CN114509750A - 一种基于多航海雷达的水上目标追踪方法 - Google Patents
一种基于多航海雷达的水上目标追踪方法 Download PDFInfo
- Publication number
- CN114509750A CN114509750A CN202210070864.5A CN202210070864A CN114509750A CN 114509750 A CN114509750 A CN 114509750A CN 202210070864 A CN202210070864 A CN 202210070864A CN 114509750 A CN114509750 A CN 114509750A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- radar
- observation
- tracking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 235000006506 Brasenia schreberi Nutrition 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 60
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- G01S13/66—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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多航海雷达的水上目标追踪方法，该方法包括以下步骤：步骤1：采用聚类算法对雷达获取的点云数据进行目标识别，获取被识别的观测的位置和尺寸信息；步骤2：基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配，获取匹配后轨迹的状态信息；步骤3：根据匹配后轨迹的状态信息对正在追踪的轨迹进行状态估计，获取状态估计的结果，包括目标的状态信息和对应的估计方差值；步骤4：根据状态估计的结果对聚类算法的参数进行修正；步骤5：将多个雷达的追踪结果进行数据融合，即将每个雷达单独进行状态估计的结果进行融合，与现有技术相比，本发明具有缓解目标识别算法参数设置的困难和增加系统鲁棒性等优点。
Description
技术领域
本发明涉及雷达目标追踪技术领域，尤其是涉及一种基于多航海雷达的水上目标追踪方法。
背景技术
近年来，自主水面船因为能够在海上独立完成复杂危险任务作业受到越发广泛的关注，作为船载环境感知传感器的航海雷达，其目标追踪技术也成为了该领域热点问题。
现有的雷达追踪技术大多是将识别与追踪分开来逐次进行，其中目标识别大都结合深度学习技术，通过训练深度神经网络实现雷达点云的目标识别和分类，该方法需要依赖大量的水面雷达数据，现有的数据不足使得该方法的泛化能力无法得到保证，另外一种目标识别技术是使用聚类算法，但该方法需要设置算法参数，对于追踪水面运动目标时算法参数难以给定，因此，对于实际的雷达追踪系统，环境适应性和技术的实现难度是必须考虑的，就追踪算法而言，其核心问题是多目标复杂环境中的滤波追踪，由于在多目标环境中，如何正确的分配观测点给各个目标很重要，这就涉及到数据互联问题，目前数据互联方法的研究主要分为极大似然类算法和贝叶斯类算法，其中极大似然算法由于其工程实现复杂等原因，并未得到进一步发展，后者的贝叶斯类算法，由于易于将其思想与卡尔曼滤波器形式相结合，一直得到广泛的应用，对于多雷达的数据融合，主要分为集中式和分布式两种结构，相比起集中式结构，分布式具有传输数据量受环境影响小、系统稳定性高以及信息利用率高等优点，所以分布式融合方法是当前最优的。
但是雷达的目标追踪技术在识别方面目前还有不足，识别与追踪分别进行会导致多帧数据间的时间信息无法充分利用，所以即便深度学习方法的识别与追踪被广泛研究，但受限于数据不足，其环境适应性显然不如聚类的方法，而使用聚类方法就必须解决参数在线更新问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多航海雷达的水上目标追踪方法。
本发明的目的可以通过以下技术方案来实现：
一种基于多航海雷达的水上目标追踪方法，该方法包括以下步骤：
步骤1：采用聚类算法对雷达获取的点云数据进行目标识别，获取被识别的观测的位置和尺寸信息；
步骤2：基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配，获取匹配后轨迹的状态信息；
步骤3：根据匹配后轨迹的状态信息对正在追踪的轨迹进行状态估计，获取状态估计的结果，包括目标的状态信息和对应的估计方差值；
步骤4：根据状态估计的结果对聚类算法的参数进行修正；
步骤5：将多个雷达的追踪结果进行数据融合，即将每个雷达单独进行状态估计的结果进行融合。
所述的步骤1中，聚类算法通过判断两个类别间的最小距离实现目标识别，采用聚类算法对雷达获取的点云数据进行目标识别的过程具体包括以下步骤：
步骤101：对雷达获取的极坐标系下的点云数据通过坐标系变换转入直角坐标系中，坐标系变换的公式为：
x＝rn cosθn+Xn
y＝rnsinθn+Yn
其中，(θn,rn)为第n个点云数据在极坐标系下的位置，(x,y)为第n个点云数据在世界坐标系下的位置，(Xn,Yn)为雷达在观测第n个点云数据时在世界坐标系中的位置；
步骤102：处理坐标系变换的同时对点云数据进行压缩，在雷达观测的等角度与等距离方向上均值压缩点云数据，并存入一个radar_data矩阵中，radar_data矩阵的前四行用以存储极坐标下和世界坐标系下的点云数据，并计算在直角坐标系下的测量误差矩阵R，测量误差矩阵R的计算公式为：
R＝TΛTT
其中，T为变换矩阵，Λ为雷达测量误差协方差矩阵；
变换矩阵T的表达式为：
其中，(θ,r)为极坐标系下的位置；
雷达测量误差协方差矩阵Λ的表达式为：
其中，
为雷达径向观测方差，
为雷达角度观测方差；
步骤103：根据环境先验信息初始化目标识别算法的参数，环境先验信息为根据目标密集程度设置的最近距离阈值参数，当两个点簇的最近距离低于最近距离阈值参数时，则认为是属于同一个观测；
步骤104：通过迭代计算点簇之间的相似度实现点群聚集，以实现目标识别，点簇为在聚类过程中被认为是同一类的点云数据的集合，点簇之间的相似度通过点簇之间的最近距离衡量，点簇之间的最近距离的计算公式为：
其中，Ai和Bj分别表示第i组点簇的集合和第j组点簇的集合，a和b分别为第i组点簇的集合中任意一点和第j组点簇的集合中任意一点；
步骤105：对于每一个点云数据，在radar_data矩阵中的最后一行用以存储该点云数据所属的类别，对于属于同一观测的点簇，采用重心的位置作为观测的位置，即采用一组点簇中的所有点云数据的平均X坐标和Y坐标作为该点簇的位置，通过遍历radar_data矩阵累加每个类别的点云数据计算每个类别的点云数据的重心，得到该观测的位置，并计算该观测的尺寸，尺寸的计算公式为：
其中，Sk(t)为第k个观测在t时刻的面积，δθ为雷达数据的角分辨率，δR为雷达数据的径向分辨率，Ck(t)为属于第k个观测的第l个点云数据的径向距离。
所述的步骤2中，基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配的过程具体包括以下步骤：
步骤201：计算当前观测的状态信息与上一帧数据中各个轨迹的状态信息之间的距离，上一帧数据中各个轨迹即历史追踪轨迹，当前观测的状态信息与上一帧数据中各个轨迹的状态信息之间的距离vkm的计算公式为：
其中，[xk,yk]为第k个观测的位置，[xm,ym]为第m个历史追踪轨迹的预测位置，Sk为第k个观测的面积，Sm为第m个历史追踪轨迹的预测面积，Sm(t)为第m个历史追踪轨迹在t时刻的面积，λ为权重常数，N为变换矩阵；
步骤202：判断该距离是否小于最近距离阈值参数，若是，则该观测与追踪轨迹之间存在关联概率，采用确认矩阵记录结果，其中，上一帧数据中的轨迹的状态信息采用二阶外推得预测状态：
Xm(t|t-1)＝Φm(t-1)Xm(t-1|t-1)
其中，Xm(t|t-1)为第m个历史追踪轨迹根据t-1时刻的状态估计对t时刻的状态的预测，Φm(t-1)为第m个历史追踪轨迹在t-1时刻的状态转移矩阵，采用二阶线性模型，Xm(t-1|t-1)为第m个历史追踪轨迹在t-1时刻的状态估计；
确认矩阵的表达式为：
R＝[rkm]q×w,(k＝1,2,...,q),(m＝1,2,...,w)
其中，rkm为确认矩阵中的元素，当rkm＝1时表示第k个观测与第m个历史追踪轨迹可关联，当rkm＝0时表示第k个观测与第m个历史追踪轨迹不可关联，q为观测的数量，w为历史追踪轨迹的数量；
步骤203：通过确认矩阵和当前观测的状态信息与上一帧数据中轨迹的状态信息之间的距离获取当前数据帧中每个观测与上一帧数据中每个轨迹的关联概率，采用联合概率数据互联思想计算关联概率，其方法如下：
其中，Pkm是指第k个观测与正在追踪的第m条轨迹的发生关联的概率，正在追踪的第m条轨迹即第m条历史追踪轨迹，Gkm是一个正比于高斯似然函数的量，可称其为有效似然函数，用以表征第k个观测与正在追踪的第m条轨迹的关联程度， Am为正在追踪的第m条轨迹的所有观测的有效似然函数之和，Ak为观测的所有目标的有效似然函数之和，B为一个很小的非负常数，B的值依照杂波密度设置, vkm(t)为t时刻第k个观测的状态信息与正在追踪的第m条轨迹的状态信息之间的距离，Sm(t)为t时刻正在追踪的第m条轨迹的面积，T为观测的数量，mk为轨迹的数量；
步骤204：通过对上一帧数据中每个轨迹对应的观测根据关联概率加权计算当前时刻该轨迹的等效状态观测：
其中，
是当前时刻正在追踪的第m个轨迹的等效状态观测，正在追踪的第m 个轨迹即第m个历史追踪轨迹，Pkm是第k个观测与正在追踪的第m个轨迹的关联概率，Xk是第k个观测。
所述的步骤201中，当前观测的状态信息和上一帧数据中轨迹的状态信息分别以向量ak和bm的形式表示：
ak＝[xk yk Sk]
其中，ak为当前数据帧中第k个观测的状态向量，xk、yk和Sk分别为当前数据帧中第k个观测的x轴坐标、y轴坐标和面积尺寸，bm为第m个历史追踪轨迹的状态向量，xm、ym和Sm分别为第m个历史追踪轨迹的x轴坐标、y轴坐标和面积尺寸，
和
分别为第m个历史追踪轨迹的x轴速度和y轴速度。
所述的步骤202中，在计算当前观测的状态信息与上一帧数据中轨迹的状态信息之间的距离时，通过计算修正后的用以匹配目标的差值向量避免位置维度或面积维度在状态向量的距离衡量中占比过大，修正后的用以匹配目标的差值向量的计算公式为：
其中，d为t+1时刻与t时刻状态变量的差值向量，d'为修正后用以匹配目标的差值向量，St和St+1分别为t+1时刻与t时刻目标的面积值。
所述的步骤3中，根据匹配后轨迹的状态信息对正在追踪的轨迹进行状态估计的过程具体包括以下步骤：
步骤301：采用贝叶斯类滤波方法对位置与速度进行状态估计，即采用匀加速运动模型的卡尔曼滤波器对位置与速度进行状态估计，并给出对应估计的方差，将轨迹的状态观测向量送入贝叶斯类滤波器，获得正在追踪的轨迹的状态估计向量，即获得正在追踪的目标的状态信息和对应的估计方差值，正在追踪的轨迹的状态向量形式为：
其中，Xu(t)为t时刻正在追踪的第u个轨迹的状态向量，xu(t)、yu(t)分别是指t时刻正在追踪的第u个轨迹的x轴位置和y轴位置，
和
分别为t时刻正在追踪的第u个轨迹的x轴速度和y轴速度，
和
分别为t时刻正在追踪的第u个轨迹的x轴加速度和x轴加速度；
步骤302：对正在追踪的轨迹的面积尺寸采用滑窗法取均值：
其中，S(t)为采用滑窗法估计得到的目标的面积尺寸，s(t-τ)为t-τ时刻观测到的目标面积，M为滑窗宽度，M的取值范围为4～6。
所述的步骤4中，根据状态估计的结果对聚类算法的参数进行修正的过程具体包括以下步骤：
步骤401：对状态估计得出的估计方差矩阵解算位置估计的方差值，该方差值超过预设的阈值时，采用该方差值对聚类算法的参数进行修正，且该步骤只在匀加速运动模型的追踪方差已经收敛的情况下进行：
D'＝D-δ|Pxy|
其中，D'为修正后的聚类算法的相似度阈值，即修正后的目标识别算法的距离阈值参数，D为未经修正的聚类算法的相似度阈值，Pxy为估计方差矩阵中的位置方差矩阵，δ为修正系数；
步骤402：重新进行目标识别和滤波处理，以避免因聚类算法的参数设置不当使得目标识别的误差大。
所述的步骤5中，将多个雷达的追踪结果进行数据融合，采用分布式融合结构，每个雷达送入数据中心的局部航迹参与数据融合，即对局部航迹的状态估计融合，对送入轨迹的当前的状态信息与数据中心的历史追踪轨迹的状态信息进行关联：
其中，b为模糊均值算法中的加权指数，表示每一条轨迹在各个模糊类之间的权重，dum为关联距离，υum为第u条轨迹与数据中心的第m条历史追踪轨迹的隶属度，c为数据中心的轨迹总数。
所述的关联距离的计算公式为：
其中，Δ1和Δ2分别为数据中心和雷达的数据分辨率，x1和x2分别为数据中心和雷达当前的状态信息。
所述的步骤5中，多个雷达的追踪结果进行数据融合得到的状态信息x和方差矩阵p的表达式分别为：
其中，P1和P2分别为数据中心和雷达的方差矩阵。
与现有技术相比，本发明具有以下优点：
一、本发明提出的基于多航海雷达的水上目标追踪方法，通过引入追踪滤波的参数估计方差对聚类算法参数进行修正，缓解了目标识别算法参数设置的困难，同时增加了系统鲁棒性。
二、本发明提出的基于多航海雷达的水上目标追踪方法，由于使用多雷达的分布式追踪系统，避免因个别雷达的错误观测对结果带来的误差，提高了算法对复杂性环境的适应能力。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
一种基于多航海雷达的水上目标追踪方法，该方法包括以下步骤：
步骤1：采用聚类算法对雷达获取的点云数据进行目标识别，获取被识别的观测的位置和尺寸信息；
步骤2：基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配，获取匹配后轨迹的状态信息；
步骤3：根据匹配后轨迹的状态信息对正在追踪的轨迹进行状态估计，获取状态估计的结果，包括目标的状态信息和对应的估计方差值；
步骤4：根据状态估计的结果对聚类算法的参数进行修正；
步骤5：将多个雷达的追踪结果进行数据融合，即将每个雷达单独进行状态估计的结果进行融合。
在步骤1中，采用聚类算法对雷达获取的点云数据进行目标识别的过程具体包括以下步骤：
步骤101：对雷达获取的极坐标系下的点云数据通过坐标系变换转入直角坐标系中；变换公式为：
x＝rncosθn+Xn
y＝rnsinθn+Yn
其中，(θn,rn)为第n个点云数据在极坐标系下的位置，(x,y)为第n个点云数据在世界坐标系下的位置，(Xn,Yn)为雷达在观测第n个点云数据时在世界坐标系中的位置；
步骤102：处理坐标系变换的同时对点云数据进行压缩，在雷达观测的等角度与等距离方向上均值压缩点云数据，并存入一个radar_data矩阵中，radar_data矩阵的尺寸为该帧点云数据压缩后的点数乘5，其中，radar_data矩阵的前四行用以存储极坐标下以及世界坐标系下的点云数据，并计算在直角坐标系下的测量误差矩阵R：
R＝TΛTT
其中，T为变换矩阵，Λ为雷达测量误差协方差矩阵；
变换矩阵T的表达式为：
其中，(θ,r)为极坐标系下的位置；
雷达测量误差协方差矩阵Λ的表达式为：
其中，
为雷达径向观测方差，
为雷达角度观测方差；
步骤103：根据环境先验信息初始化目标识别算法的参数；
步骤104：聚类算法采用层次聚类法，通过迭代计算相似度实现点群聚集，以实现目标识别，点簇之间的相似度采用点簇之间的最近距离衡量，点簇之间的最近距离的计算公式为：
其中，Ai和Bj分别表示第i组点簇的集合和第j组点簇的集合，a和b分别为第 i组点簇的集合中任意一点和第j组点簇的集合中任意一点；
步骤105：对于每一个点云数据，在radar_data矩阵中的最后一行用以存储该点云数据所属的类别，对于属于同一观测的点簇，采用重心的位置作为观测的位置，即采用一组点簇中的所有点云数据的平均X坐标和Y坐标作为该点簇的位置，通过遍历radar_data矩阵累加每个类别的点云数据计算每个类别的点云数据的重心，得到该观测的位置，并计算该观测的尺寸，尺寸的计算公式为：
其中，Sk(t)为第k个观测在t时刻的面积，δθ为雷达数据的角分辨率，δR为雷达数据的径向分辨率，Ck(t)为属于第k个观测的第l个点云数据的径向距离。
在步骤2中，基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配的过程具体包括以下步骤：
基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配的过程具体包括以下步骤：
步骤201：计算当前观测的状态信息与上一帧数据中各个轨迹的状态信息之间的距离，当前观测的状态信息与上一帧数据中各个轨迹的状态信息之间的距离vkm的计算公式为：
其中，[xk,yk]为第k个观测的位置，[xm,ym]为第m个历史追踪轨迹的预测位置，历史追踪轨迹即上一帧数据中的轨迹，Sk为第k个观测的面积，Sm为第m个历史追踪轨迹的预测面积，Sm(t)为第m个历史追踪轨迹在t时刻的面积，λ为权重常数，N为变换矩阵；
步骤202：判断该距离是否小于最近距离阈值参数，若是，则该观测与追踪轨迹之间存在关联概率，采用确认矩阵记录结果，其中，上一帧数据中的轨迹的状态信息采用二阶外推得预测状态：
Xm(t|t-1)＝Φm(t-1)Xm(t-1|t-1)
其中，Xm(t|t-1)为第m个历史追踪轨迹根据t-1时刻的状态估计对t时刻的状态的预测，Φm(t-1)为第m个历史追踪轨迹在t-1时刻的状态转移矩阵，采用二阶线性模型，Xm(t-1|t-1)为第m个历史追踪轨迹在t-1时刻的状态估计；
确认矩阵的表达式为：
R＝[rkm]q×w,(k＝1,2,...,q),(m＝1,2,...,w)
其中，rkm为确认矩阵中的元素，当rkm＝1时表示第k个观测与第m个历史追踪轨迹可关联，当rkm＝0时表示第k个观测与第m个历史追踪轨迹不可关联，q为观测的数量，w为历史追踪轨迹的数量；
步骤203：通过确认矩阵和当前观测的状态信息与上一帧数据中轨迹的状态信息之间的距离获取当前数据帧中每个观测与上一帧数据中每个轨迹的关联概率；
步骤204：通过对上一帧数据中每个轨迹对应的观测根据关联概率加权计算当前时刻该轨迹的等效状态观测：
其中，
是当前时刻正在追踪的第m个轨迹的等效状态观测，正在追踪的第m 个轨迹即第m个历史追踪轨迹，Pkm是第k个观测与正在追踪的第m个轨迹的关联概率，Xk是第k个观测；
正在追踪就是历史追踪，都是指当前时刻之前已有的轨迹，此处采用联合概率数据互联思想计算关联概率，其方法如下：
其中，Pkm是指第k个观测与正在追踪的第m条轨迹的发生关联的概率，正在追踪的第m条轨迹即第m条历史追踪轨迹，Gkm是一个正比于高斯似然函数的量，可称其为有效似然函数，用以表征第k个观测与正在追踪的第m条轨迹的关联程度， Am为正在追踪的第m条轨迹的所有观测的有效似然函数之和，Ak为观测的所有目标的有效似然函数之和，B为一个很小的非负常数，该值一般依照杂波密度设置，置为0有时也会有较好的效果，vkm(t)为t时刻第k个观测的状态信息与正在追踪的第m条轨迹的状态信息之间的距离，Sm(t)为t时刻正在追踪的第m条轨迹的面积， T为观测的数量，mk为轨迹的数量。
当前观测的状态信息和上一帧数据中的轨迹的状态信息分别以向量ak和bm的形式表示：
ak＝[xk yk Sk]
其中，ak为当前数据帧中第k个观测的状态向量，xk、yk和Sk分别为当前数据帧中第k个观测的x轴坐标、y轴坐标和面积尺寸，bm为第m个历史追踪轨迹的状态向量，xm、ym和Sm分别为第m个历史追踪轨迹的x轴坐标、y轴坐标和面积尺寸，
和
分别为第m个历史追踪轨迹的x轴速度和y轴速度。
在进行目标匹配的计算距离时，需要明确xi、yi和Si所度量的物理量是不同的，通过计算修正后的用于匹配目标的差值向量避免位置维度或面积维度在状态向量的距离衡量中占比过大，修正后的用于匹配目标的差值向量的计算公式为：
其中，d为t+1时刻与t时刻状态变量的差值向量，d'为修正后用于匹配目标的差值向量，St和St+1分别为t+1时刻与t时刻目标的面积值。
在步骤3中，根据匹配后轨迹的状态信息对正在追踪的轨迹进行状态估计的过程具体包括以下步骤：
步骤301：采用匀加速运动模型的卡尔曼滤波器对位置与速度进行状态估计，并获取对应估计的方差，即送入贝叶斯类滤波器的正在追踪的轨迹的状态向量形式为：
其中，Xu(t)为t时刻正在追踪的第u个轨迹的状态向量，xu(t)、yu(t)分别是指t时刻正在追踪的第u个轨迹的x轴位置和y轴位置，
和
分别为t时刻正在追踪的第u个轨迹的x轴速度和y轴速度，
和
分别为t时刻正在追踪的第u个轨迹的x轴加速度和x轴加速度。
步骤302：对正在追踪的轨迹的面积尺寸采用滑窗法取均值：
其中，S(t)为采用滑窗法估计得到的目标的面积尺寸，s(t-τ)为t-τ时刻观测到的目标面积，M为滑窗宽度，M的取值范围为4～6；
在步骤4中，根据状态估计的结果对聚类算法的参数进行修正的过程具体包括以下步骤：
步骤401：对状态估计得出的估计方差矩阵解算位置估计的方差值，该方差值超过预设的阈值时，采用该方差值对目标识别算法的参数进行修正，且该步骤只在系统的追踪方差已经收敛的情况下进行：
D'＝D-δ|Pxy|
其中，D'为修正后的聚类算法的相似度阈值，即修正后的目标识别算法的距离阈值参数，D为未经修正的聚类算法的相似度阈值，Pxy为估计方差矩阵中的位置方差矩阵，δ为修正系数；
步骤402：重新进行目标识别和滤波处理，以避免因参数设置不当使得目标识别误差较大。
在步骤5中，将多个雷达的追踪结果进行数据融合的过程具体为：
将多雷达追踪结果进行数据融合，采用分布式融合结构，每个雷达送入数据中心的局部航迹参与数据融合，实质上是对局部航迹的状态估计融合，在此系统结构下，雷达相当于执行了初步滤波和去除噪声的功能，只需传输目标当前的状态，具体来说，对送入轨迹的当前的状态信息与数据中心的状态信息进行关联：
其中，b为模糊均值算法中的加权指数，表示每一条轨迹在各个模糊类之间的权重，dum为关联距离，υum为第u条轨迹与数据中心的第m条轨迹的隶属度，c为数据中心的轨迹总数。
关联距离的计算公式为：
其中，Δ1和Δ2分别为数据中心和雷达的数据分辨率，x1和x2分别为数据中心和雷达的当前状态信息。
融合得到的状态信息x以及方差矩阵p为：
其中，P1和P2分别为数据中心和雷达的方差矩阵。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于多航海雷达的水上目标追踪方法，其特征在于，该方法包括以下步骤：
步骤1：采用聚类算法对雷达获取的点云数据进行目标识别，获取被识别的观测的位置和尺寸信息；
步骤2：基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配，获取匹配后轨迹的状态信息；
步骤3：根据匹配后轨迹的状态信息对正在追踪的轨迹进行状态估计，获取状态估计的结果，包括目标的状态信息和对应的估计方差值；
步骤4：根据状态估计的结果对聚类算法的参数进行修正；
步骤5：将多个雷达的追踪结果进行数据融合，即将每个雷达单独进行状态估计的结果进行融合。
2.根据权利要求1所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤1中，聚类算法通过判断两个类别间的最小距离实现目标识别，采用聚类算法对雷达获取的点云数据进行目标识别的过程具体包括以下步骤：
步骤101：对雷达获取的极坐标系下的点云数据通过坐标系变换转入直角坐标系中，坐标系变换的公式为：
x＝rncosθn+Xn
y＝rnsinθn+Yn
其中，(θn,rn)为第n个点云数据在极坐标系下的位置，(x,y)为第n个点云数据在世界坐标系下的位置，(Xn,Yn)为雷达在观测第n个点云数据时在世界坐标系中的位置；
步骤102：处理坐标系变换的同时对点云数据进行压缩，在雷达观测的等角度与等距离方向上均值压缩点云数据，并存入一个radar_data矩阵中，radar_data矩阵的前四行用以存储极坐标下和世界坐标系下的点云数据，并计算在直角坐标系下的测量误差矩阵R，测量误差矩阵R的计算公式为：
R＝TΛTT
其中，T为变换矩阵，Λ为雷达测量误差协方差矩阵；
变换矩阵T的表达式为：
其中，(θ,r)为极坐标系下的位置；
雷达测量误差协方差矩阵Λ的表达式为：
其中，
为雷达径向观测方差，
为雷达角度观测方差；
步骤103：根据环境先验信息初始化目标识别算法的参数，环境先验信息为根据目标密集程度设置的最近距离阈值参数，当两个点簇的最近距离低于最近距离阈值参数时，则认为是属于同一个观测；
步骤104：通过迭代计算点簇之间的相似度实现点群聚集，以实现目标识别，点簇为在聚类过程中被认为是同一类的点云数据的集合，点簇之间的相似度通过点簇之间的最近距离衡量，点簇之间的最近距离的计算公式为：
其中，Ai和Bj分别表示第i组点簇的集合和第j组点簇的集合，a和b分别为第i组点簇的集合中任意一点和第j组点簇的集合中任意一点；
步骤105：对于每一个点云数据，在radar_data矩阵中的最后一行用以存储该点云数据所属的类别，对于属于同一观测的点簇，采用重心的位置作为观测的位置，即采用一组点簇中的所有点云数据的平均X坐标和Y坐标作为该点簇的位置，通过遍历radar_data矩阵累加每个类别的点云数据计算每个类别的点云数据的重心，得到该观测的位置，并计算该观测的尺寸，尺寸的计算公式为：
其中，Sk(t)为第k个观测在t时刻的面积，δθ为雷达数据的角分辨率，δR为雷达数据的径向分辨率，Ck(t)为属于第k个观测的第l个点云数据的径向距离。
3.根据权利要求2所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤2中，基于联合概率数据互联方法实现当前观测与已有的历史追踪轨迹进行匹配的过程具体包括以下步骤：
步骤201：计算当前观测的状态信息与上一帧数据中各个轨迹的状态信息之间的距离，上一帧数据中各个轨迹即历史追踪轨迹，当前观测的状态信息与上一帧数据中各个轨迹的状态信息之间的距离vkm的计算公式为：
其中，[xk,yk]为第k个观测的位置，[xm,ym]为第m个历史追踪轨迹的预测位置，Sk为第k个观测的面积，Sm为第m个历史追踪轨迹的预测面积，Sm(t)为第m个历史追踪轨迹在t时刻的面积，λ为权重常数，N为变换矩阵；
步骤202：判断该距离是否小于最近距离阈值参数，若是，则该观测与追踪轨迹之间存在关联概率，采用确认矩阵记录结果，其中，上一帧数据中的轨迹的状态信息采用二阶外推得预测状态：
Xm(t|t-1)＝Φm(t-1)Xm(t-1|t-1)
其中，Xm(t|t-1)为第m个历史追踪轨迹根据t-1时刻的状态估计对t时刻的状态的预测，Φm(t-1)为第m个历史追踪轨迹在t-1时刻的状态转移矩阵，采用二阶线性模型，Xm(t-1|t-1)为第m个历史追踪轨迹在t-1时刻的状态估计；
确认矩阵的表达式为：
R＝[rkm]q×w,(k＝1,2,...,q),(m＝1,2,...,w)
其中，rkm为确认矩阵中的元素，当rkm＝1时表示第k个观测与第m个历史追踪轨迹可关联，当rkm＝0时表示第k个观测与第m个历史追踪轨迹不可关联，q为观测的数量，w为历史追踪轨迹的数量；
步骤203：通过确认矩阵和当前观测的状态信息与上一帧数据中轨迹的状态信息之间的距离获取当前数据帧中每个观测与上一帧数据中每个轨迹的关联概率，采用联合概率数据互联思想计算关联概率，其方法如下：
其中，Pkm是指第k个观测与正在追踪的第m条轨迹的发生关联的概率，正在追踪的第m条轨迹即第m条历史追踪轨迹，Gkm是一个正比于高斯似然函数的量，可称其为有效似然函数，用以表征第k个观测与正在追踪的第m条轨迹的关联程度，Am为正在追踪的第m条轨迹的所有观测的有效似然函数之和，Ak为观测的所有目标的有效似然函数之和，B为一个很小的非负常数，B的值依照杂波密度设置,vkm(t)为t时刻第k个观测的状态信息与正在追踪的第m条轨迹的状态信息之间的距离，Sm(t)为t时刻正在追踪的第m条轨迹的面积，T为观测的数量，mk为轨迹的数量；
步骤204：通过对上一帧数据中每个轨迹对应的观测根据关联概率加权计算当前时刻该轨迹的等效状态观测：
其中，
是当前时刻正在追踪的第m个轨迹的等效状态观测，正在追踪的第m个轨迹即第m个历史追踪轨迹，Pkm是第k个观测与正在追踪的第m个轨迹的关联概率，Xk是第k个观测。
4.根据权利要求3所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤201中，当前观测的状态信息和上一帧数据中轨迹的状态信息分别以向量ak和bm的形式表示：
ak＝[xk yk Sk]
其中，ak为当前数据帧中第k个观测的状态向量，xk、yk和Sk分别为当前数据帧中第k个观测的x轴坐标、y轴坐标和面积尺寸，bm为第m个历史追踪轨迹的状态向量，xm、ym和Sm分别为第m个历史追踪轨迹的x轴坐标、y轴坐标和面积尺寸，
和
分别为第m个历史追踪轨迹的x轴速度和y轴速度。
5.根据权利要求4所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤202中，在计算当前观测的状态信息与上一帧数据中轨迹的状态信息之间的距离时，通过计算修正后的用以匹配目标的差值向量避免位置维度或面积维度在状态向量的距离衡量中占比过大，修正后的用以匹配目标的差值向量的计算公式为：
其中，d为t+1时刻与t时刻状态变量的差值向量，d'为修正后用以匹配目标的差值向量，St和St+1分别为t+1时刻与t时刻目标的面积值。
6.根据权利要求1所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤3中，根据匹配后轨迹的状态信息对正在追踪的轨迹进行状态估计的过程具体包括以下步骤：
步骤301：采用贝叶斯类滤波方法对位置与速度进行状态估计，即采用匀加速运动模型的卡尔曼滤波器对位置与速度进行状态估计，并给出对应估计的方差，将轨迹的状态观测向量送入贝叶斯类滤波器，获得正在追踪的轨迹的状态估计向量，即获得正在追踪的目标的状态信息和对应的估计方差值，正在追踪的轨迹的状态向量形式为：
其中，Xu(t)为t时刻正在追踪的第u个轨迹的状态向量，xu(t)、yu(t)分别是指t时刻正在追踪的第u个轨迹的x轴位置和y轴位置，
和
分别为t时刻正在追踪的第u个轨迹的x轴速度和y轴速度，
和
分别为t时刻正在追踪的第u个轨迹的x轴加速度和x轴加速度；
步骤302：对正在追踪的轨迹的面积尺寸采用滑窗法取均值：
其中，S(t)为采用滑窗法估计得到的目标的面积尺寸，s(t-τ)为t-τ时刻观测到的目标面积，M为滑窗宽度，M的取值范围为4～6。
7.根据权利要求1所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤4中，根据状态估计的结果对聚类算法的参数进行修正的过程具体包括以下步骤：
步骤401：对状态估计得出的估计方差矩阵解算位置估计的方差值，该方差值超过预设的阈值时，采用该方差值对聚类算法的参数进行修正，且该步骤只在匀加速运动模型的追踪方差已经收敛的情况下进行：
D'＝D-δ|Pxy|
其中，D'为修正后的聚类算法的相似度阈值，即修正后的目标识别算法的距离阈值参数，D为未经修正的聚类算法的相似度阈值，Pxy为估计方差矩阵中的位置方差矩阵，δ为修正系数；
步骤402：重新进行目标识别和滤波处理，以避免因聚类算法的参数设置不当使得目标识别的误差大。
8.根据权利要求1所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤5中，将多个雷达的追踪结果进行数据融合，采用分布式融合结构，每个雷达送入数据中心的局部航迹参与数据融合，即对局部航迹的状态估计融合，对送入轨迹的当前的状态信息与数据中心的历史追踪轨迹的状态信息进行关联：
其中，b为模糊均值算法中的加权指数，表示每一条轨迹在各个模糊类之间的权重，dum为关联距离，υum为第u条轨迹与数据中心的第m条历史追踪轨迹的隶属度，c为数据中心的轨迹总数。
9.根据权利要求8所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的关联距离的计算公式为：
其中，Δ1和Δ2分别为数据中心和雷达的数据分辨率，x1和x2分别为数据中心和雷达当前的状态信息。
10.根据权利要求9所述的一种基于多航海雷达的水上目标追踪方法，其特征在于，所述的步骤5中，多个雷达的追踪结果进行数据融合得到的状态信息x和方差矩阵p的表达式分别为：
其中，P1和P2分别为数据中心和雷达的方差矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070864.5A CN114509750A (zh) | 2022-01-21 | 2022-01-21 | 一种基于多航海雷达的水上目标追踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070864.5A CN114509750A (zh) | 2022-01-21 | 2022-01-21 | 一种基于多航海雷达的水上目标追踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114509750A true CN114509750A (zh) | 2022-05-17 |
Family
ID=81549562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210070864.5A Pending CN114509750A (zh) | 2022-01-21 | 2022-01-21 | 一种基于多航海雷达的水上目标追踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114509750A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115407273A (zh) * | 2022-08-29 | 2022-11-29 | 哈尔滨工业大学（威海） | 一种特定安防区域监控提醒报警装置及方法 |
| CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
| CN116106853A (zh) * | 2023-04-12 | 2023-05-12 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面场景目标动静状态识别方法 |
-
2022
- 2022-01-21 CN CN202210070864.5A patent/CN114509750A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115407273A (zh) * | 2022-08-29 | 2022-11-29 | 哈尔滨工业大学（威海） | 一种特定安防区域监控提醒报警装置及方法 |
| CN115407273B (zh) * | 2022-08-29 | 2024-01-05 | 哈尔滨工业大学（威海） | 一种特定安防区域监控提醒报警装置及方法 |
| CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
| CN116106853A (zh) * | 2023-04-12 | 2023-05-12 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面场景目标动静状态识别方法 |
| CN116106853B (zh) * | 2023-04-12 | 2023-09-01 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面场景目标动静状态识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114509750A (zh) | 一种基于多航海雷达的水上目标追踪方法 | |
| CN112180361B (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
| CN110849372B (zh) | 一种基于em聚类的水下多目标轨迹关联方法 | |
| CN110865343B (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
| CN113408392B (zh) | 基于卡尔曼滤波和神经网络的航迹补全方法 | |
| CN106443598A (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
| CN116166960A (zh) | 用于神经网络训练的大数据特征清洗方法及系统 | |
| CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
| Wang et al. | An adaptive particle swarm optimization for underwater target tracking in forward looking sonar image sequences | |
| CN110058222A (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
| CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
| CN117036400A (zh) | 基于混合高斯模型模糊聚类数据关联的多目标群跟踪方法 | |
| CN116734860A (zh) | 一种基于因子图的多auv自适应协同定位方法及系统 | |
| CN112802195B (zh) | 一种基于声呐的水下机器人连续占据建图方法 | |
| CN110766140A (zh) | 一种基于XGBoost与LSTM的多传感器实时威胁等级分类方法 | |
| CN111328015B (zh) | 一种基于Fisher信息距离的无线传感器网络目标跟踪方法 | |
| Silva et al. | A multi-layer k-means approach for multi-sensor data pattern recognition in multi-target localization | |
| Suresh et al. | Machine learning approaches for multi-sensor data pattern recognition: K-means, deep neural networks, and multi-layer K-means | |
| CN113408422B (zh) | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 | |
| CN114088086B (zh) | 一种抗测量野值干扰的多目标鲁棒定位方法 | |
| CN114200438B (zh) | 一种基于多传感器数据融合算法的运动目标航迹感知方法 | |
| Jwo et al. | Neural network-based geometry classification for navigation satellite selection | |
| Perera et al. | A gm-phd filter with estimation of probability of detection and survival for individual targets | |
| CN113283527B (zh) | 一种基于层级指标的雷达威胁评估方法 | |
| CN112883331B (zh) | 一种基于多输出高斯过程的目标跟踪方法 |
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 |