[发明专利]一种基于网格聚类的多假设多目标航迹起始方法

说明书

本发明提供一种基于网格聚类的多假设多目标航迹起始方法，包括：获取点迹集并映射到网格中；确定当前高密度网格的边界点；基于高密度网格的边界点形成点迹簇；对每个点迹簇进行聚类处理生成聚簇；建立聚簇内的目标和量测的关联假设；根据计算得到的假设概率获取最优假设，并计算航迹得分并按从高到低的顺序进行排序，通过回溯删除低分航迹，从而确认航迹生成，并更新其目标状态估计。本发明能够起始多个目标航迹，解决了高密度杂波环境下虚假航迹多的问题，有利于高密度杂波条件下的工程应用。

技术领域

本发明涉及雷达信息处理技术领域，具体涉及一种基于网格聚类的多假设多目标航迹起始方法。

背景技术

传统的航迹起始算法主要包括直观法、逻辑法、修正逻辑法、Hough变换法和修正的Hough变换法。直观法是利用目标速度与位置进行约束，计算量小，航迹确定性比较差。逻辑法通过预测和相关波门来进行起始，在虚警率不是很高的情况下才能有效起始目标的航迹。修正的逻辑法是在逻辑法的基础上加入了方位、角度等先验信息修正，在弱杂波、单目标的航迹起始处理比较简单，在强杂波环境中航迹起始虚假率比较高。随着多目标跟踪的深入研究，Hough变换法利用图像的检测方法在起始多目标航迹中起了重要的作用，但起始周期长且计算量大，对于要求快速起始的目标，性能较差。修正的Hough变换法相对于Hough变换法加入了速度修正，效果有所提升，但仍然存在着起始周期长且计算量大的缺点。后来将聚类用于Hough变换，专门解决多编队航迹起始问题，算法将前3个周期的量测数据分割成多个子群，然后逐子群使用K均值聚类寻找中心点，再通过最近邻法，用速度波门限制使所有子群的中心点匹配关联，最后把匹配上的中心点Hough变换，以此便可确定建立目标航迹，难以满足实时性的要求。

在强杂波或多目标等复杂背景下的航迹起始中，数据关联算法在目标数量未知且尚未形成稳定跟踪之前解决多目标关联等优势，如最近邻(Nearest Neighbor，NN)方法将落在关联门内并且与被跟踪目标的预测位置“最近邻”的观测点作为与航迹相关联的观测，适于单目标跟踪和弱杂波场景。概率数据关联(Probabilistic Data Association，PDA)方法和联合概率数据关联(Joint PDA)方法避免了NN方法唯一性可能造成的关联错误，能较好适应密集环境下的目标关联，JPDA在目标密度大易造成组合爆炸，计算量剧增。

BP神经网络、支持向量机、随机森林等人工智能算法逐步被用于航迹起始，解决了批处理算法数据量大、计算复杂度高的问题，但需提前对采集的数据点迹进行离线训练后对航迹分类后进行航迹起始，也不能满足航迹起始的实时性。多假设跟踪(MHT)算法综合了NN和JPDA优点，既不是基于当前扫描观测数据的最近邻点，也不是基于当前扫描观测数据的有效回波，而是根据多次扫描形成多个假设，由多个假设向下次扫描继续传递，让后续的观测数据解决前几次扫描出现的不确定性，以全邻最优滤波器为基础，提高目标在杂波区中的数据关联正确率和改善杂波区目标航迹起始性能等优势显著。

发明内容

本发明提供了一种基于网格聚类的多假设多目标航迹起始方法。本发明将网格聚类算法和多假设算法有效结合，在高密度的杂波环境下利用网格聚类去除部分杂波，解决了传统航迹起始算法中目标航迹时存在虚假和多目标航迹起始正确率低的问题。

本发明采用的技术手段如下：

一种基于网格聚类的多假设多目标航迹起始方法，包括：

获取雷达在4个时刻探测到的点迹集，并将所述点迹集映射到网格中，根据每个网格中具有的点迹数量判断当前网格为高密度网格或者低密度网格，其中所述网格通过二维平面均分得到；

根据每个与高密度网格相邻的低密度网格内各点迹的边界点函数值确定当前高密度网格的边界点；

基于高密度网格的边界点对所有高密度网格进行处理，形成点迹簇；

对每个点迹簇进行聚类处理生成聚簇，并对每个聚簇中的点迹按照接收时间排序；