地波雷達(dá)與自動(dòng)識(shí)別系統(tǒng)目標(biāo)點(diǎn)跡最優(yōu)關(guān)聯(lián)算法

張 暉劉永信*張 杰紀(jì)永剛鄭志強(qiáng)

①(內(nèi)蒙古大學(xué)電子信息工程學(xué)院 呼和浩特 010021)

②(國(guó)家海洋局第一海洋研究所 青島 266061)

地波雷達(dá)與自動(dòng)識(shí)別系統(tǒng)目標(biāo)點(diǎn)跡最優(yōu)關(guān)聯(lián)算法

張 暉①劉永信*①?gòu)?杰②紀(jì)永剛②鄭志強(qiáng)①

①(內(nèi)蒙古大學(xué)電子信息工程學(xué)院 呼和浩特 010021)

②(國(guó)家海洋局第一海洋研究所 青島 266061)

為了提高海洋探測(cè)精度和范圍，針對(duì)高頻地波雷達(dá)(HFSWR)和自動(dòng)識(shí)別系統(tǒng)(AIS)目標(biāo)點(diǎn)跡的融合利用問(wèn)題，該文提出一種基于JVC(Jonker-Volgenant-Castanon)的點(diǎn)跡分狀態(tài)全局最優(yōu)關(guān)聯(lián)算法。首先，通過(guò)判斷高頻地波雷達(dá)和AIS點(diǎn)跡的徑向速度，將點(diǎn)跡分為準(zhǔn)靜態(tài)目標(biāo)和動(dòng)態(tài)目標(biāo)。接著，選取徑向速度和點(diǎn)跡間的球面距離為特征參數(shù)，對(duì)不同狀態(tài)下目標(biāo)點(diǎn)跡分別進(jìn)行徑向速度和位置間球面距離粗關(guān)聯(lián)。最后，使用相對(duì)距離比的平均值進(jìn)行關(guān)聯(lián)效果的評(píng)價(jià)，通過(guò)選擇合適的關(guān)聯(lián)門限參數(shù)，使用JVC算法實(shí)現(xiàn)高頻地波雷達(dá)和AIS的點(diǎn)跡最優(yōu)關(guān)聯(lián)。實(shí)驗(yàn)結(jié)果表明：該算法在關(guān)聯(lián)相同點(diǎn)跡對(duì)數(shù)的情況下，關(guān)聯(lián)精度高于最近鄰(NN)算法和Munkres關(guān)聯(lián)法，關(guān)聯(lián)用時(shí)少于最近鄰算法和Munkres關(guān)聯(lián)法。通過(guò)近3年內(nèi)3組不同時(shí)刻實(shí)測(cè)目標(biāo)點(diǎn)跡的驗(yàn)證，該算法可以滿足關(guān)聯(lián)的實(shí)用性和實(shí)時(shí)性要求。

高頻地波雷達(dá)；自動(dòng)識(shí)別系統(tǒng)；數(shù)據(jù)關(guān)聯(lián)；最優(yōu)關(guān)聯(lián)；JVC(Jonker-Volgenant-Castanon)算法

1 引言

海洋是國(guó)民經(jīng)濟(jì)可持續(xù)發(fā)展的戰(zhàn)略空間，也是國(guó)家安全的重要屏障。衛(wèi)星、航空、艦載及岸基雷達(dá)、艦船自動(dòng)識(shí)別系統(tǒng)(Automatic IdentificationSystem, AIS)是目前海上船只目標(biāo)的主要探測(cè)手段。AIS能提供合作艦船的經(jīng)度、緯度、速度、對(duì)地航向、船號(hào)、船的長(zhǎng)度和寬度等信息，且定位精度較高。高頻地波雷達(dá)(High Frequency Surface Wave Radar, HFSWR)可實(shí)時(shí)監(jiān)視監(jiān)測(cè)并跟蹤船只，但空間分辨率較低，定位精度低于AIS。利用高頻地波雷達(dá)與AIS點(diǎn)跡數(shù)據(jù)融合信息，可以有效提高海上船只目標(biāo)的探測(cè)范圍和精度。對(duì)于某一時(shí)刻的目標(biāo)點(diǎn)跡融合，必須準(zhǔn)確地判斷雷達(dá)和AIS點(diǎn)跡的對(duì)應(yīng)關(guān)系，有效地判斷哪些目標(biāo)點(diǎn)跡信息是來(lái)自同一個(gè)目標(biāo)的信息。

現(xiàn)有的雷達(dá)和AIS的融合應(yīng)用主要分為兩種：點(diǎn)跡融合[1,2]和航跡融合[3,4]。點(diǎn)跡融合主要關(guān)注某一時(shí)間點(diǎn)的目標(biāo)分布情況，航跡融合則關(guān)注某一時(shí)間段的目標(biāo)航跡情況。本文主要針對(duì)雷達(dá)和AIS點(diǎn)跡融合展開研究。國(guó)內(nèi)外雷達(dá)和AIS的目標(biāo)點(diǎn)跡融合主要集中在最近鄰(Nearest Neighbor, NN)算法[5]、統(tǒng)計(jì)分析法[6,7]、反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)法[8]和模糊關(guān)聯(lián)法[9]等算法。文獻(xiàn)[5]將高頻地波雷達(dá)數(shù)據(jù)與AIS和合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)點(diǎn)跡數(shù)據(jù)使用最近鄰算法進(jìn)行關(guān)聯(lián)，評(píng)估高頻地波雷達(dá)的船只探測(cè)跟蹤精度。文獻(xiàn)[6]和文獻(xiàn)[10]在分析雷達(dá)和AIS融合理論的基礎(chǔ)上，提出協(xié)方差矩陣計(jì)算方法，同時(shí)針對(duì)融合中數(shù)據(jù)不一致問(wèn)題，做了詳細(xì)的分析。文獻(xiàn)[7]通過(guò)對(duì)高頻雷達(dá)探測(cè)中大量不同類型船只徑向距離和徑向速度等統(tǒng)計(jì)數(shù)據(jù)的分析，以AIS統(tǒng)計(jì)數(shù)據(jù)作為參考，從統(tǒng)計(jì)數(shù)據(jù)整體上評(píng)估雷達(dá)測(cè)試精度。文獻(xiàn)[8]］對(duì)AIS和雷達(dá)點(diǎn)跡間利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行關(guān)聯(lián)做了研究準(zhǔn)備工作。文獻(xiàn)[9]使用一種基于最大隸屬度關(guān)系的改進(jìn)模糊互相關(guān)算法融合大量的雷達(dá)和AIS觀測(cè)數(shù)據(jù)。文獻(xiàn)[11]通過(guò)高頻地波雷達(dá)和AIS信息的融合比對(duì)提出一種雷達(dá)天線校正算法。文獻(xiàn)[2]和文獻(xiàn)[12]通過(guò)徑向速度、徑向距離和方位角進(jìn)行地波雷達(dá)與AIS點(diǎn)跡間的關(guān)聯(lián)，取得了很好的關(guān)聯(lián)效果。上述工作為地波雷達(dá)和AIS點(diǎn)跡關(guān)聯(lián)提供了方法借鑒和參考。

JVC(Jonker-Volgenant-Castanon)分配是由Jonker, Volgenant和Castanon 3人共同提出的一種線性分配算法，常用于解決數(shù)據(jù)關(guān)聯(lián)中的最優(yōu)關(guān)聯(lián)計(jì)算問(wèn)題。針對(duì)實(shí)際應(yīng)用環(huán)境中高頻地波雷達(dá)和AIS目標(biāo)點(diǎn)跡密集分布下的關(guān)聯(lián)問(wèn)題，本文借鑒多傳感器的全局最優(yōu)關(guān)聯(lián)算法[13]，將JVC算法引入目標(biāo)點(diǎn)跡關(guān)聯(lián)中，以點(diǎn)跡間的球面距離作為代價(jià)函數(shù)，以相對(duì)平均距離比作為評(píng)價(jià)指標(biāo)，進(jìn)行最優(yōu)球面距離的關(guān)聯(lián)優(yōu)化，實(shí)現(xiàn)高頻地波雷達(dá)和AIS點(diǎn)跡的全局最優(yōu)關(guān)聯(lián)，從而為密集環(huán)境中的雷達(dá)和AIS目標(biāo)點(diǎn)跡關(guān)聯(lián)提供了一種新的實(shí)用算法。

2 數(shù)據(jù)源及數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)時(shí)間為2011年10月31日，實(shí)驗(yàn)區(qū)在中國(guó)某海域，經(jīng)緯度范圍35.0o～40.0oN, 117.5o～123.0oE。實(shí)驗(yàn)數(shù)據(jù)包括覆蓋實(shí)驗(yàn)區(qū)的高頻地波雷達(dá)和AIS目標(biāo)點(diǎn)跡數(shù)據(jù)。

高頻地波雷達(dá)提供的目標(biāo)點(diǎn)跡信息有探測(cè)頻率、經(jīng)度、緯度、徑向速度、角度(與雷達(dá)主波束之間夾角)、探測(cè)距離。AIS信息包括經(jīng)度、緯度、速度、對(duì)地航向、船號(hào)、船的長(zhǎng)度和寬度等信息。鑒于不同運(yùn)動(dòng)狀態(tài)的船只的AIS信息更新頻率不同，選擇高頻地波雷達(dá)探測(cè)時(shí)間的前后5 min的AIS數(shù)據(jù)，從中選取雷達(dá)探測(cè)時(shí)間最近更新的AIS目標(biāo)點(diǎn)跡信息作為該時(shí)刻的AIS目標(biāo)點(diǎn)跡。

2011年10月31日:: 091850時(shí)刻高頻地波雷達(dá)目標(biāo)點(diǎn)跡如圖1所示，AIS目標(biāo)點(diǎn)跡如圖2所示。該時(shí)刻，高頻地波雷達(dá)共探測(cè)到336個(gè)目標(biāo)點(diǎn)跡，AIS共探測(cè)到836個(gè)。從圖1和圖2中可以看出，AIS監(jiān)測(cè)的范圍大于高頻地波雷達(dá)，圖2中經(jīng)緯度在35.0o～37.0oN和117.5o～119.0oE范圍內(nèi)的目標(biāo)屬于高頻地波雷達(dá)所探測(cè)不到的區(qū)域，為了減少后續(xù)數(shù)據(jù)處理的復(fù)雜度，提前對(duì)AIS數(shù)據(jù)進(jìn)行粗處理，對(duì)于監(jiān)測(cè)范圍屬于35.0o～37.0oN, 117.5o～119.0oE的AIS目標(biāo)不進(jìn)行關(guān)聯(lián)分析。

3 基于JVC的分狀態(tài)數(shù)據(jù)關(guān)聯(lián)算法

圖1 2011年10月31日高頻地波雷達(dá)目標(biāo)點(diǎn)跡分布

圖2 2011年10月31日AIS目標(biāo)點(diǎn)跡分布

常用的數(shù)據(jù)關(guān)聯(lián)算法有最近鄰算法、全局最近鄰算法、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probability DataAssociation, JPDA)算法、多假設(shè)跟蹤算法(Multiple Hypothesis Tracking, MHT)等[13]。高頻地波雷達(dá)和AIS點(diǎn)跡數(shù)據(jù)探測(cè)范圍不同，屬于不同類別傳感器之間的數(shù)據(jù)關(guān)聯(lián)，點(diǎn)跡信息并不存在一一對(duì)應(yīng)關(guān)系，干擾點(diǎn)不能通過(guò)雜波模型進(jìn)行分析，JPDA和MHT算法無(wú)法應(yīng)用。最近鄰算法適用于點(diǎn)跡稀疏的情況下進(jìn)行點(diǎn)跡關(guān)聯(lián)，在點(diǎn)跡密集地區(qū)容易發(fā)生誤關(guān)聯(lián)。全局最近鄰算法從全局考慮，尋找全局代價(jià)最小的最優(yōu)關(guān)聯(lián)，常見的最優(yōu)關(guān)聯(lián)算法中Munkres和JVC算法的最優(yōu)分配效果優(yōu)于拍賣算法，JVC算法的容錯(cuò)性優(yōu)于Munkres算法和拍賣算法[14]。JVC算法在獲得一一關(guān)聯(lián)最優(yōu)解的同時(shí)保持算法的高計(jì)算效率[13]，通過(guò)對(duì)數(shù)據(jù)的深入分析，采用分狀態(tài)JVC最優(yōu)關(guān)聯(lián)算法進(jìn)行高頻地波雷達(dá)與AIS目標(biāo)點(diǎn)跡關(guān)聯(lián)。

3.1 特征向量的選擇及計(jì)算

高頻地波雷達(dá)的空間分辨率較低，如果高頻地波雷達(dá)和AIS點(diǎn)跡僅以位置數(shù)據(jù)關(guān)聯(lián)，在局部點(diǎn)跡密集區(qū)域，很容易造成誤關(guān)聯(lián)。為了提高關(guān)聯(lián)的準(zhǔn)確性，減少誤關(guān)聯(lián)，采用徑向速度和距離作為關(guān)聯(lián)的特征參數(shù)。

3.1.1 徑向速度的計(jì)算 高頻地波雷達(dá)點(diǎn)跡數(shù)據(jù)中提供徑向速度，AIS點(diǎn)跡數(shù)據(jù)中未提供徑向速度，采用式(1)計(jì)算AIS速度在徑向角度的速度投影。

其中cogi為AIS點(diǎn)跡的對(duì)地航向，sogi為AIS點(diǎn)跡的航速，0w為雷達(dá)主波束角度。

3.1.2 點(diǎn)跡間球面距離的計(jì)算 高頻地波雷達(dá)和AIS采用兩點(diǎn)間的球面距離來(lái)進(jìn)行關(guān)聯(lián)，高頻地波雷達(dá)與AIS兩點(diǎn)間的球面距離Dist采用式(2)進(jìn)行計(jì)算。

其中R為地球近似半徑，lon, lat為高頻地波雷達(dá)與AIS點(diǎn)跡的經(jīng)度和緯度。

3.2 點(diǎn)跡分狀態(tài)數(shù)據(jù)關(guān)聯(lián)算法流程

在數(shù)據(jù)關(guān)聯(lián)過(guò)程中，關(guān)聯(lián)門限的選擇至關(guān)重要，選擇合適的關(guān)聯(lián)門限，有助于對(duì)來(lái)自同一目標(biāo)的不同傳感器的點(diǎn)跡進(jìn)行關(guān)聯(lián)。船只在靜止?fàn)顟B(tài)和運(yùn)動(dòng)狀態(tài)下，由于運(yùn)動(dòng)速度的不同，雷達(dá)距離測(cè)量誤差也會(huì)有所差別，因此本算法首先將準(zhǔn)靜止?fàn)顟B(tài)和運(yùn)動(dòng)狀態(tài)的船只進(jìn)行分類，采用不同的距離關(guān)聯(lián)門限進(jìn)行預(yù)關(guān)聯(lián)，再分別使用JVC算法進(jìn)行分狀態(tài)最優(yōu)距離關(guān)聯(lián)。分狀態(tài)數(shù)據(jù)關(guān)聯(lián)算法流程如圖3所示。

圖3 分狀態(tài)數(shù)據(jù)關(guān)聯(lián)算法流程圖

算法選取速度是否0.5≤kn來(lái)區(qū)分準(zhǔn)靜態(tài)和運(yùn)動(dòng)點(diǎn)跡，AIS準(zhǔn)靜態(tài)點(diǎn)跡所占的比例較高。準(zhǔn)靜態(tài)下，關(guān)聯(lián)門限以式(3)實(shí)現(xiàn)，關(guān)聯(lián)門限與高頻地波雷達(dá)點(diǎn)的徑向距離成比例，比例系數(shù)為K1。點(diǎn)跡距離雷達(dá)的徑向距離越遠(yuǎn)，探測(cè)誤差越大，關(guān)聯(lián)門限越大。

其中DmaxQS,i為準(zhǔn)靜態(tài)下第i個(gè)雷達(dá)點(diǎn)的關(guān)聯(lián)門限值，SR,i為第i個(gè)雷達(dá)點(diǎn)的徑向距離。

運(yùn)動(dòng)狀態(tài)下，以高頻地波雷達(dá)動(dòng)態(tài)點(diǎn)跡遍歷AIS點(diǎn)跡，首先進(jìn)行速度關(guān)聯(lián)，對(duì)于徑向速度差小于0.5 kn的點(diǎn)跡進(jìn)一步判斷距離門限是否符合關(guān)聯(lián)要求[8]，運(yùn)動(dòng)狀態(tài)下的關(guān)聯(lián)門限以式(4)實(shí)現(xiàn)，動(dòng)態(tài)情況下的關(guān)聯(lián)門限與徑向距離和徑向速度有關(guān)，距離和徑向速度越大，測(cè)量誤差越大，關(guān)聯(lián)門限值越大。

其中DmaxD,i為動(dòng)態(tài)下第i個(gè)雷達(dá)點(diǎn)的關(guān)聯(lián)門限值，VR,i為第i個(gè)雷達(dá)點(diǎn)的徑向速度，K2為距離比例參數(shù)，K3為徑向速度比例參數(shù)。

3.3 基于JVC最優(yōu)距離匹配算法實(shí)現(xiàn)

JVC算法的模型是指在c[i,j]-u[i]-v[j ]≥0(i=1,2,…,m;j=1,2,…,n)的條件下求

其中c[i,j]為代價(jià)函數(shù)，算法選擇高頻地波雷達(dá)和AIS兩點(diǎn)間的球面距離作為代價(jià)函數(shù)，u[i]和v[j]分別代表行變量和列變量的分配代價(jià)，分別代表在最優(yōu)解的過(guò)程中變量改變所導(dǎo)致的目標(biāo)值的變化量[15]。最優(yōu)解的求解過(guò)程就是尋找最佳的一對(duì)一點(diǎn)跡關(guān)聯(lián)，使得關(guān)聯(lián)點(diǎn)跡間的總球面距離最短。

在文獻(xiàn)[16]的基礎(chǔ)上，將JVC算法應(yīng)用于高頻地波雷達(dá)和AIS的點(diǎn)跡關(guān)聯(lián)中，JVC算法最優(yōu)距離匹配主要步驟為：

步驟1 將所有高頻地波雷達(dá)點(diǎn)跡信息輸入到先進(jìn)先出的隊(duì)列，選擇隊(duì)首的點(diǎn)跡信息開始處理。

步驟2 尋找與該高頻地波雷達(dá)點(diǎn)跡距離最小的兩個(gè)AIS點(diǎn)跡。

步驟3 計(jì)算兩個(gè)AIS點(diǎn)跡的分配代價(jià)，初始分配代價(jià)為0，計(jì)算當(dāng)前兩條最佳匹配點(diǎn)跡的差值。

步驟4 分配高頻地波雷達(dá)點(diǎn)跡到距離最小的AIS點(diǎn)跡，如果匹配成功，為已匹配AIS點(diǎn)跡的高頻地波雷達(dá)點(diǎn)跡重新計(jì)算新的分配代價(jià)；如果該點(diǎn)跡已與其他點(diǎn)跡匹配，則重新計(jì)算分配代價(jià)，為沖突的點(diǎn)跡重新尋找最優(yōu)匹配。

步驟5 繼續(xù)下一點(diǎn)跡的匹配，直到所有雷達(dá)點(diǎn)跡匹配完畢或小于迭代閾值時(shí)，算法結(jié)束。

4 參數(shù)選擇及算法驗(yàn)證

4.1 參數(shù)選擇

關(guān)聯(lián)算法的門限需要設(shè)置合適的參數(shù)K1, K2, K3，以達(dá)到匹配數(shù)與配對(duì)距離的平衡，采用試探法來(lái)選擇各關(guān)聯(lián)門限參數(shù)?？紤]到隨著雷達(dá)點(diǎn)跡徑向距離的不同，雷達(dá)的測(cè)距誤差會(huì)有明顯的差別[2]。對(duì)于關(guān)聯(lián)效果的評(píng)價(jià)，選擇點(diǎn)跡間的相對(duì)距離比值的平均值作為主要評(píng)價(jià)因子。相對(duì)距離比計(jì)算如式(6)所示：

其中Disti為第i個(gè)關(guān)聯(lián)雷達(dá)點(diǎn)跡與關(guān)聯(lián)AIS點(diǎn)跡間的球面距離。經(jīng)過(guò)測(cè)算在徑向距離為200 km時(shí)，兩點(diǎn)間的距離可以達(dá)到19 km[2]，選擇0.095作為相對(duì)距離比的平均值的參考上限。

4.1.1 準(zhǔn)靜態(tài)門限參數(shù)K1的選擇 如表1所示，隨著K1值的逐步增大，準(zhǔn)靜態(tài)下相對(duì)距離比的平均值和關(guān)聯(lián)點(diǎn)數(shù)也逐步增加，當(dāng)K1=0.29時(shí)，相對(duì)距離比的平均值迅速增大到0.1104，考慮到準(zhǔn)靜態(tài)下的誤差距離值較小，選擇K1=0.28。

表1 K1的取值對(duì)準(zhǔn)靜態(tài)關(guān)聯(lián)的影響

4.1.2 動(dòng)態(tài)門限參數(shù)K2的選擇 考慮到徑向距離對(duì)距離的測(cè)算影響較大，所以選擇K2作為影響動(dòng)態(tài)關(guān)聯(lián)的主要因素。選擇K3=0時(shí)，隨著K2的增加，動(dòng)態(tài)關(guān)聯(lián)情況變化如表2所示，當(dāng)K2=0.20時(shí)，相對(duì)距離比的平均值變化較大，增大到0.0974，超出0.095，所以選擇K2=0.19，由K3進(jìn)行微調(diào)。

4.1.3 動(dòng)態(tài)門限參數(shù)K3的選擇 確定參數(shù)K2后，對(duì)K3的參數(shù)進(jìn)行調(diào)整，K3變化對(duì)關(guān)聯(lián)情況的影響如表3所示。當(dāng)K3=0.15，相對(duì)距離比的平均值增大到0.1012，但是關(guān)聯(lián)對(duì)數(shù)無(wú)明顯變化，因此選擇K3=0.11。

表2 K2的取值對(duì)動(dòng)態(tài)關(guān)聯(lián)的影響

表3 K3的取值對(duì)動(dòng)態(tài)關(guān)聯(lián)的影響

4.2 算法驗(yàn)證及比較

分別采用最近鄰算法、Munkres算法、分狀態(tài)JVC關(guān)聯(lián)算法對(duì)2011年10月31日:: 091850時(shí)的336個(gè)雷達(dá)目標(biāo)點(diǎn)跡和443個(gè)AIS點(diǎn)跡進(jìn)行點(diǎn)跡關(guān)聯(lián)比較。

最近鄰算法在閾值選取較小的時(shí)候關(guān)聯(lián)效果較好。但當(dāng)閾值增大時(shí)，最近鄰算法關(guān)聯(lián)效果會(huì)明顯變差，關(guān)聯(lián)51對(duì)時(shí)，關(guān)聯(lián)如圖4所示，圖中實(shí)線連接表示實(shí)線兩端的雷達(dá)點(diǎn)跡和AIS點(diǎn)跡為關(guān)聯(lián)點(diǎn)跡對(duì)。

Munkres關(guān)聯(lián)算法采用式(4)計(jì)算關(guān)聯(lián)門限，關(guān)聯(lián)效果如圖5所示，關(guān)聯(lián)51對(duì)時(shí)，相對(duì)距離比的平均值為0.1159。

圖4 最近鄰算法關(guān)聯(lián)效果

圖5 Munkres算法關(guān)聯(lián)效果

圖6 分狀態(tài)JVC關(guān)聯(lián)效果

分狀態(tài)JVC關(guān)聯(lián)算法關(guān)聯(lián)效果如圖6所示，在關(guān)聯(lián)51對(duì)的情況下，相對(duì)距離比的平均值為0.0950。

在同樣關(guān)聯(lián)51對(duì)點(diǎn)跡的情況下，各算法關(guān)聯(lián)結(jié)果比較如表4所示。最近鄰算法關(guān)聯(lián)的相對(duì)距離比的平均值最大，Munkres算法次之，分狀態(tài)JVC關(guān)聯(lián)算法最小，同時(shí)分狀態(tài)關(guān)聯(lián)算法計(jì)算時(shí)間也明顯優(yōu)于最近鄰和Munkres算法。

表4 3種數(shù)據(jù)關(guān)聯(lián)算法的比較

4.3 算法實(shí)用性和實(shí)時(shí)性

為了驗(yàn)證算法的實(shí)用性，分別采用2012年4月23日10:10:45時(shí)和2013年9月6日09:18:45時(shí)的兩組實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行分狀態(tài)JVC數(shù)據(jù)關(guān)聯(lián)驗(yàn)證，其中2012年4月23日的數(shù)據(jù)共包含273個(gè)雷達(dá)點(diǎn)跡和474個(gè)AIS點(diǎn)跡；2013年9月6日共包含262個(gè)雷達(dá)點(diǎn)跡和874個(gè)AIS點(diǎn)跡。

算法的實(shí)驗(yàn)結(jié)果如表5所示，選擇相對(duì)距離比的平均值的比值不大于0.095的最大關(guān)聯(lián)情況作為關(guān)聯(lián)條件，分狀態(tài)JVC數(shù)據(jù)關(guān)聯(lián)算法可以保持約15%的關(guān)聯(lián)比例，對(duì)于273個(gè)雷達(dá)點(diǎn)跡和474個(gè)AIS點(diǎn)跡的數(shù)據(jù)關(guān)聯(lián)，在硬件環(huán)境為Intel Core i3 CPU @3.3 GHz處理器和4 G內(nèi)存的普通計(jì)算機(jī)上可以在10 s內(nèi)完成，滿足數(shù)據(jù)關(guān)聯(lián)的實(shí)時(shí)性要求。

5 結(jié)束語(yǔ)

本文針對(duì)高頻地波雷達(dá)與AIS點(diǎn)跡信息融合應(yīng)用問(wèn)題，將線性分配JVC算法應(yīng)用于雷達(dá)與AIS點(diǎn)跡的最優(yōu)匹配中，實(shí)現(xiàn)了點(diǎn)跡間距離的最優(yōu)化匹配，解決了點(diǎn)跡密集分布環(huán)境下的數(shù)據(jù)關(guān)聯(lián)。在關(guān)聯(lián)過(guò)程中，為了提高運(yùn)算速度和匹配精度，通過(guò)徑向速度的判斷將點(diǎn)跡信息劃分為準(zhǔn)靜態(tài)和動(dòng)態(tài)點(diǎn)跡，對(duì)于不同狀態(tài)的點(diǎn)跡分別進(jìn)行JVC最優(yōu)匹配，有效實(shí)現(xiàn)了分狀態(tài)下目標(biāo)點(diǎn)跡的最優(yōu)關(guān)聯(lián)。實(shí)驗(yàn)結(jié)果表明，該算法在同樣關(guān)聯(lián)51對(duì)點(diǎn)跡的情況下，關(guān)聯(lián)精度高于最近鄰算法和Munkres法，關(guān)聯(lián)用時(shí)少于最近鄰法和Munkres法，為地波雷達(dá)與AIS目標(biāo)點(diǎn)跡關(guān)聯(lián)提供了一種可行的方法。但是，由于雷達(dá)的目標(biāo)定位精度較低，雷達(dá)與AIS的點(diǎn)跡關(guān)聯(lián)比例較低，下一步可以考慮進(jìn)一步融合高精度的SAR圖像數(shù)據(jù)進(jìn)行船只點(diǎn)跡目標(biāo)融合探測(cè)，以便提高海洋探測(cè)的精度和范圍，同時(shí)可以起到校準(zhǔn)雷達(dá)精度的作用。

表5 不同獲取時(shí)刻的數(shù)據(jù)關(guān)聯(lián)情況

[1] Dobson C, Holenstein K, Smith M, et al.. Monostatic vessel detection statistics from the CODAR SeaSonde[C]. Proceedings of the OCEANS 2013 MTS/IEEE Conference, San Diego, United States, 2013: 1-4.

[2] Ji Y G, Zhang J, Meng J M, et al.. Point association analysis of vessel targets detection with SAR, HFSWR and AIS[J]. Acta Oceanologica Sinica, 2014, 33(9): 73-81.

[3] Habtemariam B K, Tharmarasa R, Meger E, et al.. Measurement level AIS/radar fusion for maritime surveillance[C]. Proceedings of the SPIE Defense, Security, and Sensing symposium, Maryland, USA, 2012, 83930I: 1-8.

[4] Chen J and Xie L. Research of Kalman filtering in shiptrack[C]. Proceedings of the 2nd International Conference on Transportation Information and Safety: Improving Multimodal Transportation Systems-Information, Safety, and Integration, Wuhan, China, 2013: 2464-2469.

[5] Gurgel K W, Schlick T, Horstmann J, et al.. Evaluation of an HF-radar Ship detection and tracking algorithm by comparison to AIS and SAR data[C]. Proceedings of the International Waterside Security Conference (WSS), Marina di Carrara, Italy, 2010: 1-6.

[6] Kazimierski W and Stateczny A. Fusion of data from AIS and tracking radar for the needs of ECDIS[C]. Proceedings of the Signal Processing Symposium, 2013, Serock, Poland, 2013: 1-6.

[7] Dzvonkovskaya A and Rohling H. HF radar performance analysis based on AIS ship information[C]. Proceedings of the 2010 IEEE Radar Conference, Washington DC, USA, 2010: 1239-1244.

[8] Hu X R and Lin C C. A preliminary study on targets association algorithm of radar and AIS using BP neural network[J]. Procedia Engineering, 2011, 15: 1441-1445.

[9] Liu C, Lin B, Liu X M, et al.. Fuzzy correlation algorithm for multi-target fusion of automatic identification system and radar[J]. Journal of Computational and Theoretical Nanoscience, 2013, 10(12): 2826-2830.

[10] Kazimierski W. Problems of data fusion of tracking radar and AIS for the needs of integrated navigation systems at sea[C]. Proceedings of the 14th International Radar Symposium, Dresden, Germany, 2013: 270-275.

[11] 田文龍, 李高鵬, 許榮慶. 利用自動(dòng)識(shí)別系統(tǒng)信息進(jìn)行高頻地波雷達(dá)天線陣校正[J]. 電子與信息學(xué)報(bào), 2012, 34(5): 1065-1069.

Tian W L, Li G P, and Xu R Q. High frequency surface wave radar antenna array alibration using automatic identification system data[J]. Journal of Electronics & Information Technology, 2012, 34(5): 1065-1069.

[12] 紀(jì)永剛, 張杰, 王祎鳴, 等. 雙頻率高頻地波雷達(dá)船只目標(biāo)點(diǎn)跡關(guān)聯(lián)與融合處理[J]. 系統(tǒng)工程與電子技術(shù), 2014, 36(2): 266-271.

Ji Y G, Zhang J, Wang Y M, et al.. Ship detection point association surface and fusion with dual-frequency HF wave radar[J]. Systems Engineering and Electronics, 2014, 36(2): 266-271.

[13] 盛衛(wèi)東, 林兩魁, 安瑋, 等. 基于全局最優(yōu)的被動(dòng)多傳感器多目標(biāo)軌跡關(guān)聯(lián)算法[J]. 電子與信息學(xué)報(bào), 2010, 32(7): 1621-1625.

Sheng W D, Lin L K, An W, et al.. A passive multisensor multitarget track association algorithm based on global optimization[J]. Journal of Electronics & Information Technology, 2010, 32(7): 1621-1625.

[14] Kadar I, Eadan E R, and Gassner R R. Comparison of robustized assignment algorithms[C]. Proceedings of the Aerospace Defence Sensing and Control (AeroSense) Conference, Orlando, FL, USA, 1997: 240-249.

[15] Jonker R and Volgenant A. A shortest augmenting path algorithm for dense and sparse linear assignment problems[J]. Computing, 1987, 38(4): 325-340.

[16] Malkoff D B. Evaluation of the Jonker-Volgenant-Castanon (JVC) assignment algorithm for track association[C]. Proceedings of the Aerospace Defence Sensing and Control (AeroSense) Conference, Orlando, FL, USA, 1997: 228-239.

張 暉： 男，1983年生，博士生，研究方向?yàn)閳D像處理、多傳感器數(shù)據(jù)融合等.

劉永信： 男，1955年生，教授，研究方向?yàn)閳D像處理、多傳感器數(shù)據(jù)融合等.

張 杰： 男，1963年生，研究員，研究方向?yàn)楹Ｑ筮b感探測(cè)等.

Target Point Tracks Optimal Association Algorithm with Surface Wave Radar and Automatic Identification System

Zhang Hui①Liu Yong-xin①Zhang Jie②Ji Yong-gang②Zheng Zhi-qiang①

①(College of Electronic Information Engineering, Inner Mongolia University, Hohhot 010021, China)
②(First Institute of Oceanography, State Oceanic Administration, Qingdao 266061, China)

In order to solve the problem that of High Frequency Surface Wave Radar (HFSWR) and Automatic Identification System (AIS) target point tracks fusion, a point tracks association algorithm using Jonker-Volgenant-Castanon (JVC) global optimal matching for different status is proposed. Firstly, the HFSWR and AIS target point tracks are divided into the quasi-static and dynamic data by the radial velocity. Then the radial velocity and spherical distance are selected as the feature parameters, and the different status data are respectively pre-associated by the radial velocity and spherical distance. Finally, the average of relative distance ratio is used to evaluate the effect of association. According to the selection of threshold parameter, the HFSWR and AIS point tracks are optimal associated with the JVC algorithm. The experimental results indicate that the proposed algorithm, in the condition of equal number point tracks associated, is superior to the Nearest Neighbor (NN) algorithm and Munkres association algorithm in the association accuracy, and the associate time is less than the NN algorithm and Munkres association. Moreover, three different time data gained from the target traits measured in nearly three years demonstrate that the feasibility and real-time of the proposed method.

High Frequency Surface Wave Radar (HFSWR); Automatic Identification System (AIS); Data association; Optimal association; Jonker-Volgenant-Castanon (JVC) algorithm

TN958

A

1009-5896(2015)03-0619-06

10.11999/JEIT140678

2014-05-21收到，2014-09-22改回

國(guó)家自然科學(xué)基金(61362002)和海洋公益性科研專項(xiàng)(200905029)資助課題

*通信作者：劉永信 yxliu@imu.edu.cn