CN115201806A - 多目标识别方法、装置、设备及存储介质 - Google Patents
多目标识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115201806A CN115201806A CN202210705103.2A CN202210705103A CN115201806A CN 115201806 A CN115201806 A CN 115201806A CN 202210705103 A CN202210705103 A CN 202210705103A CN 115201806 A CN115201806 A CN 115201806A
- Authority
- CN
- China
- Prior art keywords
- measurement
- clustering
- value
- preset
- measurement 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.)
- Pending
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
- 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
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于飞行器追踪领域,公开了一种多目标识别方法、装置、设备及存储介质,该方法包括:获取预设量测周期内已知飞行器和待识别飞行器的量测数据集,从量测数据集中筛选出携带有预设报文信息的量测值进一步确定已知飞行器的历史运动轨迹,构建椭圆门限对除携带有预设报文信息的量测值之外的其他量测值进行一次聚类;通过预设参数对一次聚类后的剩余量测值进行二次聚类;基于两次聚类结果识别出预设量测周期内的所有飞行器。本发明通过预设报文对多个飞行器量测值中已知飞行器进行一次聚类后对剩余进行二次聚类完成所有飞行器的识别,解决了飞行器距离较近时将多个飞行器识别为同一飞行器的问题,实现了更加准确的识别多个距离较近的飞行器。
Description
技术领域
本发明涉及飞行器追踪技术领域,尤其涉及一种多目标识别方法、装置、设备及存储介质。
背景技术
在多目标跟踪过程中需要通过数据关联进行航迹的起始与维持。数据关联是影响多目标跟踪系统整体性能的关键,准确的数据关联可以大幅度降低虚假航迹的产生,对目标状态有更准确的跟踪。
目前,聚类算法在多目标跟踪中扩展目标聚类的效果不是很理想,因为目前聚类算法对于飞行目标在进行编队飞行这种距离较近的情况下都无法将目标进行区分,会将编队飞行的目标识别为一个目标导致聚类效果较差,直接影响对于目标数量、运动状态的估计精度,从而影响多目标追踪的准确性。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种多目标识别方法、装置、设备及存储介质,旨在解决现有技术多目标识别的技术问题。
为实现上述目的,本发明提供了一种多目标识别方法,所述方法包括以下步骤:
获取预设量测周期所对应的量测数据集,所述量测数据集中包含已知飞行器和待识别飞行器的量测数据;
从所述量测数据集中筛选出携带有预设报文信息的量测值;
根据所述携带有预设报文信息的量测值确定所述已知飞行器的历史运动轨迹;
根据所述历史运动轨迹构建椭圆门限;
通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类;
通过预设参数对一次聚类后的剩余量测值进行二次聚类;
基于两次聚类结果识别出预设量测周期内的所有飞行器。
可选地,所述所述根据所述历史运动轨迹构建椭圆门限,包括:
根据所述历史运动轨迹得到已知飞行器运动信息;
根据所述已知飞行器运动信息得到已知飞行器的残差协方差矩阵的逆矩阵;
获取预设门限阈值;
根据所述残差协方差矩阵的逆矩阵、所述携带有预设报文信息的量测值以及所述预设门限阈值建立椭圆门限。
可选地,所述通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类,包括:
判断除所述携带有预设报文信息的量测值之外的其他量测值是否处于所述椭圆门限内;
根据判断结果进行一次聚类。
可选地,所述预设参数包括:截断距离、截断函数以及一次聚类后的剩余量测值所对应的最大速度;
所述通过预设参数对一次聚类后的剩余量测值进行二次聚类,包括:
根据所述截断距离、截断函数以及一次聚类后的剩余量测值所对应的最大速度计算所述剩余量测值的局部密度以及密度距离;
根据所述剩余量测值的局部密度以及密度距离对所述剩余量测值进行第二次聚类。
可选地,所述根据所述剩余量测值的局部密度以及密度距离对所述剩余量测值进行二次聚类,包括:
比较第一量测值的局部密度与第二量测值的局部密度,比较第一量测值的密度距离与第二量测值的密度距离,所述第一量测值以及所述第二量测值均为剩余量测值中任一量测值;
根据比较结果选择二次聚类的聚类中心;
根据所述聚类中心对所述剩余量测值进行二次聚类。
可选地,所述根据判断结果选择二次聚类的聚类中心,包括:
在第一量测值的局部密度大于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则将第一量测值作为量测中心;
在第一量测值的局部密度小于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则剔除第一量测值;
当第一量测值的密度距离小于第二量测值的密度距离,则将第一量测值归于邻近的聚类中,所述邻近的聚类为一次聚类以及二次聚类中的任一个聚类。
可选地,所述基于两次聚类结果识别出预设量测周期内的所有飞行器之后,还包括:
获取两次聚类的聚类中心;
基于所述聚类中心确定所述预设量测周期内所有飞行器所处于的位置。
此外,为实现上述目的,本发明还提供一种多目标识别装置,所述装置包括:
量测值获取模块,用于获取预设量测周期所对应的量测数据集,所述量测数据集中包含已知飞行器和待识别飞行器的量测数据;
量测值获取模块,还用于从所述量测数据集中筛选出携带有预设报文信息的量测值;
量测值获取模块,还用于根据所述携带有预设报文信息的量测值确定所述已知飞行器的历史运动轨迹;
量测值获取模块,还用于根据所述历史运动轨迹构建椭圆门限;
目标识别模块,用于通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类;
目标识别模块,还用于通过预设参数对一次聚类后的剩余量测值进行二次聚类;
目标识别模块,还用于基于两次聚类结果识别出预设量测周期内的所有飞行器。
此外,为实现上述目的,本发明还提出一种多目标识别设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多目标识别程序,所述多目标识别程序配置为实现如上文所述的多目标识别方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有多目标识别程序,所述多目标识别程序被处理器执行时实现如上文所述的多目标识别方法的步骤。
本发明通过预设报文对多个飞行器量测值中已知飞行器进行一次聚类后对剩余进行二次聚类完成所有飞行器的识别,解决了在识别多个飞行器量测值时飞行器距离较近,将邻近量测值聚类为同一飞行器量测值从而将多个飞行器识别为同一飞行器的问题,实现了在多个飞行器距离较近的情况下,区分多个量测值中属于不同飞行器的量测值进行聚类,从而更加准确的识别多个距离较近的飞行器。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的多目标识别设备的结构示意图;
图2为本发明多目标识别方法第一实施例的流程示意图;
图3为本发明多目标识别方法一实施例的多目标聚类效果图;
图4为本发明多目标识别方法一实施例的多目标聚类效果对比图图;
图5为本发明多目标识别方法第二实施例的流程示意图;
图6为本发明多目标识别方法一实施例的虚警目标数量对比图;
图7为本发明多目标识别方法一实施例的目标识别数量对比图;
图8为本发明多目标识别方法第三实施例的流程示意图;
图9为本发明多目标识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的多目标识别设备结构示意图。
如图1所示,该多目标识别设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对多目标识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及多目标识别程序。
在图1所示的多目标识别设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明多目标识别设备中的处理器1001、存储器1005可以设置在多目标识别设备中,所述多目标识别设备通过处理器1001调用存储器1005中存储的多目标识别程序,并执行本发明实施例提供的多目标识别方法。
基于上述多目标识别设备,本发明实施例提供了一种多目标识别方法,参照图2,图2为本发明多目标识别方法第一实施例的流程示意图。
本实施例中,所述多目标识别方法包括以下步骤:
步骤S10:获取预设量测周期所对应的量测数据集,所述量测数据集中包含已知飞行器和待识别飞行器的量测数据。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如手机、平板电脑、个人电脑等,或者是一种能够实现上述功能的电子设备或多目标识别设备。以下以所述多目标识别设备为例,对本实施例及下述各实施例进行说明。
应理解的是,所述预设量测周期是指预先设定的获取量测数据集的量测周期,例如量测周期可以设置为1s,则可以获取到1s内飞行器的量测数据,该预设量测周期可以是在多次实验后得到的量测数据集中量测值数量较为合适的量测周期,可以根据实际需求进行调整,本实施例中对此不加以限制。所述量测数据是通过无源被动雷达采集的信号经过计算得到,在预设量测周期内可通过所述无源被动雷达采集到同一飞行器发出的多个信号,同时可采集多个飞行器发出的信号,再根据所述信号计算得到发送所述信号飞行器的位置,根据所述位置可以得到量测值,量测数据集也即多个量测值所组成的数据集合。
需强调的是,所述已知飞行器是指量测值中携带有预设报文信息的飞行器,若无法识别所述量测值所携带的报文信息则所述量测值对应的飞行器为待识别飞行器。
步骤S20:从所述量测数据集中筛选出携带有预设报文信息的量测值。
需要说明的是,预设报文可以是ADS_B报文信息,ADS_B报文信息是基于对ADS-B系统传递的信息,其中ADS-B系统是广播式自动相关监视系统的简称,由多地面站和机载站构成,以网状、多点对多点方式完成数据双向通信。其中ADS-B系统是一个集通信与监视于一体的信息系统,由信息源、信息传输通道和信息处理与显示三部分组成。根据ADS_B信息可以得知飞行器的唯一识别码从而可以知道对应的飞行器。
通过无源雷达对所述量测数据集中的所有量测值对应的信号进行解译,解译后可以得到ADS_B信息;
应理解的是,可以是部分量测值有对应的ADS_B信息,也可以是全部量测值都有对应的ADS_B信息,也可以全部量测值都没有ADS_B信息。
可理解的是,所述ADS_B信息的主要信息是飞机的4维位置信息(经度、纬度、高度和时间)和其它可能附加信息(冲突告警信息,飞行员输入信息,航迹角以及航线拐点等信息)以及飞机的识别信息和类别信息。此外,还可能包括一些别的附加信息,如航向、空速、风速、风向以及飞机外界温度等。
步骤S30:根据所述携带有预设报文信息的量测值确定所述已知飞行器的历史运动轨迹。
需要说明的是,确定所述已知飞信息的运动轨迹是根据所述携带有预设报文信息的量测值对应的ADS_B信息得到关于飞行器的唯一识别码,根据识别码可以得知所述飞行器的历史航迹,根据所述历史航迹可以进一步对得到关于所述飞行器对应的运动信息,例如速度、加速度、运动方向、飞行器自身重量、压强以及流速等。
应理解的是,根据识别码可以锁定唯一对应的飞行器,可以得知在之前时刻所述飞行器的运动信息以及的飞行航线,根据在之前时刻所述识别码对应的飞行器的飞行航迹可以得到该飞行器的历史运动轨迹。
步骤S40:根据所述历史运动轨迹构建椭圆门限。
需要说明的是,所述椭圆门限是用于在目标跟踪过程中对目标物体运动中可能出现的情况进行区分的方法。椭圆门限的构建是以任意一个目标量测值为基准,将除目标量测值外的量测值与目标量测值之间的距离作为判断条件,将满足判断条件的量测值划分至一个椭圆门限内。
应理解的是,所述椭圆门限是基于历史运动轨迹建立,是根据历史运动轨迹得到建立椭圆门限的目标量测值的运动方向、运动速度等参考数据,在根据所述参考数据决定所述椭圆门限的方向,大小等,从而建立椭圆门限。
步骤S50:通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类。
需要说明的是,在所述一次聚类中未携带预设报文信息的量测值可能划分至多个椭圆门限内,此时保留所述量测值的多种聚类可能,所述聚类是指将满足同一条件的量测值归为同一个类别。
应理解的是,所述量测集合中可以有多个携带有预设报文信息的量测值,根据所述量测值的预设报文信息建立椭圆门限,在通过所述椭圆门限对所述量测值周围的没有携带预设报文信息的量测值进行聚类。
在具体实施中,为了便于理解,进行举例说明,假设已知携带有预设报文信息的量测值有2个,其中根据量测值A的历史运动轨迹建立了椭圆门限a,门限阈值为5,根据另一个量测值B的历史运动轨迹建立了椭圆门限b,门限阈值为7,所述门限阈值是指椭圆的范围,将与所述A距离小于或等于5的未携带预设报文信息的量测值归为椭圆门限a,将与所述B距离小于或等于7的未携带预设报文信息的量测值归为椭圆门限b,当其中一个未携带预设报文信息的量测值同时可以归于椭圆门限a也可以归于椭圆门限b,则同时保留所述未携带预设报文信息的量测值在椭圆门限a以及椭圆门限b的聚类。
步骤S60:通过预设参数对一次聚类后的剩余量测值进行二次聚类。
需要说明的是,所述二次聚类是对剩余量测值通过剩余量测值的局部密度与密度距离对所述剩余量测值进行聚类,二次聚类将剩余量测值划分至不同的聚类中心,可以是一次聚类中心可以是二次聚类中心,部分量测值还会在聚类过程中视为杂波被剔除。
应理解的是,在一次聚类后仍有部分量测值并不在任何椭圆门限内,但是任由部分量测值时需要进一步聚类划分。
步骤S70:基于两次聚类结果识别出预设量测周期内的所有飞行器。
需要说明的是,在两次聚类后可以根据聚类结果将所述量测集合中的量测值划分为多个不同的类别,根据所述量测结果可以识别出所述量测值是由多少个飞行器发出的,且可以根据一次聚类以及二次聚类的聚类中心确定所述预设量测周期内所有飞行器所处于的位置,本发明聚类效果可参考图3以及FDPC聚类效果可参考图4,其中实心小圆点为量测门限内检测到的量测值,实线圆圈为根据已知飞行器建立椭圆门限后的一次聚类的结果,虚线圆圈为二次聚类的结果,对比聚类结果进行分析可以得知在同一量测值集合中,本发明能够有效识别在近距离的情况下更加准确的分辨出多个量测值划分由多少个飞行器发出。
应理解的是,根据预设报文信号构建椭圆门限的一次聚类可以识别出对应的飞行器,二次聚类则是根据二次聚类得知有多少个飞行器。
本实施例通过预设报文对多个飞行器量测值中已知飞行器进行一次聚类后对剩余进行二次聚类完成所有飞行器的识别,解决了在识别多个飞行器量测值时飞行器距离较近,将邻近量测值聚类为同一飞行器量测值从而将多个飞行器识别为同一飞行器的问题,实现了在多个飞行器距离较近的情况下,区分多个量测值中属于不同飞行器的量测值进行聚类,从而更加准确的识别多个距离较近的飞行器。
参考图5,图5为本发明多目标识别方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S40包括:
步骤S41:根据所述历史运动轨迹得到已知飞行器运动信息。
需要说明的是,所述历史运动轨迹为已知飞行器的历史运动轨迹,根据所述历史轨迹可以通过数据检测知道已知飞行器的运动信息,所述运动信息包括(经度、纬度、高度和时间)和其它可能附加信息(冲突告警信息,飞行员输入信息,航迹角,航线拐点等信息)以及飞机的识别信息和类别信息。此外,还可能包括一些别的附加信息,如航向、空速、风速、风向和飞机外界温度等。
应理解的是,所述运动信息并不是预设信号中全部携带有,可以是根据多次接收到的同一已知飞行器预设报文信息得到综合的得到。
在具体实施中,当前识别出预设报文信号中携带有关于已知飞行器的速度为W,加速度为a,飞机重量G以及对应的飞行器识别号为Q,则根据Q进行数据查询可以得到飞行器Q在之前的飞行中发出过的预设报文信号携带有航迹角P,航线拐点N,航向L,则在可综合得知所述飞行器Q的重量G、航迹角P、航线拐点N等。
步骤S42:根据所述已知飞行器运动信息得到已知飞行器的残差协方差矩阵的逆矩阵。
需要说明的是,所述已知飞行器的残差协方差矩阵的逆矩阵是已知飞行器在历史航迹中目标追踪过程中的残差协方差矩阵的逆矩阵。
步骤S43:获取预设门限阈值。
需要说明的是,所述预设门限是根据已知飞行器的运动信息进行计算得到的椭圆范围的值,在具体实施中,已知飞行器的速度S、加速度A则根据速度和加速度计算飞行器大概出现的范围,在经过多次数据实验,得到一个较为合适的范围。
步骤S44:根据所述残差协方差矩阵的逆矩阵、所述携带有预设报文信息的量测值以及所述预设门限阈值建立椭圆门限
需要说明的是,所述椭圆门限公式为:
[zi-zs]'S-1[zi-zs]≤γ其中zi是任意量测值。zs是量测集合中含有ADS_B报文的量测值。S-1是残差协方差矩阵的逆矩阵。γ为预设门限阈值。
应理解的是,通过椭圆门限以带有ADS_B报文信息的量测值为聚类中心,将量测数据集进行一次聚类。因为带有ADS_B解译信息的量测数据都是真实目标的准确数据,使用该量测值代表一次聚类后的聚类中心作为后续关联算法可以准确的对数据进行关联,在实验过程中根据含有ADS_B报文的量测值一次聚类后再进行二次聚类在虚警数量、识别目标数有一定的差别,所述虚警数量是指错误识别数量,具体可参考图6以及图7,可以较为明显的看到本发明对于飞行器识别数量更加趋近于真实飞行器数量,以及本发明对飞行器的虚警数量小于FDCP算法对飞行器识别的虚警数量。
本实施例根据已知飞行器的历史航迹进一步得到已知飞行器的残差协方差矩阵的逆矩阵以及预设门限阈值,根据所述残差协方差矩阵的逆矩阵以及预设门限阈值,以含有预设报文信息的量测值建立椭圆门限,通过椭圆门限对所述量测数据集进行一次聚类,能够准确的识别部分已知飞行器,对检测到的多个近距离飞行器进行区分,避免了将多个距离较近的飞行器误认为同一飞行器无法准确识别的问题。
参考图8,图8为本发明多目标识别方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S60之后,所述方法还包括:
步骤S61:根据所述截断距离、截断函数以及一次聚类后的剩余量测值所对应的最大速度计算所述剩余量测值的局部密度以及密度距离。
需要说明的是,所述局部密度计算公式为:
其中dc为截断距离,且dc=TVmax,Vmax是一次聚类后的剩余量测值所对应的飞行器的最大飞行速度,根据量测值当前速度以及加速度可以计算得到,T为无源雷达的量测门限。截断函数X(x)的计算公式为:
所述密度距离δi是指局部密度大于zi且距离其最近的点的距离,所述zi可以是一次聚类后的剩余量测值中的任一量测值,δi表示为:
需强调的是,考虑到所述剩余量测值中可能包含有杂波,且截断密度ρc与杂波数量以及杂波在量测空间的分布相关。假设杂波数量服从参数为λ的泊松分布,因此杂波数量为k的概率可以表示为:
截断密度ρc计算公式为:
ρc=round(Denmax)
ρc≈round(0.97711n(λ)+0.2093)
其中Denmax表示将量测空间内λ个杂波量测中的l个划归到同一量测单元的时间概率远小于0.1的λ最大值。
步骤S62:根据所述剩余量测值的局部密度以及密度距离对所述剩余量测值进行二次聚类。
需要说明的是,所述二次聚类是指通过剩余量测值的局部密度以及密度距离进行划分,根据所述剩余量测值中任意两个量测值的局部密度以及密度距离进行比较,根据比较结果进行划分。
应理解的是,局部密度ρi等于量测空间中与量测值zi空间距离小于截断距离dc的量测值数目,反映量测值的密集程度。
密度距离δi反应另一个更密集的量测值之间的远近程度。可以根据局部密度ρi与密度距离δi,在假定截断密度为ρc,截断密度距离δc为FDPC对所述剩余量测聚类,其中所述截断密度距离为δc的计算公式为:
δc=2Bc
需强调的是,所述二次聚类是通过比较第一量测值的局部密度与第二量测值的局部密度,比较第一量测值的密度距离与第二量测值的密度距离,所述第一量测值以及所述第二量测值均为剩余量测值中任一量测值;根据比较结果选择二次聚类的聚类中心;根据所述聚类中心对所述剩余量测值进行二次聚类。
在第一量测值的局部密度大于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则将第一量测值作为量测中心;在第一量测值的局部密度小于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则剔除第一量测值;当第一量测值的密度距离小于第二量测值的密度距离,则将第一量测值归于邻近的聚类中,所述邻近的聚类为一次聚类以及二次聚类中的任一个聚类。
在具体实验中,使用工程中采集的跟踪目标较为密集的场景,当场景半径为R=200km的区域内对一个量测门限内的数据进行聚类处理。量测门限内的量测数据的身份已知。量测周期T=1s。假设该场景中的飞行器的最大飞行速度为Vmax=850m/s。因此FDPC的截断距离dc=850m,截断密度距离δc=1700m。设置截断密度ρc=4。选择其中的30个周期量测数据对比可参考下表:
表1:
准确率 | 虚警率 | 漏检率 | |
FDPC | 91.49% | 8.51% | 11.24% |
本申请 | 95.54% | 4.46% | 2.71% |
表2:
纯度 | F值 | 参数系数 | |
FDPC | 71.64% | 77.38% | 75.67% |
本申请 | 87.24% | 91.98% | 90.44% |
表中其中纯度、F值、参数系数均为实验过程中聚类性能指标,其中参数系数为Jacarrd系数,对比上面可以看出本发明在准确率、虚警率、漏检率、纯度、F值、Jacarrd系数均优于FDPC算法。
本实施例根据所述剩余量测值局部密度以及密度距离选择其中局部密度大于其他量测值且密度距离大于其他量测值的量测值做为聚类中心,根据所述聚类中心对所述剩余量测值进行二次聚类,在一定程度上剔除杂波对应的量测值,能够有效对剩余量测值进行聚类,识别剩余量测之中的飞行器。
参照图9,图9为本发明多目标识别装置第一实施例的结构框图。
如图9所示,本发明实施例提出的多目标识别装置包括:
量测值获取模块10,用于获取预设量测周期所对应的量测数据集,所述量测数据集中包含已知飞行器和待识别飞行器的量测数据;
所述量测值获取模块10,还用于从所述量测数据集中筛选出携带有预设报文信息的量测值;
所述量测值获取模块10,还用于根据所述携带有预设报文信息的量测值确定所述已知飞行器的历史运动轨迹;
所述量测值获取模块10,还用于根据所述历史运动轨迹构建椭圆门限;
目标识别模块20,用于通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类;
所述目标识别模块20,还用于通过预设参数对一次聚类后的剩余量测值进行二次聚类;
所述目标识别模块20,还用于基于两次聚类结果识别出预设量测周期内的所有飞行器。
本实施例通过预设报文对多个飞行器量测值中已知飞行器进行一次聚类后对剩余进行二次聚类完成所有飞行器的识别,解决了在识别多个飞行器量测值时飞行器距离较近,将邻近量测值聚类为同一飞行器量测值从而将多个飞行器识别为同一飞行器的问题,实现了在多个飞行器距离较近的情况下,区分多个量测值中属于不同飞行器的量测值进行聚类,从而更加准确的识别多个距离较近的飞行器。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的多目标识别方法,此处不再赘述。
在一实施例中,所述量测值获取模块10,还用于根据所述历史运动轨迹得到已知飞行器运动信息;根据所述已知飞行器运动信息得到已知飞行器的残差协方差矩阵的逆矩阵;获取预设门限阈值;根据所述残差协方差矩阵的逆矩阵、所述携带有预设报文信息的量测值以及所述预设门限阈值建立椭圆门限。
在一实施例中,所述目标识别模块20,还用于判断除所述携带有预设报文信息的量测值之外的其他量测值是否处于所述椭圆门限内。
根据判断结果进行一次聚类。
在一实施例中,所述目标识别模块20,还用于判断除所述携带有预设报文信息的量测值之外的其他量测值是否处于所述椭圆门限内;根据判断结果进行一次聚类。
在一实施例中,所述目标识别模块20,还用于根据所述截断距离、截断函数以及一次聚类后的剩余量测值所对应的最大速度计算所述剩余量测值的局部密度以及密度距离;根据所述剩余量测值的局部密度以及密度距离对所述剩余量测值进行第二次聚类。
在一实施例中,所述目标识别模块20,还用于比较第一量测值的局部密度与第二量测值的局部密度,比较第一量测值的密度距离与第二量测值的密度距离,所述第一量测值以及所述第二量测值均为剩余量测值中任一量测值;根据比较结果选择二次聚类的聚类中心;根据所述聚类中心对所述剩余量测值进行二次聚类。
在一实施例中,所述目标识别模块20,还用于在第一量测值的局部密度大于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则将第一量测值作为量测中心;在第一量测值的局部密度小于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则剔除第一量测值;当第一量测值的密度距离小于第二量测值的密度距离,则将第一量测值归于邻近的聚类中,所述邻近的聚类为一次聚类以及二次聚类中的任一个聚类。
在一实施例中,所述目标识别模块20,还用于获取两次聚类的聚类中心;基于所述聚类中心确定所述预设量测周期内所有飞行器所处于的位置。
本发明多目标识别装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有多目标识别程序,所述多目标识别程序被处理器执行时实现如上文所述的多目标识别方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种多目标识别方法,其特征在于,所述多目标识别方法包括:
获取预设量测周期所对应的量测数据集,所述量测数据集中包含已知飞行器和待识别飞行器的量测数据;
从所述量测数据集中筛选出携带有预设报文信息的量测值;
根据所述携带有预设报文信息的量测值确定所述已知飞行器的历史运动轨迹;
根据所述历史运动轨迹构建椭圆门限;
通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类;
通过预设参数对一次聚类后的剩余量测值进行二次聚类;
基于两次聚类结果识别出预设量测周期内的所有飞行器。
2.如权利要求1所述的多目标识别方法,其特征在于,所述根据所述历史运动轨迹构建椭圆门限,包括:
根据所述历史运动轨迹得到已知飞行器运动信息;
根据所述已知飞行器运动信息得到已知飞行器的残差协方差矩阵的逆矩阵;
获取预设门限阈值;
根据所述残差协方差矩阵的逆矩阵、所述携带有预设报文信息的量测值以及所述预设门限阈值建立椭圆门限。
3.如权利要求1所述的多目标识别方法,其特征在于,所述通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类,包括:
判断除所述携带有预设报文信息的量测值之外的其他量测值是否处于所述椭圆门限内;
根据判断结果进行一次聚类。
4.如权利要求1所述的多目标识别方法,其特征在于,所述预设参数包括:截断距离、截断函数以及一次聚类后的剩余量测值所对应的最大速度;
所述通过预设参数对一次聚类后的剩余量测值进行二次聚类,包括:
根据所述截断距离、截断函数以及一次聚类后的剩余量测值所对应的最大速度计算所述剩余量测值的局部密度以及密度距离;
根据所述剩余量测值的局部密度以及密度距离对所述剩余量测值进行第二次聚类。
5.如权利要求4所述的多目标识别方法,其特征在于,所述根据所述剩余量测值的局部密度以及密度距离对所述剩余量测值进行二次聚类,包括:
比较第一量测值的局部密度与第二量测值的局部密度,比较第一量测值的密度距离与第二量测值的密度距离,所述第一量测值以及所述第二量测值均为剩余量测值中任一量测值;
根据比较结果选择二次聚类的聚类中心;
根据所述聚类中心对所述剩余量测值进行二次聚类。
6.如权利要求5所述的多目标识别方法,其特征在于,所述根据判断结果选择二次聚类的聚类中心,包括:
在第一量测值的局部密度大于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则将第一量测值作为量测中心;
在第一量测值的局部密度小于第二量测值的局部密度,且第一量测值的密度距离大于第二量测值的密度距离时,则剔除第一量测值;
当第一量测值的密度距离小于第二量测值的密度距离,则将第一量测值归于邻近的聚类中,所述邻近的聚类为一次聚类以及二次聚类中的任一个聚类。
7.如权利要求1所述的多目标识别方法,其特征在于,所述基于两次聚类结果识别出预设量测周期内的所有飞行器之后,还包括:
获取两次聚类的聚类中心;
基于所述聚类中心确定所述预设量测周期内所有飞行器所处于的位置。
8.一种多目标识别装置,其特征在于,所述多目标识别装置包括:
量测值获取模块,用于获取预设量测周期所对应的量测数据集,所述量测数据集中包含已知飞行器和待识别飞行器的量测数据;
量测值获取模块,还用于从所述量测数据集中筛选出携带有预设报文信息的量测值;
量测值获取模块,还用于根据所述携带有预设报文信息的量测值确定所述已知飞行器的历史运动轨迹;
量测值获取模块,还用于根据所述历史运动轨迹构建椭圆门限;
目标识别模块,用于通过所述椭圆门限对除所述携带有预设报文信息的量测值之外的其他量测值进行一次聚类;
目标识别模块,还用于通过预设参数对一次聚类后的剩余量测值进行二次聚类;
目标识别模块,还用于基于两次聚类结果识别出预设量测周期内的所有飞行器。
9.一种多目标识别设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多目标识别程序,所述多目标识别程序配置为实现如权利要求1至7中任一项所述的多目标识别方法。
10.一种存储介质,其特征在于,所述存储介质上存储有多目标识别程序,所述多目标识别程序被处理器执行时实现如权利要求1至7任一项所述的多目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210705103.2A CN115201806A (zh) | 2022-06-21 | 2022-06-21 | 多目标识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210705103.2A CN115201806A (zh) | 2022-06-21 | 2022-06-21 | 多目标识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115201806A true CN115201806A (zh) | 2022-10-18 |
Family
ID=83575325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210705103.2A Pending CN115201806A (zh) | 2022-06-21 | 2022-06-21 | 多目标识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115201806A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975071A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大华技术股份有限公司 | 图像聚类方法、计算机设备和存储介质 |
-
2022
- 2022-06-21 CN CN202210705103.2A patent/CN115201806A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975071A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大华技术股份有限公司 | 图像聚类方法、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6967616B2 (en) | Systems and methods for correlation in an air traffic control system of interrogation-based target positional data and GPS-based intruder positional data | |
US6810322B2 (en) | Multisource target correlation | |
US9170324B2 (en) | Statistical movement analysis | |
CN112526513A (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
WO2016083937A1 (en) | Positioning method and system based on wireless signals | |
CN106896348B (zh) | 一种基于概率数据关联的雷达信号分选方法 | |
US4021802A (en) | Collision avoidance system | |
Ali et al. | Harvesting indoor positioning accuracy by exploring multiple features from received signal strength vector | |
CN107067019A (zh) | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 | |
CN115201806A (zh) | 多目标识别方法、装置、设备及存储介质 | |
US11754704B2 (en) | Synthetic-aperture-radar image processing device and image processing method | |
CN114967751B (zh) | 飞行器航迹追踪方法、装置、设备及存储介质 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
Slimane et al. | ADS-B message injection attack on UAVs: assessment of SVM-based detection techniques | |
CN113284369A (zh) | 一种基于ads-b实测航路数据的预测方法 | |
EP4152297A1 (en) | Systems and methods for multi-sensor correlation of airspace surveillance data | |
CN116630888A (zh) | 无人机监测方法、无人机监测装置、电子设备及存储介质 | |
JP2019186941A (ja) | 受信機を用いた物体追跡 | |
Ostroumov et al. | Identification of distance measuring equipment interrogations | |
CN110378388B (zh) | 飞行物识别方法、装置、计算机可读存储介质及终端设备 | |
US6002358A (en) | Method and apparatus for determining whether two radar tracks represent the same physical object | |
Kanona et al. | A machine learning based vehicle classification in forward scattering radar | |
Marinov et al. | An algorithm optimizing the geometric distribution of the stations in aeronautical multilateration systems. | |
KR20200040172A (ko) | 레이다 시스템의 객체 탐지 방법 및 장치 | |
CN117706541B (zh) | 相控阵多目标跟踪方法、装置、设备及存储介质 |
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 |