System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及雷达跟踪,具体的说,是一种雷达飞行目标实时跟踪的方法和系统。
技术介绍
1、使用连续波雷达的回波数据实时的进行多个飞行目标的运动跟踪并且进行目标运动航迹的管理是多目标跟踪技术里最根本和最核心的任务。飞行目标跟踪任务核心就是确认数据里的真实目标,并且为其建立运动航迹。流程一般分为航迹起始、航迹筛选、航迹维持和航迹剔除等。航迹起始,具体指的是在目标跟踪系统还没确定目标进行稳定的运动跟踪之前所进行的初始航迹建立过程。而航迹筛选指的是使用一定的规则或者算法对已经建立的航迹进行可靠性判断和筛选,剔除不合理的异常航迹。航迹维持指的是在实时的目标跟踪的过程中,把雷达每个周期接收到的点迹数据和已经建立的航迹进行匹配,更新航迹信息得到最新的目标航迹,航迹维持过程一般涉及到目标运动状态的描述和数据匹配算法的选择。航迹剔除指的是当目标飞出雷达探测距离或者长时间停止运动或者雷达跟踪丢失超过一定时间时,对应的航迹也需要进行删除,从而保证目标跟踪结果的准确性和跟踪速度的实时性。
2、传统的航迹起始方法按照不同的数据处理方式可以分为顺序处理方法和批处理方法,顺序处理方法包括逻辑法、启发式规则法等;批处理方法包括hough变换及其变种算法。顺序处理法优点是计算量小运算速度快,缺点是建立正确航迹的效果一般,由于顺序处理方法本身无法区分杂波,如果杂波增加,就会直接干扰航迹的形成,因此该方法通常适用于弱杂波的检测环境;而批处理法计算量大运算耗时长,有着不错的效果可以用于强杂波的检测环境。
3、传统的航迹筛选方法包括逻辑法和规则法
4、航迹维持过程包括航迹匹配和目标运动学模拟。对于目标的运动学模拟,传统的方法是使用卡尔曼滤波族(经典卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波等),近几年的方法有交互式多模型(imm,interacting multiple model)、伯努利族滤波(例如,pmbm(泊松多伯努利混合滤波),δ-glmb(δ-广义标签多伯努利滤波)等)。传统的卡尔曼滤波优势在于运算速度快;而交互式多模型以及伯努利滤波族则能适应更复杂的运动情况,但是这两类方法都需要提前设置大量参数,使用起来并不方便。经典的航迹匹配算法(又叫做数据关联算法)有最近邻关联(nn,nearest neighbour)、全局最近邻关联(gnn,global nearestneighbour)、概率关联(pda,probabilistic data association)、联合概率关联(jpda,joint probabilistic data association)、多假设跟踪(mht,multiple hypothesistracking)和动态规划等。最近邻类型的跟踪算法计算速度快但是效果一般;而概率关联类跟踪算法和多假设类跟踪算法的效果更好,但是更复杂,耗时较久或者无法求解。
5、现代雷达对飞行目标的跟踪环境变得日益严峻,一方面客观环境里强杂波环境变得普遍,同时空间里的各类目标(例如鸟类、多旋翼无人机、固定翼无人机以及普通小型飞机等)也日益增加,这些都增加了跟踪难度;另一方面目前的应用场景对目标跟踪的速度和精度的要求也越来越高,因此传统的飞行目标跟踪方案越来越难以满足要求。目标跟踪领域目前虽然有一些方法也初步使用了深度学习模型在一部分任务上,但是这些方法在实际应用过程中依然面临很多问题,总结起来有以下几点:
6、1.目前雷达检测都面临着复杂的强杂波环境,在面对大量的回波数据时,传统的飞行目标跟踪方法(例如jpda、mht等)会出现运算量太大从而跟踪速度下降的问题;
7、2.目前基于规则的航迹起始方法效果较为一般,而基于深度学习的航迹起始方法所用的特征是由人工设计的,具有局限性;同时深度学习模型也没有利用目标运动数据的时序性特征,导致不能很好的学习出目标的运动特性,不适用于具有复杂运动特性的目标,跟踪精度不高。
技术实现思路
1、本专利技术的目的在于提供一种雷达飞行目标实时跟踪的方法和系统,用于解决现有技术中雷达执行多飞行目标跟踪任务时强杂波环境跟踪速度下降以及基于深度学习的航迹起始方法所用的特征是由人工设计的,具有局限性;同时也没有利用目标运动数据的时序性特征导致跟踪精度不高的问题。
2、本专利技术通过下述技术方案解决上述问题:
3、一种雷达飞行目标实时跟踪的方法,包括:
4、步骤a、接收雷达当前帧的回波点迹数据,并进行预处理;
5、步骤b、预测每个已经建立的目标航迹的运动状态,使用预测的结果和预处理后的数据进行航迹匹配,并对未匹配的数据建立新的目标航迹;
6、步骤c、采用深度学习评分模型对当前所有的航迹进行评分,对评分低于阈值的航迹进行剔除;
7、步骤d、使用基于马尔可夫链蒙特卡罗采样的方法迭代计算出多假设框架里的最佳假设航迹;
8、步骤e、根据得到的最佳假设航迹对现有的假设航迹进行管理;
9、步骤f、对目标跟踪结果进行后处理,输出当前的目标跟踪结果。
10、进一步地,所述步骤a中的预处理包括对雷达杂波点迹进行剔除和对分裂的雷达点迹数据进行凝聚。
11、进一步地,所述预测每个已经建立的目标航迹的运动状态具体包括:
12、从目标航迹当前时间点的前一个时间点开始往前n个时间点所构成的航迹片段的坐标构成的序列数据;
13、从序列数据提取特征得到特征向量;
14、把特征向量进行编码得到编码向量,将编码向量和特征向量进行空间信息编码得到空间信息向量,再将编码向量和空间信息向量一起解码得到预测结果,即目标航迹在当前时刻的位置坐标。
15、进一步地,所述预测每个已经建立的目标航迹的运动状态由特征提取模块和目标运动模型完成,其中:
16、特征提取模块,用于从序列数据提取特征向量;
17、目标运动模型由特征编码模块、解码模块和空间感知模块组成,特征编码模块用于将特征向量编码得到编码向量,空间感知模块用于将编码向量和特征向量进行空间信息编码得到空间信息向量,解码模块用于将空间信息向量和编码向量一起解码得到预测结果。
18、进一步地,所述特征编码模块和解码模块分别由堆叠了多层的transformer构成,空间感知模块由全连接层、3d稀疏卷积层和softmax层堆叠而成。
19、进一步地,所述使用预测的结果和预处理后的数据进行航迹匹配为:把预测结果和当前时间点的预处理数据采用波门法进行匹配,在每个时间节点分配波门法成功匹配到的点迹数据给已经建立的目标航迹,目标航迹和回波数据关联的过程就是在对目标航迹进行更新,从而更新该目标航迹的状态。波门形状为矩形或者椭圆形,波门距离采用欧氏距离或者mahalanobis距离。
20、进一步地,所述深度学习评分模型由全连接本文档来自技高网...
【技术保护点】
1.一种雷达飞行目标实时跟踪的方法,其特征在于,包括:
2.根据权利要求1所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述步骤A中的预处理包括对雷达杂波点迹进行剔除和对分裂的雷达点迹数据进行凝聚。
3.根据权利要求1所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述预测每个已经建立的目标航迹的运动状态具体包括:
4.根据权利要求3所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述预测每个已经建立的目标航迹的运动状态由特征提取模块和目标运动模型完成,其中:
5.根据权利要求3所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述使用预测的结果和预处理后的数据进行航迹匹配为:把预测结果和当前时间点的预处理数据进行匹配,在每个时间节点分配匹配的点迹数据给已经建立的目标航迹,从而更新该目标航迹的状态。
6.根据权利要求5所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述把预测结果和当前时间点的预处理数据进行匹配的方法为波门法,波门形状为矩形或者椭圆形,波门距离采用欧氏距离或者Mahalanobis距离。
...【技术特征摘要】
1.一种雷达飞行目标实时跟踪的方法,其特征在于,包括:
2.根据权利要求1所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述步骤a中的预处理包括对雷达杂波点迹进行剔除和对分裂的雷达点迹数据进行凝聚。
3.根据权利要求1所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述预测每个已经建立的目标航迹的运动状态具体包括:
4.根据权利要求3所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述预测每个已经建立的目标航迹的运动状态由特征提取模块和目标运动模型完成,其中:
5.根据权利要求3所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述使用预测的结果和预处理后的数据进行航迹匹配为:把预测结果和当前时间点的预处理数据进行匹配,在每个时间节点分配匹配的点迹数据给已经建立的目标航迹,从而更新该目标航迹的状态。
6.根据权利要求5所述的一种雷达飞行目标实时跟踪的方法,其特征在于,所述把...
【专利技术属性】
技术研发人员:陶原野,胡亮,郑敏娥,
申请(专利权)人:四川启睿克科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。