CN108549060A - 一种目标关联方法及装置 - Google Patents

一种目标关联方法及装置 Download PDF

Info

Publication number
CN108549060A
CN108549060A CN201810341258.6A CN201810341258A CN108549060A CN 108549060 A CN108549060 A CN 108549060A CN 201810341258 A CN201810341258 A CN 201810341258A CN 108549060 A CN108549060 A CN 108549060A
Authority
CN
China
Prior art keywords
moment
kth
comprehensive characteristics
measured value
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810341258.6A
Other languages
English (en)
Other versions
CN108549060B (zh
Inventor
唐宏美
汪勇峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN201810341258.6A priority Critical patent/CN108549060B/zh
Publication of CN108549060A publication Critical patent/CN108549060A/zh
Application granted granted Critical
Publication of CN108549060B publication Critical patent/CN108549060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种目标关联方法及装置，该方法，包括：迭代执行：确定出至少两个在第k+1个时刻的综合特征的测量值；根据在第k个时刻的综合特征的滤波值，预测出在第k+1个时刻的综合特征的预测值；根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值；进行滤波处理，确定在第k+1个时刻的综合特征的滤波值。本发明能够提高关联的正确率。

Description

一种目标关联方法及装置
技术领域
本发明涉及目标识别技术领域，尤其涉及一种目标关联方法及装置。
背景技术
在目标识别时经常会遇到以下情况：每隔一段时间都会采集来自多个目标的数据，但是，无法这些数据关联起来。举例来说，有三个目标，在第k个时刻采集了三个目标的三个第k个时刻的运动数据，在第k+1个时间采集了三个目标的第k+1时刻的运动数据，但是，无法确定出每个第k个时刻的运动数据与哪个第k+1时刻的运动数据是来自同一个目标，也就是，无法将第k个时刻的运动数据与第k+1时刻的运动数据关联起来。为了解决该问题，需要通过目标关联方法来实现。
现有技术中，目标关联方法基于目标的位置量测序列，认为与滤波预测值最近的量测来自同一个目标。而在实际目标数目较多或存在假目标情况下，离预测值最近的回波不一定来自同一个目标，关联的正确率较低。
发明内容
本发明实施例提供了一种目标关联方法及装置，能够提高关联的正确率。
一方面，本发明实施例提供了一种目标关联方法，包括：
S0：初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，初始化k＝1；
S1：测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征和位置特征；
S2：分别根据每对在第k+1个时刻的径向能量均值特征和位置特征，确定出至少两个在第k+1个时刻的综合特征的测量值；
S3：根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值；
S4：根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值；
S5：针对每个在第k+1个时刻的综合特征的测量值，执行：将当前在第k+1个时刻的综合特征的测量值、当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值以及对应的在第k个时刻的综合特征的滤波值作为输入，进行滤波处理，确定当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的滤波值；
S6：k＝k+1，返回S1，其中，k为正整数。
进一步地，
所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征，包括：
获取每个目标在第k+1个时刻的一维距离像；
针对每个在第k+1个时刻的一维距离像，执行：从当前一维距离像中提取所述当前一维距离像对应的每个散射中心的径向幅度值，根据公式一确定所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，其中，所述公式一为：
其中，XF(k+1)为所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，N为所述当前一维距离像对应的散射中心的数量，σ(k+1,i)为所述当前一维距离像对应的在第k+1个时刻的第i个散射中心的径向幅度值。
进一步地，
所述根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值，包括：
针对每个在第k个时刻的综合特征的测量值，执行：根据公式二确定当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，其中，所述公式二为：
其中，为当前在第k个时刻的综合特征的测量值对应的
在第k+1时刻的综合特征的预测值，为当前在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，V为高斯白噪声，Φ为预设的状态转移矩阵。
进一步地，
所述根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值，包括：
根据公式三进行迭代运算，确定出P(k+1|k)和K(k+1)，其中，所述公式三为：
根据公式四确定新息协方差，其中，所述公式四为：
S(k+1)＝HP(k+1|k)HT+M，
针对每个在第k+1个时刻的综合特征的测量值，均执行：
根据公式五确定Y(k+1)，其中，所述公式五为：
Y(k+1)＝HX(k+1)+W；
针对每个在第k个时刻的综合特征的测量值，均执行A1-A3：
A1：根据公式六确定其中，所述公式六为：
A2：根据公式七进行迭代运算，确定出其中，所述公式七为：
A3：根据公式八确定其中，所述公式八为：
确定所述至少两个在第k个时刻的综合特征的测量值与至少两个在第k+1个时刻的综合特征的测量值之间的可能的关联方案，其中，在每个所述关联方案中，在第k个时刻的综合特征的测量值与在第k+1个时刻的综合特征的测量值一一对应；
针对每个所述关联方案，均执行B1-B2：
B1：根据公式九，确定当前关联方案中每对相对应的在第k个时刻的综合特征的测量值和在第k+1个时刻的综合特征的测量值的统计距离，其中，所述公式九为：
其中，L为所述统计距离，Ya(k+1)为第a个在第k+1个时刻的综合特征的测量值对应的Y(k+1)，为第b个在第k个时刻的综合特征的测量值对应的第a个在第k+1个时刻的综合特征的测量值与第b个在第k个时刻的综合特征的测量值在所述当前关联方案中相对应；
B2：确定所述当前关联方案对应的所有的统计距离的总和；
确定统计距离的总和最小的关联方案为最终关联方案；
其中，X(k+1)为在第k+1个时刻的综合特征的测量值，为在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，Q、R、W、M均是高斯白噪声，H为预设的观测矩阵，Φ为预设的状态转移矩阵，In为单位矩阵，P(k|k)的初始值为P(1|1)，的初始值为S(k+1)为新息协方差。
进一步地，
所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的位置特征，包括：
测量每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度；
根据每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度，确定每个目标在第k+1个时刻的位置特征。
进一步地，
所述初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，包括：
测量出针对所述至少两个目标的至少两对在第1个时刻的径向能量均值特征和位置特征；
分别根据每对在第1个时刻的径向能量均值特征和位置特征，确定出至少两个在第1个时刻的综合特征的测量值；
将所述至少两个在第1个时刻的综合特征的测量值作为所述至少两个在第1个时刻的综合特征的滤波值。
另一方面，本发明实施例提供了一种目标关联装置，包括：
初始化单元，用于初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，初始化k＝1；
关联单元，用于执行：
S1：测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征和位置特征；
S2：分别根据每对在第k+1个时刻的径向能量均值特征和位置特征，确定出至少两个在第k+1个时刻的综合特征的测量值；
S3：根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值；
S4：根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值；
S5：针对每个在第k+1个时刻的综合特征的测量值，执行：将当前在第k+1个时刻的综合特征的测量值、当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值以及对应的在第k个时刻的综合特征的滤波值作为输入，进行滤波处理，确定当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的滤波值；
S6：k＝k+1，返回S1，其中，k为正整数。
进一步地，
所述关联单元，在执行所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征时，具体用于：
获取每个目标在第k+1个时刻的一维距离像；
针对每个在第k+1个时刻的一维距离像，执行：从当前一维距离像中提取所述当前一维距离像对应的每个散射中心的径向幅度值，根据公式一确定所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，其中，所述公式一为：
其中，XF(k+1)为所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，N为所述当前一维距离像对应的散射中心的数量，σ(k+1,i)为所述当前一维距离像对应的在第k+1个时刻的第i个散射中心的径向幅度值。
进一步地，
所述关联单元，在执行所述根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值时，具体用于：
针对每个在第k个时刻的综合特征的测量值，执行：根据公式二确定当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，其中，所述公式二为：
其中，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，为当前在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，V为高斯白噪声，Φ为预设的状态转移矩阵。
进一步地，
所述关联单元，在执行所述根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值时，具体用于：
根据公式三进行迭代运算，确定出P(k+1|k)和K(k+1)，其中，所述公式三为：
根据公式四确定新息协方差，其中，所述公式四为：
S(k+1)＝HP(k+1|k)HT+M，
针对每个在第k+1个时刻的综合特征的测量值，均执行：
根据公式五确定Y(k+1)，其中，所述公式五为：
Y(k+1)＝HX(k+1)+W；
针对每个在第k个时刻的综合特征的测量值，均执行A1-A3：
A1：根据公式六确定其中，所述公式六为：
A2：根据公式七进行迭代运算，确定出其中，所述公式七为：
A3：根据公式八确定其中，所述公式八为：
确定所述至少两个在第k个时刻的综合特征的测量值与至少两个在第k+1个时刻的综合特征的测量值之间的可能的关联方案，其中，在每个所述关联方案中，在第k个时刻的综合特征的测量值与在第k+1个时刻的综合特征的测量值一一对应；
针对每个所述关联方案，均执行B1-B2：
B1：根据公式九，确定当前关联方案中每对相对应的在第k个时刻的综合特征的测量值和在第k+1个时刻的综合特征的测量值的统计距离，其中，所述公式九为：
其中，L为所述统计距离，Ya(k+1)为第a个在第k+1个时刻的综合特征的测量值对应的Y(k+1)，为第b个在第k个时刻的综合特征的测量值对应的第a个在第k+1个时刻的综合特征的测量值与第b个在第k个时刻的综合特征的测量值在所述当前关联方案中相对应；
B2：确定所述当前关联方案对应的所有的统计距离的总和；
确定统计距离的总和最小的关联方案为最终关联方案；
其中，X(k+1)为在第k+1个时刻的综合特征的测量值，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，Q、R、W、M均是高斯白噪声，H为预设的观测矩阵，Φ为预设的状态转移矩阵，In为单位矩阵，P(k|k)的初始值为P(1|1)，的初始值为S(k+1)为新息协方差。
进一步地，
所述关联单元，在执行所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的位置特征时，具体用于：
测量每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度；
根据每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度，确定每个目标在第k+1个时刻的位置特征。
进一步地，
所述初始化单元，在执行所述初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值时，具体用于：
测量出针对所述至少两个目标的至少两对在第1个时刻的径向能量均值特征和位置特征；
分别根据每对在第1个时刻的径向能量均值特征和位置特征，确定出至少两个在第1个时刻的综合特征的测量值；
将所述至少两个在第1个时刻的综合特征的测量值作为所述至少两个在第1个时刻的综合特征的滤波值。
在本发明实施例中，测量出每个目标的径向能量均值特征和位置特征，基于这两种特征来实现目标关联，对于不同目标，其整体散射能力强弱具有明显的可分性，也就是说，对应不同的目标，其径向能量均值特征具有明显的可分性，结合径向能量均值特征能够更加准确的区分出各个目标，提高了关联的正确率。
附图说明
图1是本发明实施例提供的一种目标关联方法的流程图；
图2是本发明实施例提供的一种目标关联装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种目标关联方法，包括：
S0：初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，初始化k＝1；
S1：测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征和位置特征；
S2：分别根据每对在第k+1个时刻的径向能量均值特征和位置特征，确定出至少两个在第k+1个时刻的综合特征的测量值；
S3：根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值；
S4：根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值；
S5：针对每个在第k+1个时刻的综合特征的测量值，执行：将当前在第k+1个时刻的综合特征的测量值、当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值以及对应的在第k个时刻的综合特征的滤波值作为输入，进行滤波处理，确定当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的滤波值；
S6：k＝k+1，返回S1，其中，k为正整数。
在本发明实施例中，测量出每个目标的径向能量均值特征和位置特征，基于这两种特征来实现目标关联，对于不同目标，其整体散射能力强弱具有明显的可分性，也就是说，对应不同的目标，其径向能量均值特征具有明显的可分性，结合径向能量均值特征能够更加准确的区分出各个目标，提高了关联的正确率。
在本发明实施例中，通过对目标提取径向能量均值特征，并将其结合目标的位置特征进行目标关联，解决了多目标、虚假目标的情况下，单一依据位置特征进行目标关联的准确率较低的问题，提高多目标关联的准确率。
在本发明一实施例中，所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征，包括：
获取每个目标在第k+1个时刻的一维距离像；
针对每个在第k+1个时刻的一维距离像，执行：从当前一维距离像中提取所述当前一维距离像对应的每个散射中心的径向幅度值，根据公式一确定所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，其中，所述公式一为：
其中，XF(k+1)为所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，N为所述当前一维距离像对应的散射中心的数量，σ(k+1,i)为所述当前一维距离像对应的在第k+1个时刻的第i个散射中心的径向幅度值。
在本发明实施例中，可以通过雷达测出每个目标的一维距离像。通过本发明实施例中径向能量均值特征能够刻画了目标整体的散射能力的强弱，通过径向能量均值特征使得各个目标具有明显的可分性。
在本发明一实施例中，所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的位置特征，包括：
测量每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度；
根据每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度，确定每个目标在第k+1个时刻的位置特征；
在本发明实施例中，每个目标的位置特征中可以包括在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度这些信息。其中，X轴和Y轴可以是笛卡尔坐标系下的坐标轴。另外，位置特征中还可以包括加速度等信息。
其中，第k个时刻的位置特征可以通过以下向量来实现：其中，XP(k)为第k个时刻的位置特征，x(k)为第k个时刻的在X轴方向上的位置，y(k)为第k个时刻的在Y轴方向上的位置，为第k个时刻的在X轴方向的速度，为第k个时刻的在Y轴方向的速度。
在本发明一实施例中，在第k个时刻的综合特征的测量值可以表示为：X(k)＝[XP(k),XF(k)]，其中，X(k)为在第k个时刻的综合特征的测量值，XP(k)为第k个时刻的位置特征，XF(k)为在第k个时刻的径向能量均值特征。
在本发明一实施例中，所述根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值，包括：
针对每个在第k个时刻的综合特征的测量值，执行：根据公式二确定当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，其中，所述公式二为：
其中，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，为当前在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，V为高斯白噪声，Φ为预设的状态转移矩阵。
在本发明实施例中，Φ可以根据需要来设置，举例来说，在只需要体现位置特征的信息，这时，可以通过设置Φ使得ΦX(k)只剩下位置特征的信息，例如只剩下在X轴方向上的位置和在Y轴方向上的位置。Φ一般是由1和0构成的矩阵。V可以是均值为0，协方差为第一预设值的高斯白噪声。
在本发明一实施例中，所述根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值，包括：
根据公式三进行迭代运算，确定出P(k+1|k)和K(k+1)，其中，所述公式三为：
根据公式四确定新息协方差，其中，所述公式四为：
S(k+1)＝HP(k+1|k)HT+M，
针对每个在第k+1个时刻的综合特征的测量值，均执行：
根据公式五确定Y(k+1)，其中，所述公式五为：
Y(k+1)＝HX(k+1)+W；
针对每个在第k个时刻的综合特征的测量值，均执行A1-A3：
A1：根据公式六确定其中，所述公式六为：
A2：根据公式七进行迭代运算，确定出其中，所述公式七为：
A3：根据公式八确定其中，所述公式八为：
确定所述至少两个在第k个时刻的综合特征的测量值与至少两个在第k+1个时刻的综合特征的测量值之间的可能的关联方案，其中，在每个所述关联方案中，在第k个时刻的综合特征的测量值与在第k+1个时刻的综合特征的测量值一一对应；
针对每个所述关联方案，均执行B1-B2：
B1：根据公式九，确定当前关联方案中每对相对应的在第k个时刻的综合特征的测量值和在第k+1个时刻的综合特征的测量值的统计距离，其中，所述公式九为：
其中，L为所述统计距离，Ya(k+1)为第a个在第k+1个时刻的综合特征的测量值对应的Y(k+1)，为第b个在第k个时刻的综合特征的测量值对应的第a个在第k+1个时刻的综合特征的测量值与第b个在第k个时刻的综合特征的测量值在所述当前关联方案中相对应；
B2：确定所述当前关联方案对应的所有的统计距离的总和；
确定统计距离的总和最小的关联方案为最终关联方案；
其中，X(k+1)为在第k+1个时刻的综合特征的测量值，为在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，Q、R、W、M均是高斯白噪声，H为预设的观测矩阵，Φ为预设的状态转移矩阵，In为单位矩阵，P(k|k)的初始值为P(1|1)，的初始值为S(k+1)为新息协方差。
在本发明实施例中，P(k|k)的初始值可以根据需要预先设置。可以根据需要预先设置，也可以根据测量出的径向能量均值特征和位置特征等数据确定出来，例如：将X(1)进行滤波后得到滤波输出作为
在公式三中，只需知道P(k|k)的初始值即可P(k+1|k)和K(k+1)。
可以通过公式二确定出来。
X(k)中的径向能量均值特征可以通过公式一确定出来。
在本发明实施例中，k为正整数。
在本发明实施例中，每个目标都对应一对在第k个时刻的径向能量均值特征和位置特征。每个目标都对应一对在第k+1个时刻的径向能量均值特征和位置特征。每个目标都对应一个在第k个时刻的综合特征的测量值。每个目标都对应一个在第k+1个时刻的综合特征的测量值。
在本发明一实施例中，所述初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，包括：
测量出针对所述至少两个目标的至少两对在第1个时刻的径向能量均值特征和位置特征；
分别根据每对在第1个时刻的径向能量均值特征和位置特征，确定出至少两个在第1个时刻的综合特征的测量值；
将所述至少两个在第1个时刻的综合特征的测量值作为所述至少两个在第1个时刻的综合特征的滤波值。
下面以三个目标为例来详细说明本发明实施例提供的一种目标关联方法。
D1：测量出针对三个目标的三对在第1个时刻的径向能量均值特征和位置特征。
具体地，分别是：第一对在第1个时刻的径向能量均值特征和位置特征，第二对在第1个时刻的径向能量均值特征和位置特征，第三对在第1个时刻的径向能量均值特征和位置特征。
D2：分别根据每对在第1个时刻的径向能量均值特征和位置特征，确定出三个在第1个时刻的综合特征的测量值。
具体地，根据第一对在第1个时刻的径向能量均值特征和位置特征，确定第一个在第1个时刻的综合特征的测量值；根据第二对在第1个时刻的径向能量均值特征和位置特征，确定第二个在第1个时刻的综合特征的测量值；根据第三对在第1个时刻的径向能量均值特征和位置特征，确定第三个在第1个时刻的综合特征的测量值。
D3：将至少两个在第1个时刻的综合特征的测量值作为至少两个在第1个时刻的综合特征的滤波值。
具体地，将第一个在第1个时刻的综合特征的测量值作为第一个在第1个时刻的综合特征的滤波值；将第二个在第1个时刻的综合特征的测量值作为第二个在第1个时刻的综合特征的滤波值；将第三个在第1个时刻的综合特征的测量值作为第三个在第1个时刻的综合特征的滤波值。
D4：测量出针对三个目标的三对在第k+1个时刻的径向能量均值特征和位置特征。
具体地，分别是：第一对在第k+1个时刻的径向能量均值特征和位置特征，第二对在第k+1个时刻的径向能量均值特征和位置特征，第三对在第k+1个时刻的径向能量均值特征和位置特征。
D5：分别根据每对在第k+1个时刻的径向能量均值特征和位置特征，确定出三个在第k+1个时刻的综合特征的测量值。
具体地，根据第一对在第k+1个时刻的径向能量均值特征和位置特征，确定第一个在第k+1个时刻的综合特征的测量值；根据第二对在第k+1个时刻的径向能量均值特征和位置特征，确定第二个在第k+1个时刻的综合特征的测量值；根据第三对在第k+1个时刻的径向能量均值特征和位置特征，确定第三个在第k+1个时刻的综合特征的测量值。
D6：根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值。
具体地，根据第一个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出第一个在第k个时刻的综合特征的测量值对应的第一个在第k+1个时刻的综合特征的预测值。根据第二个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出第二个在第k个时刻的综合特征的测量值对应的第二个在第k+1个时刻的综合特征的预测值。根据第三个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出第三个在第k个时刻的综合特征的测量值对应的第三个在第k+1个时刻的综合特征的预测值。
具体地，可以通过公式二来确定各个在第k+1时刻的综合特征的预测值。
D7：根据公式三进行迭代运算，确定出P(k+1|k)和K(k+1)。
D8：根据公式四确定新息协方差；
D9：针对每个在第k+1个时刻的综合特征的测量值，均执行：根据公式五确定Y(k+1)。
具体地，确定第一个在第k+1个时刻的综合特征的测量值对应的第一个Y(k+1)；确定第二个在第k+1个时刻的综合特征的测量值对应的第二个Y(k+1)；确定第三个在第k+1个时刻的综合特征的测量值对应的第三个Y(k+1)。
D10：针对每个在第k个时刻的综合特征的测量值，均执行：
根据公式六确定根据公式七进行迭代运算，确定出根据公式八确定
具体地，确定出第一个第k个时刻的综合特征的测量值对应的第一个确定出第二个第k个时刻的综合特征的测量值对应的第二个确定出第三个第k个时刻的综合特征的测量值对应的第三个
D11：确定三个在第k个时刻的综合特征的测量值与三个在第k+1个时刻的综合特征的测量值之间的可能的关联方案，其中，在每个关联方案中，在第k个时刻的综合特征的测量值与在第k+1个时刻的综合特征的测量值一一对应。
具体地，第一个第k个时刻的综合特征的测量值标记为A1，第二个第k个时刻的综合特征的测量值标记为A2，第三个第k个时刻的综合特征的测量值标记为A3，第一个第k+1个时刻的综合特征的测量值标记为B1，第二个第k+1个时刻的综合特征的测量值标记为B2，第三个第k+1个时刻的综合特征的测量值标记为B3。
一共有六个可能的关联方案：
关联方案1为：A1对应B1，A2对应B2，A3对应B3；
关联方案2为：A1对应B1，A2对应B3，A3对应B2；
关联方案3为：A1对应B2，A2对应B1，A3对应B3；
关联方案4为：A1对应B2，A2对应B3，A3对应B1；
关联方案5为：A1对应B3，A2对应B1，A3对应B2；
关联方案6为：A1对应B3，A2对应B2，A3对应B1。
D12：针对每个关联方案，均执行：根据公式九，确定当前关联方案中每对相对应的在第k个时刻的综合特征的测量值和在第k+1个时刻的综合特征的测量值的统计距离，确定当前关联方案对应的所有的统计距离的总和。
以关联方案1为例，确定A1、B1对应的统计距离L1，确定A2、B2对应的统计距离L2，确定A3、B3对应的统计距离L3，计算L1、L2、L3之和为关联方案1的统计距离的总和。
D13：确定统计距离的总和最小的关联方案为最终关联方案。
举例来说，六个关联方案中关联方案1的统计距离的总和最小，那么，关联方案1为最终关联方案，因此，第一个第k个时刻的综合特征的测量值与第一个第k+1个时刻的综合特征的测量值相关联，第二个第k个时刻的综合特征的测量值与第二个第k+1个时刻的综合特征的测量值相关联，第三个第k个时刻的综合特征的测量值与第三个第k+1个时刻的综合特征的测量值相关联。进一步地，可以确定出：第一个第k个时刻的综合特征的测量值对应的目标回波与第一个第k+1个时刻的综合特征的测量值对应的目标回波相关联，第二个第k个时刻的综合特征的测量值对应的目标回波与第二个第k+1个时刻的综合特征的测量值对应的目标回波相关联，第三个第k个时刻的综合特征的测量值对应的目标回波与第三个第k+1个时刻的综合特征的测量值对应的目标回波相关联。
D14：针对每个在第k+1个时刻的综合特征的测量值，执行：将当前在第k+1个时刻的综合特征的测量值、当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值以及对应的在第k个时刻的综合特征的滤波值作为输入，进行滤波处理，确定当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的滤波值。
举例来说，最终关联方案为关联方案1。将B1、A1对应的预测值(由于B1与A1相关联，则B1对应的在第k+1个时刻的综合特征的预测值就是根据A1对应的在第k个时刻的综合特征的滤波值确定出的在第k+1个时刻的综合特征的预测值)以及A1对应的滤波值作为输入，进行滤波处理，确定B1对应的在第k+1个时刻的综合特征的滤波值。
D15：k＝k+1，返回D4，其中，k为正整数。
在本发明实施例中，滤波处理可以通过卡尔曼滤波器来实现。
在本发明实施例中，首先对目标回波进行特征提取，主要提取位置特征和径向能量均值特征。其中径向能量均值特征提取是在获取目标一维距离像基础上，对回波幅值平方取均值获得。接下来利用最近邻算法获取最近邻回波，并将其输入卡尔曼滤波器进行滤波更新。
如图2所示，本发明实施例提供了一种目标关联装置，包括：
初始化单元201，用于初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，初始化k＝1；
关联单元202，用于执行：
S1：测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征和位置特征；
S2：分别根据每对在第k+1个时刻的径向能量均值特征和位置特征，确定出至少两个在第k+1个时刻的综合特征的测量值；
S3：根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值；
S4：根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值；
S5：针对每个在第k+1个时刻的综合特征的测量值，执行：将当前在第k+1个时刻的综合特征的测量值、当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值以及对应的在第k个时刻的综合特征的滤波值作为输入，进行滤波处理，确定当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的滤波值；
S6：k＝k+1，返回S1，其中，k为正整数。
在本发明一实施例中，所述关联单元，在执行所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征时，具体用于：
获取每个目标在第k+1个时刻的一维距离像；
针对每个在第k+1个时刻的一维距离像，执行：从当前一维距离像中提取所述当前一维距离像对应的每个散射中心的径向幅度值，根据公式一确定所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，其中，所述公式一为：
其中，XF(k+1)为所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，N为所述当前一维距离像对应的散射中心的数量，σ(k+1,i)为所述当前一维距离像对应的在第k+1个时刻的第i个散射中心的径向幅度值。
在本发明一实施例中，所述关联单元，在执行所述根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值时，具体用于：
针对每个在第k个时刻的综合特征的测量值，执行：根据公式二确定当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，其中，所述公式二为：
其中，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，为当前在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，V为高斯白噪声，Φ为预设的状态转移矩阵。
在本发明一实施例中，所述关联单元，在执行所述根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值时，具体用于：
根据公式三进行迭代运算，确定出P(k+1|k)和K(k+1)，其中，所述公式三为：
根据公式四确定新息协方差，其中，所述公式四为：
S(k+1)＝HP(k+1|k)HT+M，
针对每个在第k+1个时刻的综合特征的测量值，均执行：
根据公式五确定Y(k+1)，其中，所述公式五为：
Y(k+1)＝HX(k+1)+W；
针对每个在第k个时刻的综合特征的测量值，均执行A1-A3：
A1：根据公式六确定其中，所述公式六为：
A2：根据公式七进行迭代运算，确定出其中，所述公式七为：
A3：根据公式八确定其中，所述公式八为：
确定所述至少两个在第k个时刻的综合特征的测量值与至少两个在第k+1个时刻的综合特征的测量值之间的可能的关联方案，其中，在每个所述关联方案中，在第k个时刻的综合特征的测量值与在第k+1个时刻的综合特征的测量值一一对应；
针对每个所述关联方案，均执行B1-B2：
B1：根据公式九，确定当前关联方案中每对相对应的在第k个时刻的综合特征的测量值和在第k+1个时刻的综合特征的测量值的统计距离，其中，所述公式九为：
其中，L为所述统计距离，Ya(k+1)为第a个在第k+1个时刻的综合特征的测量值对应的Y(k+1)，为第b个在第k个时刻的综合特征的测量值对应的第a个在第k+1个时刻的综合特征的测量值与第b个在第k个时刻的综合特征的测量值在所述当前关联方案中相对应；
B2：确定所述当前关联方案对应的所有的统计距离的总和；
确定统计距离的总和最小的关联方案为最终关联方案；
其中，X(k+1)为在第k+1个时刻的综合特征的测量值，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，Q、R、W、M均是高斯白噪声，H为预设的观测矩阵，Φ为预设的状态转移矩阵，In为单位矩阵，P(k|k)的初始值为P(1|1)，的初始值为S(k+1)为新息协方差。
在本发明一实施例中，所述关联单元，在执行所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的位置特征时，具体用于：
测量每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度；
根据每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度，确定每个目标在第k+1个时刻的位置特征。
在本发明一实施例中，所述初始化单元，在执行所述初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值时，具体用于：
测量出针对所述至少两个目标的至少两对在第1个时刻的径向能量均值特征和位置特征；
分别根据每对在第1个时刻的径向能量均值特征和位置特征，确定出至少两个在第1个时刻的综合特征的测量值；
将所述至少两个在第1个时刻的综合特征的测量值作为所述至少两个在第1个时刻的综合特征的滤波值。
本发明实施例至少具有如下有益效果：
1、在本发明实施例中，测量出每个目标的径向能量均值特征和位置特征，基于这两种特征来实现目标关联，对于不同目标，其整体散射能力强弱具有明显的可分性，也就是说，对应不同的目标，其径向能量均值特征具有明显的可分性，结合径向能量均值特征能够更加准确的区分出各个目标，提高了关联的正确率。
2、在本发明实施例中，通过对目标提取径向能量均值特征，并将其结合目标的位置特征进行目标关联，解决了多目标、虚假目标的情况下，单一依据位置特征进行目标关联的准确率较低的问题，提高多目标关联的准确率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种目标关联方法，其特征在于，包括：
S0：初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，初始化k＝1；
S1：测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征和位置特征；
S2：分别根据每对在第k+1个时刻的径向能量均值特征和位置特征，确定出至少两个在第k+1个时刻的综合特征的测量值；
S3：根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值；
S4：根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值；
S5：针对每个在第k+1个时刻的综合特征的测量值，执行：将当前在第k+1个时刻的综合特征的测量值、当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值以及对应的在第k个时刻的综合特征的滤波值作为输入，进行滤波处理，确定当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的滤波值；
S6：k＝k+1，返回S1，其中，k为正整数。
2.根据权利要求1所述的方法，其特征在于，
所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征，包括：
获取每个目标在第k+1个时刻的一维距离像；
针对每个在第k+1个时刻的一维距离像，执行：从当前一维距离像中提取所述当前一维距离像对应的每个散射中心的径向幅度值，根据公式一确定所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，其中，所述公式一为：
其中，XF(k+1)为所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，N为所述当前一维距离像对应的散射中心的数量，σ(k+1,i)为所述当前一维距离像对应的在第k+1个时刻的第i个散射中心的径向幅度值。
3.根据权利要求1所述的方法，其特征在于，
所述根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值，包括：
针对每个在第k个时刻的综合特征的测量值，执行：根据公式二确定当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，其中，所述公式二为：
其中，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，为当前在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，V为高斯白噪声，Φ为预设的状态转移矩阵。
4.根据权利要求1所述的方法，其特征在于，
所述根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值，包括：
根据公式三进行迭代运算，确定出P(k+1|k)和K(k+1)，其中，所述公式三为：
根据公式四确定新息协方差，其中，所述公式四为：
S(k+1)＝HP(k+1|k)HT+M，
针对每个在第k+1个时刻的综合特征的测量值，均执行：
根据公式五确定Y(k+1)，其中，所述公式五为：
Y(k+1)＝HX(k+1)+W；
针对每个在第k个时刻的综合特征的测量值，均执行A1-A3：
A1：根据公式六确定其中，所述公式六为：
A2：根据公式七进行迭代运算，确定出其中，所述公式七为：
A3：根据公式八确定其中，所述公式八为：
确定所述至少两个在第k个时刻的综合特征的测量值与至少两个在第k+1个时刻的综合特征的测量值之间的可能的关联方案，其中，在每个所述关联方案中，在第k个时刻的综合特征的测量值与在第k+1个时刻的综合特征的测量值一一对应；
针对每个所述关联方案，均执行B1-B2：
B1：根据公式九，确定当前关联方案中每对相对应的在第k个时刻的综合特征的测量值和在第k+1个时刻的综合特征的测量值的统计距离，其中，所述公式九为：
其中，L为所述统计距离，Ya(k+1)为第a个在第k+1个时刻的综合特征的测量值对应的Y(k+1)，为第b个在第k个时刻的综合特征的测量值对应的第a个在第k+1个时刻的综合特征的测量值与第b个在第k个时刻的综合特征的测量值在所述当前关联方案中相对应；
B2：确定所述当前关联方案对应的所有的统计距离的总和；
确定统计距离的总和最小的关联方案为最终关联方案；
其中，X(k+1)为在第k+1个时刻的综合特征的测量值，为在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，Q、R、W、M均是高斯白噪声，H为预设的观测矩阵，Φ为预设的状态转移矩阵，In为单位矩阵，P(k|k)的初始值为P(1|1)，的初始值为S(k+1)为新息协方差。
5.根据权利要求1-4中任一所述方法，其特征在于，
所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的位置特征，包括：
测量每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度；
根据每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度，确定每个目标在第k+1个时刻的位置特征；
和/或，
所述初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，包括：
测量出针对所述至少两个目标的至少两对在第1个时刻的径向能量均值特征和位置特征；
分别根据每对在第1个时刻的径向能量均值特征和位置特征，确定出至少两个在第1个时刻的综合特征的测量值；
将所述至少两个在第1个时刻的综合特征的测量值作为所述至少两个在第1个时刻的综合特征的滤波值。
6.一种目标关联装置，其特征在于，包括：
初始化单元，用于初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值，初始化k＝1；
关联单元，用于执行：
S1：测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征和位置特征；
S2：分别根据每对在第k+1个时刻的径向能量均值特征和位置特征，确定出至少两个在第k+1个时刻的综合特征的测量值；
S3：根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值；
S4：根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值；
S5：针对每个在第k+1个时刻的综合特征的测量值，执行：将当前在第k+1个时刻的综合特征的测量值、当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值以及对应的在第k个时刻的综合特征的滤波值作为输入，进行滤波处理，确定当前在第k+1个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的滤波值；
S6：k＝k+1，返回S1，其中，k为正整数。
7.根据权利要求6所述的装置，其特征在于，
所述关联单元，在执行所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的径向能量均值特征时，具体用于：
获取每个目标在第k+1个时刻的一维距离像；
针对每个在第k+1个时刻的一维距离像，执行：从当前一维距离像中提取所述当前一维距离像对应的每个散射中心的径向幅度值，根据公式一确定所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，其中，所述公式一为：
其中，XF(k+1)为所述当前一维距离像对应的在第k+1个时刻的径向能量均值特征，N为所述当前一维距离像对应的散射中心的数量，σ(k+1,i)为所述当前一维距离像对应的在第k+1个时刻的第i个散射中心的径向幅度值。
8.根据权利要求6所述的装置，其特征在于，
所述关联单元，在执行所述根据每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，预测出每个在第k个时刻的综合特征的测量值对应的在第k+1个时刻的综合特征的预测值时，具体用于：
针对每个在第k个时刻的综合特征的测量值，执行：根据公式二确定当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，其中，所述公式二为：
其中，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，为当前在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，V为高斯白噪声，Φ为预设的状态转移矩阵。
9.根据权利要求6所述的装置，其特征在于，
所述关联单元，在执行所述根据每个在第k+1个时刻的综合特征的预测值、每个在第k+1个时刻的综合特征的测量值以及每个在第k个时刻的综合特征的测量值对应的在第k个时刻的综合特征的滤波值，确定出每个在第k个时刻的综合特征的测量值相关联的在第k+1个时刻的综合特征的测量值时，具体用于：
根据公式三进行迭代运算，确定出P(k+1|k)和K(k+1)，其中，所述公式三为：
根据公式四确定新息协方差，其中，所述公式四为：
S(k+1)＝HP(k+1|k)HT+M，
针对每个在第k+1个时刻的综合特征的测量值，均执行：
根据公式五确定Y(k+1)，其中，所述公式五为：
Y(k+1)＝HX(k+1)+W；
针对每个在第k个时刻的综合特征的测量值，均执行A1-A3：
A1：根据公式六确定其中，所述公式六为：
A2：根据公式七进行迭代运算，确定出其中，所述公式七为：
A3：根据公式八确定其中，所述公式八为：
确定所述至少两个在第k个时刻的综合特征的测量值与至少两个在第k+1个时刻的综合特征的测量值之间的可能的关联方案，其中，在每个所述关联方案中，在第k个时刻的综合特征的测量值与在第k+1个时刻的综合特征的测量值一一对应；
针对每个所述关联方案，均执行B1-B2：
B1：根据公式九，确定当前关联方案中每对相对应的在第k个时刻的综合特征的测量值和在第k+1个时刻的综合特征的测量值的统计距离，其中，所述公式九为：
其中，L为所述统计距离，Ya(k+1)为第a个在第k+1个时刻的综合特征的测量值对应的Y(k+1)，为第b个在第k个时刻的综合特征的测量值对应的第a个在第k+1个时刻的综合特征的测量值与第b个在第k个时刻的综合特征的测量值在所述当前关联方案中相对应；
B2：确定所述当前关联方案对应的所有的统计距离的总和；
确定统计距离的总和最小的关联方案为最终关联方案；
其中，X(k+1)为在第k+1个时刻的综合特征的测量值，为当前在第k个时刻的综合特征的测量值对应的在第k+1时刻的综合特征的预测值，Q、R、W、M均是高斯白噪声，H为预设的观测矩阵，Φ为预设的状态转移矩阵，In为单位矩阵，P(k|k)的初始值为P(1|1)，的初始值为S(k+1)为新息协方差。
10.根据权利要求6-9中任一所述的装置，其特征在于，
所述关联单元，在执行所述测量出针对所述至少两个目标的至少两对在第k+1个时刻的位置特征时，具体用于：
测量每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度；
根据每个所述目标在第k+1个时刻在X轴方向上的位置、在Y轴方向上的位置、在X轴方向的速度和在Y轴方向的速度，确定每个目标在第k+1个时刻的位置特征；
和/或，
所述初始化单元，在执行所述初始化针对至少两个目标的至少两个在第1个时刻的综合特征的滤波值时，具体用于：
测量出针对所述至少两个目标的至少两对在第1个时刻的径向能量均值特征和位置特征；
分别根据每对在第1个时刻的径向能量均值特征和位置特征，确定出至少两个在第1个时刻的综合特征的测量值；
将所述至少两个在第1个时刻的综合特征的测量值作为所述至少两个在第1个时刻的综合特征的滤波值。
CN201810341258.6A 2018-04-17 2018-04-17 一种目标关联方法及装置 Active CN108549060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810341258.6A CN108549060B (zh) 2018-04-17 2018-04-17 一种目标关联方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810341258.6A CN108549060B (zh) 2018-04-17 2018-04-17 一种目标关联方法及装置

Publications (2)

Publication Number Publication Date
CN108549060A true CN108549060A (zh) 2018-09-18
CN108549060B CN108549060B (zh) 2020-10-13

Family

ID=63515236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810341258.6A Active CN108549060B (zh) 2018-04-17 2018-04-17 一种目标关联方法及装置

Country Status (1)

Country Link
CN (1) CN108549060B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO155314B (no) * 1979-12-24 1986-12-01 Krupp Gmbh Anordning til frembringelse av et situasjonsbilde av en trefningssituasjon til sjoes.
WO1997006483A1 (en) * 1995-08-07 1997-02-20 Motorola Inc. A fast and efficient median search method and filter
CN1580814A (zh) * 2004-05-20 2005-02-16 上海交通大学 基于小波变换的多帧最近邻快速数据关联方法
CN104502900A (zh) * 2015-01-13 2015-04-08 武汉大学 一种单频网雷达多目标跟踪方法
CN105469060A (zh) * 2015-12-02 2016-04-06 杭州电子科技大学 一种基于紧致性测度加权的舰船类型识别方法
CN105510896A (zh) * 2015-12-03 2016-04-20 成都能通科技有限公司 一种集中式多雷达数据处理的加权最近邻域数据关联方法
EP2994721A4 (en) * 2013-05-06 2016-11-02 Hydro Québec Quantitative analysis of signal related measurements for trend and pattern recognition
CN107066806A (zh) * 2017-02-15 2017-08-18 中国人民解放军海军航空工程学院 航迹关联方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO155314B (no) * 1979-12-24 1986-12-01 Krupp Gmbh Anordning til frembringelse av et situasjonsbilde av en trefningssituasjon til sjoes.
WO1997006483A1 (en) * 1995-08-07 1997-02-20 Motorola Inc. A fast and efficient median search method and filter
CN1580814A (zh) * 2004-05-20 2005-02-16 上海交通大学 基于小波变换的多帧最近邻快速数据关联方法
EP2994721A4 (en) * 2013-05-06 2016-11-02 Hydro Québec Quantitative analysis of signal related measurements for trend and pattern recognition
CN104502900A (zh) * 2015-01-13 2015-04-08 武汉大学 一种单频网雷达多目标跟踪方法
CN105469060A (zh) * 2015-12-02 2016-04-06 杭州电子科技大学 一种基于紧致性测度加权的舰船类型识别方法
CN105510896A (zh) * 2015-12-03 2016-04-20 成都能通科技有限公司 一种集中式多雷达数据处理的加权最近邻域数据关联方法
CN107066806A (zh) * 2017-02-15 2017-08-18 中国人民解放军海军航空工程学院 航迹关联方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
PALAK PARMAR ; MUKESH ZAVERI: "《Multiple Target Tracking and Data Association in Wireless Sensor Network》", 《2012 FOURTH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMMUNICATION NETWORKS》 *
YIMIN LIU ; TIANYAO HUANG ; HUADONG MENG ; XIQIN WANG: "《Fundamental Limits of HRR Profiling and Velocity Compensation for Stepped-Frequency Waveforms》", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *
刘巧圆: "《针对舰船目标高分辨距离像的特征选择方法》", 《火力与指挥控制》 *
李珊: "《高分辨一维距离像雷达目标识别方法研究》", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 *
赵峰、赵宏钟、黄孟俊、邱伟: "径向长度特征辅助的多目标数据关联算法", 《制导与引信》 *
赵红怡、韩燕: "基于小波变换与卡尔曼滤波的多目标跟踪", 《北方工业大学学报》 *

Also Published As

Publication number Publication date
CN108549060B (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
CN110223323B (zh) 基于深度特征自适应相关滤波的目标跟踪方法
CN108229555A (zh) 样本权重分配方法、模型训练方法、电子设备及存储介质
CN105137418B (zh) 基于全邻模糊聚类的多目标跟踪与数据互联方法
CN107396322A (zh) 基于路径匹配与编码译码循环神经网络的室内定位方法
CN109521757A (zh) 静态障碍物识别方法和装置
CN110047095A (zh) 基于目标检测的跟踪方法、装置及终端设备
CN108447080A (zh) 基于分层数据关联和卷积神经网络的目标跟踪方法、***和存储介质
CN110232524A (zh) 社交网络欺诈模型的构建方法、防欺诈方法和装置
JP2022521560A (ja) カード配布順序検出方法、装置、記憶媒体ならびに電子機器
CN108197743A (zh) 一种基于深度学习的预测模型软测量方法
CN110245650A (zh) 振动智能检测方法及相关产品
CN108896973A (zh) 雷达数据的标定方法、点迹质量评估方法、存储介质
CN110443830B (zh) 一种基于混合高斯背景模型的降水云团检测方法
WO2016148601A1 (ru) Способ определения вида двигательной активности человека и устройство для его осуществления
CN105445731B (zh) 一种基于高精度测速的雷达全自动跟踪方法
CN105844217A (zh) 一种基于量测驱动新生目标强度估计的phd多目标跟踪方法
CN108681697A (zh) 特征选择方法及装置
CN108663675A (zh) 用于生命探测雷达阵列多目标同时定位的方法
CN111562571A (zh) 一种未知新生强度的机动多目标跟踪与航迹维持方法
CN109448023A (zh) 一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法
CN111830501B (zh) Hrrp历史特征辅助的信号模糊数据关联方法及***
CN109583485A (zh) 一种基于反馈训练的有监督深度学习方法
CN113836734B (zh) 一种基于虚拟理想解的装备作战效能评估方法
CN107730537A (zh) 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法
CN108549060A (zh) 一种目标关联方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant