一種基于改進Mean Shift的空間點目標聚合顯示方法研究?

（中國電子科技集團第二十八研究所 南京 210007）

1 引言

在現(xiàn)代信息化戰(zhàn)爭中，實時準確地獲取和展現(xiàn)戰(zhàn)場態(tài)勢信息對指揮人員了解戰(zhàn)場形勢、制定作戰(zhàn)計劃具有至關重要的作用，戰(zhàn)場目標的顯示作為戰(zhàn)場態(tài)勢可視化的基礎成為了關鍵的一環(huán)[1～3]。隨著接入戰(zhàn)場態(tài)勢信息的目標種類和數(shù)量的增加，大量信息擁塞于網(wǎng)絡，而作戰(zhàn)對信息的精確性、可靠性等要求不斷的提高，目標的精確顯示成了一個迫切需要解決的問題[3]。當某個區(qū)域包含成千上萬個目標時，若同時加載顯示在地圖上，會導致圖上的目標互相壓蓋，雜亂無章，且占用大量的系統(tǒng)資源導致數(shù)據(jù)加載速度慢、效率低，極大地影響用戶感知戰(zhàn)場態(tài)勢的體驗，如圖1所示。此外，不同于民用電子地圖目標，戰(zhàn)場態(tài)勢根據(jù)應用需求的不同，需要顯示的態(tài)勢目標的類型、粒度和重要性不同。因此，如何快速、準確、按需顯示態(tài)勢信息成為態(tài)勢感知領域的一大難題。

圖1 軍標壓蓋問題示例

近年來已有不少專家學者做過相應的研究，如在戰(zhàn)術級的場景下可根據(jù)隊形進行聚合解聚，并增加屬性的映射保證在聚合解聚時減少模型失真[4～5]，但是本方法僅在戰(zhàn)術級下可用并不適用于戰(zhàn)略、戰(zhàn)役級；引入Agent概念，從建模的角度研究多分辨率和Agent上的體現(xiàn)，構建多分辨率的模型框架[6]，方法雖然能解決部分問題，但是僅針對了坦克分隊進行分析，比較片面；還有一些仿照GIS顯示的實現(xiàn)原理，將數(shù)據(jù)按照層級劃分，針對不同圖層不同比例尺顯示不同的要素，這種方式比較適合于點狀目標，但并沒有將目標的種類或重要性納入考慮范圍[10～11]。本文提出了一種改進的 Mean Shift聚類算法，首先構建適合我國的多比例尺的顯示范圍，然后根據(jù)目標的關鍵屬性構建權重序列，最后將目標的權重系數(shù)引入Mean Shift聚類來完成目標的聚合，通過實驗對比驗證了該算法的有效性。

2 多比例尺分級顯示范圍

比例尺表示圖上距離比實際距離縮小的程度，比例尺可對地圖上的要素大小和要素間的距離進行直觀展示，不同比例尺下顯示的目標精度不同。為了使得設置的比例尺范圍合理化，本文結合中國版圖、屏幕分辨率大小及人眼觀看的舒適度等要素將比例尺分成10級，針對每個級別分別進行聚合顯示。本文其他章節(jié)的描述僅針對其中一個比例尺范圍，多比例尺的分級顯示范圍如表1所示。

表1 分級顯示比例尺范圍

3 構建目標權重序列

目標的權重構建主要是通過對目標的各類屬性定量化來描述目標的重要程度，是聚合時目標隱藏的依據(jù)。戰(zhàn)場態(tài)勢目標包含部隊陣地、港口、機場、雷達陣地等靜態(tài)實體目標，以及坦克、導彈、軍艦、戰(zhàn)斗機、民用船只等動態(tài)實體目標，并且多目標之間可能存在編成、協(xié)同、支援等關系，形成單體、編隊等不同粒度的態(tài)勢目標表述。不一致性是戰(zhàn)場目標聚合解聚方法，乃至多分辨率建模方法所面臨的主要難點[12～13]。

戰(zhàn)場態(tài)勢目標的描述包含目標名稱、基本屬性、效能屬性、任務屬性等，通常確定目標的權重不能從單一屬性出發(fā)，需要對各屬性進行分析對比，權衡各自對整體的作用和效果以及目標之間的各類指揮、支援、保障關系，對其重要性做出判斷，既不能平均分配又不能片面強調單個指標而忽略其他。為保存目標在聚合解聚過程中的一致性參數(shù)，本文提出了核心屬性集的概念，即在聚合涉及到的每層分辨率下建立該層次目標實體的核心屬性集合，對目標所有的屬性進行必要的壓縮、簡化。在目標聚合時，除了需要已知高分辨率態(tài)勢目標的位置信息外，還需要根據(jù)用戶需求、任務或作用，確定目標核心屬性的權重。設E1，E2，……，En為n(n≥2)個高分辨率同類態(tài)勢實體目標，本文主要采用專家評分法進行權重序列的構建：1）評分專家組成。根據(jù)戰(zhàn)場目標的種類及其在作戰(zhàn)中的體系定位，邀請領域專家與軍事專家組成評分專家組。2）依據(jù)領域專家經(jīng)驗，確定戰(zhàn)場目標的核心屬性集合{p1，p2，…，pm}，并根據(jù)屬性的重要性確定屬性系數(shù)集{α1，α2，…，αm}。3）依據(jù)軍事專家經(jīng)驗，根據(jù)目標在作戰(zhàn)體系的定位確定目標的核心屬性值{μ1，μ2，…，μm} 。 4）目標Ei的目標權重序列{ω1，ω2，…，ωm}的及目標最終的權值W計算方式如下：

4 基于改進Mean Shift算法的目標聚類方法

Mean Shift聚類算法是由Fukunaga于1975年提出來的，就是偏移的均值向量，它是一種無參的估計算法，沿著概率梯度的上升方向尋找分布的峰值，主要應用于目標的跟蹤領域[7～9]。本文中使用它的聚類功能，結合點狀目標的顯示范圍，設置初始的BandWidth（2cm）和中心的偏移閾值（0.5cm），當分類完成時通過計算本簇中的權重和距離的比值來確定最后聚類的顯示目標，同時改進聚類方法，將第三節(jié)所描述的目標權重參與優(yōu)先計算。假設在地圖上有多個點目標需要進行聚類顯示，算法流程如下：

對于同一個分類中的目標，計算權重與目標距離簇中心距離的比值，取最大值作為當前的聚類中的顯示目標。

簡單說，基于Mean Shift的改進聚類方法就是沿著密度上升方向尋找同屬于一個簇的數(shù)據(jù)點，流程圖如圖2所示。

5 實驗及結果分析

基于上述算法，本文設計了兩組實驗來驗證算法的有效性。第一組實驗將本文算法應用于多比例尺下的點軍標聚合顯示，如圖3所示。圖3（a）、（c）、（e）分別為一個區(qū)域內1：500萬、1：1000萬和1：1500萬三個比例尺下的原始圖，由圖可知，由于點軍標符號的尺寸不變，隨著比例尺的縮小，圖幅空間大幅減少，點軍標的密集程度增大，導致目標壓蓋問題愈加嚴重。圖3（b）、（d）、（f）分別為三個比例尺下采用本文算法得到的聚合圖，圖中點軍標右上角的數(shù)字代表聚合的目標個數(shù)。由圖可見，本文提出的聚合算法能夠有效地解決點軍標的壓蓋堆疊問題，顯著地提升了態(tài)勢圖的可讀性。此外，隨著比例尺的縮小，點軍標聚合的目標個數(shù)逐漸增加，點軍標涵蓋的信息量逐漸增大，多比例尺間的聚合顯示效果具有層次性。

圖2 改進Mean Shift算法流程圖

第二組實驗將本文算法應用于包含多類軍標的聚合顯示。如圖4（a）所示，該區(qū)域包含三類軍標，且各類軍標之間壓蓋堆疊嚴重，對態(tài)勢的閱讀造成極大的障礙。圖4（b）為應用本文算法的聚合圖，由圖可以看出，經(jīng)過聚類得到的點目標分布形態(tài)更好，顯著地改善了軍標壓蓋堆疊問題，表明了本文算法能夠有效地解決因軍標數(shù)量多或比例尺縮小而引起的空間點壓蓋問題，更加有利于指揮員從全局角度高效地感知戰(zhàn)場態(tài)勢。

圖3 多比例尺聚合顯示

圖4 包含多類軍標的聚合顯示

6 結語

針對戰(zhàn)場態(tài)勢大量點狀目標的顯示互相覆蓋、上下一般粗且當前主流方法大多僅考慮位置因素進行聚合的問題，提出了基于改進Mean Shift的目標聚類方法，該方法首先結合中國版圖、屏幕分辨率、人眼舒適度等將地圖比例尺分成10級，其次基于行業(yè)專家的意見通過排序法構建了目標權重序列，最后基于構建好的權重改進了Mean Shift算法實現(xiàn)目標的聚類。經(jīng)過實驗分析，該方法考慮了目標內及目標之間的多種因素加權，并較好實現(xiàn)了點目標的聚合，對后續(xù)的工程化使用有一定的借鑒意義。

空間點聚合顯示問題是一個較大的課題，除了點狀目標的聚合顯示還有線面狀的聚合顯示，考慮的因素也比點狀目標更加復雜，后續(xù)還需要針對線面狀的目標聚合方法展開研究。