CN117310642A - 一种基于多尺度聚类的多雷达密集群目标航迹关联方法 - Google Patents
一种基于多尺度聚类的多雷达密集群目标航迹关联方法 Download PDFInfo
- Publication number
- CN117310642A CN117310642A CN202311239149.0A CN202311239149A CN117310642A CN 117310642 A CN117310642 A CN 117310642A CN 202311239149 A CN202311239149 A CN 202311239149A CN 117310642 A CN117310642 A CN 117310642A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- point
- clustering
- association
- 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 70
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 15
- 238000013213 extrapolation Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 244000141353 Prunus domestica Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Discrete Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多尺度聚类的多雷达密集群目标航迹关联方法,包括以下步骤:步骤1:获取雷达采样数据,对数据进行预处理;步骤2:根据预处理后的数据对航迹速度进行估计,得到每个处理时刻航迹点的速度;步骤3:根据目标位置和航迹点速度得到预示落点,将航迹投射到经纬网格中;根据连通域聚类进行粗聚类,得到目标分群;步骤4:对每个目标分群中的子群,在群内通过加权Hausdorff距离度量准则判定航迹相似性,得到精聚类结果,即两航迹的初步关联关系;步骤5:选取两目标之间具有最小加权距离的路径作为最优关联关系;本发明能够降低多目标条件下的关联计算消耗时间,计算效率高,多目标密集伴飞阶段航迹关联输出结果平稳,关联正确率更高。
Description
技术领域
本发明涉及密集群航迹关联技术领域,具体涉及一种基于多尺度聚类的多雷达密集群目标航迹关联方法。
背景技术
随着当代综合电子技术与航空技术的高速发展,多目标跟踪技术受到更多学者的关注,其中广泛应用在空中、陆地、水中等多种目标追踪与探测场景中。当代信息干扰较多,对目标跟踪的精度要求也愈加提高。航迹关联作为目标跟踪中重要环节之一,实现了航迹融合时的航迹与航迹关联。航迹关联是目标跟踪准确度的重要影响因子,具有重要的实际应用意义。
多雷达多目标航迹关联是相控阵雷达数据处理的关键技术之一,利用不同站址雷达数据进行航迹关联和融合,可有效弥补单台套相控阵雷达多目标测量的不足,形成航迹精度高、多目标态势清晰的相控阵雷达融合航迹数据。不同雷达观测视角不同,通过多雷达航迹融合处理,可以提高目标观测精度。相控阵雷达航迹融合处理的前提是找出不同雷达对同一目标的共同探测关系。将多雷达多目标航迹划分为若干簇和离群航迹,即完成多雷达的航迹关联。航迹关联是多目标态势生成中保障态势清晰、完整、一致的关键技术和前提条件。
在航天测控中,相控阵雷达可以同时测量多个目标的空间位置信息,多台雷达将组网探测信息向指挥中心实时发送,指挥中心需要对多雷达多目标数据进行融合处理,生成清晰的多目标态势。数据融合处理的前提是判断来自不同雷达的目标量测数据是否源于同一目标实体,也就是完成多雷达的航迹关联。而在多级火箭发射过程中,随着级间分离、抛整流罩等特征事件,会出现火箭主体、子级残骸、整流罩、碎片等多密集群目标伴飞的情况。单台雷达都有可能出现航迹混批、错批或丟批的情况,多台不同位置的雷达测量精度和目标容量等指标各不相同,导致中心级的密集群目标关联难度急剧增大。
常见的量测航迹关联方法中,Aoki等的《Suboptimal JPDAfor tracking in thepresence ofclutter and missed detections》(12th International Conference onInformation Fusion.IEEE,2009)提出改进联合概率关联(Joint Probabilistic DataAssociation,JPDA)算法成功应用于多目标跟踪问题中,但是随着目标数量的增多,计算量呈指数增长;Blackman等的《Multiplehypothesis tracking for multiple targettracking》(IEEE Aerospace and ElectronicSystems Magazine,2004,19(1):5-18)提出多假设跟踪(Multiple Hypothesis Tracking,MHT)算法,具备数据关联和航迹起始的功能,但也面临计算量较大的问题;Mahler等的《StatisticalMultisource-MultitargetInformation Fusion》(London:Artech House,2014)提出随机有限集(Random FiniteSet,RFS)理论,将目标状态和量测分别建模为集合的形式。另一方面,每台雷达传感器已经将点迹量测关联为航迹并进行编号,此时融合中心可以通过衡量不同雷达航迹的相似性,从而解决航迹关联问题。靳冰洋等的《基于灰色关联度的两级实时航迹关联算法》(兵工学报,2020,41(7):1330-1338)提出基于灰度关联的航迹关联算法,但灰度关联度门限参数设定复杂,难以推广应用;杨峰等的《基于空间拓扑特征及小波变换的分布式航迹关联》(指挥信息系统与技术,2020,11(2):33-38)提出利用航迹时间累积信息判断航迹整体运动趋势获得参考拓扑特征信息。运动场景较为单一且计算耗时较大。上述方法均没有考虑航迹的属性信息,并且都是二维平面问题,并未涉及三维密集群目标场景下的复杂多目标航迹关联。
发明内容
本发明针对现有技术存在的问题提供一种基于多尺度聚类的多雷达密集群目标航迹关联方法。
本发明采用的技术方案是:一种基于多尺度聚类的多雷达密集群目标航迹关联方法,包括以下步骤:
步骤1:获取雷达采样数据,对数据进行预处理;
步骤2:根据步骤1预处理后的数据对航迹速度进行估计,得到每个处理时刻航迹点的速度;
步骤3:根据目标位置和航迹点速度得到预示落点,将航迹投射到经纬网格中;根据连通域聚类进行粗聚类,得到目标分群;
步骤4:对步骤3得到的每个目标分群中的子群,在群内通过加权Hausdorff距离度量准则判定航迹相似性,得到精聚类结果,即两航迹的初步关联关系;
步骤5:根据步骤4的初步关联关系,选取两目标之间具有最小加权距离的路径作为最优关联关系。
进一步的,所述步骤1中预处理包括以下过程:
对每窗新接收的数据剔除野值;
将航迹关联需要的测量数据统一至发射坐标系;
将测量数据统一到同一个时间戳条件下进行关联匹配。
进一步的,所述步骤2中采用一阶中心微分平滑方法对航迹速度进行估计,拟合依次函数斜率即为中心时刻速度;通过滑窗处理,即可获得每个处理时刻航迹点的速度。
进一步的,所述步骤3中将航迹投射到经纬网格中过程如下:
根据某处理时刻航迹点的空间位置和航迹点速度,通过投射函数计算该航迹的落点经纬度;
以发射点为中心,一定的间隔建立经纬度网格坐标系,由航迹的落点经纬度得到其在网格坐标系中的坐标,将该航迹添加至对应网格中。
进一步的,所述步骤4中精聚类过程如下:
将航迹属性信息转化为权值;
计算步骤3每个目标分群中的子群两两之间的Hausdorff距离;
计算Hausdorff加权距离,将其与设定门限值进行比较,根据设定门限值判定两航迹的初步关联关系。
进一步的,所述步骤1中预处理之前,首先通过滑窗建立数据处理时序,统一处理节拍具体过程如下:
第一窗接收2T秒航迹片段后,对前T秒数据进行预处理;
第二窗新数据接收后,继续完成下一段T秒数据的预处理;
第三窗根据处理点前后T秒数据片段进行步骤2~5处理;
后续每窗重复第三窗中的时序,进行航迹处理。
进一步的,所述剔除野值处理过程如下:
对窗内数据中的点采用最小二乘法进行一次函数拟合,得到拟合参数;
根据拟合参数计算得到拟合点的拟合残差;
统计拟合点的残差均值和标准差,
若拟合残差在下式范围内,则保留;若拟合残差超出下式范围则判断其为野值点,将其剔除并使用其拟合点代替;
μ-ασ≤rn≤μ+ασ
式中:rn为第n点拟合残差,α为标准差系数,μ为残差的均质,σ为残差的标准差。
进一步的,所述将测量数据统一到同一个时间戳条件下进行关联匹配过程如下:
若当前处理窗内存在该航迹测量数据,则在Tn时刻前后各取M个测量数据,该时刻的测量结果采用一次函数内插法得到;
若该处理窗内不存在测量数据,由历史M点采用一次函数拟合外推得到;
设置外推时长门限Tw,若第j个航迹由历史点外推Tw秒后仍无未接收到新的测量数据,则停止对该航迹的后续处理,直至收到新的测量数据。
本发明的有益效果是:
(1)本发明解决了三维密度集群目标场景下的航迹关联目标多、计算量大、容易出现错误等问题;
(2)本发明能够降低多目标条件下的关联计算消耗时间,计算效率高,多目标密集伴飞阶段航迹关联输出结果平稳,关联正确率更高。
附图说明
图1为本发明中的数据处理时序图。
图2为本发明中基于航迹投射经纬网格的航迹粗聚类示意图。
图3为本发明中8连通域聚类示意图。
图4为本发明中确定最优关联关系示意图。
图5为本发明实施例中t1时刻航迹粗聚类投影结果。
图6为本发明实施例中t2时刻航迹粗聚类投影结果。
图7为本发明实施例中本发明方法与传统方法耗时、目标总数变化曲线。
图8为本发明实施例中某目标的某雷达关联结果。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种基于多尺度聚类的多雷达密集群目标航迹关联方法,包括以下步骤:
步骤1:获取雷达采样数据,通过滑窗建立数据处理时序,统一处理节拍,对数据进行预处理;
雷达的采样周期和数据发送频率各不相同,为了统一处理节拍,设计数据处理时序。滑窗建立数据处理时序,统一处理节拍具体过程如图1所示如下:
第一窗接收2T秒航迹片段后,对前T秒数据进行预处理;
第二窗新数据接收后,继续完成下一段T秒数据的预处理;
第三窗根据处理点前后T秒数据片段,进行步骤2处理(即进行航迹速度的估计);然后进行步骤3~5处理;并将结果外推至当前时刻(图中以当前窗外推数据表示)。
后续每窗重复第三窗中的时序,进行航迹处理。
建立数据处理时序的主要目的是确定后续各步骤开始的时机;主要的思想是数据来了之后先放到堆栈里面(图中以时间未对齐数据表示),等到数据积累够后才开始进行处理。而预处理步骤启动的条件是2T窗长的数据,步骤2~5是4T窗长的数据。数据积累2T时间后即开始对0~T时刻的数据进行预处理,在收到第二窗也就是3T时刻数据后,同样才开始处理T~2T时刻的数据进行预处理,在第三窗即4T时间的数据后才开始对2T~3T数据进行处理,同时利用0~3T时刻的数据进行步骤2~5处理。
预处理过程包括以下过程:
对每窗新接收的数据剔除野值;野值剔除针对每窗新接收的数据进行处理,采用一次函数拟合残差的统计特性判断某航迹点是否为野值点。测站系下的测距和测角与观测几何关系较大,具有很强的非线性(如过顶跟踪阶段,测角变化剧烈),通过简单函数拟合剔除门限选取不易把握,而发射系下的[x,y,z]具有空间位置的连续性和缓变性。野值剔除针对发射系下的[x,y,z]进行。采用N点最小二乘法进行一次函数的拟合。
剔除野值处理过程如下:
对窗内数据中的点采用最小二乘法进行一次函数拟合,得到拟合参数;如下:
式中:[xn,yn,zn]为第n点的发射系坐标,tn为第n点时间,为拟合的斜率和截矩。
根据拟合参数计算得到拟合点(n点)的拟合残差rn;
式中:为第n点的发射系拟合坐标。
统计拟合点(N点)的残差均值和标准差,
若拟合残差在下式范围内,则保留;若拟合残差超出下式范围则判断其为野值点,将其剔除并使用其拟合点代替;
μ-ασ≤rn≤μ+ασ
式中:rn为第n点拟合残差,α为标准差系数,通常取3或5,μ为残差的均质,σ为残差的标准差。
将航迹关联需要的测量数据统一至发射坐标系;
航迹关联需要将多雷达测量的距离ρ、方位角θ、俯仰角ε统一到一个坐标系下。本发明中统一至发射坐标系,以发射点为原点,坐标[x,y,z]T的方向分别为射向、纵向、横向。极坐标系到直角坐标系的转换是非线性的,转换后直角坐标系下的估计会变为有偏估计。需要在转换过程中加入补偿。
式中:[N,U,E]T分别指向北、天、东测量值, 和/>分别为方位角θ和俯仰角ε的方差。
量测噪声协方差R可以表示为:
式中量测噪声协方差矩阵的各元素分别为:
在转换到观测系下的直角坐标系后,还需进一步转换至发射系,利用相应的转换矩阵即可。
将测量数据统一到同一个时间戳条件下进行关联匹配。
若当前处理窗内存在该航迹上报数据,则在Tn时刻前后各取M个上报数据,该上报数据采用一次函数内插法得到;
若该处理窗内不存在上报数据,由历史M点采用一次函数拟合外推得到;
为防止航迹终止后的过度外推,设置外推时长门限Tw,若第j个航迹由历史点外推Tw秒后仍无数据上报,则停止对该航迹的后续处理,直至有新数据上报。针对不同数据率的雷达,可设置不同的外推时长门限。
步骤2:根据步骤1预处理后的数据对航迹速度进行估计,得到每个处理时刻航迹点的速度;
采用一阶中心微分平滑方法对航迹速度进行估计,拟合依次函数斜率即为中心时刻速度;设处理时刻共有2K+1点,分别为T1,...,TK,TK+1,TK+2,...,T2K+1,则中间时刻TK+1三个方向的速度可以表示为:
式中,为处理时刻TK+1估计的三个方向速度,通过滑窗处理,即可获得每个处理时刻航迹点的速度。
步骤3:根据目标位置和航迹点速度得到预示落点,将航迹投射到经纬网格中;根据连通域进行粗聚类,得到目标分群;
在火箭典型飞行场景中,随着时间推移,会产生火箭一子级、整流罩、二子级等密集群目标,每一群内通常包含主体目标和大量的伴飞碎片。密集群目标不同航迹位置和速度差异投射在预示落点经纬网格中,会呈现明显的分群效果。通过计算预示落点,将航迹投射到经纬网格中,通过预示落点区分空间位置较近而速度差异较大的两个密集目标。基于航迹投射经纬网格的航迹粗聚类原理如图2所示。
设在处理时刻Tn,某航迹点的空间位置为速度为/>计算预示落点将其投射至地球参考椭球面的经纬度坐标,表示如下
其中,F表示投射函数,(β,γ)为该航迹的落点经纬度。
以发射点为中心,一定的间隔建立经纬度网格坐标系,由航迹的预示落点经纬度(β,γ)可以计算其在网格坐标系中的坐标(pw,pj),并将该航迹添加至对应网格中。完成投影转换后,采用形态学处理中的8连通域聚类方法实现航迹粗聚类,如图3所示。
连通性是描述图形区域和边界的重要概念,常见的包括4连通域和8连通域。8连通域聚类是指像素点的上、下、左、右、左上、右上、左下、右下8个方向任一方向相连,即判断为同一聚类(4连通聚域聚类是上、下、左、右四个方向)。以图3为例,图中2、3、4、5分别与1在右上、右下、左下、右方向相连,6与4在左下方向相连,判别为同一聚类;而7、8与上述聚类无相连,判别为另一聚类。
步骤4:对步骤3得到的每个目标分群中的子群,在群内通过加权Hausdorff距离度量准则判定航迹相似性,得到精聚类结果,即两航迹的初步关联关系;
完成航迹粗聚类后,对每一大类的经纬网格中的航迹再次进行精聚类,采用属性信息加权的Hausdorff距离度量准则判定航迹相似性:将属性信息转化为权值用于加权两航迹之间的Hausdorff距离。不同属性航迹点关联时的距离权值wr如表1所示。同属性航迹点之间的距离权值为1,不同属性航迹点之间的权值大于1,此时对计算出的距离将起到放大作用,从而在精聚类中避免不同属性航迹点的关联。
由于主目标和残骸属性可能发生误判,因此主目标和残骸关联时的距离放大系数为1.2。另一方面,碎片与其他两类属性误判的概率较低,因此距离放大系数为2。
表1.不同属性航迹点关联时的距离权值
属性 | 1-主目标 | 2-残骸 | 3-碎片 |
1-主目标 | 1 | 1.2 | 2 |
2-残骸 | 1.2 | 1 | 2 |
3-碎片 | 2 | 2 | 1 |
Hausdorff距离是在度量空间中任意两个集合之间定义的一种距离。若存在两个数据集:A={a1,a2,…,aq},B={b1,b2…,bq},则A和B之间的Hausdorff距离可以表示为
H(A,B)=max[h(A,B),h(B,A)]
其中,h(A,B)=maxa∈Aminb∈B||a-b||,h(B,A)=maxb∈Bmina∈A||b-a||,||b-a||表示点a和点b间的欧氏距离。
两个数据集间的相似度随着Hausdorff距离增大而减小。Hausdorff距离考虑了两航迹在一段时间内的信息,因此可在一定程度上缓解关联的跳动,维持关联稳定性。本发明使用两航迹在处理时刻前后L点数据,此时两航迹之间的Hausdorff距离为
Rh=max[h(Pi,Pj),h(Pj,Pi)]
其中,Pi和Pj是航迹i和j在处理时刻前后L点的集合,h(Pi,Pj)是航迹i到航迹j的单向Hausdorff距离,可以表示为
得到加权距离度量后,将其与设定的门限TR进行比较,得到两航迹的初步关联关系,H1表示两航迹在当前时刻初步关联,H0表示不关联:
步骤5:根据步骤4的初步关联关系,选取两目标之间具有最小加权距离的路径作为最优关联关系。
航迹精聚类仅考虑两两航迹之间的初步关联关系,在当前处理时刻所有航迹精聚类完成后,会得到复杂的初步关联关系,特别是在目标密集阶段。如图4所示,某时刻雷达2的航迹1与雷达1的航迹1、2,雷达3的航迹1、2均存在初步关联关系,无法形成航迹关联结果。本发明对初步关联关系进行剪枝,选取具有最小加权距离和的路径作为最优关联关系。
实施例
下面为了验证本发明方法的性能,选取某任务数据,采用本发明方法进行航迹关联。在某两个时刻t1、t2的航迹投影结果分别如图5和图6所示,可以看出航迹落点依据不同的空间位置和速度分为若干簇,作为一种粗聚类方式降低遍历运算的计算量。
在同一运行环境(Windows7 64位操作系统,i7-8700CPU,3.2GHz主频,64G内存)中,分别采用本发明方法与传统直接遍历方法对该数据样本进行关联分析,两种方法耗时与目标总数随时间的变化曲线如图7所示。从图中可以看出,随着目标批数的增加,两种方法关联耗时均随之增加,但相对而言,相同目标数量条件下本发明方法耗时明显少于传统方法耗时,说明本发明方法的计算效率更高。
航迹关联正确率方面,分别采用本发明方法与传统直接遍历方法对该数据样本进行关联分析,本发明方法关联正确率为95.4%,传统方法关联正确率为88.1%。选择某目标的某雷达关联结果输出,本发明方法与传统方法对应的关联结果对比如图8所示。从图中可以看出,传统方法在200~350周期位置处的关联结果存在频繁切换,综合图7的目标总数变化和实际场景,此时多目标密集伴飞,碎片等类型目标干扰严重,而本发明方法关联输出结果平稳,关联正确率较高。
航迹关联的目的是根据目标量测数据的特征找出不同雷达对同一目标的共同探测关系。传统直接遍历航迹关联方法需要两两比对上报航迹的多维特征,该方法计算量随目标数据量的增多而急剧上升。此外,目标密集群目标跟踪阶段会出现空间位置较近的两个目标,此时仅采用空间位置难以准确区分,会造成误判。
本发明为了降低航迹关联的处理复杂度,减少不必要的相似度计算,将航迹聚类分为三个阶段:第一阶段根据各目标位置和速度计算预示落点,将航迹投射到经纬网格中,根据8连通域进行粗聚类,完成50km~100km的预示落点聚类,实现按照目标分群(一子级群、二子级群等);第二阶段针对每一个粗聚类的簇,在簇内通过加权Hausdorff距离度量设计航迹相似性准则进行精聚类,完成群内目标5km范围内的精细聚类;第三阶段结合目标属性信息寻找最优关联组合,得到最终关联结果,完成各雷达目标一一对应关系输出。三个阶段按照从大尺度到小尺度、由粗及细的顺序完成,本发明将上述过程称为“多尺度”聚类。本发明方法解决了三维密集群目标场景下的航迹关联目标多、计算量大、容易出现错误关联等问题。能够降低多目标条件下的关联计算消耗时间,计算效率更高,多目标密集伴飞阶段航迹关联输出结果平稳,关联正确率更高。
Claims (8)
1.一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,包括以下步骤:
步骤1:获取雷达采样数据,对数据进行预处理;
步骤2:根据步骤1预处理后的数据对航迹速度进行估计,得到每个处理时刻航迹点的速度;
步骤3:根据目标位置和航迹点速度得到预示落点,将航迹投射到经纬网格中;根据连通域聚类方法进行粗聚类,得到目标分群;
步骤4:对步骤3得到的每个目标分群中的子群,在群内通过加权Hausdorff距离度量准则判定航迹相似性,得到精聚类结果,即两航迹的初步关联关系;
步骤5:根据步骤4的初步关联关系,选取两目标之间具有最小加权距离的路径作为最优关联关系。
2.根据权利要求1所述的一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,所述步骤1中预处理包括以下过程:
对每窗新接收的数据剔除野值;
将航迹关联需要的测量数据统一至发射坐标系;
将测量数据统一到同一个时间戳条件下进行关联匹配。
3.根据权利要求1所述的一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,所述步骤2中采用一阶中心微分平滑方法对航迹速度进行估计,拟合依次函数斜率即为中心时刻速度;通过滑窗处理,即可获得每个处理时刻航迹点的速度。
4.根据权利要求1所述的一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,所述步骤3中将航迹投射到经纬网格中过程如下:
根据某处理时刻航迹点的空间位置和航迹点速度,通过投射函数计算该航迹的落点经纬度;
以发射点为中心,一定的间隔建立经纬度网格坐标系,由航迹的落点经纬度得到其在网格坐标系中的坐标,将该航迹添加至对应网格中。
5.根据权利要求1所述的一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,所述步骤4中精聚类过程如下:
将航迹属性信息转化为权值;
计算步骤3每个目标分群中的子群两两之间的Hausdorff距离;
计算Hausdorff加权距离,将其与设定门限值进行比较,根据设定门限值判定两航迹的初步关联关系。
6.根据权利要求2所述的一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,所述步骤1中预处理之前,首先通过滑窗建立数据处理时序,统一处理节拍具体过程如下:
第一窗接收2T秒航迹片段后,对前T秒数据进行预处理;
第二窗新数据接收后,继续完成下一段T秒数据的预处理;
第三窗根据处理点前后T秒数据片段,进行步骤2处理;然后进行步骤3~5处理;并将结果外推至当前时刻;
后续每窗重复第三窗中的时序,进行航迹处理。
7.根据权利要求6所述的一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,所述剔除野值处理过程如下:
对窗内数据中的点采用最小二乘法进行一次函数拟合,得到拟合参数;
根据拟合参数计算得到拟合点的拟合残差;
统计拟合点的残差均值和标准差,
若拟合残差在下式范围内,则保留;若拟合残差超出下式范围则判断其为野值点,将其剔除并使用其拟合点代替;
μ-ασ≤rn≤μ+ασ
式中:rn为第n点拟合残差,α为标准差系数,μ为残差的均质,σ为残差的标准差。
8.根据权利要求7所述的一种基于多尺度聚类的多雷达密集群目标航迹关联方法,其特征在于,所述将测量数据统一到同一个时间戳条件下进行关联匹配过程如下:
若当前处理窗内存在该航迹测量数据,则在Tn时刻前后各取M个测量数据,该时刻的测量结果采用一次函数内插法得到;
若该处理窗内不存在测量数据,由历史M点采用一次函数拟合外推得到;
设置外推时长门限Tw,若第j个航迹由历史点外推Tw秒后仍无未接收到新的测量数据上报,则停止对该航迹的后续处理,直至收到新的测量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239149.0A CN117310642A (zh) | 2023-09-22 | 2023-09-22 | 一种基于多尺度聚类的多雷达密集群目标航迹关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239149.0A CN117310642A (zh) | 2023-09-22 | 2023-09-22 | 一种基于多尺度聚类的多雷达密集群目标航迹关联方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117310642A true CN117310642A (zh) | 2023-12-29 |
Family
ID=89241859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311239149.0A Pending CN117310642A (zh) | 2023-09-22 | 2023-09-22 | 一种基于多尺度聚类的多雷达密集群目标航迹关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070231A (zh) * | 2024-04-17 | 2024-05-24 | 中国人民解放军95859部队 | 一种基于聚类关联的多源多目标测量数据实时融合方法 |
-
2023
- 2023-09-22 CN CN202311239149.0A patent/CN117310642A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070231A (zh) * | 2024-04-17 | 2024-05-24 | 中国人民解放军95859部队 | 一种基于聚类关联的多源多目标测量数据实时融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kung et al. | A normal distribution transform-based radar odometry designed for scanning and automotive radars | |
CN112230243B (zh) | 一种移动机器人室内地图构建方法 | |
CN111157985B (zh) | 基于多站一维距离像序列的空间刚体目标三维重构方法 | |
CN108303684B (zh) | 基于径向速度信息的地基监视雷达多目标跟踪方法 | |
CN109002835A (zh) | 一种基于最大熵模糊聚类的粒子滤波数据关联方法 | |
CN107356922B (zh) | 一种扩表辅助法解模糊的多重频雷达目标检测前跟踪方法 | |
CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN110187336B (zh) | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 | |
CN109581359B (zh) | 一种esm无源信息与雷达有源信息关联的方法 | |
CN106291543A (zh) | 一种运动平台扫描雷达超分辨成像方法 | |
CN110376581B (zh) | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 | |
CN105842688A (zh) | 单脉冲雷达对空目标快速捕获方法 | |
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 | |
CN112505681A (zh) | 一种基于tas的四面二维相控阵雷达多目标跟踪处理方法 | |
CN110412609B (zh) | 一种多脉冲激光雷达目标检测方法 | |
CN109190647B (zh) | 一种有源无源数据融合方法 | |
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 | |
Grossi et al. | A two-step multi-frame detection procedure for radar systems | |
Zhao et al. | A multi-station signal sorting method based on TDOA grid clustering | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN117310642A (zh) | 一种基于多尺度聚类的多雷达密集群目标航迹关联方法 | |
CN109656271B (zh) | 一种基于数据关联思想的航迹软关联方法 | |
CN110646792A (zh) | 一种基于观察哨数字望远镜的雷达搜索窗口设置方法 | |
CN116148794A (zh) | 一种机载火控雷达扫描体制识别方法及系统 | |
CN113466819A (zh) | 一种基于先验数据的高分辨三维点迹凝聚方法 |
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 |