[发明专利]一种基于峰值聚类的目标检测点迹凝聚方法

说明书

本发明公开了一种基于峰值聚类的目标检测点迹凝聚方法，涉及信号与信息处理技术领域，该算法考虑了CFAR检测点迹结果中同一类别的数据点向峰值点聚集的特点，同时该算法还考虑了CFAR检测点迹结果中不同类别的数据点有明显的差距的特点。该算法基于自动寻找峰值数据点的峰值聚类的点迹凝聚算法，通过采样CFAR检测结果的点迹数据，对采集的所有数据根据距离‑多普勒二维信息计算欧式距离，利用幅度信息寻找每一类别的峰值数据点进而进行聚类，能够克服彼此相邻、点迹数据幅度和密度分布差异较大的多个目标难以正确分类的难点，在不增加硬件结构，不增加经费的基础上以更快的速度完成点迹凝聚过程。

技术领域

本发明属于信号与信息处理技术领域，具体涉及一种基于峰值聚类的目标检测点迹凝聚方法。

背景技术

如图1所示为典型的雷达信号处理流程，雷达系统的主要任务就是判定目标是否存在，以及对多批次目标进行精确的探测和跟踪，而随着雷达作用范围的增加和雷达分辨精度的提高，雷达采集的点迹数据量也随之增加并且同一目标出现点迹扩展现象，为了减小需要处理的数据量，并保证航迹信息的准确性与可靠性，性能良好的点迹凝聚处理系统变得尤为重要。雷达信号处理流程包括多个环节，在恒虚警检测(CFAR)处理后，需要对CFAR检测点迹进行凝聚处理。

在实际工程应用中点迹凝聚主要分为两个步骤，分别是目标划分和目标中心提取。第一步，目标划分：所有被同一个目标影响的点迹的幅度被称作一个点迹簇。将所有被占用的点迹划分为多个不同的簇，每一个簇代表一个扩展目标。第二步，目标中心提取：在确定提取出所有点迹的情况下，即针对每一个点迹簇计算其中心。通过点迹凝聚，使得雷达回波数据可以在最大程度上得以压缩，并且使得检测参数估计更精确。

目前常用的点迹凝聚算法如九点法、DBSCAN算法等，一般过程为：首先对同距离不同多普勒维的数据进行幅度门限检测，对过门限的点迹进行多普勒维凝聚，录取目标的多普勒维信息；之后对在多普勒维凝聚过的且在多普勒维同一数值的目标进行距离维的深度搜索，进行距离维凝聚，并根据预设的目标宽度有效范围判断出有效的目标；最后，进行目标参数估值与录取并输出结果。然而由于此类方法设置的全局的参数，针对密度分布不同和相距较近幅度差异较大的多个目标数据点难以正确的分类，基于修正的DBSCAN点迹凝聚算法虽然可以解决上述问题，但是由于此算法迭代次数过多，运行速度较慢，因此，如何从新的方向找到思路提高点迹凝聚的效果是一个巨大的挑战。

发明内容

针对现有技术中的上述不足，本发明提供的基于峰值聚类的目标检测点迹凝聚方法解决了上述背景技术中的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于峰值聚类的目标检测点迹凝聚方法，包括以下步骤：

S1、采集若干CFAR检测点迹数据q_i；

其中，所述CFAR检测点迹数据包括距离维数据、多普勒维数据、方位角数据、俯仰角数据和幅度维数据；

S2、对所有CFAR检测点迹数据q_i建立索引，并利用索引将其存储在二维矩阵M_K×L中；

S3、根据矩阵M_K×L和索引找到CFAR检测点迹数据q_i中的所有的峰值点数据p_t；

S4、将除峰值数据p_t之外的点迹数据q_i按幅度从大到小排序，进而得到数据集合O_J；

S5、计算数据集合O_J中的每个点迹数据o_j与每个峰值点数据p_t的欧氏距离，并得到若干欧氏距离构成的距离矩阵D_JT；