CN115718623A - 一种密集杂波环境下的异类雷达点迹融合并行处理方法 - Google Patents

Abstract

本申请公开了一种密集杂波环境下的异类雷达点迹融合并行处理方法，包括：根据假设航迹，对雷达点迹进行粗筛选，得到雷达点迹与假设航迹的粗关联关系；根据粗关联关系对对假设航迹进行状态预测，剔除虚假航迹；基于更新后的假设航迹，生成当前处理周期各雷达平台的假设航迹状态信息，记录得分；按各雷达平台的平台索引对具有相关性的假设航迹树进行聚类，并利用带权重的无向图记录形成假设航迹聚类信息；基于假设航迹聚类信息，确定出每个假设航迹聚类的最大权重独立集；遍历假设航迹聚类，根据最大权重独立集结果对每个假设航迹树进行剪枝，更新航迹假设树。本申请的方法能够降低异类雷达点迹融合处理时间，满足实际使用的实时性需求。

Description

一种密集杂波环境下的异类雷达点迹融合并行处理方法

技术领域

本申请涉及雷达数据处理技术领域，尤其涉及一种密集杂波环境下的异类雷达点迹融合并行处理方法。

背景技术

为提高目标跟踪的稳定性与精确性，组网雷达协同探测技术得到了快速发展。其中，多雷达点迹融合处理是组网雷达协同探测技术的重要一环，它主要是对组网雷达的点迹信息进行航迹起始、点-航关联、航迹滤波等处理，以生成精度更优、稳定性更高的复合跟踪航迹。但是，随着组网雷达数量增加，虚假点迹、干扰点迹也会随之增加，对于冗余点迹的实时处理将面临严峻考验。另外，协同探测目标个数的增多以及滤波跟踪算法的复杂化同样影响处理时间，使得基于传统CPU处理架构的雷达数据处理系统已难以满足多雷达协同探测的实时处理需求。

有部分学者已研究了基于GPU处理架构的雷达数据处理方法，在《基于GPU架构的密集杂波条件下机动多目标跟踪方法》专利中提出了“联合最大似然-交互式多模型-概率数据关联算法(CJML-IMM-PAD)”的GPU并行方法；在《基于GPU的雷达数据处理技术研究》一文中对“JPDA和修正Hough变换航迹起始算法”进行了GPU并行优化；在《基于CPU+GPU协同架构下的并行化多目标跟踪方法研究》一文中对“最近邻(NN)算法”进行了GPU并行优化。上述专利从原理上给出了关于GPU并行优化的改进思路，但仍共同存在以下问题：

已公开专利考虑的应用平台均为单雷达平台，无法适用于异类多雷达平台。

已公开专利提出的NN、JPDA关联算法与MHT关联算法相比，跟踪性能较差，难以应对密集杂波环境下的多雷达点迹融合。

发明内容

本申请实施例提供一种密集杂波环境下的异类雷达点迹融合并行处理方法，用于对异类雷达点迹融合算法进行并行优化，在GPU端实现点迹-航迹关联算法与聚类分配算法的并行处理，节省CPU端的计算资源，降低异类雷达点迹融合处理时间，满足实际使用的实时性需求。

本申请实施例提供一种密集杂波环境下的异类雷达点迹融合并行处理方法，包括：

对接收到的多个雷达平台的雷达点迹进行空间配准，以将各雷达点迹配准至同一坐标系内；

根据假设航迹，对雷达点迹进行粗筛选，得到雷达点迹与假设航迹的粗关联关系；

利用GPU，并行处理，根据粗关联关系对对假设航迹进行状态预测，剔除虚假航迹，以获得更新后的假设航迹；

利用CPU，基于更新后的假设航迹，生成当前处理周期各雷达平台的假设航迹状态信息，记录得分；

按各雷达平台的平台索引对具有相关性的假设航迹树进行聚类，并利用带权重的无向图记录形成假设航迹聚类信息；

利用GPU，并行处理，基于假设航迹聚类信息，确定出每个假设航迹聚类的最大权重独立集；

利用CPU，遍历假设航迹聚类，根据最大权重独立集结果对每个假设航迹树进行剪枝，更新航迹假设树。

可选的，根据假设航迹，对雷达点迹进行粗筛选，得到雷达点迹与假设航迹的粗关联关系包括：

对假设航迹，利用多假设关联算法(TOMHT)，通过遍历复合跟踪航迹树的深层节点，完成假设航迹与雷达点迹信息的粗关联处理，以获得雷达点迹与假设航迹的粗关联关系；

其中所述TOMHT的粗关联波门为球形波门，假设航迹的直角坐标位置为中心原点，根据目标运动的最远距离为半径，确定球形关联波门大小，并通过计算雷达点迹与假设跟踪航迹的欧式距离，确定该假设航迹附近的所有雷达点迹。

可选的，利用GPU，并行处理包括：

根据GPU的性能与粗关联关系大小确定网格(grid)个数与线程块(block)个数，并调用点迹-航迹关联核函数进行假设航迹与雷达点迹的椭球波门关联处理。

可选的，根据粗关联关系对对假设航迹进行状态预测，剔除虚假航迹，以获得更新后的假设航迹还包括：

采用交互多模型-转换量测卡尔曼滤波(IMM-CMKF)对假设航迹进行滤波更新；

根据滤波更新结果，计算马氏距离与假设航迹更新得分，并采用椭球波门规则进行虚假航迹判断，在马氏距离大于设定阈值的情况下，判定雷达点迹与假设航迹关联失败，以剔除虚假航迹。

可选的，按各雷达平台的平台索引对具有相关性的假设航迹树进行聚类，并利用带权重的无向图记录形成假设航迹聚类信息包括：

各雷达平台预先配置有平台索引；

按照指定顺序对具有相同平台索引的假设航迹树节点进行遍历，确定出由相同雷达点迹更新的所有假设航迹，以形成带权值的假设航迹聚类图，其中所述假设航迹聚类图中的节点表示一条假设航迹，节点权值表示该假设航迹的得分，边表示相链接的假设航迹使用了相同的更新点迹。

可选的，利用GPU，并行处理，基于假设航迹聚类信息，确定出每个假设航迹聚类的最大权重独立集包括：

确定所述假设航迹聚类图的最大权值独立集(MWIS)，使得独立集中所有节点的航迹得分总和最大，并确定最大权值独立集中的假设航迹节点为本处理周期的最优分配方案。

可选的，更新航迹假设树之后，还包括：

各雷达平台的假设航迹树更新结果，对复合跟踪航迹树进行更新与剪枝，将每个复合跟踪航迹树的根节点信息作为当前处理周期的最优融合结果。

本申请实施例还提出一种计算机设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现前述的密集杂波环境下的异类雷达点迹融合并行处理方法的步骤。

本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述的密集杂波环境下的异类雷达点迹融合并行处理方法的步骤。

本申请实施例对异类雷达点迹融合算法进行并行优化，在GPU端实现点迹-航迹关联算法与聚类分配算法的并行处理，节省了CPU端的计算资源，降低了异类雷达点迹融合处理时间，可以满足实际使用的实时性需求。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例的异类雷达点迹融合并行处理方法的基本流程示意。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本申请实施例提供一种密集杂波环境下的异类雷达点迹融合并行处理方法，如图1所示，本申请创新性的利用CPU与GPU架构对IMM-KF与MHT算法进行并行优化，实现了密集杂波环境下异类雷达点迹融合并行处理方法，具体包括如下步骤：

在步骤S101中，对接收到的多个雷达平台的雷达点迹进行空间配准，以将各雷达点迹配准至同一坐标系内。在对异类雷达点迹融合并行处理前，调用cudaSetDevice函数找出GPU硬件，以及调用cudaMalloc函数进行处理数据缓存申请。然后对接收到的多平台雷达点迹进行空间配准，将雷达点迹信息与复合跟踪信息转化至相同坐标系下。通常雷达点迹为极坐标信息，在具体实施中可以先将雷达点迹信息由极坐标转换为直角坐标，再结合相应平台的导航信息，转化到地心直角坐标，形成绝对坐标系下的雷达点迹信息。最后将雷达点迹信息转化到融合原点直角坐标系(东-北-天坐标系)，进行异类雷达点迹融合处理，从而保证度量精度。在具体应用中可以对接收到的雷达点迹按照异类雷达扫描周期的最大公约数进行存储与周期处理。

在步骤S102中，根据假设航迹，对雷达点迹进行粗筛选，得到雷达点迹与假设航迹的粗关联关系。具体可以采用面向航迹的多假设关联算法(TOMHT)来实现。

在粗筛选之后，拷贝点迹-航迹粗关联信息至GPU端。接着在步骤S103中，利用GPU，并行处理，根据粗关联关系对对假设航迹进行状态预测、量测预测与状态更新，剔除虚假航迹，以获得更新后的假设航迹。存储满足阈值条件的假设航迹更新状态信息与航迹得分信息。完成点迹-航迹粗关联信息并行处理后，将存储的处理结果由GPU端拷贝至CPU端。

CPU端接收到点迹-航迹关联结果后，将复合跟踪航迹树按平台个数进行复制，形成带平台标号的假设航迹树。本实施例中的跟踪目标由多层树结构表示，也即复合跟踪航迹树，树中的分支航迹为目标运动的一种可能，本申请实施例中称为假设航迹。在步骤S104中，利用CPU，基于更新后的假设航迹，生成当前处理周期各雷达平台的假设航迹状态信息，记录航迹得分。

在步骤S105中，按各雷达平台的平台索引对具有相关性的假设航迹树进行聚类，并利用带权重的无向图记录形成假设航迹聚类信息，并存储。将带权重的无向图记录形成假设航迹聚类信息由CPU端拷贝至GPU端。

在步骤S106中，利用GPU，并行处理，基于假设航迹聚类信息，确定出每个假设航迹聚类的最大权重独立集(MWIS)，本申请实施例中将该聚类的最大权重独立集结果作为点迹-航迹关联的最优分配结果，并存储。

在步骤S107中，利用CPU，遍历假设航迹聚类，根据最大权重独立集结果对每个假设航迹树进行剪枝，更新航迹假设树。

本申请实施例对异类雷达点迹融合算法进行并行优化，在GPU端实现点迹-航迹关联算法与聚类分配算法的并行处理，节省了CPU端的计算资源，降低了异类雷达点迹融合处理时间，可以满足实际使用的实时性需求。

本实施例中的跟踪目标由多层树结构表示，也即复合跟踪航迹树，树中的分支航迹为目标运动的一种可能，本申请实施例中称为假设航迹。在一些实施例中，根据假设航迹，对雷达点迹进行粗筛选，得到雷达点迹与假设航迹的粗关联关系包括：

对假设航迹，利用多假设关联算法(TOMHT)，通过遍历复合跟踪航迹树的深层节点，完成假设航迹与雷达点迹信息的粗关联处理，以获得雷达点迹与假设航迹的粗关联关系。

其中所述TOMHT的粗关联波门为球形波门，假设航迹的直角坐标位置为中心原点，根据目标运动的最远距离为半径，确定球形关联波门大小，并通过计算雷达点迹与假设跟踪航迹的欧式距离，确定该假设航迹附近的所有雷达点迹，从而建立点迹-航迹粗关联关系(点-航粗关联关系)。

完成复合跟踪航迹树的最深层节点遍历后，将满足球形波门的点-航粗关联信息进行存储。在一些具体示例中，当存储个数满足GPU并行线程数10240时，调用cudaMemcpy函数将点-航粗关联信息由CPU端拷贝至GPU端。点-航粗关联信息大小为：粗关联雷达点迹信息与目标航迹状态信息等。在一些实施例中，利用GPU，并行处理包括：

根据GPU的性能与粗关联关系大小确定网格(grid)个数与线程块(block)个数，并调用点迹-航迹关联核函数进行假设航迹与雷达点迹的椭球波门关联处理，例如grid取值可以为10，block取值可以为1024。

点-航关联核函数调用后，GPU会根据grid个数与block个数分配并行计算资源。在GPU的每个独立线程内都会通过线程块大小、线程块号与线程号索引到一组点-航粗关联信息。在一些实施例中，根据粗关联关系对对假设航迹进行状态预测，剔除虚假航迹，以获得更新后的假设航迹还包括：

采用交互多模型-转换量测卡尔曼滤波(IMM-CMKF)对假设航迹进行滤波更新；

根据滤波更新结果，计算马氏距离与假设航迹更新得分，并采用椭球波门规则进行虚假航迹判断，在马氏距离大于设定阈值的情况下，判定雷达点迹与假设航迹关联失败，关联航迹为虚假航迹，马氏距离值为-1，后续将不参与假设航迹的更新，以剔除虚假航迹。接着根据GPU的线程索引进行假设航迹状态更新信息存储，记录马氏距离、假设航迹得分以及航迹更新状态等信息。然后，拷贝假设航迹状态更新信息至CPU端，具体的在GPU端完成点-航关联并行处理后，在CPU端调用cudaMemcpy函数将假设航迹状态更新信息由GPU端拷贝至CPU端。

在一些实施例中，按各雷达平台的平台索引对具有相关性的假设航迹树进行聚类，并利用带权重的无向图记录形成假设航迹聚类信息包括：

各雷达平台预先配置有平台索引。按平台个数复制所有的复合跟踪航迹树，并对复制后的复合跟踪航迹树进行平台索引标记，完成假设航迹树创建。再根据点-航关联结果及关联雷达点迹的平台号，更新具有相同平台索引的假设航迹树，建立假设航迹子节点，完成假设航迹的状态更新与航迹得分更新。

然后采用如下方式进行聚类，按照指定顺序对具有相同平台索引的假设航迹树节点进行遍历，确定出由相同雷达点迹更新的所有假设航迹，以形成带权值的假设航迹聚类图，其中所述假设航迹聚类图中的节点表示一条假设航迹，节点权值表示该假设航迹的得分，边表示相链接的假设航迹使用了相同的更新点迹。完成假设航迹聚类处理后，将假设航迹聚类信息按照无向图结构进行存储。当存储个数满足GPU并行线程数1024时，调用cudaMemcpy函数将聚类信息由CPU端拷贝至GPU端。

根据GPU性能与假设航迹聚类信息大小确定网格(grid)个数与线程块(block)个数后，调用点-航分配核函数找出最优假设关联方案。在本实施例中，grid取值为1，block取值为1024。

调用点-航分配核函数后，GPU会根据grid个数与block个数分配并行计算资源。在GPU的每个独立线程内都会通过线程块大小、线程块号与线程号索引到一个假设航迹聚类信息。在一些实施例中，利用GPU，并行处理，基于假设航迹聚类信息，确定出每个假设航迹聚类的最大权重独立集包括：

确定所述假设航迹聚类图的最大权值独立集(MWIS)，使得独立集中所有节点的航迹得分总和最大，并确定最大权值独立集中的假设航迹节点为本处理周期的最优分配方案。完成确定最优分配方案的相关计算后，根据GPU的线程索引对该聚类的最大权值独立集信息进行存储，记录最大权值独立集的图节点号。在GPU端完成点-航最优分配并行处理后，在CPU端调用cudaMemcpy函数将最大权值独立集信息由GPU端拷贝至CPU端。

在一些实施例中，更新航迹假设树之后，还包括：各雷达平台的假设航迹树更新结果，对复合跟踪航迹树进行更新与剪枝，将每个复合跟踪航迹树的根节点信息作为当前处理周期的最优融合结果。

具体的，可以依次对假设航迹聚类图信息进行遍历，利用最大权值独立集信息找出每个假设航迹树中的最优假设航迹，并回溯至根节点将其它兄弟节点的假设航迹进行删除剪枝，形成最优假设航迹树。

完成所有的假设航迹树剪枝处理后，对来自多个平台的假设航迹树进行合并处理。按照时间顺序对每个假设航迹关联上的异类雷达点迹进行排序，并采用IMM-CMKF算法依次更新至复合跟踪航迹树中，生成假设航迹子节点，更新假设航迹状态与航迹得分。

完成复合跟踪航迹树合并更新处理后，将所有的假设航迹树进行删除。然后在复合跟踪航迹树中找出航迹得分最高的假设航迹为最优假设航迹，并同理回溯至根节点将其它兄弟节点的假设航迹进行删除剪枝，形成最优复合跟踪航迹树。

对所有复合跟踪航迹树完成更新与剪枝后，确定每个航迹树的根节点信息为当前处理周期的最优复合跟踪航迹信息。将每个根节点的航迹状态信息进行输出，则完成了密集杂波环境下的异类雷达点迹融合并行处理。

本申请的方法可以有效弥补CPU处理架构计算资源匮乏的问题，利用GPU的多线程资源对点-航关联、航迹滤波与聚类分配等算法实现并行化处理，有效提高了异类雷达点迹融合的处理效率。在目标跟踪算法上面，本申请的方法采用交互多模型卡尔曼滤波(IMM-KF)算法与多假设跟踪(MHT)关联算法，具有较强的抗干扰能力，可在密集杂波环境下有效应对多个异类雷达带来的负面影响，有效提高点-航关联正确率，得到连续、稳定的目标跟踪航迹。

本申请实施例还提出一种计算机设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现前述的密集杂波环境下的异类雷达点迹融合并行处理方法的步骤。

本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述的密集杂波环境下的异类雷达点迹融合并行处理方法的步骤。

需要说明的是，在本申各实施例中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。

上述本申请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，本申请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ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本申请的保护之内。

Claims (9)

1.一种密集杂波环境下的异类雷达点迹融合并行处理方法，其特征在于，包括：

对接收到的多个雷达平台的雷达点迹进行空间配准，以将各雷达点迹配准至同一坐标系内；

根据假设航迹，对雷达点迹进行粗筛选，得到雷达点迹与假设航迹的粗关联关系；

利用GPU，并行处理，根据粗关联关系对对假设航迹进行状态预测，剔除虚假航迹，以获得更新后的假设航迹；

利用CPU，基于更新后的假设航迹，生成当前处理周期各雷达平台的假设航迹状态信息，记录得分；

按各雷达平台的平台索引对具有相关性的假设航迹树进行聚类，并利用带权重的无向图记录形成假设航迹聚类信息；

利用GPU，并行处理，基于假设航迹聚类信息，确定出每个假设航迹聚类的最大权重独立集；

利用CPU，遍历假设航迹聚类，根据最大权重独立集结果对每个假设航迹树进行剪枝，更新航迹假设树。

2.如权利要求1所述的密集杂波环境下的异类雷达点迹融合并行处理方法，其特征在于，根据假设航迹，对雷达点迹进行粗筛选，得到雷达点迹与假设航迹的粗关联关系包括：

对假设航迹，利用多假设关联算法(TOMHT)，通过遍历复合跟踪航迹树的深层节点，完成假设航迹与雷达点迹信息的粗关联处理，以获得雷达点迹与假设航迹的粗关联关系；

其中所述TOMHT的粗关联波门为球形波门，假设航迹的直角坐标位置为中心原点，根据目标运动的最远距离为半径，确定球形关联波门大小，并通过计算雷达点迹与假设跟踪航迹的欧式距离，确定该假设航迹附近的所有雷达点迹。

3.如权利要求1所述的密集杂波环境下的异类雷达点迹融合并行处理方法，其特征在于，利用GPU，并行处理包括：

根据GPU的性能与粗关联关系大小确定网格(grid)个数与线程块(block)个数，并调用点迹-航迹关联核函数进行假设航迹与雷达点迹的椭球波门关联处理。

4.如权利要求3所述的密集杂波环境下的异类雷达点迹融合并行处理方法，其特征在于，根据粗关联关系对对假设航迹进行状态预测，剔除虚假航迹，以获得更新后的假设航迹还包括：

采用交互多模型-转换量测卡尔曼滤波(IMM-CMKF)对假设航迹进行滤波更新；

根据滤波更新结果，计算马氏距离与假设航迹更新得分，并采用椭球波门规则进行虚假航迹判断，在马氏距离大于设定阈值的情况下，判定雷达点迹与假设航迹关联失败，以剔除虚假航迹。

5.如权利要求4所述的密集杂波环境下的异类雷达点迹融合并行处理方法，其特征在于，按各雷达平台的平台索引对具有相关性的假设航迹树进行聚类，并利用带权重的无向图记录形成假设航迹聚类信息包括：

各雷达平台预先配置有平台索引；

按照指定顺序对具有相同平台索引的假设航迹树节点进行遍历，确定出由相同雷达点迹更新的所有假设航迹，以形成带权值的假设航迹聚类图，其中所述假设航迹聚类图中的节点表示一条假设航迹，节点权值表示该假设航迹的得分，边表示相链接的假设航迹使用了相同的更新点迹。

6.如权利要求5所述的密集杂波环境下的异类雷达点迹融合并行处理方法，其特征在于，利用GPU，并行处理，基于假设航迹聚类信息，确定出每个假设航迹聚类的最大权重独立集包括：

确定所述假设航迹聚类图的最大权值独立集(MWIS)，使得独立集中所有节点的航迹得分总和最大，并确定最大权值独立集中的假设航迹节点为本处理周期的最优分配方案。

7.如权利要求6所述的密集杂波环境下的异类雷达点迹融合并行处理方法，其特征在于，更新航迹假设树之后，还包括：

各雷达平台的假设航迹树更新结果，对复合跟踪航迹树进行更新与剪枝，将每个复合跟踪航迹树的根节点信息作为当前处理周期的最优融合结果。

8.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的密集杂波环境下的异类雷达点迹融合并行处理方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的密集杂波环境下的异类雷达点迹融合并行处理方法的步骤。

Images