达回波的强度(参考文献：徐勇,翟海涛,刘文松.基于分形理论的海杂波认知处理方法[J].指挥信息系统与技术,2018,4月第9卷第2期)；
步骤2-2，在杂波图的强杂波区域，基于雷达原始回波数据，采用基于投影变换的干扰特征提取方法进行干扰区识别提取，建立电磁干扰区(参考文献：一种基于投影变换的干扰特征提取方法，龙超)；
步骤2-3，通过对探测区域进行多帧点迹、航迹数据积累，初步建立密度图，密度图进行分级，建立点航迹的密度区域图；
步骤2-4，从信号层和数据层综合感知，评估杂波环境与强度，将杂波分区图、点迹密度图、航迹密度图进行综合处理，区分杂波区、密集区、洁净区，获得整个雷达探测区域的区域特性，并将属性赋予相应索引的区域图。
步骤2-1中，将M×M的雷达回波区域分割成L×L的子快，L表示子块的长度，令每个子块的距离长度值r＝L/M，每个网格上是一个L×L×h的盒子，h为盒子的高度。
步骤2-3中，采用基于密度的空间聚类方法进行密度图分级，设置三个等级密度分级阈值，点迹密度分级阈值分别对应为弱、中、强，航迹密度分级阈值分别对应为弱、中、强，对每个阈值进行相应的区域单元的空间聚类，将大于分级阈值的区域的子块位置作为点，输入聚类算法，基于密度的空间聚类方法中参数定义如下：
Eps邻域：给定对象半径Eps内的邻域称为该对象的Eps邻域，用NEps(p)表示点p的Eps半径内的点的集合，即：NEps(p)＝{q|q∈D，distance(p,q)≤Eps}，其中D为样本集合，，distance(p,q)表示p、q两点间的距离。
基于密度定义，将点分为：稠密区域内部的点、稠密区域边缘上的点和稀疏区域中的点，
稠密区域内部的点又称为核心点core point：如果在半径Eps内含有点的数量超过阈值MinPts＝3，则该点为核心点；
稠密区域边缘上的点又称为边界点border point：在半径Eps内点的数量小于MinPts，但是在核心点的邻近区域；
稀疏区域中的点又称为噪声点noise point：任何不是核心点或边界点的点则为噪声点；
密度可达分为直接密度可达、密度可达和密度相连：
直接密度可达：大于分级阈值的区域子块位置构成样本集合D，对于样本集合D，如果样本点q在p的E领域(即半径Eps)内，且p为核心对象，则p直接密度可达q；
密度可达：对于样本集合D，存在一串样本点p1,p2,p3,...pn，pn表示第n个样本点，其中连续两个点直接密度可达，则p＝p1，q＝qn，则p密度可达q；
密度相连：对于样本集合D中任意一点o，存在样本点p到o密度可达，并且样本点q到o密度可达，则q从p密度相连；
基于密度的空间聚类方法具体过程为：
步骤2-3-1：将所有点(即大于分级阈值的区域子块位置)标记为核心点、边界点或噪声点；
步骤2-3-2：删除噪声点；
步骤2-3-3：为距离在Eps之内的所有核心点之间赋予一条边；
步骤2-3-4：每组连通的核心点形成一个簇；
步骤2-3-5：将每个边界点指派到一个与之关联的核心点的簇中；
步骤2-3中，进行相应的区域单元的空间聚类后，每个区域单元的单元属性取三个等级聚类结果的最大值。
步骤4包括：
步骤4-1，将跟踪架构人为划分为输入为点迹信息的常规海目标通道及输入为视频信息的慢速小目标通道；
步骤4-2，常规海目标通道的航迹起始：
洁净区的航迹起始：首先判断候选航迹的速度是否在相应速度裁决范围(50米/秒～700米/秒)内，如果在范围内则继续判决，否则删除候选航迹；
进行逻辑法起始候选航迹，首先建立两种假设：
其中假设H0：目标存在，候选航迹来自真实目标；假设H1：目标不存在，候选航迹来自虚警或杂波；
计算相应于每一种假设的关联结果统计值：滑窗统计假设航迹最近四个周期的关联结果ST(k)，ST(k)为最近四个周期内关联到点迹的总个数；
决策逻辑为：
如判决结果为H0，候选航迹转换为正式航迹；
判决结果为继续检验，则继续进行候选航迹的预测关联；
判决结果为H1，删除当前候选航迹；
密集区的航迹起始：
利用预测波门进行多假设的产生，滑窗四个周期，建立候选航迹的多假设树，产生航迹分支，并进行航迹维护，进行航迹的裁剪，航迹裁剪包括以下步骤：
步骤a1，对每一个航迹计算航迹关联结果，进行统计，结合目标多元特征信息，对航迹分支中不满足门限的航迹分支进行删除操作；
步骤a2，做多次扫描回溯，进行密集区假设航迹选优处理；
步骤a3，对优选出的候选航迹首先判断候选航迹的速度是否在相应速度裁决范围内，如果在范围内则继续判决，否则删除候选航迹；
采用与洁净区的航迹起始中同样的逻辑起始法进行候选航迹的逻辑起始法判决，采用运动特征及径向速度变化率的二次综合判决，同时满足所有裁决门限，则判决航迹起始成功；
步骤a4，如果优选的候选航迹起始判决成功，判决为假设H0，候选航迹转为正式航迹，如果航迹起始判决为H1或继续检验，找到3周期前所述航迹上的观测，保留以所述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a5，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，形成下一周期的候选航迹假设树；
步骤a3中所述采用运动特征及径向速度变化率的二次综合判决，包括如下步骤：
步骤a3-1，判断候选航迹的目标速度是否在速度门限内(50米/秒～700米/秒)，如果在门限内，则候选航迹满足目标的运动特性，否则为不可靠目标；
步骤a3-2，判断候选航迹的目标径向距离变换率的稳定性，采用二次差统计量设置待选目标径向距离变换率门限，如果候选航迹的径向距离变化率满足门限要求，则待选目标满足目标的运动特性，否则为不可靠目标；
步骤a3-3，判断候选航迹的航向变化率，如果候选目标的航向变化率满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标；
步骤a3-4，判断候选航迹的方位宽度，如果候选目标的航向变化率满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标；
步骤a3-5，同时满足假设H0及多特征门限的候选航迹转换为正式航迹；判决结果为H1，删除当前候选航迹；剩余候选航迹继续进行假设检验；
杂波区的航迹起始：
采用多假设检测方法，结合目标运动学特征，加入径向速度及能量等值进行二次评估，依据二次评估值进行二次判决，然后进行目标的航迹起始；
电磁干扰区的航迹起始：
结合电磁干扰区的中心方位及强度，完成干扰区的跟踪及指示，对电磁干扰区内的点迹进行屏蔽处理，不进行自动起始；
步骤4-2，慢速小目标通道的航迹起始：
设定k时刻雷达接收的数据集合为Zk＝{zk(i,j)}，zk(i,j)为k时刻分辨单元(i,j)所记录的测量值，表示为：
其中，Ak为目标幅度，ωk(i,j)为噪声，目标的一条轨迹定义为1～K时刻累积的连续状态的集合X(k)：
X(k)＝{x1(i1,j1),...,xK(iK,jK)}，
其中，xK(iK,jK)为k时刻分辨单元(i,j)的状态值；
选择信号幅度值作为值函数，然后采用DP-TBD算法：
步骤b1，起始条件：初始化值函数I(x1)＝z1(i,j),Φ1(x1)＝0，其中Φk(xk)为保存状态xk对应第k-1时刻最优函数的状态值；
步骤b2，循环递归：对于k时刻所有分辨单元状态xk,2≤k≤K，递推求得k时刻的函数值：
其中，arg[]为求最优值函数所在分辨单元的状态值；
步骤b3，终止条件：即k＝K时刻，寻找值函数的局部极值点并判决是否有目标：
步骤b4，航迹回溯：对有目标的状态值，通过回溯目标轨迹：
其中
为k时刻的目标状态值，
为保存状态xk+1对应第k时刻最优函数的状态值；
最终得到的就是慢速小目标通道的起始的估计航迹。
步骤5包括：
步骤5-1，并行多通道航迹关联：
进行常规海目标通道和慢速小目标通道间的航迹关联，确立通道间的航迹关联关系；
步骤5-2，系统航迹管理：基于步骤5-1得到的航迹关联关系，产生系统航迹，每隔3个周期，进行一次航迹关联关系的更新，完成系统航迹的起始、维持、中止操作；
步骤5-3，航迹综合策略：
当系统航迹关联关系不为空，如果系统航迹由单通道目标航迹构成，则输出单通道目标航迹，如果系统航迹由稳定关联的双通道航迹构成，则考察最近4个周期内常规海目标通道中的航迹的目标跟踪质量与慢速小目标通道中的目标跟踪质量(由最近N个周期关联结果的总数得到目标跟踪质量)，选择跟踪质量大的为主航迹，作为综合航迹进行输出。
步骤5-1中，采用基于多特征的灰色关联算法进行常规海目标通道和慢速小目标通道间的航迹关联，包括：
常规海目标通道的航迹号集合U1和慢速小目标通道的航迹号集合U2分别为：U1＝{1,2,...,n},U2＝{1,2,...,m}；其中n表示常规海目标通道的航迹号总数，m表示慢速小目标通道的航迹号总数；
其中，选取常规海目标通道的航迹作为参考序列，其中每条航迹包括方位、距离、航向、航速、平均幅度5个属性，参考序列记为Xi：
其中S＝5；Xi(k)为参考序列中目标k时刻的航迹属性集，
为参考序列中目标k时刻的第s个属性。
对于一个参考序列，来自慢速小目标通道的m个目标记为比较序列Xj，则参考序列Xi与比较序列Xj在第k维的灰关联度为：
其中，
为第i个航迹的参考序列与第j个航迹的比较序列的灰色关联系数；ρ为分辨系数；
为两级最小差；α(s)为第s个属性的系数值；γij为第i个航迹的参考序列与第j个航迹的比较序列的灰关联度；
表示比较序列Xj中目标k时刻的第s个属性值；
基于灰关联度分别将常规海目标通道的n个航迹作为参考序列，与慢速小目标通道的m个航迹进行关联，从而得到灰关联度矩阵Γ：
给定阈值参数ε＝0.8，如果灰关联度矩阵中的值小于ε时，则常规海目标通道的航迹i与慢速小目标通道的航迹j不相关，并将γi,j置为0，这样得到的矩阵为截灰关联矩阵Γε，在矩阵中找出最大的元素
γij为矩阵中第i行中第j列的灰关联度，则判断常规海目标通道的航迹i与慢速小目标通道的航迹j*关联。
基于环境感知信息来获取不同局部区域的海况和目标分布规律，综合运用目标位置、运动学特征、能量及回波外形尺寸信息等多元特征，依据不同区域的环境感知特征信息，动态调整相应的航迹起始策略、模型、参数及约束条件，结合DP-TBD算法的小目标通道的航迹起始，最终可实现海上探测全域目标航迹起始。
对海监视系统中预警监视雷达探测受到海浪杂波、气象杂波、电磁干扰、目标密集分布等因素的影响，雷达探测回波、目标分布呈现不同的区域海况特性，单一的航迹起始算法不能适应对海雷达探测全域范围内目标所处的不同程度复杂干扰局部环境，难以实现目标航迹自动起始与局部区域环境的最佳匹配和精细化处理，容易造成严重的虚假航迹问题，采用本发明基于环境感知的雷达全域目标航迹自动起始方法，可以有针对性的解决不同海况区域环境下目标航迹自动起始的难点问题。
本发明与现有技术相比，其显著优点是：
1、以环境感知图谱为基础进行全域自动起始，不仅有效了利用了现有的先验信息，还从输入的各种数据中有效的挖掘了更多的有效信息；
2、从信号层和数据层综合感知，评估杂波环境与强度；依据环境感知信息，自适应优化选择杂波区、洁净区目标航迹起始策略，可以有效的提高自动录取的正确率，提高装备的自动化水平。
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是本发明中计算的杂波分布图；
图2是本发明中计算的杂波强度图；
图3是本发明中计算的点迹密度图；
图4是本发明中DBSCAN算法核心点、边界点和噪声点示意图；
图5是本发明中滑窗处理流程图；
图6是本发明中多假设树结构示意图；
图7是本发明中裁剪假设航迹分支处理流程图；
图8是本发明中密集区假设航迹分支优选处理流程图；
图9是本发明中杂波区假设航迹分支优选处理流程图；
图10是本发明中全域目标航迹自动起始的起始效果图。
图11是本发明中环境感知的处理总体流程图。
图12是本发明中基于环境感知的雷达全域航迹自动起始的总体流程图。
具体实施方式
本发明提供了一种基于环境感知的雷达全域目标航迹自动起始方法，包括以下步骤：
步骤1，将雷达探测区域进行方位距离的网格量化；
将雷达探测范围分为若干距离/方位量化单元，并通过距离方位的量化单元位置建立索引值：将雷达探测范围按照一定的策略划分为若干距离/方位量化单元，根据雷达的工作模式和系统参数，通过参数化设置，设定雷达探测分区图距离单元个数N_r和方位单元个数N_θ，在方位和距离上对探测区域进行等分，计算雷达探测分区图距离分辨单元Res_r米、方位分辨单元Res_θ度，并将等分后的区域进行编号，方便索引；如距离位于单元个数的n_r(由内而外计数)，方位位于单元个数的n_θ(由正北顺时针计数)，索引值为n_r+N_r*(n_θ-1)。
保存最终分区图信息，传递给环境感知模块使用，用于建立环境感知图谱。
步骤2，建立环境感知图谱；
先验信息包括两大类：其一是从雷达回波数据中提取的目标和环境先验信息，可称之为动态先验信息；其二是周围环境的数字高程图、地标分类数据、交通网络数据等静态先验信息。
对海杂波建模的传统方法是基于统计理论，这些模型的物理机制是不明确的，更多的是出于数据的经验拟合或者数学上的方便进行建模。而分形理论研究的对象是自然界中不光滑和不规则的几何物体，它深刻揭示了实际系统与随机信号中广泛存在的自相似性和标度不变性，同时又由于物理海面本身所具有的非线性动力学特征，分形在海杂波的建模方面有很好的运用和发展。
2.1杂波图的建立
通过分形理论，利用差分盒维DBC算法对海杂波进行建模，进行气象杂波区域自动识别，其中图像的灰度值即对应着雷达回波的强度。
将M×M的雷达回波区域分割成L×L的子快，令r＝L/M，每个网格上是一个L×L×h的盒子，h为盒子的高度。
(1)盒子变长L的其值中，成倍数关系的分成一组，如2、4、8、16和3、6、12、24；
(2)以2、4、8、16这组为例，以2×2为格子逐点划分M×M的雷达回波区域，求出每个格子内回波强度的最大值和最小值，作为第一层子结构的解保存下去。
(3)求4×4格子中最大、最小值，可只在第一层子结构中与其相应的4个值中找出最大值或最小值即可，求得的最大、最小值再作为第二层子结构的解保存下去；
(4)依次类推，依次求取8×8、16×16划分时的最大值、最小值。
得到雷达回波区域的所有点的分形特征值后，构成识别的海杂波区域图，杂波分区及强度见图1和图2。
2.2干扰感知
基于雷达原始回波数据，采用基于投影变换的干扰特征提取方法进行干扰去识别提取，通过对雷达的工作模式和系统参数，集散雷达方位噪声功率、噪声功率均值等参数，在强杂波区域进行干扰感知，采用投影变换的方法，计算投影特征矩阵，对投影特征矩阵进行特征统计，进一步计算出干扰斜率特征，提取出干扰区域的强度和方位分布，建立电磁干扰区域。
2.3点航迹密度图的建立
点/航迹密度统计，初步建立密度图：
对探测区域进行多帧点迹/航迹数据积累，跟踪不同区域积累后的点迹/航迹分布统计差异性：滑窗8个周期(可通过参数配置针对不同周期、不同型号雷达进行调整)统计点航迹信息，每个区域中的密度个数为点/航迹总数除于统计周期数，初步建立密度图。
密度图分级：
根据航迹点密度不均匀的特性，采用基于密度的空间聚类方法(DBSCAN)，该方法聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类，通过参数设置，设置三个等级密度分级阈值，点迹密度分级阈值分别对应为弱(单元平均密度个数小于5)、中(单元平均密度个数小于40)、强(单元平均密度个数小于100)，航迹密度分级阈值分别对应为弱(单元平均密度个数小于2)、中(单元平均密度个数小于5、强(单元平均密度个数小于40)，将大于分级阈值的区域的子块位置作为点，输入聚类算法，对每个阈值进行相应的区域单元的空间聚类。
DBSCAN算法中的名词定义如下：
(1)Eps邻域：给定对象半径Eps内的邻域称为该对象的Eps邻域，用NEps(p)表示点p的Eps半径内的点的集合，即：NEps(p)＝{q|q∈D，distance(p,q)≤Eps}其中D为样本集合，p、q为点的索引值。
(2)基于密度定义，如图4所示，将点分为：
稠密区域内部的点(核心点)
核心点(core point)：在半径Eps内含有超过MinPts＝3数目的点，则该点为核心点；稠密区域边缘上的点(边界点)
边界点(border point)：在半径Eps内点的数量小于MinPts，但是在核心点的邻近区域稀疏区域中的点(噪声或背景点)。
噪声点(noise point)：任何不是核心点或边界点的点。
(3)密度可达
直接密度可达：对于样本集合D，如果样本点q在p的E领域内，且p为核心对象，则p直接密度可达q；
密度可达：对于样本集合D，存在一串样本点p1,p2,p3,...pn,其中连续两个点直接密度可达，则p＝p1,q＝qn，则p密度可达q；
密度相连：对于样本集合D中任意一点o，存在p到o密度可达，并且q到o密度可达，那么q从p密度相连；
DBSCAN算法可以非正式地描述如下：任意两个足够靠近(相互之间的距离在Eps之内)的核心点将放在同一个簇中。同样，任何与核心点足够靠近的边界点也将放到与核心点相同的簇中(如果一个边界点靠近不同簇的核心点，则可能需要解决平局问题)。噪声点被抛弃。
算法操作如下：
进行相应的区域单元的空间聚类后，每个区域单元的单元属性取三个等级聚类结果的最大值，如区域点迹密度三次分级聚类结果为弱空强，最终取值为区域属性为点迹密度强区域，点/航迹密度弱中强示意图见图3。
2.4区域综合处理：
如图11和图12所示，对电磁干扰区以外区域进行区域综合处理，综合利用多个图层进行区域图感知识别。
设定杂波分级门限：将杂波图单元划分为两个以上的分辨层级，按照杂波强度由低到高的方式划分，第n个分辨层级记为RES-n；
将杂波分区图、点迹密度图、航迹密度图进行综合处理，区分杂波区、密集区、洁净区，获得整个雷达探测区域的区域特性，综合分区策略如下表1所示：
表1
保存最终雷达探测全域区域的属性信息，包括电磁干扰区、杂波区、密集区、洁净区，传递给航迹自动起始使用。
步骤3，每个网格单元可通过环境感知图谱获得不同的区域属性，点迹信息按照映射位置映射到对应的网络单元格，将网络单元格属性赋予点迹信息；
如点迹位于距离T arget_r米，方位Target_θ度的位置，其距离位于计数为
的位置，方位位于计数为
的位置，其对应索引值为
的分区区域(其中ceil的作用为小数向上取整)。
步骤4，进行多通道的的环境感知自动起始。
4.1建立并行的航迹跟踪架构
将跟踪架构划分为多个互不干扰的独立跟踪通道，分别是输入为点迹信息的常规海目标通道及输入为视频信息的慢速小目标通道。
4.2利用对各跟踪通道中信息的综合运用，进行航迹自动起始
4.2.1常规海目标通道处理
对于常规海目标数据，从信号层和数据层综合感知，评估杂波环境与强度；依据环境感知信息，自适应优化选择杂波区、洁净区目标航迹起始策略，采用基于目标多元特征的航迹起始技术，综合运用目标位置、运动学特征、目标径向距离变化率与方位变化率、能量、多普勒信息及回拨外形尺寸等诸元特征，依据环境感知信息，动态调整航迹起始的策略、模型、参数及约束条件，实现不同区域环境的全域目标航迹自动起始。
根据不同区域点迹分布的特征设计不同的航迹起始策略，解决航迹起始速度和航迹正确率之间的矛盾，如图4所示。
洁净区结合目标航迹感知图谱，对满足点击特征感知图谱约束条件的航路点迹，利用传统逻辑法和目标运动学特征进行快速起始目标航迹。
对于目标密集区、杂波区等点击分布较复杂的区域，常采用批处理技术，如Hough变换法、多假设法。Hough变换法适用于强杂波背景下的直线运动目标，且计算量大不符合工程应用的需求。多假设法师解决复杂环境下多目标跟踪的最优算法，但产生的假设航迹分支数目与虚警率、目标数和所处理的多个扫描周期数呈指数上升关系。对假设航迹分支的合并、裁剪技术是实现多假设算法工程化的关键技术。分析对比后在目标密集区、杂波区等复杂区域采用多假设检测算法，重点解决航迹分支的优化技术。
(1)洁净区：以逻辑法起始为基础，结合目标运动学特征，快速起始航迹
首先判断候选航迹的速度是否在相应速度裁决范围(50米/秒-700米/秒)内，满足要求继续判决，否则删除候选航迹。
再进行逻辑法起始候选航迹，首先建立两种假设：
其中假设H0：目标存在，候选航迹来自真实目标；假设H1：目标不存在，候选航迹来自虚警或杂波；然后计算相应于每一种假设的关联结果统计值：滑窗统计假设航迹最近四个周期的关联结果ST(k)，ST(k)为最近四个周期内关联到点迹的总个数；可参图5示意图。
决策逻辑为：
如判决结果为H0，候选航迹转换为正式航迹；判决结果为继续检验，则继续进攻候选航迹的预测关联；判决结果为H1，删除当前候选航迹。
(2)目标密集区：采用多假设检测方法，结合目标多元特征信息，加入径向速度等值进行二次评估，依据二次评估值进行二次判决，然后进行目标的航迹起始。
利用预测波门进行多假设的产生，滑窗四个周期，建立候选航迹的多假设树，产生航迹分支，并进行航迹维护，进行航迹的裁剪，参见图6多假设树结构示意图。
航迹裁剪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。航迹裁剪包括以下步骤：
步骤a1，首先对每一个航迹计算航迹关联结果进行统计，结合目标多元特征信息，对航迹分支中不满足门限的航迹分支进行删除操作，删除流程如图7所示。
步骤a2，做多次扫描(3周期)回溯，进行密集区假设航迹选优处理，如图8所示。
步骤a3，对优选出的候选航迹首先判断候选航迹的速度是否在相应速度裁决范围内，满足要求继续判决，否则删除候选航迹；再进行候选航迹的逻辑起始法判决，决策逻辑亦参照洁净区决策逻辑；最后采用运动特征及径向速度变化率的二次综合判决，同时满足所有裁决门限，则判决航迹起始成功。
步骤a4，如优选的候选航迹起始判决成功，判决为假设H0，候选航迹转为正式航迹，如航迹起始判决为H1或继续检验，找到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a5，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，形成下一周期的候选航迹假设树。
步骤a3中密集区的优选候选航迹的二次综合判决，详细判决过程如下：
判断候选航迹的目标速度，是否在速度门限(50米/秒-700米/秒)内，若候选目标的速度满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标。
判断候选航迹的目标径向距离变换率的稳定性，采用二次差统计量设置待选目标径向距离变换率门限，若候选航迹的径向距离变化率满足门限要求，则待选目标满足目标的运动特性，否则为不可靠目标。
判断候选航迹的航向变化率，若候选目标的航向变化率满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标。
判断候选航迹的方位宽度，若候选目标的航向变化率满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标。
同时满足假设H0及多特征门限的候选航迹转换为正式航迹；判决结果为H1，删除当前候选航迹；剩余候选航迹继续进行假设检验。
(3)杂波区：结合点迹评估值，结合目标运动学特征，加入径向速度及能量等值进行二次评估，依据二次评估值进行二次判决，然后进行目标的航迹起始。
杂波区的候选航迹建立首先需要进行首点判断，判断其是否在正常门限内，避免杂波点的干扰，候选航迹的起始判决，利用预测波门进行多假设的产生，滑窗八个周期，建立候选航迹的多假设树，产生航迹分支，并进行航迹维护，进行航迹的裁剪，处理流程参照密集区多假设处理流程。
决策逻辑为：
杂波区的航迹选优处理如图9所示，采用能量稳定性为优选的重要指标。
同时计算候选航迹的多周期的航速航向、径向距离加速度。
杂波区的优选候选航迹的二次综合判决，详细判决过程如下：
判断候选航迹的目标速度，是否在速度门限内，若候选目标的速度满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标。
判断候选航迹的目标径向距离变换率的稳定性，采用二次差统计量设置待选目标径向距离变换率门限，若候选航迹的径向距离变化率满足门限要求，则待选目标满足目标的运动特性，否则为不可靠目标。
判断候选航迹的能量，若候选目标的能量满足门限要求，则候选航迹满足目标的幅度特性，否则为不可靠目标。
判断候选航迹的航向变化率，若候选目标的航向变化率满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标。
判断候选航迹的方位宽度，若候选目标的航向变化率满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标。
同时满足假设H0及多特征门限的候选航迹转换为正式航迹；判决结果为H1，删除当前候选航迹；剩余候选航迹继续进行假设检验。
(4)电磁干扰区：
结合电磁干扰区的中心方位及强度，完成干扰区的跟踪及指示，对电磁干扰区内的点迹进行屏蔽处理，不进行自动起始。
4.2.2慢速小目标通道处理
慢速小目标通道采用基于DP-TBD的弱小目标检测算法进行航迹起始，TBD技术是检测与跟踪一体化的技术，它对单帧雷达回波原始数据数据不进行门限处理，雷达回波原始数据数据不仅包括目标的坐标信息，还包括目标的幅度和相位信息，对雷达回波原始数据数据进行多帧积累后，进行联合处理，最后对多帧积累值进行检测判决，同时给出目标航迹。
设定k时刻雷达接收的数据集合为Zk＝{zk(i,j)}，zk(i,j)为k时刻分辨单元(i,j)所记录的测量值，表示为：
其中，Ak为目标幅度，ωk(i,j)为噪声，目标的一条轨迹可定义为1～K时刻累积的连续状态的集合
X(k)＝{x1(i1,j1),...,xK(iK,jK)}
xK(iK,jK)为k时刻分辨单元(i,j)的状态值；
选择信号幅度值作为值函数，DP-TBD算法的具体操作过程如下：
步骤b1，起始条件：初始化值函数I(x1)＝z1(i,j),Φ1(x1)＝0，其中Φk(xk)为保存状态xk对应第k-1时刻最优函数的状态值。
步骤b2，循环递归：对于k时刻所有分辨单元状态xk,2≤k≤K，递推求得k时刻的函数值：
其中，arg[]为求最优值函数所在分辨单元的状态值。
步骤b3，终止条件：即k＝K时刻，寻找值函数的局部极值点并判决是否有目标：
步骤b4，航迹回溯：对有目标的状态值，通过回溯目标轨迹：
其中
为k时刻的目标状态值，
为保存状态xk+1对应第k时刻最优函数的状态值。
最终得到的就是慢速小目标通道的起始的估计航迹。
步骤5，进行系统航迹综合，输出起始的综合航迹。
通过并行的融合架构以及航迹管理策略将多通道的跟踪结果进行综合处理，形成统一的航迹输出。
5.1并行通道航迹关联
采用基于多特征的灰色关联算法进行航迹关联，进行两通道间的航迹关联，确立通道间的航迹关联关系。
基于灰色理论的航迹关联算法就是通过计算航迹间的灰色关联度来获得灰色关联矩阵，再根据得到的灰色关联矩阵来确认航迹是否关联。
常规海目标通道和慢速小目标通道的航迹号集合分别为：U1＝{1,2,...,n},U2＝{1,2,...,m}。
其中，选取常规海目标通道的航迹作为参考序列，其中每条航迹包括方位、距离、航向、航速、平均幅度5个属性，参考序列记为：
其中S＝5；Xi(k)为目标k时刻的航迹属性值集，
为目标k时刻的第s个属性值。
对于一个参考样本序列，来自慢速小目标通道的m个目标为比较序列，则参考样本Xi与比较数列Xj在第k维的灰关联度为：
基于灰关联度分别将常规海目标通道的n个航迹作为参考序列，与慢速小目标通道的m个航迹进行关联，从而得到灰关联度矩阵：
给定阈值参数ε＝0.8，如果灰关联度矩阵中的值小于ε时，则常规海目标通道的航迹i与慢速小目标通道的航迹j不相关，并将γi,j置为0，这样得到的矩阵为截灰关联矩阵Γε，在矩阵中找出最大的元素
γj为矩阵中第i行中第j列的灰关联度,则判断常规海目标通道的航迹i与慢速小目标通道的航迹j*关联。
5.2系统航迹管理
基于并行多通道航迹关联结果，产生系统航迹，每隔3个周期，进行一次航迹关联关系的更新，如果常规海目标通道中的候选航迹与慢速小目标通道中的正式航迹关联成功，或常规海目标通道中的正式航迹与慢速小目标通道中的候选航迹关联成功，则可将候选航迹进行快速起批，同时起始系统航迹，如关联结果中只存在单通道的正式航迹，则根据单通道的正式航迹进行系统航迹的起始；当系统航迹关联关系中的元素为空时，则将系统航迹进行航迹终止，并进行清批操作。
5.3航迹综合策略
当系统航迹关联关系不为空，如系统航迹由单通道目标航迹构成，则输出单通道目标航迹，如系统航迹由稳定关联的双通道航迹构成，则考察最近4个周期内常规海目标通道中的航迹的跟踪质量与慢速小目标通道中的目标跟踪质量，选择跟踪质量大的为主航迹，作为综合航迹进行输出。
下面通一组实测数据进行航迹起始的测试，起始效果见图10，实测数据的航迹起始正确率较高，可以有效的抑制虚警，防止漏警，本发明采用的基于环境感知的全域自动航迹起始技术可以有效的解决多海况、多目标等复杂环境下的自动起始问题，提高全域自动录取的自动化水平。
本发明提供了一种基于环境感知的雷达全域目标航迹自动起始方法，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)
1.一种基于环境感知的雷达全域目标航迹自动起始方法，其特征在于，包括如下步骤：
步骤1，将雷达探测区域进行方位距离的网格量化；
步骤2，建立对海雷达探测环境感知图谱；
步骤3，每个网格单元格通过环境感知图谱获得不同的区域属性，点迹信息按照映射位置映射到对应的网络单元格，将网络单元格属性赋予点迹信息；
步骤4，采用多通道并行跟踪处理架构，对目标进行双通道航迹自动起始，对于常规海目标通道，基于环境感知和目标多元特征进行航迹起始处理，对于慢速小目标通道，采用TBD弱小目标检测通道进行航迹起始处理；
步骤5，进行系统航迹综合，输出起始的综合航迹；
步骤1包括：根据雷达的工作模式和系统参数，通过参数化设置，设定雷达探测分区图距离单元个数N_r和方位单元个数N_θ，在方位和距离上对探测区域进行等分，计算雷达探测分区图距离分辨单元Res_r、方位分辨单元Res_θ，并将等分后的区域进行编号；
步骤2包括：
步骤2-1，通过分形理论，对海杂波进行识别，利用差分盒维DBC算法对海杂波进行建模，进行气象杂波区域自动识别建立杂波图，其中图像的灰度值即对应着雷达回波的强度；
步骤2-2，在杂波图的强杂波区域，基于雷达原始回波数据，采用基于投影变换的干扰特征提取方法进行干扰区识别提取，建立电磁干扰区；
步骤2-3，通过对探测区域进行多帧点迹、航迹数据积累，初步建立密度图，密度图进行分级，建立点航迹的密度区域图；
步骤2-4，从信号层和数据层综合感知，评估杂波环境与强度，将杂波图、点迹密度图、航迹密度图进行综合处理，区分杂波区、密集区、洁净区，获得整个雷达探测区域的区域特性，并将属性赋予相应索引的区域图；
步骤2-1中，将M×M的雷达回波区域分割成L×L的子快，L表示子块的长度，令每个子块的距离长度值r＝M/L，每个网格上是一个L×L×h的盒子，h为盒子的高度；
步骤2-3中，采用基于密度的空间聚类方法进行密度图分级，设置三个等级密度分级阈值，点迹密度分级阈值分别对应为弱、中、强，航迹密度分级阈值分别对应为弱、中、强，对每个阈值进行相应的区域单元的空间聚类，将大于分级阈值的区域子块的位置作为点，输入聚类算法，基于密度的空间聚类方法中参数定义如下：
Eps邻域：给定对象半径Eps内的邻域称为该对象的Eps邻域，用NEps(p)表示点p的Eps半径内的点的集合，即：NEps(p)＝{q|q∈D，distance(p,q)≤Eps}，其中D为样本集合，distance(p,q)表示p、q两点间的距离；
基于密度定义，将点分为：稠密区域内部的点、稠密区域边缘上的点和稀疏区域中的点；
稠密区域内部的点又称为核心点core point：如果在半径Eps内含有点的数量超过阈值MinPts，则该点为核心点；
稠密区域边缘上的点又称为边界点border point：在半径Eps内点的数量小于MinPts，但是在核心点的邻近区域；
稀疏区域中的点又称为噪声点noise point：任何不是核心点或边界点的点则为噪声点；
直接密度可达：对于样本集合D，如果样本点q在p的Eps邻域内，且p为核心点，则p直接密度可达q；
密度可达：对于样本集合D，存在一串样本点p1,p2,p3,...pn，pn表示第n个样本点，其中连续两个点直接密度可达，则p密度可达q；
密度相连：对于样本集合D中任意一点o，存在样本点p到o密度可达，并且样本点q到o密度可达，则q从p密度相连；
基于密度的空间聚类方法具体过程为：
步骤2-3-1：将所有点标记为核心点、边界点或噪声点；
步骤2-3-2：删除噪声点；
步骤2-3-3：为距离在Eps之内的所有核心点之间赋予一条边；
步骤2-3-4：每组连通的核心点形成一个簇；
步骤2-3-5：将每个边界点指派到一个与之关联的核心点的簇中；
步骤2-3中，进行相应的区域单元的空间聚类后，每个区域单元的单元属性取三个等级聚类结果的最大值；
步骤4包括：
步骤4-1，将跟踪架构划分为输入为点迹信息的常规海目标通道及输入为视频信息的慢速小目标通道；
步骤4-2，常规海目标通道的航迹起始：
洁净区的航迹起始：首先判断候选航迹的速度是否在相应速度裁决范围内，如果在范围内则继续判决，否则删除候选航迹；
进行逻辑法起始候选航迹，首先建立两种假设：
其中假设H0：目标存在，候选航迹来自真实目标；假设H1：目标不存在，候选航迹来自虚警或杂波；
计算相应于每一种假设的关联结果统计值：滑窗统计候选航迹最近四个周期的关联结果ST(k)，ST(k)为最近四个周期内关联到点迹的总个数；
决策逻辑为：
如判决结果为H0，候选航迹转换为正式航迹；
判决结果为继续检验，则继续进行候选航迹的预测关联；
判决结果为H1，删除当前候选航迹；
密集区的航迹起始：
利用预测波门进行多假设的产生，滑窗四个周期，建立候选航迹的多假设树，产生航迹分支，并进行航迹维护，进行航迹的裁剪，航迹裁剪包括以下步骤：
步骤a1，对每一个航迹计算航迹关联结果，进行统计，结合目标多元特征信息，对航迹分支中不满足门限的航迹分支进行删除操作；
步骤a2，做多次扫描回溯，进行密集区候选航迹选优处理；
步骤a3，对优选出的候选航迹，首先判断候选航迹的速度是否在相应速度裁决范围内，如果在范围内则继续判决，否则删除候选航迹；
进行候选航迹的逻辑起始法判决，采用运动特征及径向速度变化率的二次综合判决，同时满足所有裁决门限，则判决航迹起始成功；
步骤a4，如果优选的候选航迹起始判决成功，判决为假设H0，候选航迹转为正式航迹，如果航迹起始判决为H1或继续检验，找到3周期前所述航迹上的观测，保留以所述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a5，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，形成下一周期的候选航迹假设树；
步骤a3中所述采用运动特征及径向速度变化率的二次综合判决，包括如下步骤：
步骤a3-1，判断候选航迹的目标速度是否在速度门限内，如果在门限内，则候选航迹满足目标的运动特性，否则为不可靠目标；
步骤a3-2，判断候选航迹的目标径向距离变换率的稳定性，采用二次差统计量设置待选目标径向距离变换率门限，如果候选航迹的径向距离变化率满足门限要求，则待选目标满足目标的运动特性，否则为不可靠目标；
步骤a3-3，判断候选航迹的航向变化率，如果候选目标的航向变化率满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标；
步骤a3-4，判断候选航迹的方位宽度，如果候选目标的方位宽度满足门限要求，则候选航迹满足目标的运动特性，否则为不可靠目标；
步骤a3-5，同时满足假设H0及多特征门限的候选航迹转换为正式航迹；判决结果为H1，删除当前候选航迹；剩余候选航迹继续进行假设检验；
杂波区的航迹起始：
采用多假设检测方法，结合目标运动学特征，加入径向速度及能量进行二次评估，依据二次评估值进行二次判决，然后进行目标的航迹起始；
电磁干扰区的航迹起始：
结合电磁干扰区的中心方位及强度，完成干扰区的跟踪及指示，对电磁干扰区内的点迹进行屏蔽处理，不进行自动起始；
步骤4-3，慢速小目标通道的航迹起始：
设定k时刻雷达接收的数据集合为Zk＝{zk(i,j)}，zk(i,j)为k时刻分辨单元(i,j)所记录的测量值，表示为：
其中，Ak为目标幅度，ωk(i,j)为噪声，目标的一条轨迹定义为1～K时刻累积的连续状态的集合X(K)：
X(K)＝{x1(i1,j1),...,xK(iK,jK)}
其中，xK(iK,jK)为K时刻分辨单元(i,j)的状态值；
选择信号幅度值作为值函数，然后采用DP-TBD算法：
步骤b1，起始条件：初始化值函数I(x1)＝z1(i,j),Φ1(x1)＝0，其中Φk(xk)为保存状态xk对应第k-1时刻最优函数的状态值；
步骤b2，循环递归：对于k时刻所有分辨单元状态xk,2≤k≤K，递推求得k时刻的值函数：
其中，arg[ ]为求最优值函数所在分辨单元的状态值；
步骤b3，终止条件：即k＝K时刻，寻找值函数的局部极值点并判决是否有目标：
步骤b4，航迹回溯：对有目标的状态值，通过回溯目标轨迹：
其中
为k时刻的目标状态值，
为保存状态
对应第k时刻最优函数的状态值；
最终得到的就是慢速小目标通道的起始的估计航迹。
2.根据权利要求1所述的方法，其特征在于，步骤5包括：
步骤5-1，并行多通道航迹关联：
进行常规海目标通道和慢速小目标通道间的航迹关联，确立通道间的航迹关联关系；
步骤5-2，系统航迹管理：基于步骤5-1得到的航迹关联关系，产生系统航迹，每隔3个周期，进行一次航迹关联关系的更新，完成系统航迹的起始、维持、中止操作；
步骤5-3，航迹综合策略：
当系统航迹关联关系不为空，如果系统航迹由单通道目标航迹构成，则输出单通道目标航迹，如果系统航迹由稳定关联的双通道航迹构成，则考察最近4个周期内常规海目标通道中的航迹的目标跟踪质量与慢速小目标通道中的目标跟踪质量，选择跟踪质量大的为主航迹，作为综合航迹进行输出。
3.根据权利要求2所述的方法，其特征在于，步骤5-1中，采用基于多特征的灰色关联算法进行常规海目标通道和慢速小目标通道间的航迹关联，包括：
常规海目标通道的航迹号集合U1和慢速小目标通道的航迹号集合U2分别为：U1＝{1,2,...,n},U2＝{1,2,...,m}；其中n表示常规海目标通道的航迹号总数，m表示慢速小目标通道的航迹号总数；
其中，选取常规海目标通道的航迹作为参考序列，其中每条航迹包括方位、距离、航向、航速、平均幅度5个属性，参考序列记为Xg：
其中S＝5；Xg(b)为参考序列中目标k时刻的航迹属性值集，
为参考序列中目标b时刻的第s个属性值；
对于一个参考序列，来自慢速小目标通道的m个目标记为比较序列Xh，则参考序列Xg与比较序列Xh在第k维的灰关联度为：
其中，
为第g个航迹的参考序列与第h个航迹的比较序列的灰色关联系数；ρ为分辨系数；
为两级最小差；α(s)为第s个属性的系数值；γgh为第g个航迹的参考序列与第h个航迹的比较序列的灰关联度；
基于灰关联度分别将常规海目标通道的n个航迹作为参考序列，与慢速小目标通道的m个航迹进行关联，从而得到灰关联度矩阵Γ：
给定阈值参数ε，如果灰关联度矩阵中的值小于ε时，则常规海目标通道的航迹g与慢速小目标通道的航迹h不相关，并将γgh置为0，这样得到的矩阵为截灰关联矩阵Γε，在截灰关联矩阵中找出最大的元素
则判断常规海目标通道的航迹g与慢速小目标通道的航迹h*关联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010541998.1A CN111650581B (zh) | 2020-06-15 | 2020-06-15 | 一种基于环境感知的雷达全域目标航迹自动起始方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010541998.1A CN111650581B (zh) | 2020-06-15 | 2020-06-15 | 一种基于环境感知的雷达全域目标航迹自动起始方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111650581A CN111650581A (zh) | 2020-09-11 |
| CN111650581B true CN111650581B (zh) | 2023-02-28 |
Family
ID=72347100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010541998.1A Active CN111650581B (zh) | 2020-06-15 | 2020-06-15 | 一种基于环境感知的雷达全域目标航迹自动起始方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111650581B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162256B (zh) * | 2020-09-29 | 2023-08-01 | 中国船舶集团有限公司第七二四研究所 | 一种基于脉冲相关的级联式多维度径向运动特征检测方法 |
| CN112882013B (zh) * | 2021-01-18 | 2022-02-18 | 广东纳睿雷达科技股份有限公司 | 基于目标速度特征的航迹起始方法及系统 |
| CN113093133B (zh) * | 2021-02-26 | 2023-11-14 | 四川九洲防控科技有限责任公司 | 一种雷达仙波的处理方法、系统、存储介质及电子设备 |
| CN113093132A (zh) * | 2021-02-26 | 2021-07-09 | 四川九洲防控科技有限责任公司 | 雷达杂波区域确定方法、装置、存储介质和计算机设备 |
| CN113376595B (zh) * | 2021-05-18 | 2022-03-22 | 中国船舶重工集团公司第七二三研究所 | 一种搜索雷达航迹起始综合质量的评估方法 |
| CN113671479A (zh) * | 2021-05-24 | 2021-11-19 | 四川九洲防控科技有限责任公司 | 航迹起始的确定方法、装置和计算机可读存储介质 |
| CN113340308B (zh) * | 2021-05-31 | 2023-04-07 | 西安电子科技大学 | 一种基于自报点的修正逻辑法航迹起始方法 |
| CN113534084A (zh) * | 2021-06-26 | 2021-10-22 | 中国船舶重工集团公司第七二三研究所 | 一种基于相关关系拓扑图的雷达虚假航迹抑制方法 |
| CN113721211B (zh) * | 2021-06-26 | 2024-08-02 | 中国船舶重工集团公司第七二三研究所 | 一种基于点迹特征信息的稀疏固定杂波识别方法 |
| CN113702940B (zh) * | 2021-09-18 | 2022-06-21 | 中国人民解放军63921部队 | 基于多元特征信息分层融合空间集群目标分辨方法及应用 |
| CN113985406B (zh) * | 2021-12-24 | 2022-05-10 | 中船（浙江）海洋科技有限公司 | 一种海上雷达目标航迹拼接方法 |
| CN114417942B (zh) * | 2022-03-28 | 2022-06-07 | 成都数之联科技股份有限公司 | 一种杂波识别方法及系统及装置及介质 |
| CN114415180B (zh) * | 2022-03-30 | 2022-07-01 | 中国人民解放军火箭军工程大学 | 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 |
| CN115270920B (zh) * | 2022-06-21 | 2023-07-18 | 中国人民解放军91977部队 | 一种基于密度空间聚类的舰船目标经典轨迹生成方法 |
| CN114812710B (zh) * | 2022-06-28 | 2022-10-04 | 北京海兰信数据科技股份有限公司 | 一种雷达径向流的矢量流合成方法及系统 |
| CN116150982B (zh) * | 2023-01-31 | 2024-04-16 | 中国人民解放军战略支援部队航天工程大学 | 一种电磁态势多维可视化方法及系统 |
| CN117075112A (zh) * | 2023-08-25 | 2023-11-17 | 中国人民解放军国防科技大学 | 一种方位角航迹匹配的无人艇雷达光电融合方法 |
| CN117251748B (zh) * | 2023-10-10 | 2024-04-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
| CN117970251B (zh) * | 2024-03-28 | 2024-06-14 | 安徽隼波科技有限公司 | 一种安防雷达杂波区动态检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011138598A1 (en) * | 2010-05-04 | 2011-11-10 | Bae Systems Plc | Tracker false alarm rate control |
| CN105353368A (zh) * | 2015-11-09 | 2016-02-24 | 中国船舶重工集团公司第七二四研究所 | 一种基于策略判决的自适应变结构雷达对海目标跟踪方法 |
| CN107728140A (zh) * | 2017-11-22 | 2018-02-23 | 中国电子科技集团公司第二十八研究所 | 一种警戒雷达多目标多通道并行跟踪处理方法 |
-
2020
- 2020-06-15 CN CN202010541998.1A patent/CN111650581B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011138598A1 (en) * | 2010-05-04 | 2011-11-10 | Bae Systems Plc | Tracker false alarm rate control |
| CN105353368A (zh) * | 2015-11-09 | 2016-02-24 | 中国船舶重工集团公司第七二四研究所 | 一种基于策略判决的自适应变结构雷达对海目标跟踪方法 |
| CN107728140A (zh) * | 2017-11-22 | 2018-02-23 | 中国电子科技集团公司第二十八研究所 | 一种警戒雷达多目标多通道并行跟踪处理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 对空情报雷达的阵地适应性设计;王旭等;《火控雷达技术》;20190930;第48卷(第3期);第25-31页 * |
| 采用随机矩阵的多扩展目标滤波器;韩玉兰等;《西安交通大学学报》;20150731;第49卷(第7期);第98-104页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111650581A (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650581B (zh) | 一种基于环境感知的雷达全域目标航迹自动起始方法 | |
| CN111222574B (zh) | 基于多模型决策级融合的舰船与民船目标检测与分类方法 | |
| Zissis et al. | A distributed spatial method for modeling maritime routes | |
| CN112699315B (zh) | 基于ais数据的船舶异常行为探测方法 | |
| CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
| CN113537386B (zh) | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 | |
| CN114066354A (zh) | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 | |
| CN109508000A (zh) | 异构多传感器多目标跟踪方法 | |
| CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
| CN111582380B (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
| CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
| CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| CN117725448A (zh) | 气象导航信号特征的聚类分析方法 | |
| Xu et al. | Research on ship trajectory extraction based on multi-attribute DBSCAN optimisation algorithm | |
| Ji et al. | A dynamic adaptive grating algorithm for AIS-based ship trajectory compression | |
| CN114492540A (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
| CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
| CN108562893B (zh) | 一种外辐射源雷达多站混合跟踪方法 | |
| Ware et al. | A system for cleaning high volume bathymetry | |
| Dutt et al. | Clustering of massive ensemble of vehicle trajectories in strong, dynamic and uncertain ocean flows | |
| CN114972429B (zh) | 云边协同自适应推理路径规划的目标追踪方法和系统 | |
| CN115718905A (zh) | 一种面向vts系统的多传感器信息融合方法 | |
| Jiang et al. | A method for identifying marine targets based on mining of multi-characteristic movement patterns | |
| Jafarlou et al. | Improving Fuzzy-logic based map-matching method with trajectory stay-point detection | |
| Mkrtchyan | Problems of statistical decisions in ocean monitoring |
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 |