一种基于标准差椭圆参数辅助的高分辨雷达航迹关联方法与流程

本发明属于高分辨雷达技术领域，具体涉及一种基于标准差椭圆参数辅助的高分辨雷达航迹关联方法。

背景技术：

宽带高分辨雷达是现代雷达的重要发展方向，高分辨雷达也提供了更多的目标信息，利用目标的特征信息辅助关联处理，会大大提高关联精度。在这里，高分辨率雷达是指能分辨的两个目标物的最小实际距离在厘米级及以下的雷达。传统的窄带雷达进行目标探测时，目标尺寸通常小于雷达分辨率，因此目标通常被建模成一个点目标，基于点目标模型提出了最近邻、概率数据互联、联合概率数据互联等算法，其中最近邻算法是最简单也是应用最广的一种数据关联算法。相较于传统的窄带雷达，宽带高分辨雷达目标的检测结果不能用简单的点模型来代表，使得最近邻关联算法受到了限制。现在的特征辅助关联算法主要集中在利用目标的一维距离像特征、幅度特征、多普勒特征、极化特征等辅助关联，目标的这些特征通常是随时间、目标运动状态等因素变化的，并且有一定的起伏，影响关联准确度。考虑到目标的空间结构不随时间、运动状态变化，并且没有起伏，故本发明提出一种基于目标的空间结构特征的辅助关联算法，利用标准差椭圆来识别目标检测点的分布特征，进而辅助航迹关联。

技术实现要素：

有鉴于此，本发明提供了一种基于标准差椭圆参数辅助的高分辨雷达航迹关联方法，能够在复杂情况下更加准确地进行航迹关联。

高分辨雷达对目标的检测结果表现为一定范围内分布的点迹群，点迹群的分布形状与目标的空间结构有关。本发明首先利用标准差椭圆对目标的检测点迹群进行聚类处理，不同的目标点迹群聚类为不同特征的椭圆。之后提出了椭圆的相似度的概念辅助帧间目标的关联处理。

本发明涉及一种基于标准差椭圆参数辅助的高分辨雷达航迹关联方法，包括以下步骤：

步骤1、获取当前帧和下一帧的目标及其对应的标准差椭圆，具体包括如下子步骤：

步骤1.1、建立标准差椭圆：在当前帧和下一帧的距离多普勒平面图上，针对包含所有高分辨雷达检测点的集合，建立标准差椭圆。

步骤1.2、判断集合内的目标个数：计算标准差椭圆内过圆心且平行于距离采样单元轴的线段mn的长度l_mn，并将其与目标在雷达径向上的最大分布长度Dr进行比较；如果Dr≤l_mn，则判断检测点集合里包含多个目标，执行步骤1.3；否则，判断检测点集合里只包含一个目标，执行步骤1.4。

步骤1.3、子集合划分：将横坐标小于或等于圆心横坐标的检测点划分为一个子集合，将横坐标大于圆心横坐标的检测点划分为另一个子集合；然后针对每个子集合，采用步骤1.1～1.3的方法，分别建立标准差椭圆模型、目标个数判断和子集合划分，直到每个子集合都只包含一个目标，执行步骤1.4。

步骤1.4、聚集检测点：针对每个只包含1个目标的集合或子集合，对该集合或子集合进行聚集，选取集合或子集合内幅值最大的点作为目标或将集合或子集合内的检测点按幅值进行加权平均作为目标，由此获得当前帧和下一帧的目标及其对应的标准差椭圆。

步骤2、建立目标的椭圆特征参数矩阵及量测矩阵：针对当前帧的第k个目标，其椭圆特征参数T_k(i)为：

T_k(i)＝[σ_k1(i) σ_k2(i) θ_k(i) n_k(i)]^T (1)

其中，T代表转置，σ_k1(i)、σ_k2(i)、θ_k(i)和n_k(i)分别为该目标对应的标准差椭圆的长轴、短轴、方向角和椭圆内的检测点个数；

该目标在当前帧第i帧的量测矩阵Z_k(i)为：

Z_k(i)＝[x_k(i) y_k(i) z_k(i) V_kx(i) V_ky(i) V_kz(i) σ_k1(i) σ_k2(i) θ_k(i) n_k(i)]^T (2)

其中，x_k(i)、y_k(i)和z_k(i)分别为目标位置在空间直角坐标系下x、y、z轴上的分量；V_kx(i)、V_ky(i)和V_kz(i)分别为目标速度在x、y、z轴方向上的分量。

步骤3、筛选候选点迹：根据当前帧目标k的量测矩阵计算量测预测值，以量测预测值为中心建立椭圆波门；从步骤1中获得的下一帧的目标中，筛选落入波门内的下一帧的目标为目标k的候选点迹。

步骤4、判断候选点迹个数：如果没有候选点迹，则本次航迹关联失败，终止本次关联；如果只有一个候选点迹，则直接用该点迹更新航迹；如果有多个候选点迹，则执行步骤5。

步骤5、计算当前帧的目标k与每个候选点迹之间的相似度：

分别计算当前帧目标k的标准差椭圆和各个候选点迹的标准差椭圆的角度、长轴、短轴和检测点个数的相似度，用上述相似度的乘积的最大者对应的候选点迹更新目标k的航迹。

优选地，所述步骤5中目标相似度的计算步骤如下：

假设当前帧目标k的标准差椭圆和候选点迹m的标准差椭圆的特征参数分别为

步骤5.1：计算角度相似度

S_θ＝|cos(θ_k(i)-θ_m(i+1))| (4)

步骤5.2：计算长轴相似度

步骤5.3：计算短轴相似度

步骤5.4:计算检测点个数相似度

步骤5.5：计算目标相似度

步骤5.6：选取目标相似度最大者对应的的候选点迹更新航迹。

有益效果：

目标的空间结构特征较其他特征更为稳定，因此基于标准差椭圆的航迹关联算法较其他的特征辅助关联算法具有更好的关联准确度。

附图说明

图1为基于标准差椭圆的检测点聚集流程。

图2为基于标准差椭圆参数辅助的高分辨雷达航迹关联方法流程图。

图3为计算目标相似度流程图。

图4为基于标准差椭圆参数辅助的高分辨雷达航迹关联示意图。

图5为基于标准差椭圆参数辅助的高分辨雷达航迹关联结果。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明首先基于标准差椭圆，对距离多普勒平面的检测点迹进行聚集，并计算各个椭圆的特征参数；之后通过计算椭圆相似度来进行相邻帧间跟踪目标的航迹关联。

1、基于标准差椭圆聚集检测点

基于标准差椭圆的检测点聚集流程如附图1所示：

步骤1、获取当前帧和下一帧的目标及其对应的标准差椭圆，具体包括以下步骤：

步骤1.1、建立检测点的标准差椭圆

假设高分辨雷达目标经过检测后在距离多普勒平面上(以距离采样单元为横坐标，多普勒通道信号为纵坐标的构成的平面)形成数量为n的检测点，这些检测点集合为

G＝{p₁(r₁,d₁),p₂(r₂,d₂),...,p_j(r_j,d_j),..,p_n(r_n,d_n)},1≤j≤n (1)

其中，r_i和d_i分别为检测点p_i所在的距离采样单元和多普勒通道号。

对集合内的检测点建立标准差椭圆，计算过椭圆圆心的平行于r轴线段mn的长度l_mn，r轴为距离多普勒平面的横轴。

步骤1.2：判断检测点集合内含目标个数

因单个目标所占距离单元数有限，所以可以通过线段mn的长度l_mn来判断当前集合内的检测点是否属于同一个目标，实现检测点的聚集，具体流程：

判断l_mn是否满足如下条件：

l_mn≤Dr (2)

其中，Dr为目标在雷达径向上的最大分布长度；如果不满足，则判定集合G内包含多个目标的检测点，执行步骤1.3；否则判定集合G内只包含一个目标的检测点，执行步骤1.4。

步骤1.3：划分检测点集合为两个子集合

如果集合G内包含多个目标的检测点，则通过以下判断条件

r_j≤C₁ (3)

将集合G划分为两个子集合，其中C₁为椭圆圆心在r轴上的投影；然后针对每个子集合重复步骤1.1～1.3计算两个子集合的标准差椭圆，直到每个集合的检测点建立的标准差椭圆参数l_mn都满足式(2)。

步骤1.4：聚集检测点

满足式(2)的条件下，即认为该椭圆内的检测点来源于一个目标，选取标准差椭圆内幅值最大的点作为目标或将椭圆圆内的检测点按幅值进行加权平均作为目标。

取当前帧的第k个目标对应的椭圆的长轴σ_k1(i)、短轴σ_k2(i)、方向角θ_k(i)和检测点个数n_k(i)作为椭圆特征参数T_k(i)，

T_k(i)＝[σ_k1(i) σ_k2(i) θ_k(i) n_k(i)]^T (4)

取出经雷达回波经处理后得到的状态信息与该椭圆的椭圆参数建立该目标在第i帧量测矩阵Z_k(i)。

Z_k(i)＝[x_k(i) y_k(i) z_k(i) V_kx(i) V_ky(i) V_kz(i) σ_k1(i) σ_k2(i) θ_k(i) n_k(i)]^T (5)

其中，T代表转置，x_k(i)、y_k(i)和z_k(i)分别为目标位置空间直角坐标系下x、y、z轴上的分量。V_kx(i)、V_ky(i)和V_kz(i)分别为目标速度在x、y、z轴方向上的分量。

2、基于标准差椭圆参数辅助的高分辨雷达航迹关联方法

基于标准差椭圆参数辅助的航迹关联流程如附图2所示：

针对检测点聚集后得到的任一目标k，获取第i帧跟踪目标的航迹最新状态即图4中的白色三角形：

Z_k(i)＝[x_k(i) y_k(i) z_k(i) V_kx(i) V_ky(i) V_kz(i) σ_k1(i) σ_k2(i) θ_k(i) n_k(i)]^T

步骤2：计算航迹的量测预测值即图4中的黑色圆点：

其中,H为量测矩阵，F为目标状态转移矩阵，T为雷达扫描间隔。

步骤3：以量测预测值为中心建立椭圆波门，即图4中的椭圆形虚线，从步骤1中获得的下一帧的目标中，筛选落入波门内的下一帧的目标为候选点迹。假设第i+1帧第k个目标量测矩阵为

Z_k(i+1)＝[x_k(i+1) y_k(i+1) z_k(i+1) V_kx(i+1) V_ky(i+1) V_kz(i+1)

σ_k1(i+1) σ_k2(i+1) θ_k(i+1) n_k(i+1)]^T (9)

如果Z_k(i+1)满足：

v_k^T(i+1)Γ^-1(i+1)v_k(i+1)≤γ (10)

则判定Z_k(i+1)为候选点迹，如图4所示，共有3个目标被筛选为候选点迹。

其中,γ为椭圆波门大小，可以由χ²表分布获得，v_k(i+1)为新息：

并且：

为x、y、z的测量误差，该测量误差为系统配准试验中得到的已知量。

步骤4：如果没有下一帧的目标落入椭圆波门内，本次航迹关联失败，则终止本次关联；如果只有一个目标落入到椭圆波门内，则直接用该量测值更新航迹；如果有多个目标落入椭圆波门内，则计算当前帧目标与每个候选点迹之间的相似度，如图4所示，相似度算法流程图如附图3所示。

目标相似度计算步骤如下：

当前帧目标的标准差椭圆和候选点迹m的标准差椭圆的特征参数分别为

步骤4.1：计算角度相似度

S_θ＝|cos(θ_k(i)-θ_m(i+1))| (14)

步骤4.2：计算长轴相似度

步骤4.3：计算短轴相似度

步骤4.4:计算点数相似度

步骤4.5：计算目标相似度

其中,S_k是当前帧目标与候选点迹m的目标相似度。然后执行步骤4.6。

步骤4.6：选取目标相似度最大的候选点迹更新航迹。

如图4所示，3个候选点迹与目标之间的相似度，分别为S₁、S₂、S₃。在S₁、S₂、S₃选出最大值，假设S₃为最大值，则用S₃对应的候选点迹(即图5中的灰色三角形)更新航迹。更新后的目标航迹如图5所示。