CN114814777B - 一种多雷达密集目标的图形匹配关联方法及系统 - Google Patents
一种多雷达密集目标的图形匹配关联方法及系统 Download PDFInfo
- Publication number
- CN114814777B CN114814777B CN202210736654.5A CN202210736654A CN114814777B CN 114814777 B CN114814777 B CN 114814777B CN 202210736654 A CN202210736654 A CN 202210736654A CN 114814777 B CN114814777 B CN 114814777B
- Authority
- CN
- China
- Prior art keywords
- vector
- triangle
- target
- similarity matrix
- radar
- 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 48
- 239000013598 vector Substances 0.000 claims abstract description 216
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241001421235 Radara Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual 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
- 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
- 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
- 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
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供的一种多雷达密集目标的图形匹配关联方法及系统,通过构建雷达跟踪目标形成的向量集;分析误差对近似全等度的影响,组成向量相似度矩阵;给出单时刻图形匹配算法计算流程,使用贪心算法向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;进而在其他目标中筛选顶点与基础边组成备选关联三角形;并设计连续时刻下关联关系维持方法,使用DS证据理论将历史时刻以及当前时刻的成功关联三角形判决,确定当前时刻的最终成功关联三角形所对应的目标,提高关联关系维持的稳定性和关联正确率。本发明具备时间复杂度低、收敛速度快、实时性能高的特点,通过建立稳定正确的目标关联关系,可以有效支撑多雷达目标融合轨道生成等应用。
Description
技术领域
本发明属于雷达目标跟踪技术领域,具体涉及一种多雷达密集目标的图形匹配关联方法及系统。
背景技术
使用雷达进行密集目标的监测对工程实践具有重大意义,而目标集群因其分布较为集中具有一些相同的特征。如一箭多星入轨初期,卫星之间距离较近,运动速度基本一致,因而形成密集目标群。
密集目标群通常分布在空间100千米范围内,目标间距离在2千米至10千米之间,相控阵雷达测量目标空间位置时,受系统误差和随机误差影响较大,目标空间位置误差与目标间距离相当,而利用短时段雷达测量数据进行轨道确定时,误差修正有限。全局最近邻、多假设跟踪等关联方法高度依赖准确的雷达误差分布模型,但雷达测量误差在威力范围内,通常随方位、俯仰、斜距等空间位置因素变化,也随温度、湿度、大气密度等时间因素变化,一般难以准确掌握,因此传统的方法关联正确率不高。
随着人工智能相关技术发展,研究人员将神经网络引入了目标关联,而神经网络实现目标关联需要大量的训练数据,且数据需要覆盖多部雷达共视区域,才能使得神经网络具有较好的泛化性。考虑雷达误差的时间因素,则要求训练数据有足够的时间跨度。因此,采用神经网络方法进行密集目标关联面临的主要问题是难以采集合适的训练数据。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种多雷达密集目标的图形匹配关联方法。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供的一种多雷达密集目标的图形匹配关联方法,包括:
获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;
根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;
计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;
将当前时刻模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵;
将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;
以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;
将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形;
将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标。
可选的,根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集包括:
将每组雷达跟踪的目标作为一个顶点,将每个顶点与其他顶点相连获得两个顶点所形成的向量;
针对每组雷达,将该组雷达跟踪目标所形成的向量组成向量集。
可选的,目标数据包括目标距离、仰角以及方位;计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵包括:
针对每个雷达,根据目标距离计算该雷达的向量集中向量与其他雷达的向量集中向量之间的模长相似度,以及根据目标仰角以及方位,计算指向相似度;
将向量集中每个向量的模长相似度组成向量集的矩阵相似度矩阵,以及指向相似度组成指向相似度矩阵。
可选的,将当前时刻的模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵包括:
将当前时刻的模长相似度矩阵与指向相似度矩阵中对应位置元素求平均,得到每个位置的平均值组成的向量相似度矩阵。
可选的,将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形包括:
将每个目标作为三角形的一个顶点,对向量相似度矩阵中的元素进行从大到小排序;
其中,每个元素对应2个向量和4个目标;
搜索与中间向量和起始向量相连接的终止向量;
将起始向量、中间向量以及终止向量组成近似全等三角形;
当近似全等三角形为多个时,选择近似全等度最高的三角形为备选三角形。
可选的,以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形包括:
去除备选三角形的任一个顶点,以剩余两个顶点组成目标顶点;
使用贪心算法选择任一目标作为顶点与目标顶点分别连接组成三角形向量;
将三角形向量组成备选关联三角形。
可选的,将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形包括:
计算组成备选三角形的每个向量的近似全等度;
将组成备选三角形的向量近似全等度进行求和,得到备选三角形的近似全等度;
判断备选三角形的近似全等度是否大于判断门限,如果大于判决门限,则确定备选三角形为当前时刻的成功关联三角形。
可选的,将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标包括:
获取历史时刻成功关联三角形对应的目标;
将当前时刻的成功关联三角形的目标以及历史时刻成功关联三角形对应的目标作为判断数据,使用DS证据理论中的组合mass函数进行判决,得到电气概念时刻的最终成功关联三角形所对应的目标。
第二方面,本发明提供的一种多雷达密集目标的图形匹配关联系统,包括:
获取模块,被配置为获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;
构建模块,被配置为根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;
计算模块,被配置为计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;
组成模块,被配置为将当前时刻模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵;
确定模块,被配置为将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;
搜索模块,被配置为以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;
判决模块,被配置为将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形;
关联模块,被配置为将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标。
本发明提供的一种多雷达密集目标的图形匹配关联方法及系统,通过获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;分析误差对近似全等度的影响,计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;组成向量相似度矩阵;给出了单时刻图形匹配算法计算流程,以将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;设计连续时刻下关联关系维持方法,以将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形,将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标,提高关联关系维持的稳定性和关联正确率。本发明具备时间复杂度低、收敛速度快、实时性能高的特点,通过建立稳定正确的目标关联关系,可以有效支撑多雷达目标融合轨道生成等应用。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种多雷达密集目标的图形匹配关联方法的流程示意图;
图2是本发明实施例提供的一种多雷达密集目标的图形匹配关联方法的过程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
值得说明是:本发明技术方案主要由近似全等度三角形搜索、单时刻关联判决和关联关系维持三部分组成。
如图1所示,本发明提供的一种多雷达密集目标的图形匹配关联方法包括:
S1,获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;
值得说明的是:雷达密集目标的图形描述可以为三角形,平面上两组n(n≥3)个顶点图形的全等至少需n-2个三角形全等。空间中图形全等所需条件更加严格,不但至少需n-2个三角形全等,还需两组n-2个全等三角形有相同的旋转角和平移量。
S2,根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;
本发明将每组雷达跟踪的目标作为一个顶点,将每个顶点与其他顶点相连获得两个顶点所形成的向量;针对每组雷达,将该组雷达跟踪目标所形成的向量组成向量集。
S3,计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;
本发明针对每个雷达,根据目标距离计算该雷达的向量集中向量与其他雷达的向量集中向量之间的模长相似度,以及根据目标仰角以及方位,计算指向相似度;将向量集中每个向量的模长相似度组成向量集的矩阵相似度矩阵,以及指向相似度组成指向相似度矩阵。
值得说明的是:对于两部无误差的雷达,同时测量空间中n个目标时,即可形成两个全等空间图形。由于雷达测量误差的存在,无法形成严格的全等图形,考虑适当放宽条件,近似描述两个空间图形全等。将n个顶点的空间图形分解为n-2个三角形,对逐个三角形进行分析。在空间中,本发明使用首尾相连的三条向量、、描述三角形,使用三角形对应三条向量近似程度来定量描述三角形的近似全等度,进一步分解为模长相似性和指向相似性来描述向量的近似全等度。
对于雷达测量空间三个目标形成的三条向量、、而言,其中,向量的角标表示由雷达测量得到的向量,三角形中的角标i表示第i个三角形,测距系统误差将导致三条向量模长等比例缩放,即,测距随机误差将导致图形三条向量模长和指向随机变化,测角系统误差将导致三个向量按相同角度旋转。因此本发明中,使用向量模长相似性、向量指向相似性定量描述图形近似全等度。
误差在非线性转换中,传播扩散系数矩阵为坐标转换算式全微分,系数矩阵表达式如下:
假设雷达测量误差服从高斯分布,且各轴相互独立。雷达测量目标距离误差、俯仰误差、方位误差分别为、、。其中,高斯分布第一项为均值,第二项方差,均值和方差下角标携带、、目的在于区分是、、的方差或均值。例如表示距离满足高斯分布的均值误差,表示距离满足高斯分布的方差误差;表示俯仰满足高斯分布的均值误差,表示距离满足高斯分布的方差误差,表示方位满足高斯分布的均值误差,表示方位满足高斯分布的方差误差。
雷达跟踪目标轨道处理中通常采用扩展卡尔曼滤波器等,在无系统误差时,滤波器在经过一定时段积累后能够给出轨道的随机误差最优估计。由于雷达测量数据通常带有系统误差,对目标轨道滤波时,滤波器输出的随机误差为有偏估计,因此当雷达系统误差较大时,随机误差可能估计不准。本发明使用向量进行目标关联,设计相应滤波器对向量进行滤波,因向量消除了系统误差,能够给出向量的随机误差最优估计,采用滤波器稳定收敛后输出的结果作为距离、俯仰、方位误差分布估计值。
其中,P下角标的第一个数字与第二个字母R的组合表示目标序号,例如,对于目标,表示目标的距离的均值;表示目标的俯仰的均值,表示目标的方位的均值,对于同理,表示目标的距离的均值;表示目标的俯仰的均值,表示目标的方位的均值。
由于同一时刻,空间中目标密集,目标群相对某一雷达的方位、俯仰、距离等差值均较小,近似认为该雷达测量的系统差和随机差分布相同,其中目标角度差值,角度误差取为相同值,即、。相控阵雷达随机误差通常较小,系统误差小于随机误差,但目标距离雷达远,因此测量的目标空间误差大。向量系统误差简化为:
对于相控阵雷达,假设目标与雷达距离通常为5000-500千米,密集目标情况下,两目标空间距离约2-10千米,测角系统误差0.001-0.2度,上式可知,向量各轴的系统误差约为百米量级,相较与雷达测量系统误差,向量的系统误差极小。
同理,密集目标场景下,向量随机误差为:
向量随机误差扩大为雷达随机误差2倍。
当三个向量形成三角形时,各向量的平均误差为:
三个向量平均随机误差为雷达随机误差0.67倍。
S4,将当前时刻模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵;
本发明将当前时刻的模长相似度矩阵与指向相似度矩阵中对应位置元素求平均,得到每个位置的平均值组成的向量相似度矩阵。
其中,是与分布有关的量,是与分布有关的量。P下角标的第一个数字目标序号,字母R与最后一个数字组合是区分目标是第一组雷达R1跟踪的目标还是第二组雷达R2跟踪的目标,例如:表示由第一组雷达R1跟踪的目标与目标组成的向量,表示由第二组雷达R2跟踪的目标与目标组成的向量。目标为多个时,不能穷举,但是其标注同理。
基于图形匹配的关联算法核心在于找到近似全等度最高的三角形,作为第一个起始三角形。远程雷达同时跟踪的目标数量较多,导致形成的三角形数据大,当雷达和雷达目标数量为、时,能够形成、个三角形,逐个比对三角形近似全等度将计算量巨大,因此将搜索近似全等度最高三角形的问题,利用贪心算法,转化为多个近似全等度较高的向量中搜索近似全等度最高三角形问题。
向量矩阵构建步骤描述如下:
(1)构建各雷达目标向量集,向量按编码顺序依次排列。
S5,将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;
本发明将每个目标作为三角形的一个顶点,对向量相似度矩阵中的元素进行从大到小排序;其中,每个元素对应2个向量和4个目标;选择排序后的前个元素,搜索与第1个元素对应2个起始向量相连接的中间向量;搜索与中间向量和起始向量相连接的终止向量;将起始向量、中间向量以及终止向量组成近似全等三角形;当近似全等三角形为多个时,选择近似全等度最高的三角形为备选三角形。
多个近似全等度较高的向量中搜索近似全等度最高三角形算法过程描述如下:
(1)对向量相似度矩阵中的值进行从大到小排序,并记录每个值对应的2个向量编号和4个目标编号。
(2)依据向量相似度大小排顺,取前个值,在这些值中,搜索与第1个值对应2个起始向量相连接的中间向量,进一步搜索与中间向量和起始向量相连接的终止向量。若在个值,搜索到了多个近似全等三角形时,以近似全等度最高的三角形为结果,作为备选近似全等三角形。
S6,以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;
本发明去除备选三角形的任一个顶点,以剩余两个顶点组成目标顶点;使用贪心算法选择任一目标作为顶点与目标顶点分别连接组成三角形向量;将三角形向量组成备选关联三角形。
本发明图形匹配关联时需要对向量进行滤波,用于估计较准确的向量和误差估计。由于向量个数分别为、,若对所有向量进行滤波,则计算量较大。因此,滤波器仅对已完成关联或备选的三角形对应向量进行处理。滤波器设计不是本发明重点,且滤波器设计较为成熟,本发明不做详细介绍。
S7,将超过判决门限的备选关联三角形确定为当前时刻的成功成功关联三角形;
本发明计算组成备选三角形的每个向量的近似全等度;将组成备选三角形的向量近似全等度进行求和,得到备选三角形的近似全等度;判断备选三角形的近似全等度是否大于判断门限,如果大于判决门限,则确定备选三角形为当前时刻的成功关联三角形。
如图2所示,滤波器稳定后,输出的误差将作为备选三角形是否近似全等的门限依据。在将备选三角形判为近似全等三角形后,则剔除对应三个点,并将相关向量置为0,不再参与搜索。循环上述过程,直至搜索到所有满足门限的三角形,完成关联过程。关联完成后,两雷达跟踪目标关联置信度即可得到。对近似全等三角形进行判决时,依赖于近似全等三角形对应三个向量的平均近似全等度,该量应当在一定门限下保证一定的正确概率。但由于向量近似全等度与两部雷达的测角、测距以及目标间距离均有关系,其概率分布解析表达式复杂,不适应实时推算门限。可采用蒙特卡洛法事先计算两部雷达共视区域内,不同测角、测距误差下的向量近似全等度概率分布,本发明选择80%概率相同两目标向量关联正确对应值作为判决门限,其中目标间距离固定为1.5千米。实际跟踪过程中,目标间距离可能大于1.5千米,此时两向量通过判决门限的概率将增大,满足算法要求,若滤波稳定后,目标间距离小于1.5千米时,算法稳定性将降低。而经仿真分析发现,对于相控阵雷达,分辨出两个相近目标时,目标间距离通常为0.9千米,滤波稳定后,目标间距离约为1.5千米,目标间距离小于1.5千米可能性低。
算法不断筛选向量相似度和最大的备选三角形(排除已关联成功三角形),再利用向量滤波估计的随机误差更新备选三角形的向量相似度和,进而在备选三角形集中找到最优近似全等三角形完成三个目标关联,并利用判决门限判断是否关联成功,最后更新关联成功三角形集合以及备选三角形集。
S8,将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标。
本发明获取历史时刻成功关联三角形对应的目标;将当前时刻的成功关联三角形的目标以及历史时刻成功关联三角形对应的目标作为判断数据,使用DS证据理论中的组合mass函数进行判决,得到电气概念时刻的最终成功关联三角形所对应的目标。
值得说明的是:确定当前时刻关联成功的三角形过程即为单时刻判决过程,而关联关系维持是一个持续的过程,维持持续一段时间关联成功的三角形对应的目标状态,以备后续时刻目标的状态变化对图形匹配的影响。具体过程如下:
Dempster-Shafer(DS)证据理论是一种不确定推理方法,是对贝叶斯推理方法的推广,但不需要先验概率,且具有推理形式简单的优点,DS证据理论在信息融合、专家系统、情报分析等领域应用广泛,算法的有效性得到充分验证。本发明利用该理论设计适应于单时刻图形匹配算法计算结果的判决算法。
P次图形匹配计算结果的Dempster组合规则,组合mass函数记为:
组合mass函数值即为判决置信度,上式表明,当每次图形匹配计算结果具有一定的关联或非关联倾向时,经过DS证据理论算法,这种倾向得到了加强,并形成了占优势性的倾向,从而形成判决。
用于计算组合mass函数的识别结果次数不宜过大,否则当出现连续多个时刻匹配错误时,后续将需要较长时间修正该错误。利用仿真数据验证,取P=3时,关联正确率最高。
本发明提供的一种多雷达密集目标的图形匹配关联系统包括:
获取模块,被配置为获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;
构建模块,被配置为根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;
计算模块,被配置为计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;
组成模块,被配置为将当前时刻模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵;
确定模块,被配置为将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;
搜索模块,被配置为以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;
判决模块,被配置为将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形;
关联模块,被配置为将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标。
本发明提供的一种多雷达密集目标的图形匹配关联方法及系统,通过获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;分析误差对近似全等度的影响,计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;组成向量相似度矩阵;给出了单时刻图形匹配算法计算流程,以将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;设计连续时刻下关联关系维持方法,以将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形,将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标,提高关联关系维持的稳定性和关联正确率。本发明具备时间复杂度低、收敛速度快、实时性能高的特点,通过建立稳定正确的目标关联关系,可以有效支撑多雷达目标融合轨道生成等应用。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种多雷达密集目标的图形匹配关联方法,其特征在于,包括:
获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;
根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;
计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;
将当前时刻模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵;
将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;
以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;
将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形;
将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标;
其中,向量模长相似度dn定义为衡量模长相差程度的量,表达式定义为:
向量近似全等度vn定义为衡量三角形全等程度的量,表达式定义为:
vn=α*dn+β*hn
2.根据权利要求1所述的多雷达密集目标的图形匹配关联方法,其特征在于,所述根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集包括:
将每组雷达跟踪的目标作为一个顶点,将每个顶点与其他顶点相连获得两个顶点所形成的向量;
针对每组雷达,将该组雷达跟踪目标所形成的向量组成向量集。
3.根据权利要求1所述的多雷达密集目标的图形匹配关联方法,其特征在于,所述目标数据包括目标距离、仰角以及方位;所述计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵包括:
针对每个雷达,根据目标距离计算该雷达的向量集中向量与其他雷达的向量集中向量之间的模长相似度,以及根据目标仰角以及方位,计算指向相似度;
将向量集中每个向量的模长相似度组成向量集的矩阵相似度矩阵,以及指向相似度组成指向相似度矩阵。
4.根据权利要求1所述的多雷达密集目标的图形匹配关联方法,其特征在于,所述将当前时刻的模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵包括:
将当前时刻的模长相似度矩阵与指向相似度矩阵中对应位置元素求平均,得到每个位置的平均值组成的向量相似度矩阵。
5.根据权利要求1所述的多雷达密集目标的图形匹配关联方法,其特征在于,所述将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形包括:
将每个目标作为三角形的一个顶点,对向量相似度矩阵中的元素进行从大到小排序;
其中,每个元素对应2个向量和4个目标;
其中,第一组雷达R1跟踪的目标数量为n,第二组雷达R2跟踪的目标数量为m;
搜索与中间向量和起始向量相连接的终止向量;
将起始向量、中间向量以及终止向量组成近似全等三角形;
当所述近似全等三角形为多个时,选择近似全等度最高的三角形为备选三角形。
6.根据权利要求1所述的多雷达密集目标的图形匹配关联方法,其特征在于,以所述备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形包括:
去除备选三角形的任一个顶点,以剩余两个顶点组成目标顶点;
使用贪心算法选择任一目标作为顶点与目标顶点分别连接组成三角形向量;
将所述三角形向量组成备选关联三角形。
7.根据权利要求1所述的多雷达密集目标的图形匹配关联方法,其特征在于,所述将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形包括:
计算组成备选三角形的每个向量的近似全等度;
将组成备选三角形的向量近似全等度进行求和,得到备选三角形的近似全等度;
判断备选三角形的近似全等度是否大于判断门限,如果大于判决门限,则确定备选三角形为当前时刻的成功关联三角形。
8.根据权利要求1所述的多雷达密集目标的图形匹配关联方法,其特征在于,所述将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标包括:
获取历史时刻成功关联三角形对应的目标;
将当前时刻的成功关联三角形的目标以及历史时刻成功关联三角形对应的目标作为判断数据,使用DS证据理论中的组合mass函数进行判决,得到电气概念时刻的最终成功关联三角形所对应的目标。
9.一种多雷达密集目标的图形匹配关联系统,其特征在于,包括:
获取模块,被配置为获取当前时刻至少两组雷达分别跟踪至少三个目标所得到的目标数据;
构建模块,被配置为根据当前时刻各雷达的目标数据,构建雷达跟踪目标形成的向量集;
计算模块,被配置为计算当前时刻每个雷达向量集的模长相似度矩阵以及指向相似度矩阵;
组成模块,被配置为将当前时刻模长相似度矩阵以及指向相似度矩阵合并,组成向量相似度矩阵;
确定模块,被配置为将每个目标作为三角形的一个顶点,使用贪心算法在当前时刻的向量相似度矩阵中,确定近似全等度最高的三角形为备选三角形;
搜索模块,被配置为以备选三角形的任意边为基础边,使用贪心算法在其他目标中筛选顶点与基础边组成备选关联三角形;
判决模块,被配置为将超过判决门限的备选关联三角形确定为当前时刻的成功关联三角形;
关联模块,被配置为将历史时刻的成功关联三角形以及当前时刻的成功关联三角形作为判决数据,使用DS证据理论进行判决,确定当前时刻的最终成功关联三角形所对应的目标;
其中,向量模长相似度dn定义为衡量模长相差程度的量,表达式定义为:
向量近似全等度vn定义为衡量三角形全等程度的量,表达式定义为:
vn=α*dn+β*hn
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736654.5A CN114814777B (zh) | 2022-06-27 | 2022-06-27 | 一种多雷达密集目标的图形匹配关联方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736654.5A CN114814777B (zh) | 2022-06-27 | 2022-06-27 | 一种多雷达密集目标的图形匹配关联方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114814777A CN114814777A (zh) | 2022-07-29 |
CN114814777B true CN114814777B (zh) | 2022-09-27 |
Family
ID=82523088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210736654.5A Active CN114814777B (zh) | 2022-06-27 | 2022-06-27 | 一种多雷达密集目标的图形匹配关联方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814777B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN104867126A (zh) * | 2014-02-25 | 2015-08-26 | 西安电子科技大学 | 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法 |
CN108171712A (zh) * | 2016-12-07 | 2018-06-15 | 富士通株式会社 | 确定图像相似度的方法和装置 |
CN110109095A (zh) * | 2019-04-30 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标特征辅助多源数据的关联方法 |
CN111025281A (zh) * | 2019-12-05 | 2020-04-17 | 北京理工大学 | 一种基于近似算法动态规划检测前跟踪的门限获取方法 |
CN113989325A (zh) * | 2021-10-19 | 2022-01-28 | 之江实验室 | 一种基于矩阵“最大数”的多目标匹配算法 |
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 |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
CN114663505A (zh) * | 2022-03-03 | 2022-06-24 | 深圳大学 | 目标定位方法及相关装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020150896A1 (zh) * | 2019-01-22 | 2020-07-30 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
-
2022
- 2022-06-27 CN CN202210736654.5A patent/CN114814777B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN104867126A (zh) * | 2014-02-25 | 2015-08-26 | 西安电子科技大学 | 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法 |
CN108171712A (zh) * | 2016-12-07 | 2018-06-15 | 富士通株式会社 | 确定图像相似度的方法和装置 |
CN110109095A (zh) * | 2019-04-30 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标特征辅助多源数据的关联方法 |
CN111025281A (zh) * | 2019-12-05 | 2020-04-17 | 北京理工大学 | 一种基于近似算法动态规划检测前跟踪的门限获取方法 |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
CN113989325A (zh) * | 2021-10-19 | 2022-01-28 | 之江实验室 | 一种基于矩阵“最大数”的多目标匹配算法 |
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 |
CN114663505A (zh) * | 2022-03-03 | 2022-06-24 | 深圳大学 | 目标定位方法及相关装置 |
Non-Patent Citations (6)
Title |
---|
Discrete Glowworm Swarm Optimization Algorithm With Key Strategy Adjustment;Kunjun Cui et al.;《2019 IEEE 7th International Conference on Computer Science and Network Technology (ICCSNT)》;20200120;全文 * |
基于D-S证据理论的无源航迹关联算法;颜坤玉等;《信息与电子工程》;20101031(第05期);全文 * |
基于三角稳定的海上目标航迹抗差关联算法;崔亚奇等;《系统工程与电子技术》;20201031;第42卷(第10期);全文 * |
基于目标之间拓扑信息的数据关联方法;杨哲等;《系统仿真学报》;20080531;第20卷(第9期);全文 * |
灰色关联算法在多传感器辐射源识别系统的应用研究;傅成彬等;《中国电子科学研究院学报》;20151231(第06期);全文 * |
跨尺度变换中线要素图形相似性的度量方法;操震洲等;《测绘科学》;20131130(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114814777A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106680798B (zh) | 一种机载lidar航带重叠区冗余辨识及消除方法 | |
CN111145227B (zh) | 一种地下隧道空间多视点云的可迭代整体配准方法 | |
CN111598473B (zh) | 面向复杂观测任务的多平台联合任务规划方法 | |
CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
dos Santos et al. | Extraction of building roof boundaries from LiDAR data using an adaptive alpha-shape algorithm | |
CN101221238A (zh) | 基于高斯均值移动配准的动态偏差估计方法 | |
CN112446844B (zh) | 一种基于点云特征提取与配准融合方法 | |
CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
CN109858526A (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN110187337A (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 | |
CN113759364A (zh) | 一种基于激光地图的毫米波雷达连续定位方法及装置 | |
CN113985406B (zh) | 一种海上雷达目标航迹拼接方法 | |
CN114998395A (zh) | 一种有效的堤岸三维数据变化检测方法及系统 | |
CN114814777B (zh) | 一种多雷达密集目标的图形匹配关联方法及系统 | |
CN102830391B (zh) | 一种红外搜索与跟踪系统准确性指标计算方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN106202926B (zh) | 基于多节点协同探测的空间系统偏差配准优化方法 | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
CN116338716B (zh) | 基于方位角拓扑结构的空地无人系统多目标关联方法 | |
CN109766969B (zh) | 基于异步优势动作评价的rfid室内定位算法 | |
CN113219452B (zh) | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 | |
CN111693962B (zh) | 一种基于交叉检验的目标运动模型估计方法 | |
CN114047508A (zh) | 一种对海雷达探测范围统计评估方法及系统 | |
Jiang et al. | Model based building height retrieval from single SAR images |
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 |