CN113516037A - 海上船只航迹片段关联方法、系统、存储介质及设备 - Google Patents

海上船只航迹片段关联方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN113516037A
CN113516037A CN202110512635.XA CN202110512635A CN113516037A CN 113516037 A CN113516037 A CN 113516037A CN 202110512635 A CN202110512635 A CN 202110512635A CN 113516037 A CN113516037 A CN 113516037A
Authority
CN
China
Prior art keywords
track
target
track segment
marine vessel
new
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.)
Granted
Application number
CN202110512635.XA
Other languages
English (en)
Other versions
CN113516037B (zh
Inventor
孙伟峰
马鹏
戴永寿
庞真真
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202110512635.XA priority Critical patent/CN113516037B/zh
Publication of CN113516037A publication Critical patent/CN113516037A/zh
Application granted granted Critical
Publication of CN113516037B publication Critical patent/CN113516037B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及海上船只航迹片段关联方法、系统、存储介质及设备，包括以下步骤：获取海上船只目标的点迹数据，得到新起始航迹集合与终止航迹集合，提取表征目标运动状态的航迹特征，利用目标航迹的特征向量得到候选关联航迹片段对集合；利用目标航迹的时间信息与空间位置信息对候选关联航迹片段对集合进行筛选，得到筛选后的航迹片段关联对集合；将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合。综合运用目标的航迹特征、目标状态间的时空约束关系以及目标状态信息进行多级关联，逐层筛选后得到的候选航迹对集合经最优分配计算得到最终的关联航迹对集合，提升了紧凑型地波雷达的目标连续性跟踪性能。

Description

海上船只航迹片段关联方法、系统、存储介质及设备
技术领域
本发明涉及海上船只目标超视距监视监测技术领域，具体为海上船只航迹片段关联方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
高频地波雷达(High Frequency Surface Wave Radar，HFSWR)利用3-30MHz垂直极化电磁波沿海面绕射传播衰减小的特点，可以实现针对海上船只与低空飞行器等移动目标以及海洋动力参数的大范围连续监测，具有超视距、全天候、低成本等优点，已经成为一种重要的海上目标监测手段。目标探测用的地波雷达一般采用大型阵列式接收天线，其选址、部署与维护的难度大，限制了其推广应用。因此，紧凑型地波雷达系统及相应的目标探测技术成为一个新的发展方向。
目前，有两种典型的紧凑型地波雷达系统，一种采用单极子/交叉环天线，例如，CODAR公司的SeaSonde系统，武汉大学研制的OSMAR系统等。另一种采用小型阵列式(3-8阵元)接收天线，例如，Helzel MessTechnik公司的WERA-S系统，中国石油大学(华东)研制的CORMS紧凑型地波雷达系统等。紧凑型地波雷达系统占地面积小，部署灵活，维护方便，可以将其部署在海岛或者船只平台上，拓展其应用范围。
然而，由于发射功率降低及接收天线阵列孔径减小，紧凑型地波雷达在目标探测时存在信噪比低、检测概率低、定位精度低、数据率低、虚警率高的特点，导致其在目标跟踪时常常发生航迹断裂，即一条完整的长航迹断裂为多条短航迹片段，降低了紧凑型地波雷达对目标跟踪的连续性。
航迹片段关联是提升紧凑型地波雷达目标跟踪连续性的一种有效方法，航迹片段关联方法可分为两类：
一类是基于状态预测的航迹片段关联方法，该类方法通过状态预测的方式将需要关联的航迹片段预测至同一选定时刻，利用该时刻目标的运动参数或属性参数等状态信息，计算不同航迹片段间的相似性，借助相应的准则完成关联判决，此类方法的关联效果依赖于对目标状态预测的准确性。
另一类是基于航迹特征的航迹片段关联方法，其基本思想是从目标在连续多个时刻的状态序列中提取符合目标运动规律的航迹特征，基于航迹特征借助相应的分类方法完成航迹片段关联，此类方法的关联效果取决于航迹特征提取的准确性。
紧凑型地波雷达目标检测时检测概率低、定位精度低，直接应用上述方法进行航迹片段关联时，由于状态预测时误差较大，容易导致错误关联，导致航迹片段关联的效果不理想，难以保证应用紧凑型地波雷达时的目标跟踪连续性。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供海上船只航迹片段关联方法、系统、存储介质及设备，利用目标多时刻连续运动累积的航迹特征信息(平均航向与平均航速)、新起始航迹与已终止航迹中目标状态间的时空约束关系以及目标状态(多普勒速度、距离与方位角)之间的相似性，提升多个航迹片段关联的准确性；另一方面，将多目标航迹片段关联问题转化为最优分配问题，借助最优分配算法实现关联航迹片段之间的最优匹配。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供海上船只航迹片段关联方法，包括以下步骤：
获取海上船只目标的点迹数据，得到新起始航迹集合与终止航迹集合，提取表征目标运动状态的航迹特征，利用目标航迹的特征向量得到候选关联航迹片段对集合；
利用目标航迹的时间信息与空间位置信息对候选关联航迹片段对集合进行筛选，得到筛选后的航迹片段关联对集合；
将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合。
航迹特征为每条航迹中海上船只的平均航向与平均航速。
利用目标航迹的特征向量得到候选关联航迹片段对集合的过程中，采取基于k-means聚类的航迹片段粗关联算法。
利用目标航迹的特征向量得到候选关联航迹片段对集合的过程中，获取每条航迹的平均航速与平均航向，基于平均航速与平均航向组成二维的目标特征向量。
将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合的过程中，将新起始航迹进行后向预测与终止航迹进行前向预测至同一选定时刻，分别得到该时刻目标多普勒速度、距离与方位角的预测状态。
将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合的过程中，将多普勒速度、距离与方位角作为目标参数，利用最小关联代价函数计算新起始航迹预测状态与对应终止航迹预测状态间的关联代价，建立关联代价矩阵。
将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合的过程中，利用JVC算法求解关联代价矩阵，得到最优的航迹片段关联组合形成最终的航迹片段关联对集合。
本发明的第二个方面提供基于上述海上船只航迹片段关联方法的系统，包括：
存储模块，存储模块与地波雷达连接，被配置为：接收地波雷达获取的海上船只目标点迹数据；
处理模块，处理模块与存储模块连接，被配置为：利用海上船只目标点迹数据得到新起始航迹集合与终止航迹集合，提取表征目标运动状态的航迹特征，利用目标航迹的特征向量得到候选关联航迹片段对集合；
处理模块还被配置为：利用目标航迹的时间信息与空间位置信息对候选关联航迹片段对集合进行筛选，得到筛选后的航迹片段关联对集合；
处理模块还被配置为：将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的海上船只航迹片段关联方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的海上船只航迹片段关联方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、综合运用目标的航速与航向特征、目标状态间的时空约束关系以及目标状态信息进行多级关联，将逐层筛选后得到的候选航迹对集合采用最优分配方法计算得到最终的关联航迹对集合，提升了紧凑型地波雷达的目标连续性跟踪性能。
2、能够准确反映作为目标的海上船只具有的运动规律，并基于运动规律中的航迹特征实现航迹片段粗关联。
3、考虑了目标航迹片段间的时间、空间约束关系，能在密集目标环境下提升航迹片段关联的可靠性，降低错误关联概率。
4、考虑传统航迹片段关联方法单一的后向预测方式因系统噪声、量测噪声等因素导致关联效果较差，提出了新起始航迹后向预测与终止航迹前向预测结合的方式，将航迹片段对双向预测至同一选定时刻，有效克服了预测误差对航迹片段关联的影响。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一个或多个实施例提供的航迹片段多级关联流程示意图；
图2为本发明一个或多个实施例提供的基于仿真数据的紧凑型地波雷达目标航迹跟踪结果示意图；
图3为本发明一个或多个实施例提供的基于传统TSA方法的关联结果示意图；
图4为本发明一个或多个实施例提供的基于双向预测的紧凑型地波雷达航迹片段多级关联结果示意图；
图5为本发明一个或多个实施例提供的紧凑型高频地波雷达目标漏检分析示意图；
图6为本发明一个或多个实施例提供的紧凑型高频地波雷达杂波干扰及错误关联分析示意图；
图7为本发明一个或多个实施例提供的基于实测数据的紧凑型地波雷达目标航迹跟踪结果示意图；
图8为本发明一个或多个实施例提供的基于k-means的航迹片段粗关联结果示意图；
图9为本发明一个或多个实施例提供的基于时空约束的航迹片段对筛选结果示意图；
图10为本发明一个或多个实施例提供的紧凑型地波雷达航迹片段双向预测示意图；
图11为本发明一个或多个实施例提供的紧凑型地波雷达航迹片段最优匹配结果示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，为了提升紧凑型地波雷达航迹片段关联的准确性，要克服的问题包括：
紧凑型地波雷达对目标探测时的检测概率低易导致目标漏检，且定位精度低、虚警率高，利用探测得到的数据进行状态预测时误差较大，导致航迹片段关联错误率高。
某一段或多段新起始航迹可能会存在同时和两条或两条以上的终止航迹满足关联条件，即航迹的匹配存在多义性，若采用序贯式关联可能会导致关联错误。
因此以下实施例提出了海上船只航迹片段关联方法、系统存储介质及设备，综合运用目标的航速与航向特征、目标状态间的时空约束关系以及目标状态信息进行多级关联，将逐层筛选后得到的候选航迹对集合采用最优分配方法计算得到最终的关联航迹对集合。
实施例一：
如图1所示，海上船只航迹片段关联方法，包括以下步骤：
获取海上船只目标的点迹数据，得到新起始航迹集合与终止航迹集合，提取表征目标运动状态的航迹特征，利用目标航迹的特征向量得到候选关联航迹片段对集合；
利用目标航迹的时间信息与空间位置信息对候选关联航迹片段对集合进行筛选，得到筛选后的航迹片段关联对集合；
将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合。
具体过程如下：
1、紧凑型地波雷达航迹片段问题；
紧凑型地波雷达在以雷达位置为坐标原点的极坐标系下表示目标，除了可以获取目标的多普勒速度外，还可以得到目标的距离和方位角参数等一系列数据。本实施例借助转换坐标卡尔曼滤波算法，利用紧凑型地波雷达探测得到的数据对海上船只目标进行实时跟踪。受测向精度低与杂波干扰等问题的影响，跟踪过程常常发生航迹断裂。为了提高紧凑型地波雷达的连续性跟踪性能，需要将属于同一目标的航迹片段进行关联处理，即当新起始一条航迹时，需要判断该航迹是新目标航迹还是已有目标航迹的延续。综上所述，定义如下两类航迹：
(1)终止航迹：满足航迹终止条件(连续3帧检测不到目标点迹)不再继续进行状态更新的航迹，将其定义为：
T_old＝{T_old(1),T_old(2),…,T_old(N)} (1)
其中，N代表终止航迹的数目，T_old(j),j＝1,2,…,N表示第j条终止航迹。将T_old(j)表示为T_old(j)＝{PT_old(1),PT_old(2),…,PT_old(n)}，其中，PT_old(h),h＝1,2,…,n表示终止航迹T_old(j)的第h个目标滤波点迹。
(2)新起始航迹：满足3/4逻辑起始条件(连续4次扫描中，检测目标点迹数达到或超过3次)的航迹，将其定义为：
T_new＝{T_new(1),T_new(2),…,T_new(M)} (2)
其中，M代表新起始航迹的数目，本节将长度为l的第i条新起始航迹表示为T_new(i)＝{PT_new(1),PT_new(2),…,PT_new(l)}。
2、紧凑型地波雷达航迹特征提取；
分析AIS提供的大量真实目标航迹数据可知，多数船只目标在海上沿着固定的航道行驶，且某个区域内的航道基本呈直线状态，短时间内不会发生较大的机动，即目标的运动状态较为平稳。平均航向与平均航速可以反映船只目标的总体运动方向与航行速度，因此本实施例选择平均航向与平均航速作为表征目标运动状态的航迹特征：
(1)平均航向
目标的航向可分为瞬时航向与平均航向，紧凑型地波雷达方位角探测精度低，目标的量测点迹位置偏离其真实值，瞬时航向随着不同时刻量测点迹位置不同而变化。平均航向能够反映目标的总体运动方向，因此将平均航向作为表征目标运动状态的特征之一。以航迹T_new(i)为例，将其平均航向定义为：
Figure BDA0003060886780000101
其中，
Figure BDA0003060886780000102
表示新起始航迹T_new(i)在k时刻的瞬时航向，其计算方式如公式(4)所示：
Figure BDA0003060886780000103
其中：
Figure BDA0003060886780000104
Figure BDA0003060886780000105
其中，
Figure BDA0003060886780000106
与
Figure BDA0003060886780000107
分别表示航迹T_new(i)在k时刻的经度与纬度。
(2)平均航速
将新起始航迹T_new(i)在k时刻的平均航速定义为：
Figure BDA0003060886780000108
其中，
Figure BDA0003060886780000109
表示航迹T_new(i)在k时刻的瞬时航速，其定义如公式(8)所示：
Figure BDA00030608867800001010
其中，d(PT_new(k),PT_new(k-1))表示滤波点迹PT_new(k)与PT_new(k-1)之间的球面距离，T表示雷达采样间隔。为了充分利用目标航迹的运动特征，本实施例结合平均航向与平均航速组成目标航迹的运动特征向量，如式(9)与(10)所示：
Figure BDA00030608867800001011
Figure BDA0003060886780000111
其中，
Figure BDA0003060886780000112
与
Figure BDA0003060886780000113
分别表示新起始航迹T_new(i)与终止航迹T_old(j)的运动特征向量，[·]T表示转置操作。
3、基于k-means聚类的航迹片段粗关联；
为了区分不同的船只目标，充分利用目标航迹的特征向量，本实施例选择聚类方法对航迹片段集合进行粗关联。聚类是一种无监督的机器学习方法，它可以将不含标签的数据分为若干个类，类内相似而类间相异。常见的聚类方法有：划分聚类法、层次聚类法与模型聚类法等。k-means属于划分聚类法中的一种常用的聚类方法，可以通过不断迭代优化得到最优的聚类结果，该方法简单有效且实时性强，但必须事先确定类的个数。本实施例将新起始航迹作为聚类中心，避免了k-means的固有缺陷，很大程度上提高了关联算法的有效性。具体步骤如下：
步骤1.选定新起始航迹{T_new(1),T_new(2),...,T_new(M)}的特征向量作为初始聚类中心，建立特征向量矩阵：
Figure BDA0003060886780000114
步骤2.利用式(11)计算每条终止航迹与初始聚类中心间的相似度，并将终结航迹分配到相似度最大的聚类集合：
Figure BDA0003060886780000115
步骤3.利用式(12)重新计算各个聚类集合中终止航迹的均值,得到新的聚类中心μh：
Figure BDA0003060886780000121
其中，
Figure BDA0003060886780000122
表示聚类集合，Ki表示聚类集合
Figure BDA0003060886780000123
中航迹的数目。
步骤4.利用式(13)定义损失函数：
Figure BDA0003060886780000124
在若干次迭代后损失函数的值或者聚类中心位置不发生改变时终止计算，得到航迹片段关联组合
Figure BDA0003060886780000125
其中，
Figure BDA0003060886780000126
表示可能来源于同一目标i的航迹片段。
4、基于时空约束的航迹片段对筛选；
考虑到目标的运动特性，在航迹片段关联过程中，同一目标的新起始航迹片段与终止航迹片段中的目标参数之间存在时空约束。在时间上，新起始航迹总是形成于终止航迹之后；在空间位置上，新起始航迹的起始点与终止航迹的结束点之间的距离、时间间隔与目标的运动速度之间存在约束关系。本实施例借助目标航迹的时间信息与空间位置信息对由粗关联确定的航迹片段对进行约束，以终止航迹T_old(j)与新起始航迹T_new(i)为例，步骤如下：
步骤1.基于时间约束关系的航迹片段对筛选，通过式(14)实现：
Figure BDA0003060886780000127
其中，
Figure BDA0003060886780000128
表示匹配的终止航迹T_old(j)末尾点迹对应的时间，
Figure BDA0003060886780000129
表示新起始航迹T_new(i)第一个点迹对应的时间。如果新起始航迹T_new(i)第一个点迹对应的时间晚于匹配航迹片段T_old(j)末尾点迹对应的时间，则T_new(i)与T_old(j)符合时间约束条件，可继续进行空间位置约束判断。
步骤2.基于空间位置约束关系的航迹片段对筛选，通过式(15)实现：
|d1-d2|≤dmax (15)
其中，dmax表示航迹片段间的距离阈值，d1表示目标在新起始航迹T_new(i)起始时间
Figure BDA0003060886780000131
与终止航迹T_old(j)终结时间
Figure BDA0003060886780000132
间隔内以平均速度行驶的距离，其定义如式(16)所示。d2表示新起始航迹T_new(i)的起始位置PT_new(1)与终止航迹T_old(j)的终结位置PT_old(n)之间的实际距离，其定义如式(17)所示：
Figure BDA0003060886780000133
d2＝d(PT_new(1),PT_old(n)) (17)
通过式(14)—式(17)对航迹片段对
Figure BDA0003060886780000134
进行筛选，可进一步缩小关联范围。
5、基于双向预测的航迹片段最优匹配
完成上述关联步骤后，某一段或多段新起始航迹可能会存在同时和两条或两条以上的终止航迹满足关联条件，即航迹的匹配存在多义性。为了解决该问题，本实施例通过新起始航迹后向预测与终止航迹前向预测的方式，将对应的航迹片段对预测至同一选定时刻，通过对比该时刻预测点迹的相似度判断航迹片段是否满足关联条件。以新起始航迹T_new(i)与终止航迹T_old(j)为例，将T_new(i)由最后时刻
Figure BDA0003060886780000135
后向预测至起始时刻
Figure BDA0003060886780000136
进而预测至选定时刻tij得到状态预测点
Figure BDA0003060886780000141
与tij如式(18)与(19)所示：
Figure BDA0003060886780000142
Figure BDA0003060886780000143
将T_old(j)由起始时刻
Figure BDA0003060886780000144
前向预测至终结时刻
Figure BDA0003060886780000145
进而预测至选定时刻tij得到状态预测点
Figure BDA0003060886780000146
其表达方式如式(20)所示：
Figure BDA0003060886780000147
为了完成航迹片段的最优匹配，定义航迹片段的关联代价函数，如式(21)所示：
a＝1-(av+ar+aθ) (21)
其中，av、ar与aθ分别表示航迹片段T_old(j)与T_new(i)的预测状态
Figure BDA0003060886780000148
与
Figure BDA0003060886780000149
在多普勒速度、距离以及方位角上的相似度，由式(22)—式(24)计算得到：
Figure BDA00030608867800001410
Figure BDA00030608867800001411
Figure BDA00030608867800001412
其中，
Figure BDA00030608867800001413
与
Figure BDA00030608867800001414
分别代表多普勒速度、距离和方位角三个参数的标准差，Wv、Wr与Wθ表示三个参数的关联权重，依据三个参数的分辨率高低设置，满足式(25)的条件：
Wv+Wr+Wθ＝1 (25)
将新起始航迹与终止航迹双向预测至同一时刻后，航迹片段关联问题可转化为最优分配问题，常用的最优分配方法有Munkres算法、Auction算法和JVC算法。其中，Munkres算法与JVC算法的最优分配效果优于拍卖算法，且JVC算法具有最高的计算效率，因此，本实施例选择采用JVC算法求解最优的航迹片段关联组合。
假设终止航迹集合{T_old(1),T_old(2),…,T_old(N)}与新起始航迹集合{T_new(1),T_new(2),…,T_new(M)}之间的关联存在多义性问题，以多普勒速度、距离和方位角作为目标的状态参数，采用式(21)计算航迹片段状态预测点之间的关联代价，形成关联代价矩阵D，表示为：
Figure BDA0003060886780000151
其中，aij表示新起始航迹T_new(i)与终止航迹T_old(j)在tij时刻的预测状态
Figure BDA0003060886780000152
与
Figure BDA0003060886780000153
间的关联代价，对于该航迹片段关联组合，总关联代价的定义为：
Figure BDA0003060886780000154
其中，δij为二值函数，表示T_new(i)与T_old(j)之间的关联情况：
Figure BDA0003060886780000155
约束条件表示为：
Figure BDA0003060886780000156
Figure BDA0003060886780000157
式(29)表示任意一条新起始航迹T_new(i)最多与一条终止航迹T_old(j)关联，式(30)表示任意一条终止航迹T_old(j)最多与一条新起始航迹T_new(i)关联。以总关联代价最小作为约束条件，采用JVC算法确定最佳的航迹片段关联组合
Figure BDA0003060886780000161
Figure BDA0003060886780000162
其中，
Figure BDA0003060886780000163
表示新起始航迹T_new(i)与终止航迹T_old(Ui)均来自于同一船只目标i，
Figure BDA0003060886780000164
表示其预测状态间的关联代价。本实施例所提的最优匹配算法的数学模型如式(31)所示：
{[T_new(1),T_old(U1)]…[T_new(M),T_old(UM)]}＝argmin(Δ) (31)
验证；
为了评价本实施例所提方法的性能，分别利用仿真及实测目标数据，以转换坐标卡尔曼滤波算法作为基本的跟踪方法，应用本实施例提出的方法进行了多目标航迹片段关联实验。
仿真数据实验
选择5批邻近行驶且存在多目标航迹交叉的场景开展仿真实验，设置数据率为1帧/分钟，5批航迹在以雷达位置为原点的极坐标系下的初始距离、方位角、多普勒速度等参数如表1所示。
表1仿真目标的参数
Figure BDA0003060886780000165
根据紧凑型地波雷达目标探测时不同参数的误差范围，分别给距离、方位角、多普勒速度加入不同强度的高斯白噪声，并在观测区域加入服从泊松分布的杂波，得到仿真场景。以转换坐标卡尔曼滤波算法(Converted Measurement Kalman Filter，CMKF)作为基本的跟踪方法，得到的航迹跟踪结果如图2所示，图中实心点代表目标航迹起始位置，使用相同线型与符号表示属于同一目标船只的航迹片段。
分别使用传统航迹片段关联方法(Track Segment Association，TSA)和本实施例方法对目标航迹片段进行关联，得到的关联结果如图3-图4所示，关联结果用相同线型的航迹片段表示。由于目标4的航迹不属于任何发生航迹断裂的目标，目标5发生航迹断裂后并没有起始新航迹，此处不针对目标4、目标5进行详细的关联分析，所以图3-图4中只表示已完成配对关联的目标1、2与3的航迹片段。
从图3可以看出，使用TSA方法进行关联时，目标3的航迹片段完成了正确匹配，但目标1与目标2的航迹片段发生了错误关联。从图4可以看出，使用本实施例提出的方法，3个目标均完成了正确的匹配关联。通过分析可知，目标1与目标2的航迹片段间的预测状态关联代价分布如表2所示。
表2航迹关联代价分布(目标1与目标2)
Figure BDA0003060886780000171
由表2可知，采用传统TSA方法时，新起始航迹1与关联代价更小的终止航迹2关联，从而导致了错误关联。本实施例方法在总关联代价最小的约束条件下寻找最优的航迹关联组合，当总关联代价取最小值0.1117+0.5933＝0.7050时，恰好对应正确的航迹关联组合，验证了本实施例方法的有效性。
2、实测数据实验
(1)利用中国石油大学(华东)研制的CORMS紧凑型地波雷达系统于2019年1月18日在中国威海附近海域进行了目标探测实验，该雷达系统的工作频率为4.7MHZ，采用天线孔径为105米的8阵元接收天线阵列，数据率为1帧/分钟，从11:04a.m.至15:29p.m.共采集266帧数据。
为了分析目标跟踪过程中发生航迹断裂的原因，选取了利用紧凑型HFSWR实测数据跟踪得到的4条航迹片段进行分析，如图5-图6所示，图中展示了目标航迹片段与航迹断裂时间间隔内的量测点迹，文字标记位置为航迹起始位置，黑色点迹表示杂波。采用航迹-航迹关联方法找到与图中雷达航迹关联的船舶自动识别系统(Automatic IdentificationSystem，AIS)航迹，确认图5与图6中的航迹片段分别来自于同一船只目标。参照图5-图6中的两个目标分析紧凑型地波雷达跟踪过程中发生航迹断裂的原因，如下：
1)目标漏检：从图5可以看出，目标1的航迹在53min时终止，并在63min-92min形成了新航迹。54-62min时间间隔内，紧凑型HFSWR在该区域探测得到的量测点迹较为规则。经分析发现，1min-50min时间间隔内，来源于目标1的量测点迹均位于相应时刻的关联波门内，51min-53min连续3帧关联波门内均没有量测点迹，满足航迹终止条件，无法继续进行状态更新从而导致航迹断裂。通过分析51min-62min的量测点迹分布可知，航迹断裂时间间隔内本应存在12帧量测点迹，实际跟踪环境中却只有6帧点迹，目标在该时间段内没有被雷达检测到。
2)杂波干扰及错误关联：从图6可以看出，目标2的航迹在54min时终止，并在59min-109min形成了新航迹。
通过分析可知，55min-58min时间间隔内，雷达探测到的量测点迹杂乱无章，且杂波较多。分析实际跟踪环境发现，当雷达系统跟踪目标至44min时，当前时刻的关联波门内同时存在来源于该目标的量测点迹与杂波点迹，目标航迹在当前时刻的预测位置距离杂波更近，导致航迹无法关联到正确的量测点迹，从而出现错误关联。同理，目标航迹在45min-53min误关联到杂波，导致航迹逐渐偏离正确的行驶方向，从而发生航迹断裂。除杂波干扰、漏检与误关联等问题外，系统误差、采样间隔时间长、目标方位角的探测精度降低等问题同样可能成为导致航迹断裂的原因。
(2)以转换坐标卡尔曼滤波算法作为基本的跟踪方法，基于紧凑型高频地波雷达的实测数据进行航迹跟踪实验，选择4个目标的航迹片段作为个例，如图7所示。从图7可以看出，4条目标航迹均发生了断裂。利用本实施例提出的基于k-means聚类的粗关联方法对航迹片段进行多级关联，关联结果如图8所示，图中将可能关联的航迹片段用相同线型与符号标记。可见，利用基于k-means聚类的粗关联方法缩小了关联范围，得到了可能关联的航迹片段组合，即新起始航迹1、新起始航迹2与终结航迹1、终结航迹2可能来源于同一目标，并以此类推。为了进一步判断新起始航迹片段的来源，利用本实施例提出的基于时空约束的航迹片段关联方法进一步约束粗关联得到的航迹片段对集合，将得到的航迹片段关联结果示于图9。如图9所示，通过时空逻辑的约束，确认新起始航迹1与终结航迹1互为关联，使用实心圆点符号标记；新起始航迹2与终结航迹2互为关联，使用星型符号标记。
为了进一步确认新起始航迹3与新起始航迹4的目标来源，使用本实施例提出的基于双向预测的航迹片段最优匹配方法对4个航迹片段进行双向预测，将预测结果示于图10，图中灰色符号表示航迹片段双向预测结果。如图10所示，基于双向预测方法得到的航迹(用灰色表示)符合目标的运动规律，航迹片段的关联代价分布如表3所示。
表3关联代价计算结果(实测数据)
Figure BDA0003060886780000201
针对表3中的关联代价计算结果，利用航迹片段最优匹配算法进一步判断新起始航迹的来源。可以看出，当总关联代价取最小值0.6052+0.1124＝0.7176时，恰好对应正确的航迹关联组合，最优匹配结果如图11所示，图中相同线型与符号表示属于同一目标的航迹片段。从图11可以看出，基于本实施例提出的紧凑型地波雷达目标航迹片段多级关联算法，可以准确地分辨新起始航迹的目标来源，4条新起始航迹片段均关联到正确的终止航迹片段，验证了本实施例提出方法的有效性。
为了验证本实施例提出方法的计算速率与关联准确性，定义正确关联率(Rt)、错误关联率(Rf)以及漏关联率(Rn)等评价指标如式(32)-(34)所示。
Figure BDA0003060886780000211
Figure BDA0003060886780000212
Figure BDA0003060886780000213
其中，n表示发生航迹断裂的目标个数，nt表示正确关联的航迹片段对数目，nf表示错误关联的航迹片段对数目，nn表示漏关联的航迹片段对数目。分别采用传统TSA方法与本发明提出方法，利用实测数据跟踪得到发生航迹断裂的51个目标,进行了200次蒙特卡洛关联实验，并进行关联准确性分析，实验结果如表4所示。
表4采用两种方法的关联结果比较(实测数据)
Figure BDA0003060886780000214
从表4中的结果可以看出，本实施例所提方法的正确关联率相较于传统TSA方法提高了30.1％，错误关联率以及漏关联率分别降低了15.2％和14.9％。与传统TSA方法相比，本实施例方法的平均运行时间提高了7.1s，满足航迹关联的实时性要求。
本实施例针对紧凑型地波雷达因目标漏检、定位精度低与杂波干扰等原因易发生航迹断裂导致航迹连续性差的问题，提出了一种基于双向预测的紧凑型地波雷达海上多目标航迹片段多级关联方法，该方法综合运用目标的航速与航向特征、目标状态间的时空约束关系以及目标状态信息进行多级关联，将逐层筛选后得到的候选航迹对集合采用最优分配方法计算得到最终的关联航迹对集合，提升了紧凑型地波雷达的目标连续性跟踪性能。仿真与实测数据实验结果表明，与传统TSA方法相比，本实施例提出方法的关联正确率得到了明显提升，且处理速度能够满足工程要求。
实施例二：
本实施例提供了实现上述检测方法的系统，包括：
存储模块，存储模块与地波雷达连接，被配置为：接收地波雷达获取的海上船只目标点迹数据；
处理模块，处理模块与存储模块连接，被配置为：利用海上船只目标点迹数据得到新起始航迹集合与终止航迹集合，提取表征目标运动状态的航迹特征，利用目标航迹的特征向量得到候选关联航迹片段对集合；
处理模块还被配置为：利用目标航迹的时间信息与空间位置信息对候选关联航迹片段对集合进行筛选，得到筛选后的航迹片段关联对集合；
处理模块还被配置为：将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合。
本实施例提出的海上船只航迹片段关联方法中，综合运用目标的航速与航向特征、目标状态间的时空约束关系以及目标状态信息进行多级关联，将逐层筛选后得到的候选航迹对集合采用最优分配方法计算得到最终的关联航迹对集合，提升了紧凑型地波雷达的目标连续性跟踪性能。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一中提出的海上船只航迹片段关联方法中的步骤。
本实施例执行的海上船只航迹片段关联方法中，综合运用目标的航速与航向特征、目标状态间的时空约束关系以及目标状态信息进行多级关联，将逐层筛选后得到的候选航迹对集合采用最优分配方法计算得到最终的关联航迹对集合，提升了紧凑型地波雷达的目标连续性跟踪性能。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现如上述实施例一提出的海上船只航迹片段关联方法中的步骤。
本实施例处理器执行的海上船只航迹片段关联方法中，综合运用目标的航速与航向特征、目标状态间的时空约束关系以及目标状态信息进行多级关联，将逐层筛选后得到的候选航迹对集合采用最优分配方法计算得到最终的关联航迹对集合，提升了紧凑型地波雷达的目标连续性跟踪性能。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.海上船只航迹片段关联方法，其特征在于：包括以下步骤：
获取海上船只目标的点迹数据，得到新起始航迹集合与终止航迹集合，提取表征目标运动状态的航迹特征，利用目标航迹的特征向量得到候选关联航迹片段对集合；
利用目标航迹的时间信息与空间位置信息对候选关联航迹片段对集合进行筛选，得到筛选后的航迹片段关联对集合；
将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合。
2.如权利要求1所述的海上船只航迹片段关联方法，其特征在于：所述航迹特征为每条航迹中海上船只的平均航向与平均航速。
3.如权利要求1所述的海上船只航迹片段关联方法，其特征在于：所述利用目标航迹的特征向量得到候选关联航迹片段对集合的过程中，采取基于k-means聚类的航迹片段粗关联算法。
4.如权利要求1所述的海上船只航迹片段关联方法，其特征在于：所述利用目标航迹的特征向量得到候选关联航迹片段对集合的过程中，获取每条航迹的平均航速与平均航向，基于平均航速与平均航向组成二维的目标特征向量。
5.如权利要求1所述的海上船只航迹片段关联方法，其特征在于：所述将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合的过程中，将新起始航迹进行后向预测与终止航迹进行前向预测至同一选定时刻，分别得到该时刻目标多普勒速度、距离与方位角的预测状态。
6.如权利要求5所述的海上船只航迹片段关联方法，其特征在于：所述将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合的过程中，将多普勒速度、距离与方位角作为目标参数，利用最小关联代价函数计算新起始航迹预测状态与对应终止航迹预测状态间的关联代价，建立关联代价矩阵。
7.如权利要求6所述的海上船只航迹片段关联方法，其特征在于：所述将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合的过程中，利用JVC算法求解关联代价矩阵，得到最优的航迹片段关联组合形成最终的航迹片段关联对集合。
8.海上船只航迹片段关联系统，包括：
存储模块，存储模块与地波雷达连接，被配置为：接收地波雷达获取的海上船只目标点迹数据；
处理模块，处理模块与存储模块连接，被配置为：利用海上船只目标点迹数据得到新起始航迹集合与终止航迹集合，提取表征目标运动状态的航迹特征，利用目标航迹的特征向量得到候选关联航迹片段对集合；
处理模块还被配置为：利用目标航迹的时间信息与空间位置信息对候选关联航迹片段对集合进行筛选，得到筛选后的航迹片段关联对集合；
处理模块还被配置为：将筛选得到的新起始航迹与终止航迹双向预测至同一选定时刻，计算得到最终的航迹片段关联对集合。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的海上船只航迹片段关联方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的海上船只航迹片段关联方法中的步骤。
CN202110512635.XA 2021-05-11 2021-05-11 海上船只航迹片段关联方法、系统、存储介质及设备 Active CN113516037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110512635.XA CN113516037B (zh) 2021-05-11 2021-05-11 海上船只航迹片段关联方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110512635.XA CN113516037B (zh) 2021-05-11 2021-05-11 海上船只航迹片段关联方法、系统、存储介质及设备

Publications (2)

Publication Number Publication Date
CN113516037A true CN113516037A (zh) 2021-10-19
CN113516037B CN113516037B (zh) 2024-01-23

Family

ID=78064136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110512635.XA Active CN113516037B (zh) 2021-05-11 2021-05-11 海上船只航迹片段关联方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN113516037B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985406A (zh) * 2021-12-24 2022-01-28 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
CN114415112A (zh) * 2022-03-30 2022-04-29 中国科学院空天信息创新研究院 多星多辐射源数据动态关联方法、装置及电子设备
CN117249835A (zh) * 2023-11-09 2023-12-19 南京航空航天大学 一种天基无源协同多目标观测数据关联定位方法
CN117251748A (zh) * 2023-10-10 2023-12-19 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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298152A (zh) * 2010-06-23 2011-12-28 爱信艾达株式会社 轨迹信息生成装置和方法以及计算机可读存储介质
WO2012151333A2 (en) * 2011-05-02 2012-11-08 Certusview Technologies, Llc Marking methods, apparatus and systems including optical flow-based dead reckoning features
CN107643083A (zh) * 2017-09-18 2018-01-30 中国人民解放军海军航空工程学院 基于轨迹预报的空间目标中断航迹关联方法
CN110686679A (zh) * 2019-10-29 2020-01-14 中国人民解放军军事科学院国防科技创新研究院 高轨光学卫星海上目标中断航迹关联方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298152A (zh) * 2010-06-23 2011-12-28 爱信艾达株式会社 轨迹信息生成装置和方法以及计算机可读存储介质
US20110320155A1 (en) * 2010-06-23 2011-12-29 Aisin Aw Co., Ltd. Track information generating device, track information generating method, and computer-readable storage medium
WO2012151333A2 (en) * 2011-05-02 2012-11-08 Certusview Technologies, Llc Marking methods, apparatus and systems including optical flow-based dead reckoning features
CN107643083A (zh) * 2017-09-18 2018-01-30 中国人民解放军海军航空工程学院 基于轨迹预报的空间目标中断航迹关联方法
CN110686679A (zh) * 2019-10-29 2020-01-14 中国人民解放军军事科学院国防科技创新研究院 高轨光学卫星海上目标中断航迹关联方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩伟;陈传生;李志淮;: "一种多普勒盲区下的航迹片段关联方法", 雷达科学与技术, no. 03 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985406A (zh) * 2021-12-24 2022-01-28 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
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
CN114415112A (zh) * 2022-03-30 2022-04-29 中国科学院空天信息创新研究院 多星多辐射源数据动态关联方法、装置及电子设备
CN117251748A (zh) * 2023-10-10 2023-12-19 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
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
CN117249835A (zh) * 2023-11-09 2023-12-19 南京航空航天大学 一种天基无源协同多目标观测数据关联定位方法
CN117249835B (zh) * 2023-11-09 2024-03-29 南京航空航天大学 一种天基无源协同多目标观测数据关联定位方法

Also Published As

Publication number Publication date
CN113516037B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN113516037B (zh) 海上船只航迹片段关联方法、系统、存储介质及设备
CN114859339B (zh) 一种基于毫米波雷达的多目标跟踪方法
Chen et al. A modified probabilistic data association filter in a real clutter environment
Ehlers et al. Batch tracking algorithm for multistatic sonars
CN108957437B (zh) 一种基于环境态势分析的雷达目标跟踪方法
CN112881993B (zh) 自动识别雷达分布杂波引起虚假航迹的方法
Qiu et al. A survey of motion-based multitarget tracking methods
CN110907908B (zh) 基于包络分析的导航雷达信号分选方法
CN113702979B (zh) 一种跨区目标跟踪轨迹片段时空拼接方法
CN113156417B (zh) 反无人机探测系统、方法和雷达设备
CN109521420B (zh) 基于多特征匹配的多目标跟踪方法
CN111505649B (zh) 一种拖曳式被动阵列声呐低信噪比舰船运动目标检测方法
CN110146873A (zh) 分布式非相参雷达的目标位置和速度的估计方法
CN112130142A (zh) 一种复杂运动目标微多普勒特征提取方法及系统
CN110261828B (zh) 基于距离-角误差二维聚类的横向干扰判定方法
KR101968327B1 (ko) 항적 거리 보상 장치 및 방법
Mieczyńska et al. DBSCAN algorithm for AIS data reconstruction
CN113608193A (zh) 一种基于UNet的雷达多目标距离和速度估计方法
CN113759362B (zh) 雷达目标数据关联的方法、装置、设备和存储介质
CN115144847A (zh) 针对海杂波中弱目标探测的参数空间多通道目标搜索技术
CN108627825A (zh) 一种雷达发现概率的分析方法和系统
CN113625266A (zh) 应用雷达检测低速目标的方法、装置、存储介质和设备
CN109375205B (zh) 基于字典学习的多种类无人机场景识别方法及装置
CN112763989B (zh) 一种基于cdif的抖动信号分选方法
CN113390406B (zh) 基于被动多传感器系统的多目标数据关联与定位方法

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