CN112363171B - 一种解决被动警戒画面目标航迹交叉的自主跟踪方法 - Google Patents
一种解决被动警戒画面目标航迹交叉的自主跟踪方法 Download PDFInfo
- Publication number
- CN112363171B CN112363171B CN202010830959.3A CN202010830959A CN112363171B CN 112363171 B CN112363171 B CN 112363171B CN 202010830959 A CN202010830959 A CN 202010830959A CN 112363171 B CN112363171 B CN 112363171B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- target
- characteristic
- tracking
- extreme value
- 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
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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
Abstract
本发明公开了一种解决被动警戒画面目标航迹交叉的自主跟踪方法,主要包括宽带谱背景归一化、极值提取、特征关联、跟踪更新等步骤。本发明结合了宽‑窄带谱特性,设计了一整套完整有序的处理流程,可以有效利用目标的特征谱信息,通过降维和聚类的处理形式实现当前峰值搜索疑似目标特征与历史航迹目标特征之间的关联和类别划分,从而可以从容实现实时的特征谱标签分类和稳定连续的跟踪,对于目标航迹交叉情形下,可以实现目标分类的连续航迹。
Description
技术领域
本发明涉及被动声纳目标检测与跟踪处理技术的领域,具体涉及一种解决被动警戒画面目标航迹交叉的自主跟踪方法。
背景技术
被动声纳目标探测主要获取目标的方位信息,然而环境中同方位的不同距离上往往存在若干目标,在被动宽带警戒显控画面上,常遇到不同目标航迹交叉的现象,从而导致无法稳定对同一个目标进行可靠和持续跟踪,进而会影响受跟踪-关联方位信息引导的单波束处理及后端的被动目标识别性能。目前常见解决被动目标航迹交叉情形下的方法有基于航迹态势特性和基于卡尔曼滤波的方法,然而,诸如此类的方法需要建立准确可靠的目标运动模型,同时要求目标的航迹特征连续且差异性较大,否则性能会急剧下降甚至失效。
发明内容
本发明的目的在于克服现有技术存在的不足,而提供一种解决被动警戒画面目标航迹交叉的自主跟踪方法。
本发明的目的是通过如下技术方案来完成的:这种解决被动警戒画面目标航迹交叉的自主跟踪方法,主要包括以下步骤:
进而提取出相应的极值波束号I={Ib,b∈[1,M]},其中M表示极值提取的波束数目;
3)特征关联:基于极值波束号信息,由窄带警戒输出中得到相应波束的特征谱,然后对特征谱进行规则化处理,存储一定批次的特征谱集合后,通过t-SNE方法进行降维处理,并通过K-means聚类得到降维后特征投影的中心位置,从而划分出不同特征谱对应的特征类别,基于航迹的历史特征关联到当前极值波束对应的特征;
4)跟踪更新:从特征关联的结果,对当前的极值波束进行跟踪目标类别划分,并进行方位精测。
本发明的有益效果为:本发明提供了一种针对被动目标航迹交叉情形下可以实现目标连续稳定的自主跟踪方法,相比于其他解决目标交叉的跟踪方法,该方法利用了被动目标的时-频谱特征,通过特征降维-特征聚类处理,在被动跟踪处理的同时,时刻将规则化后的目标特征进行判别和分类,从而可以在目标交叉情形时,各跟踪器可以连续稳定地跟踪上原目标;可以辅助提高被动声纳检测、跟踪、关联融合、收听和识别的性能,且实现原理简单方便,计算量较小,具有较好实时性。
附图说明
图1为本发明的流程示意图。
图2为本发明的目标航迹交叉情形下的方位历程图。
图3为本发明的原空间谱分别经过背景归一化处理和极值提取后的空间谱比较示意图。
图4为本发明的当前批次下的窄带谱结果示意图。
图5为本发明的规则化特征谱集合经过t-SNE降维投影及K-means聚类分析结果示意图。
图6为本发明的目标分类跟踪历程示意图。
具体实施方式
下面将结合附图对本发明做详细的介绍:
如附图所示,这种解决被动警戒画面目标航迹交叉的自主跟踪方法,主要包括以下步骤:
进而提取出相应的极值波束号I={Ib,b∈[1,M]},其中M表示极值提取的波束数目;
3)特征关联:基于极值波束号信息,由窄带警戒输出中得到相应波束的特征谱,然后对特征谱进行规则化处理,存储一定批次的特征谱集合后,通过t-SNE方法进行降维处理,并通过K-means聚类得到降维后特征投影的中心位置,从而划分出不同特征谱对应的特征类别,基于航迹的历史特征关联到当前极值波束对应的特征;
4)跟踪更新:从特征关联的结果,对当前的极值波束进行跟踪目标类别划分,并进行方位精测。即使在目标交叉情形下,基于不同目标历史航迹下的谱特征集合,仍可以有效链接当前目标点与其真实的历史航迹,从而实现有效的跟踪输出。
附图1所示流程为:以宽带谱为输入,进行背景归一化处理;由背景归一化结果进行极值提取得到相应的极值波束号;以极值波束号和窄带谱中对应波束的特征谱作为输入,并结合目标历史航迹的特征集合进行特征关联,该步主要分为3部分:a、特征降维,b、特征聚类,c、分类关联;基于特征关联结果对当前特征谱进行标签分类,并累积至历史航迹特征谱集合,并实现跟踪更新。
附图3中可以看出,经过极值提取后目标峰值相对于背景更加清晰,从而可以依据数值处理方法提取疑似目标的波束号。附图4与附图3波束号对应的角度上呈现出相应目标的特征谱。附图5中彩色空心圈表示特征集合经过t-SNE降维投影后的分布,黑色实心圈表示K-means聚类点。比较附图1与附图6可以看出,即使在目标航迹交叉情形下,本技术自主跟踪的各目标航迹仍然十分清晰且未出现互相混淆。
本发明结合了宽-窄带谱特性,设计了一整套完整有序的处理流程,可以有效利用目标的特征谱信息,通过降维和聚类的处理形式实现当前峰值搜索疑似目标特征与历史航迹目标特征之间的关联和类别划分,从而可以从容实现实时的特征谱标签分类和稳定连续的跟踪,对于目标航迹交叉情形下,可以实现目标分类的连续航迹。
可以理解的是,对本领域技术人员来说,对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。
Claims (1)
1.一种解决被动警戒画面目标航迹交叉的自主跟踪方法,其特征在于:主要包括以下步骤:
进而提取出相应的极值波束号I={Ib,b∈[1,M]},其中M表示极值提取的波束数目;
3)特征关联:基于极值波束号信息,由窄带警戒输出中得到相应波束的特征谱,然后对特征谱进行规则化处理,存储一定批次的特征谱集合后,通过t-SNE方法进行降维处理,并通过K-means聚类得到降维后特征投影的中心位置,从而划分出不同特征谱对应的特征类别,基于航迹的历史特征关联到当前极值波束对应的特征;
4)跟踪更新:从特征关联的结果,对当前的极值波束进行跟踪目标类别划分,并进行方位精测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830959.3A CN112363171B (zh) | 2020-08-18 | 2020-08-18 | 一种解决被动警戒画面目标航迹交叉的自主跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830959.3A CN112363171B (zh) | 2020-08-18 | 2020-08-18 | 一种解决被动警戒画面目标航迹交叉的自主跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112363171A CN112363171A (zh) | 2021-02-12 |
CN112363171B true CN112363171B (zh) | 2022-07-05 |
Family
ID=74516735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010830959.3A Active CN112363171B (zh) | 2020-08-18 | 2020-08-18 | 一种解决被动警戒画面目标航迹交叉的自主跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112363171B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115576209B (zh) * | 2022-12-08 | 2023-03-31 | 南京理工大学紫金学院 | 一种基于极值搜索的无人机位置跟踪控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000241522A (ja) * | 1999-02-25 | 2000-09-08 | Oki Electric Ind Co Ltd | 複数センサ間データ統合・追尾装置 |
CN107238835A (zh) * | 2017-06-08 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种编队目标点航抗叉关联方法 |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
-
2020
- 2020-08-18 CN CN202010830959.3A patent/CN112363171B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000241522A (ja) * | 1999-02-25 | 2000-09-08 | Oki Electric Ind Co Ltd | 複数センサ間データ統合・追尾装置 |
CN107238835A (zh) * | 2017-06-08 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种编队目标点航抗叉关联方法 |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
Non-Patent Citations (5)
Title |
---|
一种利用空间谱特征的混响抑制方法;邵鹏飞 等;《声学技术》;20191231;第326-329页 * |
双基地高频地波雷达海杂波特性研究;仇永斌;《中国博士学位论文全文数据库 信息科技辑》;20120415(第04期);第31-36页 * |
复杂背景下的运动目标跟踪算法研究及其应用;胡玮静;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20150115(第01期);第3-7页 * |
机载圆柱形共形阵雷达杂波抑制方法;徐武军 等;《电光与控制》;20111231;第18卷(第06期);第65-68页 * |
点迹-曲线关联算法的旋转对称群目标分辨;赵盟盟 等;《空军工程大学学报(自然科学版)》;20151231;第16卷(第02期);第43-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112363171A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862705B (zh) | 一种基于运动特征和深度学习特征的无人机小目标检测方法 | |
CN110660082A (zh) | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 | |
CN110738690A (zh) | 一种基于多目标追踪框架的无人机视频中车速校正方法 | |
CN112434643A (zh) | 低慢小目标的分类识别方法 | |
Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
García-Garrido et al. | Robust traffic signs detection by means of vision and V2I communications | |
CN103336971A (zh) | 基于多特征融合与增量学习的多摄像机间的目标匹配方法 | |
Maity et al. | Fault area detection in leaf diseases using k-means clustering | |
CN104616319A (zh) | 基于支持向量机的多特征选择目标跟踪方法 | |
Liu et al. | Autonomous road detection and modeling for UGVs using vision-laser data fusion | |
Wu et al. | Traffic pattern modeling, trajectory classification and vehicle tracking within urban intersections | |
CN112363171B (zh) | 一种解决被动警戒画面目标航迹交叉的自主跟踪方法 | |
Chen et al. | Pedestrian detection and tracking based on 2d lidar | |
Cai et al. | Autoplace: Robust place recognition with single-chip automotive radar | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
KR20190138377A (ko) | Cctv와 딥러닝을 이용한 항공기 식별 및 위치 추적 시스템 | |
CN112232240A (zh) | 一种基于优化交并比函数的道路抛洒物检测与识别方法 | |
Elbaşi | Fuzzy logic-based scenario recognition from video sequences | |
Fatseas et al. | Neural network based multiple object tracking for automotive FMCW radar | |
Jiang et al. | Target detection and adaptive tracking based on multisensor data fusion in a smoke environment | |
Duan et al. | Online recommendation-based convolutional features for scale-aware visual tracking | |
CN112328651B (zh) | 基于毫米波雷达数据统计特征的交通目标识别方法 | |
Senthilnath et al. | Crop type classification based on clonal selection algorithm for high resolution satellite image | |
Jiao et al. | Detection of cladding ice on transmission line based on SVM and mathematical morphology | |
CN114627339A (zh) | 茂密丛林区域对越境人员的智能识别跟踪方法及存储介质 |
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 |