目标数据关联的多特征信息融合方法
目标数据关联的多特征信息融合方法
【技术领域】
[0001 ]本发明设及雷达数据处理技术领域，特别是设及一种杂波背景下目标数据关联。
【背景技术】
[0002] 杂波背景下的目标跟踪问题是当前的一个难点问题。目标跟踪的核屯、是数据关 联，在工程应用中广泛使用的是贝叶斯类的数据关联算法，贝叶斯类算法主要包括W下两 类：
[0003] 第一类只对最新的确认量测集合进行研究因而是一种次优的贝叶斯算法，主要包 括最近邻域法(順算法）、概率最近邻域算法(PNNF)、概率数据互联算法(PDA)、联合概率数 据互联算法QPDA)等。其中，順算法和PNNF算法是比较简单的关联算法，它是利用波口中离 预测值最近的量测对目标进行状态更新，主要适用于稀疏目标环境，在杂波背景下关联错 误率较高;PDA算法和肝DA算法考虑了落入相关波口内的所有候选回波，依据候选回波加权 后的等效回波对目标状态进行更新，主要利用目标的位置信息完成对目标的关联。
[0004] 第二类是对当前时刻W前的所有确认量测集合进行研究给出每一个量测序列的 概率，是一种最优的贝叶斯算法，主要包括最优贝叶斯算法和多假设法。其中，最优贝叶斯 算法利用空间积累信息和时间积累信息，综合考虑航迹附近的所有量测点迹，提供密集杂 波环境下最优的性能；多假设法是W "全邻"最优滤波器和"聚"的概念为基础，将第一类贝 叶斯算法看成它的一个子集进行处理，是理想条件下的最优方法。
[0005] 综上可知，传统的数据关联方法利用的目标信息是有限的，主要包括目标的位置、 速度等状态信息。实际上，目标反映在雷达屏幕上的回波图像包含着丰富的信息：同一时 亥IJ，不同目标回波的能量、形状和方向性等特征存在一定差异;不同时刻，同一目标回波的 能量、形状和方向性等特征会发生变化，但存在着时间相关性和空间相关性。
[0006] 在密集杂波背景下，采用现有的数据关联方法会产生较多的虚假航迹，特别是多 个目标距离较近时，更容易出现对目标误跟踪和跟丢的情况。因此，针对此问题背景下的数 据关联算法还有待进一步研究。
【发明内容】
[0007] 本发明的目的在于利用目标回波的特征信息，提供一种杂波背景下目标数据关联 的多特征信息融合方法，其中要解决的技术问题包括：
[000引（1)雷达监视区域内目标运动状态复杂多样，传统方法对目标统一处理错误关联 概率较高，需要合理设置速度区间，对目标分类处理；
[0009] (2)合理设置关联波口，在密集杂波背景下减少落入关联波口内的虚假点迹，提升 算法执行效率；
[0010] (3)合理利用目标回波特征信息，在目标密集的环境下降低错误关联的概率。
[0011] 本发明所述的目标数据关联的多特征信息融合方法，其特征在于包括W下技术措 施：
[0012] 步骤一、点迹预处理:对数据录取器送来的点迹进行预处理，利用点迹的辅助信息 对数据进行筛选，并将筛选后的所有数据按帖存储；
[0013] 步骤二、目标分类:依据目标速度信息采用速度分区法将目标划分为Ξ类，慢速运 动目标、中速运动目标和快速运动目标；
[0014] 步骤Ξ、点-点关联:采用m/n逻辑法进行航迹起始，对于不同类别的目标使用不同 的点-点关联策略；
[001引步骤四、点-航关联:依据目标状态方程对目标航迹进行外推，W外推点为中屯、，依 据贝叶斯类的数据关联算法设置楠圆相关波口，若雷达测得的目标直角坐标系下的转换量 测值Z化+1)满足：
[0016]
[0017] 则称该量测值为候选回波，式中，i作+ Ψ)为目标量测的预测，S(k+1)为新息协方 差，丫是一个与量测的维数有关的常数；
[0018] 步骤五、计算特征相似度:提取候选回波的特征信息计算特征相似度；
[0019] 步骤六、计算综合关联度:依据特征相似度结合特征权重计算综合关联度，选择综 合关联度最大的候选回波作为目标量测；
[0020] 步骤屯、对当前时刻的目标状态进行更新，对下一帖数据重复步骤四至步骤屯的 计算，直至数据处理完毕，算法终止。
[0021] 对比现有技术，本技术方案所述的目标数据关联的多特征信息融合方法，有益效 果在于：
[0022] (1)该方法不影响现役雷达信号处理过程，不改变雷达信号处理的方式，因此不需 要改变雷达的软硬件环境，只需要将杂波对消后的数据保存W方便特征提取；
[0023] (2)该方法能降低关联波口中候选回波数量，提升算法执行效率；
[0024] (3)该方法能在强杂波背景下产生较少的虚假航迹；
[0025] (4)该方法能在目标密集的环境下提升数据关联的可靠性，降低错误关联概率；
【附图说明】
[0026] 说明书附图1是目标数据关联的多特征信息融合方法的实现流程图。
【具体实施方式】
[0027] W下结合说明书附图1对本发明作进一步详细描述。参照说明书附图1，本发明的
【具体实施方式】分W下步骤：
[0028] (1)对数据录取器传送过来的点迹数据进行预处理，主要进行点迹的筛选与信息 转换，利用点迹的辅助信息，将不满足条件的点迹删去，选取的条件是:凝聚的有效点数大 于等于N，紧凑程度大于等于P，N为正整数，P大于0小于1，最终将所有数据按帖存储，例如， 可 W 选取 N=100，P = 0.5。
[0029] (2)依据目标的速度将其分为慢速运动目标、中速运动目标、快速运动目标Ξ类， 对应的速度区间分别为阳叫]、[?%，所3] W及[nw，+ W)，其中邮如3，为了更好地对 目标进行捕获，初始波口一般要设置的稍大，选取环形波口作为初始波口，W航迹头为中屯、 建立一个由目标最大运动速度Vmax、最小运动速度VminW及采样间隔To决定的环形波口，它 的内径和外径满足
[0030] Rmin = VminXT〇
[0031] Rmax = VmaxXT〇
[003^ 式中，Rmax和Rmin分别对应低速运动目标、中速运动目标和高速运动目标速度区间 的上限和下限，例如，对于海上目标可W选取mi =化，1112 = 20，1]13 = 45，1]14=40，单位:节。
[0033] (3)针对目标的类型采用不同的航迹起始策略，例如，对于快速目标，选取3/4逻辑 法快速建航，中速目标及慢速目标分别采用4/6逻辑法和5/8逻辑法正常航迹起始。
[0034] (4)依据目标状态方程对目标航迹进行外推，W外推点为中屯、，依据贝叶斯类的数 据关联算法设置楠圆相关波口，若雷达测得的目标直角坐标系下的转换量测值Z化+1)满 足：
[0035]
[0036] 则称该量测值为候选回波，式中，錢打+1|0为目标量测的预测，S化+1)为新息协方 差，丫是一个与量测的维数有关的常数，例如，对于二维量测，当丫 =4时，目标量测落入波 口的概率为0.865。
[0037] (5)提 取候选回波的特征信息计算特征相似度，例如，可W选取能量、形状因子和 方向性运Ξ个特征信息计算特征相似度，目标回波的能量W是指目标回波各像素点亮度的 平方和，由于船体不同部分反射程度不一样，W及海杂波的影响，回波能量是不稳定的，设k 时刻第i个候选回波和k-1时刻的目标回波的能量分别为*1化)和W化-1)，定义目标的回波 能量的相似度为
[00；3 引
[0039] 目标回波的形状因子C定义为目标形状A和目标回波周长平方L2之比
[0040]
[0041] 当一个区域为圆形时C=l，当区域为其他形状时(XI，即C的值当区域为圆形时达 到最大，它能够描述目标形状和圆的接近程度，设k时刻第i个候选回波和k-1时刻的目标回 波的形状因子分别为C1化)和(Xk-l)，由此可W定义目标回波形状因子的相似度为
[0042]
[0043] 目标回波的方向性Θ是指通过对目标回波进行楠圆拟合，然后W楠圆的中屯、为坐 标原点建立坐标系，计算出的楠圆的长轴和X轴正方向的夹角，设k时刻第i个候选回波和k-1时刻的目标回波的方向性分别为Θ1化)和Θ化-1)，由此可W定义目标回波方向性的相似度 为
[0044]
[0045] 满、爲、廣均为大于0且小于等于1的实数。
[0046] (6)计算目标的综合关联度，综合关联度是候选回波所有特征信息相似度的加权 和，假设目标有η个特征信息，第i个候选回波的第k个特征信息的相似度为辟，权系数为α 化），4=1，2，-'，11，且
则综合关联度为
[0047]
[004引式中，κ?代表第i个候选回波相对于目标的综合关联度，例如，如果只提取了候选 回波的Ξ个特征信息：能量、形状因子和方向性，计算综合关联度时首先要确定权系数的 值，不同类别的目标特征信息的重要程度不同，所W需要对特征信息分配不同的权值，假设 目标回波的能量、形状因子和方向性的权系数为α(η)，η=1，2,3,月
> 快速目标 机动性强，目标位置和运动方向变化较大，所W快速目标回波的形状因子和回波方向性的 权系数要设置的小些，回波能量的权系数要设置的大些;慢速运动在相邻帖之间的位移小， 航向近似不变，所W目标回波的形状和回波方向性对计算综合关联度更重要，因此运两个 特征的相似度的权系数要设置的大些；中速目标各特征相似度权系数的设置介于快速目标 和慢速目标之间，各类目标特征相似度的权系数的设置如表1所示，
[0049]表1目标特征相似度的权系数取值表
[(Κ)加 ]
[0051]综合关联度为
[0化2]
[0053] 选取综合关联度最大的候选回波作为k+1时刻的目标量测。
[0054] (7)对当前时刻的目标状态进行更新，重复步骤(4)-(6)，直至数据处理完毕，算法 终止。
【主权项】
1. 目标数据关联的多特征信息融合方法，其特征在于包括以下技术措施： 步骤一、点迹预处理:对数据录取器送来的点迹进行预处理，利用点迹辅助信息对数据 进行筛选，将筛选后的所有数据按帧存储； 步骤二、目标分类:依据目标速度信息采用速度分区法将目标划分为三类，慢速运动目 标、中速运动目标和快速运动目标； 步骤三、点-点关联:采用m/n逻辑法进行航迹起始，对于不同类别的目标使用不同的 点-点关联策略； 步骤四、点-航关联:依据目标状态方程对目标航迹进行外推，以外推点为中心，依据贝 叶斯类的数据关联算法设置椭圆相关波门，若雷达测得的目标直角坐标系下的转换量测值 z(k+l)满足：则称该量测值为候选回波，式中，i(々 + l|々）为目标量测的预测，S(k+1)为新息协方差， γ是一个与量测的维数有关的常数； 步骤五、计算特征相似度:提取落入相关波门内候选回波的特征信息计算特征相似度； 步骤六、计算综合关联度:依据特征相似度结合特征权重计算综合关联度，选择综合关 联度最大的候选回波作为目标量测； 步骤七、对当前时刻的目标状态进行更新，对下一帧数据重复步骤四至步骤七的计算， 直至数据处理完毕，算法终止。2. 根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤一所 述的点迹预处理的方法为： 利用凝聚的有效点数和紧凑程度这两个辅助信息对点迹进行筛选，选取的条件是:凝 聚的有效点数大于等于Ν，紧凑程度大于等于Ρ，Ν为正整数，P大于O小于1。3. 根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤二所 述的目标分类的方法为： 设定慢速运动目标、中速运动目标和快速运动目标的速度区间分别为[〇，nu]、[m2，m3] 以及[ni4，+°°)，且m2 < mi〈m4 < m3，依据目标的速度对目标分类。4. 根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤五所 述的计 算候选回波特征相似度的方法为： 计算候选回波的能量w、形状因子C和方向性Θ三个特征信息的相似度，设k时刻第i个候 选回波和k-Ι时刻的目标回波的能量分别为W1U)和w(k-l)，定义目标回波能量的相似度为设k时刻第i个候选回波和k-Ι时刻的目标回波的形状因子分别为CUk)和C(k-l)，定义 目标回波形状因子的相似度为设k时刻第i个候选回波和k-i时刻的目标回波的方向性分别为eUk)和0(k-i)，定义目 标回波方向性的相似度为肖、属、属均大于〇且小于等于1。5.根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤六所 述的计算候选回波综合关联度的方法为： 定义综合关联度是候选回波所有特征相似度的加权和，假设目标有η个特征信息，第i 个候选回波的第k个特征信息的相似度为^，权系数为<1〇氺=1，2，一，11，且则综合关联度为式中，K1代表第i个候选回波相对于目标的综合关联度，对于不同类型的目标，相同特征 的相似度處要设置不同的权系数a(k)。
【专利摘要】本发明涉及一种目标数据关联的多特征信息融合方法，属于雷达数据处理技术领域。包括以下步骤：1）点迹预处理，对数据进行筛选并按帧存储；2）目标分类，依据目标速度大小将目标分为三类；3）点-点关联，采用<i>m/n</i>逻辑法进行航迹起始，对不同类别的目标采用不同的关联策略；4）点-航关联，对目标航迹进行外推，依据贝叶斯类的数据关联算法寻找目标候选回波；5）计算特征相似度，提取候选回波的特征信息计算特征相似度；6）计算综合关联度，依据特征相似度和特征权重计算综合关联度，选择综合关联度最大的候选回波作为目标量测。该方法能减少目标候选回波的数量，降低运算量，提升密集杂波背景下数据关联的可靠性，具有推广应用价值。
【IPC分类】G01S7/41
【公开号】CN105487061
【申请号】CN201510866064
【发明人】朱红鹏, 黄勇, 刘宁波, 李秀友, 姜佰辰, 张 林, 关键
【申请人】中国人民解放军海军航空工程学院
【公开日】2016年4月13日
【申请日】2015年12月1日
【技术领域】
[0001 ]本发明设及雷达数据处理技术领域，特别是设及一种杂波背景下目标数据关联。
【背景技术】
[0002] 杂波背景下的目标跟踪问题是当前的一个难点问题。目标跟踪的核屯、是数据关 联，在工程应用中广泛使用的是贝叶斯类的数据关联算法，贝叶斯类算法主要包括W下两 类：
[0003] 第一类只对最新的确认量测集合进行研究因而是一种次优的贝叶斯算法，主要包 括最近邻域法(順算法）、概率最近邻域算法(PNNF)、概率数据互联算法(PDA)、联合概率数 据互联算法QPDA)等。其中，順算法和PNNF算法是比较简单的关联算法，它是利用波口中离 预测值最近的量测对目标进行状态更新，主要适用于稀疏目标环境，在杂波背景下关联错 误率较高;PDA算法和肝DA算法考虑了落入相关波口内的所有候选回波，依据候选回波加权 后的等效回波对目标状态进行更新，主要利用目标的位置信息完成对目标的关联。
[0004] 第二类是对当前时刻W前的所有确认量测集合进行研究给出每一个量测序列的 概率，是一种最优的贝叶斯算法，主要包括最优贝叶斯算法和多假设法。其中，最优贝叶斯 算法利用空间积累信息和时间积累信息，综合考虑航迹附近的所有量测点迹，提供密集杂 波环境下最优的性能；多假设法是W "全邻"最优滤波器和"聚"的概念为基础，将第一类贝 叶斯算法看成它的一个子集进行处理，是理想条件下的最优方法。
[0005] 综上可知，传统的数据关联方法利用的目标信息是有限的，主要包括目标的位置、 速度等状态信息。实际上，目标反映在雷达屏幕上的回波图像包含着丰富的信息：同一时 亥IJ，不同目标回波的能量、形状和方向性等特征存在一定差异;不同时刻，同一目标回波的 能量、形状和方向性等特征会发生变化，但存在着时间相关性和空间相关性。
[0006] 在密集杂波背景下，采用现有的数据关联方法会产生较多的虚假航迹，特别是多 个目标距离较近时，更容易出现对目标误跟踪和跟丢的情况。因此，针对此问题背景下的数 据关联算法还有待进一步研究。
【发明内容】
[0007] 本发明的目的在于利用目标回波的特征信息，提供一种杂波背景下目标数据关联 的多特征信息融合方法，其中要解决的技术问题包括：
[000引（1)雷达监视区域内目标运动状态复杂多样，传统方法对目标统一处理错误关联 概率较高，需要合理设置速度区间，对目标分类处理；
[0009] (2)合理设置关联波口，在密集杂波背景下减少落入关联波口内的虚假点迹，提升 算法执行效率；
[0010] (3)合理利用目标回波特征信息，在目标密集的环境下降低错误关联的概率。
[0011] 本发明所述的目标数据关联的多特征信息融合方法，其特征在于包括W下技术措 施：
[0012] 步骤一、点迹预处理:对数据录取器送来的点迹进行预处理，利用点迹的辅助信息 对数据进行筛选，并将筛选后的所有数据按帖存储；
[0013] 步骤二、目标分类:依据目标速度信息采用速度分区法将目标划分为Ξ类，慢速运 动目标、中速运动目标和快速运动目标；
[0014] 步骤Ξ、点-点关联:采用m/n逻辑法进行航迹起始，对于不同类别的目标使用不同 的点-点关联策略；
[001引步骤四、点-航关联:依据目标状态方程对目标航迹进行外推，W外推点为中屯、，依 据贝叶斯类的数据关联算法设置楠圆相关波口，若雷达测得的目标直角坐标系下的转换量 测值Z化+1)满足：
[0016]
[0017] 则称该量测值为候选回波，式中，i作+ Ψ)为目标量测的预测，S(k+1)为新息协方 差，丫是一个与量测的维数有关的常数；
[0018] 步骤五、计算特征相似度:提取候选回波的特征信息计算特征相似度；
[0019] 步骤六、计算综合关联度:依据特征相似度结合特征权重计算综合关联度，选择综 合关联度最大的候选回波作为目标量测；
[0020] 步骤屯、对当前时刻的目标状态进行更新，对下一帖数据重复步骤四至步骤屯的 计算，直至数据处理完毕，算法终止。
[0021] 对比现有技术，本技术方案所述的目标数据关联的多特征信息融合方法，有益效 果在于：
[0022] (1)该方法不影响现役雷达信号处理过程，不改变雷达信号处理的方式，因此不需 要改变雷达的软硬件环境，只需要将杂波对消后的数据保存W方便特征提取；
[0023] (2)该方法能降低关联波口中候选回波数量，提升算法执行效率；
[0024] (3)该方法能在强杂波背景下产生较少的虚假航迹；
[0025] (4)该方法能在目标密集的环境下提升数据关联的可靠性，降低错误关联概率；
【附图说明】
[0026] 说明书附图1是目标数据关联的多特征信息融合方法的实现流程图。
【具体实施方式】
[0027] W下结合说明书附图1对本发明作进一步详细描述。参照说明书附图1，本发明的
【具体实施方式】分W下步骤：
[0028] (1)对数据录取器传送过来的点迹数据进行预处理，主要进行点迹的筛选与信息 转换，利用点迹的辅助信息，将不满足条件的点迹删去，选取的条件是:凝聚的有效点数大 于等于N，紧凑程度大于等于P，N为正整数，P大于0小于1，最终将所有数据按帖存储，例如， 可 W 选取 N=100，P = 0.5。
[0029] (2)依据目标的速度将其分为慢速运动目标、中速运动目标、快速运动目标Ξ类， 对应的速度区间分别为阳叫]、[?%，所3] W及[nw，+ W)，其中邮如3，为了更好地对 目标进行捕获，初始波口一般要设置的稍大，选取环形波口作为初始波口，W航迹头为中屯、 建立一个由目标最大运动速度Vmax、最小运动速度VminW及采样间隔To决定的环形波口，它 的内径和外径满足
[0030] Rmin = VminXT〇
[0031] Rmax = VmaxXT〇
[003^ 式中，Rmax和Rmin分别对应低速运动目标、中速运动目标和高速运动目标速度区间 的上限和下限，例如，对于海上目标可W选取mi =化，1112 = 20，1]13 = 45，1]14=40，单位:节。
[0033] (3)针对目标的类型采用不同的航迹起始策略，例如，对于快速目标，选取3/4逻辑 法快速建航，中速目标及慢速目标分别采用4/6逻辑法和5/8逻辑法正常航迹起始。
[0034] (4)依据目标状态方程对目标航迹进行外推，W外推点为中屯、，依据贝叶斯类的数 据关联算法设置楠圆相关波口，若雷达测得的目标直角坐标系下的转换量测值Z化+1)满 足：
[0035]
[0036] 则称该量测值为候选回波，式中，錢打+1|0为目标量测的预测，S化+1)为新息协方 差，丫是一个与量测的维数有关的常数，例如，对于二维量测，当丫 =4时，目标量测落入波 口的概率为0.865。
[0037] (5)提 取候选回波的特征信息计算特征相似度，例如，可W选取能量、形状因子和 方向性运Ξ个特征信息计算特征相似度，目标回波的能量W是指目标回波各像素点亮度的 平方和，由于船体不同部分反射程度不一样，W及海杂波的影响，回波能量是不稳定的，设k 时刻第i个候选回波和k-1时刻的目标回波的能量分别为*1化)和W化-1)，定义目标的回波 能量的相似度为
[00；3 引
[0039] 目标回波的形状因子C定义为目标形状A和目标回波周长平方L2之比
[0040]
[0041] 当一个区域为圆形时C=l，当区域为其他形状时(XI，即C的值当区域为圆形时达 到最大，它能够描述目标形状和圆的接近程度，设k时刻第i个候选回波和k-1时刻的目标回 波的形状因子分别为C1化)和(Xk-l)，由此可W定义目标回波形状因子的相似度为
[0042]
[0043] 目标回波的方向性Θ是指通过对目标回波进行楠圆拟合，然后W楠圆的中屯、为坐 标原点建立坐标系，计算出的楠圆的长轴和X轴正方向的夹角，设k时刻第i个候选回波和k-1时刻的目标回波的方向性分别为Θ1化)和Θ化-1)，由此可W定义目标回波方向性的相似度 为
[0044]
[0045] 满、爲、廣均为大于0且小于等于1的实数。
[0046] (6)计算目标的综合关联度，综合关联度是候选回波所有特征信息相似度的加权 和，假设目标有η个特征信息，第i个候选回波的第k个特征信息的相似度为辟，权系数为α 化），4=1，2，-'，11，且
则综合关联度为
[0047]
[004引式中，κ?代表第i个候选回波相对于目标的综合关联度，例如，如果只提取了候选 回波的Ξ个特征信息：能量、形状因子和方向性，计算综合关联度时首先要确定权系数的 值，不同类别的目标特征信息的重要程度不同，所W需要对特征信息分配不同的权值，假设 目标回波的能量、形状因子和方向性的权系数为α(η)，η=1，2,3,月
> 快速目标 机动性强，目标位置和运动方向变化较大，所W快速目标回波的形状因子和回波方向性的 权系数要设置的小些，回波能量的权系数要设置的大些;慢速运动在相邻帖之间的位移小， 航向近似不变，所W目标回波的形状和回波方向性对计算综合关联度更重要，因此运两个 特征的相似度的权系数要设置的大些；中速目标各特征相似度权系数的设置介于快速目标 和慢速目标之间，各类目标特征相似度的权系数的设置如表1所示，
[0049]表1目标特征相似度的权系数取值表
[(Κ)加 ]
[0051]综合关联度为
[0化2]
[0053] 选取综合关联度最大的候选回波作为k+1时刻的目标量测。
[0054] (7)对当前时刻的目标状态进行更新，重复步骤(4)-(6)，直至数据处理完毕，算法 终止。
【主权项】
1. 目标数据关联的多特征信息融合方法，其特征在于包括以下技术措施： 步骤一、点迹预处理:对数据录取器送来的点迹进行预处理，利用点迹辅助信息对数据 进行筛选，将筛选后的所有数据按帧存储； 步骤二、目标分类:依据目标速度信息采用速度分区法将目标划分为三类，慢速运动目 标、中速运动目标和快速运动目标； 步骤三、点-点关联:采用m/n逻辑法进行航迹起始，对于不同类别的目标使用不同的 点-点关联策略； 步骤四、点-航关联:依据目标状态方程对目标航迹进行外推，以外推点为中心，依据贝 叶斯类的数据关联算法设置椭圆相关波门，若雷达测得的目标直角坐标系下的转换量测值 z(k+l)满足：则称该量测值为候选回波，式中，i(々 + l|々）为目标量测的预测，S(k+1)为新息协方差， γ是一个与量测的维数有关的常数； 步骤五、计算特征相似度:提取落入相关波门内候选回波的特征信息计算特征相似度； 步骤六、计算综合关联度:依据特征相似度结合特征权重计算综合关联度，选择综合关 联度最大的候选回波作为目标量测； 步骤七、对当前时刻的目标状态进行更新，对下一帧数据重复步骤四至步骤七的计算， 直至数据处理完毕，算法终止。2. 根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤一所 述的点迹预处理的方法为： 利用凝聚的有效点数和紧凑程度这两个辅助信息对点迹进行筛选，选取的条件是:凝 聚的有效点数大于等于Ν，紧凑程度大于等于Ρ，Ν为正整数，P大于O小于1。3. 根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤二所 述的目标分类的方法为： 设定慢速运动目标、中速运动目标和快速运动目标的速度区间分别为[〇，nu]、[m2，m3] 以及[ni4，+°°)，且m2 < mi〈m4 < m3，依据目标的速度对目标分类。4. 根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤五所 述的计 算候选回波特征相似度的方法为： 计算候选回波的能量w、形状因子C和方向性Θ三个特征信息的相似度，设k时刻第i个候 选回波和k-Ι时刻的目标回波的能量分别为W1U)和w(k-l)，定义目标回波能量的相似度为设k时刻第i个候选回波和k-Ι时刻的目标回波的形状因子分别为CUk)和C(k-l)，定义 目标回波形状因子的相似度为设k时刻第i个候选回波和k-i时刻的目标回波的方向性分别为eUk)和0(k-i)，定义目 标回波方向性的相似度为肖、属、属均大于〇且小于等于1。5.根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于步骤六所 述的计算候选回波综合关联度的方法为： 定义综合关联度是候选回波所有特征相似度的加权和，假设目标有η个特征信息，第i 个候选回波的第k个特征信息的相似度为^，权系数为<1〇氺=1，2，一，11，且则综合关联度为式中，K1代表第i个候选回波相对于目标的综合关联度，对于不同类型的目标，相同特征 的相似度處要设置不同的权系数a(k)。
【专利摘要】本发明涉及一种目标数据关联的多特征信息融合方法，属于雷达数据处理技术领域。包括以下步骤：1）点迹预处理，对数据进行筛选并按帧存储；2）目标分类，依据目标速度大小将目标分为三类；3）点-点关联，采用<i>m/n</i>逻辑法进行航迹起始，对不同类别的目标采用不同的关联策略；4）点-航关联，对目标航迹进行外推，依据贝叶斯类的数据关联算法寻找目标候选回波；5）计算特征相似度，提取候选回波的特征信息计算特征相似度；6）计算综合关联度，依据特征相似度和特征权重计算综合关联度，选择综合关联度最大的候选回波作为目标量测。该方法能减少目标候选回波的数量，降低运算量，提升密集杂波背景下数据关联的可靠性，具有推广应用价值。
【IPC分类】G01S7/41
【公开号】CN105487061
【申请号】CN201510866064
【发明人】朱红鹏, 黄勇, 刘宁波, 李秀友, 姜佰辰, 张 林, 关键
【申请人】中国人民解放军海军航空工程学院
【公开日】2016年4月13日
【申请日】2015年12月1日
最新回复(0)