雷达/红外异构信息融合处理方法技术

本发明专利技术提供了一种雷达/红外异构信息融合处理方法，首先对雷达点迹和红外点迹更新的假设航迹状态进行特征提取，形成机器学习训练样本，样本对真实航迹和虚假航迹进行标记，然后利用AdaBoost算法对训练样本进行离线学习，形成AdaBoost样本分类器，最后利用已训练的AdaBoost样本分类器在线对假设航迹进行真假分类，明确雷达、红外点迹是否为目标点迹。本发明专利技术可对近区威胁目标实现雷达、红外异构信息实时融合处理，形成目标复合跟踪航迹。通过雷达、红外探测信息各自的精度优势，进一步提高目标航迹的跟踪精度，并且可以有效识别雷达、红外点迹的真伪，实现目标航迹与目标点迹的准确关联，使目标跟踪稳定性得到显著地改善。使目标跟踪稳定性得到显著地改善。使目标跟踪稳定性得到显著地改善。

【技术实现步骤摘要】
雷达/红外异构信息融合处理方法


[0001]本专利技术涉及雷达、红外协同探测系统领域，针对密集杂波场景下的雷达、红外点迹级数据融合，提出了一种智能复合跟踪处理方法。利用AdaBoost算法对航迹特征向量进行机器学习，形成可识别航迹真假的分类器，从而找出真实的雷达、红外目标点迹，实现密集杂波场景下的雷达、红外异构信息融合处理。

技术介绍

[0002]随着现代战场环境的日益复杂化，雷达传感器通常会受到一些反辐射导弹或电子干扰的攻击，难以对隐身目标进行探测，存在低空盲区。使雷达面临“隐身飞机、反辐射导弹、电子对抗、超低空突防”等威胁。而红外传感器具有与雷达不同的工作机制，其通过目标辐射的热能进行定位和探测，无需向空中辐射能量，具有雷达所没有的强抗干扰能力。但是红外的作用距离较近，不能提供距离信息，并受气候影响较大。因此，为进一步提高传感器探测能力，体现体系对抗、集群作战的优势，雷达、红外异构信息融合处理已成为业界的研究热点。
[0003]目前，雷达、红外点迹级复合跟踪通常只考虑跟踪滤波方法，并未针对雷达、红外数据的准确关联问题进行考虑。面对密集杂波场景时，大量虚假点迹的干扰，导致雷达、红外点迹无法直接进行复合跟踪处理。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供一种雷达/红外异构信息融合处理方法。本专利技术提出一种基于AdaBoost的雷达点迹和红外点迹级复合跟踪处理方法。首先对雷达点迹和红外点迹更新的假设航迹状态进行特征提取，形成机器学习训练样本，样本对真实航迹和虚假航迹进行标记。然后利用AdaBoost算法对训练样本进行离线学习，形成AdaBoost样本分类器。最后利用已训练的AdaBoost样本分类器在线对假设航迹进行真假分类，明确雷达、红外点迹是否为目标点迹，从而解决雷达、红外数据的准确关联问题，降低虚假点迹的干扰，提高复合跟踪航迹稳定性。
[0005]本专利技术解决其技术问题所采用的技术方案的步骤为：
[0006]步骤1：对接收到的雷达、红外点迹进行空间配准，确保点迹配准信息与复合跟踪航迹在同一坐标系内；
[0007]步骤2：根据复合跟踪航迹的位置信息，对雷达、红外点迹进行相应的粗筛选，得到粗关联点迹；
[0008]步骤3：复合跟踪航迹与粗关联点迹进行滤波跟踪，形成假设航迹状态；
[0009]步骤4：提取假设航迹状态特征向量；
[0010]对假设航迹的特征进行提取，形成假设航迹特征向量，用于AdaBoost算法的离线训练与在线分类；
[0011]假设航迹特征向量由步骤3的更新状态与原始状态之差获得，包括航迹位置变化
量、航迹速度变化量、航迹加速度变化量、航迹方向变化量以及马氏距离；
[0012]步骤5：利用已训练的AdaBoost样本分类器，对假设航迹的状态特征向量进行分类，确定假设航迹的真假属性，从而鉴别关联点迹的真伪；
[0013]根据AdaBoost样本分类器参数，对在线的假设航迹特征向量进行样本分类，判断假设航迹是否为真实航迹，若假设航迹为真实航迹，则关联的雷达、红外点迹为目标点迹，否则为虚假点迹；
[0014]步骤6：利用已分类为真实的雷达、红外点迹，对复合跟踪航迹进行滤波更新，实现雷达/红外异构信息融合处理。
[0015]所述空间配准的步骤为：
[0016]雷达点迹为三坐标量测，通过空间坐标转换，将点迹信息由极坐标转换为直角坐标系，再结合平台导航，转化到地心直角坐标系，地心直角坐标系为绝对坐标系，因此形成绝对坐标系下的点迹信息，再将点迹转化到融合原点直角坐标系；
[0017]红外点迹为两坐标量测，根据红外点迹对复合跟踪航迹进行扩展卡尔曼滤波(EKF)状态预测，将状态预测信息由融合原点直角坐标转化为地心直角坐标，再结合红外平台导航，将状态预测信息转化至红外原点坐标系；
[0018]所述步骤2中粗关联点迹的实施步骤为：
[0019]雷达点迹以目标航迹的直角坐标位置为中心原点，建立大小为V
max
T的球形关联波门，其中，V
max
为跟踪目标的最大运动速度，T为点迹与目标航迹的时间差；然后计算雷达点迹与复合跟踪航迹的欧式距离，并将欧式距离小于波门阈值的雷达点迹标记为粗关联点迹；
[0020]红外点迹以目标航迹的极坐标位置为中心原点，建立扇形关联波，波门大小为3倍的量测误差；然后计算红外点迹与复合跟踪航迹的方位差与俯仰差，并将方位差与俯仰差同时满足式(1)和式(2)的红外点迹标记为粗关联点迹：
[0021]|θ
p
‑
θ
t
|≤3σ
θ
(1)
[0022][0023]式中，θ
p
和为红外点迹的方位测量值和俯仰测量值，θ
t
和为复合航迹在极坐标系下的方位值和俯仰值，σ
θ
和为红外点迹的方位量测误差和俯仰量测误差。
[0024]所述步骤3中，采用交叉滤波融合处理算法进行复合航迹的更新；雷达点迹、红外点迹分别采用转换量测卡尔曼滤波(CMKF)算法和扩展卡尔曼滤波(EKF)算法进行异构信息融合，得到复合跟踪假设航迹状态。
[0025]所述步骤5中，样本标记为离线处理过程，使用真值数据对目标所有产生的假设航迹进行关联，明确假设航迹的真伪；
[0026]先对真值数据进行插值处理，然后将假设航迹与真值数据进行关联，关联采用球形波门，关联距离门限设置为500米，并采用最近邻(NN)算法，认为欧式距离最小的假设航迹为真实航迹，其余为虚假航迹；真实航迹为正样本，标记为“1”，虚假航迹为负样本，标记为“0”。
[0027]本专利技术采用AdaBoost算法对步骤5产生的所有特征样本进行离线训练，形成样本分类器参数；其中，设定弱分类器个数为50，步长参数为100。
[0028]所述步骤6中，利用真实航迹中的目标点对复合跟踪航迹进行滤波更新，雷达点迹采用转换量测卡尔曼滤波(CMKF)算法，红外点迹采用扩展卡尔曼滤波(EKF)算法，分别进行异构信息融合，针对雷达、红外异构信息采用不同的滤波算法进行复合跟踪航迹的状态预测、量测预测与状态更新，获得最新时刻的目标复合跟踪航迹，实现雷达、红外异构信息的融合处理。
[0029]本专利技术的有益效果在于在密集杂波环境下，可对近区威胁目标实现雷达、红外异构信息实时融合处理，形成目标复合跟踪航迹。通过雷达、红外探测信息各自的精度优势，进一步提高目标航迹的跟踪精度，并且可以有效识别雷达、红外点迹的真伪，实现目标航迹与目标点迹的准确关联，使目标跟踪稳定性得到显著地改善。
附图说明
[0030]图1为基于AdaBoost的雷达/红外异构信息融合处理流程图。
具体实施方式
[0031]下面结合附图和实施例对本专利技术进一步说明。
[0032]本专利技术的整个处理流程可分为8个步骤，如图1所示，其中虚线为AdaBoost算法的离线学习过程，实线为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达/红外异构信息融合处理方法，其特征在于包括下述步骤：步骤1：对接收到的雷达、红外点迹进行空间配准，确保点迹配准信息与复合跟踪航迹在同一坐标系内；步骤2：根据复合跟踪航迹的位置信息，对雷达、红外点迹进行相应的粗筛选，得到粗关联点迹；步骤3：复合跟踪航迹与粗关联点迹进行滤波跟踪，形成假设航迹状态；步骤4：提取假设航迹状态特征向量；对假设航迹的特征进行提取，形成假设航迹特征向量，用于AdaBoost算法的离线训练与在线分类；假设航迹特征向量由步骤3的更新状态与原始状态之差获得，包括航迹位置变化量、航迹速度变化量、航迹加速度变化量、航迹方向变化量以及马氏距离；步骤5：利用已训练的AdaBoost样本分类器，对假设航迹的状态特征向量进行分类，确定假设航迹的真假属性，从而鉴别关联点迹的真伪；根据AdaBoost样本分类器参数，对在线的假设航迹特征向量进行样本分类，判断假设航迹是否为真实航迹，若假设航迹为真实航迹，则关联的雷达、红外点迹为目标点迹，否则为虚假点迹；步骤6：利用已分类为真实的雷达、红外点迹，对复合跟踪航迹进行滤波更新，实现雷达/红外异构信息融合处理。2.根据权利要求1所述的雷达/红外异构信息融合处理方法，其特征在于：所述空间配准的步骤为：雷达点迹为三坐标量测，通过空间坐标转换，将点迹信息由极坐标转换为直角坐标系，再结合平台导航，转化到地心直角坐标系，地心直角坐标系为绝对坐标系，因此形成绝对坐标系下的点迹信息，再将点迹转化到融合原点直角坐标系；红外点迹为两坐标量测，根据红外点迹对复合跟踪航迹进行扩展卡尔曼滤波状态预测，将状态预测信息由融合原点直角坐标转化为地心直角坐标，再结合红外平台导航，将状态预测信息转化至红外原点坐标系。3.根据权利要求1所述的雷达/红外异构信息融合处理方法，其特征在于：所述步骤2中粗关联点迹的实施步骤为：雷达点迹以目标航迹的直角坐标位置为中心原点，建立大小为V
max
T的球形关联波门，其中，V
max
为跟踪目标的最大运动速度，T为点迹与目标航迹的时间差；然后计算雷达点迹与复合跟踪航迹的欧式距离，并将欧式距离小于波门...

【专利技术属性】
技术研发人员：杨笛，张修社，赵旺，韩春雷，刘准钆，张扬，张佳琦，金仲乾，
申请(专利权)人：中国电子科技集团公司第二十研究所，
类型：发明
国别省市：