CN112348882A - 一种基于多源探测器的低空目标跟踪信息融合方法和系统 - Google Patents
一种基于多源探测器的低空目标跟踪信息融合方法和系统 Download PDFInfo
- Publication number
- CN112348882A CN112348882A CN202011272494.0A CN202011272494A CN112348882A CN 112348882 A CN112348882 A CN 112348882A CN 202011272494 A CN202011272494 A CN 202011272494A CN 112348882 A CN112348882 A CN 112348882A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- fusion
- detection station
- station device
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于多源探测器的低空目标跟踪信息融合方法和系统,包括:每个探测站设备分别对获取的目标出现在视场中的图像进行检测和测距;获得目标相对于每个探测站设备的位置信息和所述目标的特征信息;各个探测站设备将探测到的目标位置信息和目标特征信息上传到信息融合系统,信息融合系统将各个探测站设备上传的目标位置信息确定目标地心坐标系坐标;并对各个探测站设备上传的目标位置信息和特征信息进行时间数据和空间数据的融合匹配;根据融合匹配结果确定目标的状态信息。融合主动探测站与被动探测站的测量目标信息,实现优势互补,通过信息融合计算得到目标精确位置信息和目标类型。
Description
技术领域
本发明涉及目标成像信息融合技术领域,特别是涉及一种基于多源探测器的低空目标跟踪信息融合方法和系统。
背景技术
近几年,无人机不断出现在人们的视线中。无人机除了在军事方面应用很广泛,在民用市场规模也迅速扩大。民用无人机不仅广泛应用于航拍,在农林植保、安全执法、环保科研、矿产资源勘探、灾害应急救援、石油管道巡线、边防、海事巡逻等领域都有无人机的身影。据不完全统计,目前中国消费级无人机已达数十万架,每年呈成倍的增长趋势,迅速普及的无人机热潮正给各国安保工作带来前所未有的挑战,引发了各国对无人机安全问题的担忧。
无源定位是被动地接收辐射源的信号,根据红外辐射源信号的到达时间、方位等信息来确定辐射源的位置。红外被动探测系统具有抗电磁干扰、隐蔽性好的特点,能发挥无源定位的诸多优点,成为研究的一个热点。多源探测器即通过合理布站的多个互联互通的主动/被动探测站探测设备同时观测到的目标位置信息和特性信息,融合出具有一定精度的目标三维位置信息并识别目标类型,以供目标捕获或诱骗等处置设备使用。低空目标跟踪技术具有跨学科特征,应用前景广阔,是探测跟踪领域的研究方向之一,受到国内外广大研究者的关注,已成为目标探测跟踪以及图像处理领域的研究热点。反制无人机等空中小目标作为一门新兴学科,涉及随机性以及复杂性很大的天气因素。到目前为止,虽然涌现了很多针对无人机等中低空小目标的侦测方法,但是都存在一定的局限性:一是配备无线电干扰设备的目标无法使用传统雷达侦测的方法探测目标;二是定位与跟踪精度无法满足需求。低空小目标的定位与跟踪方法在这两点上仍需不断地发展改进,因此寻找更加有效的定位跟踪方法是非常必要的。
发明内容
本发明所要解决的技术问题是提供一种基于多源探测器的低空目标跟踪信息融合方法和系统,解决现有的带无线电干扰的空中目标定位、跟踪与识别,无线电侦测跟踪设备无法达到抗干扰性和目标识别要求的问题。
第一方面,本发明提供一种基于多源探测器的低空目标跟踪信息融合方法,包括:
每个探测站设备分别对获取的目标出现在视场中的图像进行检测和测距;获得目标相对于每个探测站设备的位置信息和所述目标的特征信息;
各个探测站设备将探测到的目标位置信息和目标特征信息上传到信息融合系统,信息融合系统将各个探测站设备上传的目标位置信息确定目标地心坐标系坐标;并对各个探测站设备上传的目标位置信息和特征信息进行时间数据和空间数据的融合匹配;
根据融合匹配结果确定目标的状态信息。
优选地,所述方法之前还包括:
对各个探测站设备进行定位,获取每个探测站设备的位置信息,并将获取的位置信息转为地心系坐标,对探测站设备进行校准。
优选地,所述目标相对于每个探测站设备的位置信息包括:
方位角、俯仰角和斜距;
所述目标的特征信息包括以下至少之一:
光学信息、电磁信息。
优选地,信息融合系统对各个探测站设备上传的目标位置信息和特征信息进行时间数据的融合匹配包括:
通过通信数据包中的时间戳信息进行时间对准,以保证目标位置信息和特征信息在时间轴对准。
优选地,信息融合系统对各个探测站设备上传的目标位置信息和特征信息进行空间数据的融合匹配包括:
各个探测站设备将目标位置转为地心坐标系,确定目标基于同一空间坐标系;
基于同一时刻的目标,在同一空间窗口出现,确定为同一目标。
优选地,根据融合匹配结果确定目标的状态信息包括:
通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标,对配对的目标进行航迹的融合和目标识别。
优选地,通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标包括:
目标经各个探测站设备探测后分别取得信号d1,d2……dl,
其中,di=1表示判定存在目标,di=0表示判定无目标;l为探测站设备的数量,目标探测结果di对应的探测概率Pdi、虚警概率Pfi;以Neyman-Pearson准则作为信息融合匹配的准则,所述准则要求在恒虚警概率的情况下,使得探测概率最大;
将各个探测站设备的探测结果di(i=1,2……l)以Neyman-Pearson准则进行融合,确认目标是否存在,确定各个探测站设备获取的目标在时间和空间为同一目标后,通过识别处理,判断目标类型;融合匹配结果是d0,对应的探测概率、虚警概率分别为PD、Pf。
第二方面,本发明提供一种基于多源探测器的低空目标跟踪信息融合系统,包括:多个探测站设备和信息融合系统;
每个探测站设备分别对获取的目标出现在视场中的图像进行检测和测距;获得目标相对于每个探测站设备的位置信息和所述目标的特征信息;
各个探测站设备将探测到的目标位置信息和目标特征信息上传到信息融合系统,信息融合系统将各个探测站设备上传的目标位置信息确定目标地心坐标系坐标;并对各个探测站设备上传的目标位置信息和特征信息进行时间数据和空间数据的融合匹配;
信息融合系统根据融合匹配结果确定目标的状态信息。
优选地,信息融合系统根据融合匹配结果确定目标的状态信息包括:
通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标,对配对的目标进行航迹的融合和目标识别。
与现有技术相比,本发明具有以下优点:
本发明提出了一种新的目标信息融合方法,随着无人机技术的进一步发展,以低空近距无人机为目标的探测跟踪系统已逐步从单一、独立的工作模式趋向协同工作模式。多个探测站设备(如雷达探测系统和红外探测系统)在低空目标的探测与跟踪上可起到互补作用,在低空跟踪小目标时,方位和俯仰向采用红外测量,距离采用雷达测距,或当一种传感器因被干扰或故障不能使用时,改用另一种传感器。对雷达和红外在目标特性测量领域进行优化选择并实现功能融合,大大提高了系统的可靠性与测量的准确性。基于多源探测器的低空目标跟踪信息融合系统是融合主动探测站与被动探测站的测量目标信息,实现优势互补,通过信息融合计算得到目标精确位置信息和目标类型。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例的基于多源探测器的低空目标跟踪信息融合方法的流程图;
图2是本发明实施例的特征级融合结构的示意图;
图3是本发明实施例的目标雷达特征与红外特征融合的示意图;
图4是本发明实施例的雷达/红外特征级信息融合的示意图;
图5为本发明实施例的坐标转换的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1为本发明实施例的一种基于多源探测器的低空目标跟踪信息融合方法的流程图,所述方法可以包括步骤S101至步骤S103:
S101、每个探测站设备分别对获取的目标出现在视场中的图像进行检测和测距;获得目标相对于每个探测站设备的位置信息和所述目标的特征信息;
S102、各个探测站设备将探测到的目标位置信息和目标特征信息上传到信息融合系统,信息融合系统将各个探测站设备上传的目标位置信息确定目标地心坐标系坐标;并对各个探测站设备上传的目标位置信息和特征信息进行时间数据和空间数据的融合匹配;
S103、根据融合匹配结果确定目标的状态信息。
本发明实施例中,所述方法之前还包括:
对各个探测站设备进行定位,获取每个探测站设备的位置信息,并将获取的位置信息转为地心系坐标,对探测站设备进行校准。
本发明实施例中,所述目标相对于每个探测站设备的位置信息包括:
方位角、俯仰角和斜距;
所述目标的特征信息包括以下至少之一:
光学信息、电磁信息。
本发明实施例中,信息融合系统对各个探测站设备上传的目标位置信息和特征信息进行时间数据的融合匹配包括:
通过通信数据包中的时间戳信息进行时间对准,以保证目标位置信息和特征信息在时间轴对准。
本发明实施例中,进行时间数据融合时:
各系统通过时统对准时间,通信数据包中带有时间戳,保证目标信息可以在时间轴对准。
本发明实施例中,信息融合系统对各个探测站设备上传的目标位置信息和特征信息进行空间数据的融合匹配包括:
各个探测站设备将目标位置转为地心坐标系,确定目标基于同一空间坐标系;
基于同一时刻的目标,在同一空间窗口出现,确定为同一目标。
本发明实施例中,进行空间数据融合时:
融合时将各设备目标位置均转为地心坐标系,保证目标信息基于同一空间坐标系;基于同一时刻的目标,在同一空间窗口可视为同一目标。
本发明实施例中,根据融合匹配结果确定目标的状态信息包括:
通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标,对配对的目标进行航迹的融合和目标识别。
本发明实施例中,通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标包括:
目标经各个探测站设备探测后分别取得信号d1,d2……dl,
其中,di=1表示判定存在目标,di=0表示判定无目标;l为探测站设备的数量,目标探测结果di对应的探测概率Pdi、虚警概率Pfi;以Neyman-Pearson准则作为信息融合匹配的准则,所述准则要求在恒虚警概率的情况下,使得探测概率最大;
将各个探测站设备的探测结果di(i=1,2……l)以Neyman-Pearson准则进行融合,确认目标是否存在,确定各个探测站设备获取的目标在时间和空间为同一目标后,通过识别处理,判断目标类型;融合匹配结果是d0,对应的探测概率、虚警概率分别为PD、Pf。
本发明实施例中,不同探测器获取的目标在时间空间为同一目标后,通过识别处理(辐射强度等特性,匹配模板、算法算例)算法,判断目标类型,为真实目标或虚警。
实施例二
本发明实施例提供一种基于多源探测器的低空目标跟踪信息融合系统,包括:多个探测站设备和信息融合系统;
每个探测站设备分别对获取的目标出现在视场中的图像进行检测和测距;获得目标相对于每个探测站设备的位置信息和所述目标的特征信息;
各个探测站设备将探测到的目标位置信息和目标特征信息上传到信息融合系统,信息融合系统将各个探测站设备上传的目标位置信息确定目标地心坐标系坐标;并对各个探测站设备上传的目标位置信息和特征信息进行时间数据和空间数据的融合匹配;
信息融合系统根据融合匹配结果确定目标的状态信息。
优选地,信息融合系统根据融合匹配结果确定目标的状态信息包括:
通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标,对配对的目标进行航迹的融合和目标识别。
实施例三
本实施例以探测站设备包括光电探测站设备和雷达探测设备为例说明基于多源探测器的低空目标跟踪信息融合过程:
所述光电探测站设备和雷达分布于直线距离不大于10m且相互不干扰的相邻站点,获取测量站的位置信息LBH(经纬高)并转为地心系坐标S(x,y,z),对探测设备进行水平调平和方位校北,并实现处理后端之间的网络通讯,可实时传输目标探测信息,为信息融合提供先决条件。
光电探测站设备对获取的目标出现在视场中的图像进行检测分割并稳定跟踪和连续测距,求出目标相对于S的位置信息AER1(方位角、俯仰角、斜距)和红外二维图像;雷达探测设备通过多普勒定位方式探测到目标相对于S的位置信息AER2(方位角、俯仰角、斜距)和一维距离成像。雷达具有作用距离远、警戒范围大的优点,但易受电子干扰的影响。将雷达与红外成像传感器融合的综合探测技术利用两种传感器的优势互补可提高系统的抗干扰、低空探测等方面的能力。雷达/红外探测站采用分布式信号检测模型,其优点是两个传感器可以独立检测目标,任意传感器的失效对探测的性能影响较小,便于建立综合探测系统的目标探测能力的数学模型,实现对目标探测能力的定量评价,其缺点是信息损失较多,处理结果只是局部最优而非系统最优。
信息融合系统采用分布式融合方法,通信成本较低,可靠性高,当探测站设备的某一传感器出现故障时不会影响整个系统的信息获取。因此本实施例建立如图2所示的雷达/红外特征级融合模型。
目标经雷达、红外成像传感器探测后分别取得信号d1,d2,这里:
目标探测结果di对应的探测概率Pdi、虚警概率Pfi。信息融合系统以Neyman-Pearson准则作为系统信息的融合准则,该准则要求在恒虚警概率的情况下,使得探测概率最大。在已知雷达、红外成像传感器各自的目标探测概率的情况下,将两个传感器的探测结果di(i=1,2)以Neyman-Pearson融合准则进行融合,最终确认目标是否存在,最终检测结果是d0,对应的探测概率、虚警概率分别为PD、Pf。
如图3所示,对于雷达和红外目标特性测量系统,首先由雷达和红外产生各自的本地观测数据,利用局部跟踪器进行航迹跟踪,产生本地航迹,然后送至信息融合系统,由信息融合系统完成航迹关联和融合,形成全局融合航迹。信息融合系统不仅具有局部独立跟踪能力,而且还有全局监视和评估能力,且有较强的生存能力。
如图4所示,红外和雷达探测器经预处理和特征提取与参数估计后,各自对低空目标进行跟踪,提供独立的目标距离、方位角、俯仰角等目标信息。为提高数据可信度与可靠性,需对数据进行预处理。因红外和雷达的重复频率不同,跟踪的空间坐标平台不一致,故需进行“时间和空间的校准”,即时间和空间的同步。然后通过数据配准在同一坐标系内进行航迹比较,判别是否为同一目标,对配对的目标(一个或多个)进行航迹的融合和目标识别,获得目标的类型和状态后系统选择待攻击的目标进行闭环跟踪。
雷达在探测中段和末段目标时,天线有一定的仰角。雷达波束照射目标的同时可能会照射一定区域的背景干扰源(云层等),回波信号可能直接或经干扰源反射后到达雷达接收天线。直射波和反射波相互干涉,引起仰角误差信号的幅值和相位发生变化。此种多路径效应会造成雷达探测盲区和大跟踪误差,导致目标特性测量系统跟踪成功率下降,甚至失败。
数据融合中雷达的跟踪数据可信度非常重要,须剔除多路径效应影响大的数据,否则雷达和红外传感器融合的跟踪精度和性能可能劣于单个传感器的跟踪精度和性能。当雷达跟踪中/末段目标时,在近距离,地面反射信号通过天线近地副瓣进入雷达,此时地面反射信号较小,使天线在某个平均位置作小摆动;在远距离,天线主波束照射地表面,直接信号与反射信号相互干涉,可在仰角上产生很大的误差,角度摆动可能向上或向下,多路径效应表现为尖峰误差。因直接信号与地面反射信号随两个路径间相对相位的变化加强或抵消,故多路径误差的影响为周期性的。根据多路径效应的影响特性和被观测的目标先验特征,可剔除测得的明显不合理数据。在数据剔除后,可对该数据前的N个观测数据,用最小二乘法外推出该点的合理值,用合理值替代原值作为修补值,保持原测量数据的完整。
空间校准即为坐标系融合。在目标特性测量区域,雷达和红外安装位置根据武器系统的要求各异,有的在同一平面内、同一平台上,相距很近,且跟踪目标的坐标系均为大地坐标系,则雷达和红外传感器的测量数据无需校准。
但多数系统雷达和红外传感器并不在同一水平面,且相距可达数千米,各自跟踪目标的坐标系也不同,这时就需将观测数据通过坐标转换与平移至同一坐标系后再进行数据融合。转换步骤一般为:
a)将雷达和红外的跟踪坐标系转换为直角坐标系,如图5所示,
b)不同直角坐标系间的相互转换,可用布尔萨参数法转换。设XDi,XGi分别为雷达和红外传感器跟踪目标的坐标向量;εX,εY,εZ分别为和O’-X’Y’Z’坐标系绕O-XYZ坐标系的X、Y、Z三个坐标轴逆时针旋转的角度,如摘要附图所示
在通常情况下,雷达和红外传感器跟踪目标坐标系的Z轴平行,即O’-X’Y’Z’系仅绕Z轴旋转,故εX=εY=0,尺度变换参数k=0,则有:
对红外传感器来说,因在提取特征信息前需对红外图像进行分割、配准等技术处理,且图像的数据量大、处理时间长,故导致雷达与红外传感器量测的数据率不同,为此需进行时间同步处理。
时间校准的数据处理方法有多种,其中主要是曲线拟合和插值。曲线拟合需在获得大量数据的基础上对数据进行操作,会造成融合周期过长,实时性较差。插值是递推的处理方式,计算量小,不受采样时间起点限制,实时性较好。目前数据融合中常用的工程插值方法有分段线性插值,三次Hermite插值、三次样条插值等。本实施例计划采用分段插值法进行时间校准。
设xk、xk+1分别为红外传感器在时刻tk、tk+1的测量值,yn为雷达在时刻Tn的测量值,且tk<Tn<tk+1,则对xk,xk+1进行分段插值,可得红外传感器在时刻Tn的测量值。因xk,xk+1相隔时间很短,可认为变化为线性,作线性插值。
轨迹关联的本质是在同一坐标系内进行轨迹比较,判断来自不同传感器信息处理系统的两条轨迹是否代表同一目标。
雷达/红外传感器对同一目标的位置和状态估计确定后,即可进行数据融合。迄今为止,寻找合适的多传感器数据融合算法仍是难点,而逻辑的正确性和计算的复杂性是其中的关键。最小二乘估计的最大优点是算法简单,估计中不必使用与被估计量有关的动态信息与统计信息,可保证量测的估计均方误差之和最小。由于雷达和红外角度跟踪精度相差很大,若不分优劣地应用一般最小二乘估计误差,则估计精度不高,低于单红外探测器估计,因此应采用加权最小二乘估计进行数据融合。
采用融合算法时,雷达、红外对目标的位置估计误差均较小,跟踪性能比较稳定,整个跟踪过程,误差不超过50m;而采用不带反馈的融合算法时,雷达、红外对目标的位置估计误差较大,且跟踪性能波动较大,特别是雷达对目标的位置估计误差很大,且在跟踪后期出现发散的情况,这是因为雷达对目标进行了误关联。初始阶段,雷达对目标的估计误差对目标特性测量结果的影响不大,随时间的推移,雷达对目标的估计误差越来越大,以致失去了对目标的跟踪能力,从而导致跟踪性能变差。
融合后各状态参量误差的方差小于雷达/红外单传感器工作状态下状态参量误差的最小者,说明雷达/红外探测信息融合方法的目标跟踪成功率要高于未融合状态。
实施例四
本实施例以探测站设备包括光电探测站设备和雷达探测设备为例说明基于多源探测器的低空目标跟踪信息融合过程:
所述光电探测站设备和雷达探测设备分布于直线距离不大于10m且相互不干扰的相邻站点,获取测量站的位置信息LBH(经纬高)并转为地心系坐标S(x,y,z),对探测设备进行水平调平和方位校北,并实现分系统处理后端之间的网络通讯,可实时传输目标探测信息,为信息融合提供先决条件。
基于多源探测器的低空目标跟踪信息融合方法的具体步骤为:
第一步,对光电、雷达探测设备进行标校,通过合作空中小目标(测试无人机)验证设备探测跟踪能力、作用距离。雷达探测设备主要负责数据采集,输出雷达探测范围内的有效目标信息——目标的坐标特性,即距离、方位、俯仰以及相应的速度;对目标进行宽带测量,即一维距离成像。光电探测设备主要负责对目标的搜索成像、图像处理以及目标的实时检测,并实时显示图像。其中,在信息融合系统的前端,图像处理功能由图像预处理、图像分割和特征提取等步骤实现。图像预处理包括非均匀性校正与图像滤波,用以提高图像清晰度,突出感兴趣的特征;图像分割是将感兴趣的目标从背景中分离出来;接下来,目标检测与特征提取是两个并行的环节:a)目标检测通过对目标分割的结果进行质心提取,得到目标的运动信息,送往跟踪子系统;b)特征提取得到图像特征,送往识别子系统。光电探测站设备对获取的目标出现在视场中的图像进行检测分割并稳定跟踪和连续测距,求出目标相对于S的位置信息AER1(方位角、俯仰角、斜距)和红外二维图像;雷达分系统探测设备通过多普勒定位方式探测到目标相对于S的位置信息AER2(方位角、俯仰角、斜距)和一维距离成像。
第二步,对非合作目标通过可见光光学系统和雷达探测系统进行搜索发现,发现目标后上传目标位置信息和特性信息到信息融合分系统,进行信息处理。信号信息处理决定着整个融合系统的性能。
第三步,对非合作目标自身轨迹记录信息与融合出的目标轨迹进行位置信息融合和特性信息融合。位置融合选取分布式融合结构,可以以较低的费用获得较高的可靠性和实时性。特性融合主要完成光电图像与雷达一维距离像的特征提取与目标识别技术。根据所采用特征的抽象级别,将特性融合分为数据级属性融合、特征级属性融合和决策级属性融合三步实施。
比对并分析误差,若目标在5km处位置信息与融合信息误差小于1.45m,即误差角度≤1’,则判定跟踪精度达标;若目标识别可信度达到0.8以上,则判定特性分析和识别能力达标。信息融合结果可为处置系统驱离、捕获等方式反制中低空小目标提供信息支撑。
融合中心实现位置融合和属性融合两部分功能。雷达与红外传感器经过目标检测以及特征提取的结果,送入融合中心完成位置融合与属性融合的功能。位置融合根据各传感器的检测报告,进行数据对准、数据关联、航迹滤波、预测与跟踪。属性融合根据各传感器的属性判决信息,完成目标识别融合的功能。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种基于多源探测器的低空目标跟踪信息融合方法,其特征在于,包括:
每个探测站设备分别对获取的目标出现在视场中的图像进行检测和测距;获得目标相对于每个探测站设备的位置信息和所述目标的特征信息;
各个探测站设备将探测到的目标位置信息和目标特征信息上传到信息融合系统,信息融合系统将各个探测站设备上传的目标位置信息确定目标地心坐标系坐标;并对各个探测站设备上传的目标位置信息和特征信息进行时间数据和空间数据的融合匹配;
根据融合匹配结果确定目标的状态信息。
2.根据权利要求1所述的目标跟踪信息融合方法,其特征在于,所述方法之前还包括:
对各个探测站设备进行定位,获取每个探测站设备的位置信息,并将获取的位置信息转为地心系坐标,对探测站设备进行校准。
3.根据权利要求1或2所述的目标跟踪信息融合方法,其特征在于,所述目标相对于每个探测站设备的位置信息包括:
方位角、俯仰角和斜距;
所述目标的特征信息包括以下至少之一:
光学信息、电磁信息。
4.根据权利要求1所述的目标跟踪信息融合方法,其特征在于,信息融合系统对各个探测站设备上传的目标位置信息和特征信息进行时间数据的融合匹配包括:
通过通信数据包中的时间戳信息进行时间对准,以保证目标位置信息和特征信息在时间轴对准。
5.根据权利要求1所述的目标跟踪信息融合方法,其特征在于,信息融合系统对各个探测站设备上传的目标位置信息和特征信息进行空间数据的融合匹配包括:
各个探测站设备将目标位置转为地心坐标系,确定目标基于同一空间坐标系;
基于同一时刻的目标,在同一空间窗口出现,确定为同一目标。
6.根据权利要求1所述的目标跟踪信息融合方法,其特征在于,根据融合匹配结果确定目标的状态信息包括:
通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标,对配对的目标进行航迹的融合和目标识别。
7.根据权利要求6所述的目标跟踪信息融合方法,其特征在于,通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标包括:
目标经各个探测站设备探测后分别取得信号d1,d2……dl,
其中,di=1表示判定存在目标,di=0表示判定无目标;l为探测站设备的数量,目标探测结果di对应的探测概率Pdi、虚警概率Pfi;以Neyman-Pearson准则作为信息融合匹配的准则,所述准则要求在恒虚警概率的情况下,使得探测概率最大;
将各个探测站设备的探测结果di(i=1,2……l)以Neyman-Pearson准则进行融合,确认目标是否存在,确定各个探测站设备获取的目标在时间和空间为同一目标后,通过识别处理,判断目标类型;融合匹配结果是d0,对应的探测概率、虚警概率分别为PD、Pf。
8.一种基于多源探测器的低空目标跟踪信息融合系统,其特征在于,包括:多个探测站设备和信息融合系统;
每个探测站设备分别对获取的目标出现在视场中的图像进行检测和测距;获得目标相对于每个探测站设备的位置信息和所述目标的特征信息;
各个探测站设备将探测到的目标位置信息和目标特征信息上传到信息融合系统,信息融合系统将各个探测站设备上传的目标位置信息确定目标地心坐标系坐标;并对各个探测站设备上传的目标位置信息和特征信息进行时间数据和空间数据的融合匹配;
信息融合系统根据融合匹配结果确定目标的状态信息。
9.根据权利要求8所述的目标跟踪信息融合系统,其特征在于,信息融合系统根据融合匹配结果确定目标的状态信息包括:
通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标,对配对的目标进行航迹的融合和目标识别。
10.根据权利要求9所述的目标跟踪信息融合系统,其特征在于,信息融合系统通过融合匹配结果在同一坐标系内进行航迹比较,判别各个探测站设备检测的是否为同一目标包括:
目标经各个探测站设备探测后分别取得信号d1,d2……dl,
其中,di=1表示判定存在目标,di=0表示判定无目标;l为探测站设备的数量,目标探测结果di对应的探测概率Pdi、虚警概率Pfi;以Neyman-Pearson准则作为信息融合匹配的准则,所述准则要求在恒虚警概率的情况下,使得探测概率最大;
将各个探测站设备的探测结果di(i=1,2……l)以Neyman-Pearson准则进行融合,确认目标是否存在,确定各个探测站设备获取的目标在时间和空间为同一目标后,通过识别处理,判断目标类型;融合匹配结果是d0,对应的探测概率、虚警概率分别为PD、Pf。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011272494.0A CN112348882A (zh) | 2020-11-13 | 2020-11-13 | 一种基于多源探测器的低空目标跟踪信息融合方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011272494.0A CN112348882A (zh) | 2020-11-13 | 2020-11-13 | 一种基于多源探测器的低空目标跟踪信息融合方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348882A true CN112348882A (zh) | 2021-02-09 |
Family
ID=74363778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011272494.0A Pending CN112348882A (zh) | 2020-11-13 | 2020-11-13 | 一种基于多源探测器的低空目标跟踪信息融合方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348882A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671483A (zh) * | 2021-08-19 | 2021-11-19 | 上海无线电设备研究所 | 一种基于秒脉冲的星载复合数据融合方法 |
CN113867416A (zh) * | 2021-12-03 | 2021-12-31 | 上海特金信息科技有限公司 | 用于无人机探测的处理方法、系统以及装置 |
CN114994655A (zh) * | 2022-05-17 | 2022-09-02 | 中国电子科技集团公司第二十研究所 | 雷达/红外异构信息融合处理方法 |
CN116577776A (zh) * | 2023-07-12 | 2023-08-11 | 中国电子科技集团公司第二十八研究所 | 一种多源自主协同的目标探测与智能识别方法及系统 |
CN117149931A (zh) * | 2023-08-30 | 2023-12-01 | 北京锐星远畅科技有限公司 | 一种探测点位置与探测设备节点的坐标快速匹配方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054169A (zh) * | 2016-05-18 | 2016-10-26 | 西安电子科技大学 | 基于跟踪信息的多站雷达信号融合检测方法 |
CN106101590A (zh) * | 2016-06-23 | 2016-11-09 | 上海无线电设备研究所 | 雷达视频复合数据探测与处理系统及探测与处理方法 |
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 |
CN110133573A (zh) * | 2019-04-23 | 2019-08-16 | 四川九洲电器集团有限责任公司 | 一种基于多元传感器信息融合的自主低空无人机防御系统 |
CN111624592A (zh) * | 2020-06-05 | 2020-09-04 | 北京环境特性研究所 | 一种基于多源探测器的低空目标探测方法和系统 |
CN111860589A (zh) * | 2020-06-12 | 2020-10-30 | 中山大学 | 一种多传感器多目标协同探测信息融合方法、系统 |
-
2020
- 2020-11-13 CN CN202011272494.0A patent/CN112348882A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054169A (zh) * | 2016-05-18 | 2016-10-26 | 西安电子科技大学 | 基于跟踪信息的多站雷达信号融合检测方法 |
CN106101590A (zh) * | 2016-06-23 | 2016-11-09 | 上海无线电设备研究所 | 雷达视频复合数据探测与处理系统及探测与处理方法 |
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 |
CN110133573A (zh) * | 2019-04-23 | 2019-08-16 | 四川九洲电器集团有限责任公司 | 一种基于多元传感器信息融合的自主低空无人机防御系统 |
CN111624592A (zh) * | 2020-06-05 | 2020-09-04 | 北京环境特性研究所 | 一种基于多源探测器的低空目标探测方法和系统 |
CN111860589A (zh) * | 2020-06-12 | 2020-10-30 | 中山大学 | 一种多传感器多目标协同探测信息融合方法、系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671483A (zh) * | 2021-08-19 | 2021-11-19 | 上海无线电设备研究所 | 一种基于秒脉冲的星载复合数据融合方法 |
CN113671483B (zh) * | 2021-08-19 | 2024-02-20 | 上海无线电设备研究所 | 一种基于秒脉冲的星载复合数据融合方法 |
CN113867416A (zh) * | 2021-12-03 | 2021-12-31 | 上海特金信息科技有限公司 | 用于无人机探测的处理方法、系统以及装置 |
CN113867416B (zh) * | 2021-12-03 | 2022-04-22 | 特金智能科技(上海)有限公司 | 用于无人机探测的处理方法、系统以及装置 |
CN114994655A (zh) * | 2022-05-17 | 2022-09-02 | 中国电子科技集团公司第二十研究所 | 雷达/红外异构信息融合处理方法 |
CN114994655B (zh) * | 2022-05-17 | 2024-05-14 | 中国电子科技集团公司第二十研究所 | 雷达/红外异构信息融合处理方法 |
CN116577776A (zh) * | 2023-07-12 | 2023-08-11 | 中国电子科技集团公司第二十八研究所 | 一种多源自主协同的目标探测与智能识别方法及系统 |
CN116577776B (zh) * | 2023-07-12 | 2023-09-22 | 中国电子科技集团公司第二十八研究所 | 一种多源自主协同的目标探测与智能识别方法及系统 |
CN117149931A (zh) * | 2023-08-30 | 2023-12-01 | 北京锐星远畅科技有限公司 | 一种探测点位置与探测设备节点的坐标快速匹配方法及系统 |
CN117149931B (zh) * | 2023-08-30 | 2024-05-24 | 北京锐星远畅科技有限公司 | 一种探测点位置与探测设备节点的坐标快速匹配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348882A (zh) | 一种基于多源探测器的低空目标跟踪信息融合方法和系统 | |
CN113359097B (zh) | 一种毫米波雷达和相机联合标定的方法 | |
WO2022141914A1 (zh) | 一种基于雷视融合的多目标车辆检测及重识别方法 | |
US10107904B2 (en) | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (IFSAR) measurements | |
Reina et al. | Radar‐based perception for autonomous outdoor vehicles | |
US20210055180A1 (en) | Apparatuses and methods for gas flux measurements | |
US20160097839A1 (en) | Sensor suite and signal processing for border surveillance | |
CN115943439A (zh) | 一种基于雷视融合的多目标车辆检测及重识别方法 | |
CN116778104B (zh) | 一种动态遥感监测的测绘方法及系统 | |
CN108596117B (zh) | 一种基于二维激光测距仪阵列的场景监控方法 | |
CN116625354B (zh) | 一种基于多源测绘数据的高精度地形图生成方法及系统 | |
CN106526593A (zh) | 基于sar严密成像模型的子像素级角反射器自动定位方法 | |
CN114444158A (zh) | 一种基于三维重建的地下巷道形变预警方法及系统 | |
CN110232683A (zh) | 一种基于无人机点云的滑坡检测方法 | |
US20230350067A1 (en) | Robust laser scanning for generating a 3d model | |
CN114200387B (zh) | 一种tacan空间信号场型的飞行校验评估方法 | |
CN114035188B (zh) | 一种地基雷达冰川流速高精度监测方法与系统 | |
Souli et al. | Cooperative relative positioning using signals of opportunity and inertial and visual modalities | |
US20200301021A1 (en) | Method and apparatus for automatic detection of antenna site conditions | |
CN113790718A (zh) | 一种基于无人船的信息共享系统 | |
CN105403886A (zh) | 一种机载sar定标器图像位置自动提取方法 | |
Kubelka et al. | Radio propagation models for differential GNSS based on dense point clouds | |
CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
CN116679314A (zh) | 融合点云强度的三维激光雷达同步建图与定位方法及系统 | |
Nitti et al. | Automatic GCP extraction with high resolution COSMO-SkyMed products |
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 |