基于线性回归和聚类分析理论的高速机动目标跟踪方法

技术领域

本发明属于雷达数据处理中的机动目标跟踪技术，采用基于线性回归和聚类分析理论的高速机动目标跟踪方法。

背景技术

机动目标跟踪是雷达数据处理的一个重要课题。目前，随着目标自身的机动特性的不断提高，机动性能成为衡量武器系统的一个重要战术指标。因此，机动加速度大范围变动或突变的机动目标跟踪问题已经受到广泛的关注，跟踪高速机动目标是现代雷达系统必须要解决的问题。

机动目标跟踪的最大难点在于机动目标模型并不能满足实际运动的需要。传统方法往往是针对目标机动模型本身，加入相关的机动变化量，当机动发生时，通过设置阈值判断机动，调节机动变化量，从而实现机动目标跟踪，这种方法往往存在机动变化量无法满足实际机动变化的需要，故当机动加速度出现大范围变动时，就无法跟踪到目标；或者采用多模型的方法，当发生机动时进行模型间的切换，或者增加滤波模型，从而得到目标状态的最佳位置估值。此方法算法复杂度高，不易实现滤波器参数的自适应控制。本发明结合线性回归和聚类分析理论，设计出一种新的高速机动目标跟踪方法。通过设计一种自适应波门，进行点迹的关联，从源头找到目标；并提出一种基于点迹参数投影的特征提取方法，从分裂的航迹中提取出目标航迹，从而避免了加入机动变化量和修改滤波模型带来的问题。

发明内容

本发明的目的在于提供一种基于线性回归和聚类分析理论的高速机动目标跟踪方法，该发明能够实时并稳定的跟踪高速机动目标。

实现本发明的技术解决方案为：首先为目标跟踪设计关联波门。目标跟踪过程中，由于目标发生机动，常常导致跟踪不稳定致使目标丢失。从数据关联的角度，我们可以认为是没有找到合适的观测数据与目标航迹关联。如果为了保证跟踪的稳定性，扩大波门，又会导致干扰的增加。

基于以上情况，针对直线机动和转弯机动，本算法设计了两种波门，如图（2）所示。当目标发生机动时，以上一个周期的滤波点A为圆心，当前外推点B到A的距离为半径，当前航向为基准分别向左右旋转角度                                                ，以C点和D点为中心分别建立波门，此类波门主要针对机动转弯的情况；做C点和D点的切线相交与E点，以E点为中心建立波门，此类波门主要针对直线机动的情况。

发生在两次机动之间的航迹，可以被认为是由散列在某一直线附近的点迹所形成的，这些点迹可被看成是每个独立的样本。故可构建每个观测点的滤波坐标值的样本集。然后对一元正态线性回归模型进行参数估计，从而确定波门。

其次，根据已建立的波门，进行点迹关联（每个波门内只选择最近关联到的点迹），并分别得到分裂航迹，和。然后对航迹参数进行特征提取，并根据聚类分析原理选择出属于感兴趣目标的航迹。

图3为目标在运动过程中形成的轨迹，从0时刻起始（A点），到i时刻结束，设A点为投影中心，假如目标在i+1时刻发生机动，那么对i时刻之前的历史点迹依次向A点投影。首先，按照运动学公式，得到相邻周期间X方向的距离差，Y方向的距离差；其次根据下式，将每一个周期的点迹反推回A点。

这样在A点附近形成了以A点为中心的点迹参数的聚类集合，其中为当前航向。

本发明在基于Windows的软件平台上，采用C++语言编程，实现了该算法并应用于工程实际。

在本发明中从数据关联的角度出发，提出一种新的高速机动目标跟踪方法。基于线形回归理论，设计了一种自适应关联波门，可以有效地跟踪直线机动和转弯机动的目标；并提出了一种点迹参数投影的特征提取方法，对目标航迹参数进行特征提取。

本发明与现有方法相比，其显著优点为：采用基于线性回归和聚类分析理论的高速机动目标跟踪方法，能在保证系统实时性的情况下实现高速机动目标的稳定跟踪；无需修改滤波器结构和参数；当发生较大机动的时候有效的防止了滤波器发散；无需增加滤波模型，算法易于工程实现。它的提出及工程实现对于解决机动加速度大范围变动或突变的机动目标跟踪问题具有很高的借鉴价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为基于线性回归和聚类分析理论的高速机动目标跟踪方法的流程图。

图2为关联波门示意图。

图3为点迹投影法的示意图。

具体实施方式

本发明基于线性回归和聚类分析理论的高速机动目标跟踪方法具体实施步骤(参见图1)：

（1）对主航迹历史参数中的坐标值x和y分别建立样本集，根据一元线性回归模型，得到的参数估计值为：

其中，和为样本均值，n为主航迹跟踪周期数，为样本集Z第n个周期的估计值，为前n-1个周期的平均估计值，即为仿真的最大机动加速度，。

（2）根据值，建立如图2所示的波门，并进行点迹关联，分别得到分裂航迹，和；

（3）运用点迹参数投影法（如图3）对分裂航迹参数进行投影，得到待分辨样本； 

（4）同样采用该方法对主航迹的参数进行投影，形成聚类和，分别得到聚类和的均值和，根据下式计算类内相似度和；

（5）根据欧式距离提取目标航迹，如下式所示，m_i是这些样本的聚类中心。

其中i=1,2,3，和分别为聚类和中样本间的标准差；

本算法的滤波模型采用交互多模型（IMM），模拟目标起始点为（-20000,-10000)，初始速度为零，加速度为5m/s，加速时间为60s，之后速度保持不变；然后每次发生机动的时间为8s，机动加速度为60m/s。当机动发生时，模型与目标的实际运动失配，产生较大的预测误差，滤波器参数也无法满足跟踪的需要，方位、距离等参数值都有较大的突变。由于采用了本发明的方法，在原航迹关联失败后，及时建立波门，进行航迹分裂，并根据提取的特征在关联波门中匹配相关点迹，实现了高速机动目标的稳定跟踪。

基于线性回归和聚类分析理论的高速机动目标跟踪方法可以实时并稳定的跟踪包括直线机动和转弯机动的目标，其基本思想可以为机动目标跟踪提供新的解决方案，并具有广泛的应用前景。