孫偉峰, 戴永壽, 紀(jì)永剛, 周 鵬, 萬 勇

?

高頻地波雷達(dá)海上目標(biāo)航跡跟蹤新思路

孫偉峰1, 戴永壽1, 紀(jì)永剛2, 周 鵬1, 萬 勇1

(1. 中國石油大學(xué)(華東) 信息與控制工程學(xué)院, 山東青島 266580; 2. 國家海洋局第一海洋研究所, 山東青島266061)

高頻地波雷達(dá)是對(duì)海上運(yùn)動(dòng)目標(biāo)進(jìn)行監(jiān)視監(jiān)測(cè)的一種重要手段, 為了提高地波雷達(dá)對(duì)海上特定目標(biāo)獨(dú)立跟蹤探測(cè)時(shí)的性能, 本文對(duì)高頻地波雷達(dá)海上目標(biāo)跟蹤技術(shù)的研究現(xiàn)狀進(jìn)行了綜述, 分析總結(jié)了目前航跡跟蹤方法存在的主要問題。結(jié)合海上目標(biāo)跟蹤的實(shí)際應(yīng)用需求, 借助目前流行的深度學(xué)習(xí)方法充分挖掘其他同步探測(cè)手段獲取的目標(biāo)信息, 提出了基于知識(shí)輔助的特定目標(biāo)跟蹤方法, 改善后續(xù)地波雷達(dá)對(duì)特定目標(biāo)獨(dú)立跟蹤時(shí)的航跡質(zhì)量, 初步的航跡跟蹤結(jié)果驗(yàn)證了提出方法的有效性。提出的地波雷達(dá)特定目標(biāo)跟蹤方法對(duì)目標(biāo)跟蹤方法的理論研究及地波雷達(dá)目標(biāo)跟蹤系統(tǒng)的業(yè)務(wù)化應(yīng)用均具有重要意義及參考價(jià)值。

高頻地波雷達(dá); 目標(biāo)跟蹤; 知識(shí)輔助; 船舶自動(dòng)識(shí)別系統(tǒng)

高頻地波雷達(dá)(High Frequency Surface Wave Radar, HFSWR)能夠?qū)Ｉ洗蠓秶鷥?nèi)的運(yùn)動(dòng)目標(biāo)進(jìn)行超視距、大范圍、全天候的主動(dòng)跟蹤探測(cè), 具有實(shí)時(shí)性好、成本低等優(yōu)點(diǎn)[1-3]。目標(biāo)航跡跟蹤作為地波雷達(dá)目標(biāo)檢測(cè)跟蹤系統(tǒng)中的最后也是最復(fù)雜的一環(huán), 擔(dān)負(fù)著降低虛警與形成航跡的任務(wù), 是目標(biāo)探測(cè)跟蹤效果的直接體現(xiàn)。對(duì)關(guān)注的海上特定目標(biāo)進(jìn)行長期、穩(wěn)定、準(zhǔn)確地航跡跟蹤探測(cè), 在海上維權(quán)執(zhí)法、海上目標(biāo)搜救等應(yīng)用領(lǐng)域發(fā)揮著越來越重要的作用。

高頻地波雷達(dá)目標(biāo)航跡跟蹤性能受到目標(biāo)探測(cè)及跟蹤算法性能的共同影響。目標(biāo)探測(cè)時(shí), 較低的距離與方位角分辨率使得獲取的目標(biāo)位置不準(zhǔn)確, 數(shù)據(jù)率低導(dǎo)致點(diǎn)跡的時(shí)間連續(xù)性較差, 受雜波及干擾影響嚴(yán)重使得檢測(cè)概率低、虛警率高。目標(biāo)跟蹤主要涉及狀態(tài)預(yù)測(cè)、數(shù)據(jù)關(guān)聯(lián)與狀態(tài)估計(jì)三個(gè)過程, 現(xiàn)有的跟蹤算法僅利用地波雷達(dá)自身的探測(cè)數(shù)據(jù), 狀態(tài)預(yù)測(cè)時(shí)假定的運(yùn)動(dòng)模型不能準(zhǔn)確地反映目標(biāo)實(shí)時(shí)的運(yùn)動(dòng)狀態(tài), 數(shù)據(jù)關(guān)聯(lián)及狀態(tài)估計(jì)時(shí)涉及的多個(gè)參數(shù)難以準(zhǔn)確估計(jì), 主要依靠經(jīng)驗(yàn)或多次調(diào)試設(shè)定。上述問題導(dǎo)致在目標(biāo)航跡跟蹤時(shí)會(huì)出現(xiàn)航跡斷裂、航跡劇烈波動(dòng)等現(xiàn)象, 這些現(xiàn)象在目標(biāo)機(jī)動(dòng)或受到雜波遮掩等復(fù)雜情況下更為突出, 給目標(biāo)的連續(xù)、準(zhǔn)確跟蹤帶來很大的挑戰(zhàn), 限制了地波雷達(dá)對(duì)海上運(yùn)動(dòng)目標(biāo)進(jìn)行獨(dú)立跟蹤探測(cè)時(shí)的性能及推廣應(yīng)用。此外, 現(xiàn)有的多目標(biāo)跟蹤方法都是對(duì)雷達(dá)威力范圍內(nèi)的所有目標(biāo)進(jìn)行跟蹤, 由于目標(biāo)及其狀態(tài)各異, 采用單一的跟蹤方法很難同時(shí)實(shí)現(xiàn)對(duì)多個(gè)目標(biāo)的準(zhǔn)確跟蹤; 并且, 在海上維權(quán)執(zhí)法、目標(biāo)搜救等實(shí)際應(yīng)用中, 往往只關(guān)注海上特定目標(biāo)的運(yùn)動(dòng)軌跡。因此, 對(duì)海上目標(biāo)進(jìn)行大范圍超視距發(fā)現(xiàn), 然后對(duì)特定目標(biāo)進(jìn)行準(zhǔn)確跟蹤, 更符合業(yè)務(wù)單位的實(shí)際應(yīng)用需求。

本文將探討高頻地波雷達(dá)海上目標(biāo)航跡跟蹤方法, 在此基礎(chǔ)上, 提出一種適用于實(shí)際業(yè)務(wù)應(yīng)用的海上目標(biāo)航跡跟蹤新思路。

1 高頻地波雷達(dá)海上運(yùn)動(dòng)目標(biāo)探測(cè)及跟蹤

高頻地波雷達(dá)海上目標(biāo)跟蹤方法可以分為兩大類, 即檢測(cè)前跟蹤(track-before-detect, TBD)方法[4]和檢測(cè)后跟蹤方法[5], 檢測(cè)前跟蹤方法致力于解決低可觀測(cè)目標(biāo)的一體化檢測(cè)跟蹤問題, 本文重點(diǎn)圍繞檢測(cè)后跟蹤方法進(jìn)行討論。

高頻地波雷達(dá)目標(biāo)航跡跟蹤利用雷達(dá)探測(cè)得到的目標(biāo)點(diǎn)跡推演出目標(biāo)的真實(shí)航行軌跡, 點(diǎn)跡探測(cè)的效果直接影響目標(biāo)跟蹤性能。高頻地波雷達(dá)獲取的目標(biāo)點(diǎn)跡包含三個(gè)狀態(tài)參數(shù): 徑向速度、徑向距離和方位角。其中, 徑向速度的分辨率與相干積累時(shí)間成正比, 在對(duì)海上運(yùn)動(dòng)目標(biāo)進(jìn)行探測(cè)時(shí)一般采用較長的積累時(shí)間(如100 s), 因而徑向速度分辨率較高(最高可達(dá)到1 m/s)[5]; 徑向距離的分辨率與雷達(dá)發(fā)射波形的帶寬成正比, 高頻地波雷達(dá)的波形帶寬一般小于20 kHz, 對(duì)應(yīng)的距離分辨率約為4海里; 方位角的分辨率與天線陣列孔徑尺寸成正比, 受布設(shè)場(chǎng)地的限制, 天線孔徑無法做得太大, 導(dǎo)致方位角分辨率較低。因此, 地波雷達(dá)對(duì)海上運(yùn)動(dòng)目標(biāo)進(jìn)行探測(cè)時(shí), 較低的距離和方位分辨率導(dǎo)致目標(biāo)探測(cè)位置與真實(shí)位置之間存在較大的偏差, 使得形成的航跡會(huì)偏離目標(biāo)的真實(shí)位置, 且出現(xiàn)抖動(dòng)和跳變。圖1給出了一個(gè)真實(shí)目標(biāo)的跟蹤個(gè)例, 其中, 將船舶自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System, AIS)的航跡作為目標(biāo)的實(shí)際運(yùn)動(dòng)軌跡, 地波雷達(dá)航跡利用-濾波方法得到。

跟蹤是一個(gè)由關(guān)聯(lián)和估計(jì)構(gòu)成的循環(huán)過程, 跟蹤算法的研究主要圍繞狀態(tài)預(yù)測(cè)、數(shù)據(jù)關(guān)聯(lián)與狀態(tài)估計(jì)三個(gè)方面展開?，F(xiàn)有的專門針對(duì)地波雷達(dá)目標(biāo)跟蹤的文獻(xiàn)相對(duì)較少, 有些文獻(xiàn)只給出了航跡結(jié)果, 但沒有提到具體采用的跟蹤方法, 如文獻(xiàn)[6-7]等?，F(xiàn)有的地波雷達(dá)目標(biāo)跟蹤工作主要集中在對(duì)數(shù)據(jù)關(guān)聯(lián)、狀態(tài)估計(jì)以及目標(biāo)運(yùn)動(dòng)模型估計(jì)方法的研究。例如, Ponsford A M等采用基于最近鄰準(zhǔn)則的數(shù)據(jù)關(guān)聯(lián)方法及基于M/N邏輯的跟蹤方法獲得地波雷達(dá)目標(biāo)航跡[8]; Dzvonkovskaya A等針對(duì)WERA雷達(dá), 提出采用基于最近鄰的數(shù)據(jù)關(guān)聯(lián)方法及極坐標(biāo)下的-濾波方法進(jìn)行航跡跟蹤[9]; Chan[10]提出采用基于最近鄰的數(shù)據(jù)關(guān)聯(lián)方法與Kalman濾波來跟蹤冰山目標(biāo); 胡松等采用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probabilistic Data Association, JPDA)方法提高密集雜波環(huán)境下數(shù)據(jù)關(guān)聯(lián)的準(zhǔn)確性[11], 利用交互多模型(Interacting Multiple Model, IMM)描述目標(biāo)的運(yùn)動(dòng)模式, 提高狀態(tài)預(yù)測(cè)的準(zhǔn)確性[12], 采用擴(kuò)展卡爾曼濾波方法(Extended Kalman Filter, EKF)解決非線性狀態(tài)濾波的問題[13-14]; Braca等提出結(jié)合多個(gè)雷達(dá)站提供的數(shù)據(jù), 采用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)與無跡卡爾曼濾波(Unscented Kalman Filter, UKF)方法進(jìn)行航跡跟蹤[15], 通過航跡關(guān)聯(lián)與融合得到最終的航跡輸出, 提高了航跡質(zhì)量[16-17]。

分析現(xiàn)有的地波雷達(dá)目標(biāo)航跡跟蹤方法可以得到如下結(jié)論: (1)從簡(jiǎn)單的單模型到復(fù)雜的變結(jié)構(gòu)交互多模型, 從最近鄰關(guān)聯(lián)到聯(lián)合概率數(shù)據(jù)關(guān)聯(lián), 從邏輯法到無跡卡爾曼濾波方法, 國內(nèi)外學(xué)者從狀態(tài)預(yù)測(cè)的準(zhǔn)確性、數(shù)據(jù)關(guān)聯(lián)的準(zhǔn)確性以及狀態(tài)估計(jì)的精度三個(gè)方面開展了系列研究工作, 豐富了地波雷達(dá)目標(biāo)跟蹤方法。(2)狀態(tài)預(yù)測(cè)、數(shù)據(jù)關(guān)聯(lián)以及狀態(tài)估計(jì)方法中都涉及多個(gè)參數(shù), 如狀態(tài)預(yù)測(cè)時(shí)的運(yùn)動(dòng)模型參數(shù)、數(shù)據(jù)關(guān)聯(lián)時(shí)所用的波門大小及形狀參數(shù)、狀態(tài)估計(jì)時(shí)噪聲的方差參數(shù)等, 這些參數(shù)的取值準(zhǔn)確與否直接影響跟蹤效果。對(duì)于實(shí)際的地波雷達(dá)系統(tǒng), 由于缺乏必要的先驗(yàn)知識(shí), 目標(biāo)參數(shù)的測(cè)量誤差受多種因素的影響, 統(tǒng)計(jì)特性難以確定, 使得目標(biāo)跟蹤算法中的參數(shù)主要依靠經(jīng)驗(yàn)確定, 不能很好地適應(yīng)目標(biāo)運(yùn)動(dòng)及周圍環(huán)境的特點(diǎn), 影響了跟蹤效果。因此, 僅依靠地波雷達(dá)自身的探測(cè)數(shù)據(jù)難以實(shí)現(xiàn)精確的目標(biāo)跟蹤, 導(dǎo)致現(xiàn)有跟蹤方法得到的航跡波動(dòng)劇烈、與目標(biāo)真實(shí)位置之間存在較大的偏差, 且極易出現(xiàn)斷裂。

2 高頻地波雷達(dá)海上目標(biāo)跟蹤的新思路

在實(shí)際的海上目標(biāo)監(jiān)視系統(tǒng)中, 對(duì)目標(biāo)的探測(cè)往往同時(shí)采用多種手段, 除了地波雷達(dá), 還有星載SAR、機(jī)載SAR以及AIS等。這些手段除了能夠在一段時(shí)間內(nèi)與地波雷達(dá)同步提供船只目標(biāo)準(zhǔn)確的航跡探測(cè)信息外, 還能夠提供目標(biāo)的ID號(hào)、類型、噸位、長寬尺寸等屬性信息以及航速、航向等運(yùn)動(dòng)信息。但這些手段由于受到探測(cè)距離(如AIS)或續(xù)航能力(如海監(jiān)飛機(jī))等因素的限制, 只能提供一段時(shí)間內(nèi)的同步觀測(cè)信息, 最終還需要利用地波雷達(dá)實(shí)現(xiàn)對(duì)特定目標(biāo)的超視距持續(xù)跟蹤。多手段同步探測(cè)期間, 其他探測(cè)手段獲取的目標(biāo)信息包含了目標(biāo)真實(shí)的屬性及運(yùn)動(dòng)狀態(tài), 可以將其作為輔助信息應(yīng)用到地波雷達(dá)目標(biāo)跟蹤算法中, 以提高其對(duì)特定目標(biāo)的獨(dú)立跟蹤能力。因而, 基于知識(shí)的地波雷達(dá)目標(biāo)跟蹤方法, 成為地波雷達(dá)目標(biāo)跟蹤研究的一個(gè)新思路。

在地波雷達(dá)與其他探測(cè)手段同步獲取目標(biāo)信息及信息的聯(lián)合應(yīng)用方面, 目前已經(jīng)開展了一些研究工作。例如, Liu等[18]利用模糊融合外推法實(shí)現(xiàn)了AIS與地波雷達(dá)數(shù)據(jù)的配準(zhǔn), 通過對(duì)二者的融合處理提高了地波雷達(dá)目標(biāo)跟蹤的穩(wěn)定性; Vesecky等[19]結(jié)合AIS和地波雷達(dá)目標(biāo)探測(cè)信息建立了綜合監(jiān)測(cè)系統(tǒng), 提高了艦船目標(biāo)的檢測(cè)概率; Dzvonkovskaya等[20]利用AIS提供的目標(biāo)位置、速度、對(duì)地航向、船只類型信息對(duì)地波雷達(dá)目標(biāo)探測(cè)數(shù)據(jù)進(jìn)行修正, 提高了探測(cè)數(shù)據(jù)的準(zhǔn)確性; Gurge等[21]利用AIS和SAR航跡作為參考, 對(duì)地波雷達(dá)的跟蹤性能進(jìn)行了評(píng)價(jià)。上述工作為開展地波雷達(dá)與同步觀測(cè)手段探測(cè)的目標(biāo)信息之間關(guān)聯(lián)關(guān)系的研究提供了方法借鑒; 但是, 這些工作大都是對(duì)多手段同步探測(cè)數(shù)據(jù)進(jìn)行融合以提高整體的目標(biāo)探測(cè)能力, 或是對(duì)地波雷達(dá)的目標(biāo)跟蹤性能進(jìn)行評(píng)價(jià), 沒有充分利用目標(biāo)的同步探測(cè)信息來提高地波雷達(dá)的獨(dú)立跟蹤性能。

在目標(biāo)知識(shí)的利用方面, 近年來, 基于知識(shí)的(Knowledge-Based , KB)的信號(hào)與數(shù)據(jù)處理方法開始應(yīng)用于雷達(dá)領(lǐng)域, 成為雷達(dá)信號(hào)處理方法研究的一個(gè)熱點(diǎn)[22]。Vivone等提出了高頻地波雷達(dá)多目標(biāo)跟蹤方法, 將AIS歷史數(shù)據(jù)提供的海中航線信息以及運(yùn)動(dòng)模型信息作為先驗(yàn)知識(shí), 對(duì)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行約束, 有效降低了地波雷達(dá)目標(biāo)跟蹤時(shí)航跡斷裂的幾率, 提高了航跡質(zhì)量[23]。由此可見, 在地波雷達(dá)目標(biāo)跟蹤系統(tǒng)中引入目標(biāo)的先驗(yàn)知識(shí), 能夠顯著增強(qiáng)目標(biāo)航跡的跟蹤質(zhì)量, 成為地波雷達(dá)目標(biāo)跟蹤的一個(gè)新的發(fā)展方向[24-25]?，F(xiàn)有方法對(duì)目標(biāo)先驗(yàn)知識(shí)的獲取及利用還較為有限, 而多手段同步探測(cè)可以提供更多的目標(biāo)先驗(yàn)信息, 有效地利用這些信息來指導(dǎo)高頻地波雷達(dá)目標(biāo)跟蹤算法中運(yùn)動(dòng)模型與相關(guān)參數(shù)的優(yōu)化選取, 在提升地波雷達(dá)目標(biāo)跟蹤算法的性能方面表現(xiàn)出巨大的潛力。

在同步跟蹤期間, 地波雷達(dá)與同步觀測(cè)手段可以獲取特定目標(biāo)的大量數(shù)據(jù), 這些數(shù)據(jù)中既有顯式地表明目標(biāo)運(yùn)動(dòng)特征的參量, 也有隱含在數(shù)據(jù)內(nèi)部的目標(biāo)特征及運(yùn)動(dòng)規(guī)律, 且隱含的與目標(biāo)運(yùn)動(dòng)有關(guān)的特征未知, 特征之間的關(guān)系不易被直接發(fā)現(xiàn)。尤其是地波雷達(dá)目標(biāo)探測(cè)數(shù)據(jù)較為雜亂, 從中提取規(guī)律性的特征較為困難。因此, 需要發(fā)展有效的特征提取方法, 深度挖掘提取隱藏在數(shù)據(jù)中的目標(biāo)運(yùn)動(dòng)特征。在數(shù)據(jù)特征的有效表達(dá)方面, 近年來在機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展起來的深度學(xué)習(xí)(Deep Learning)方法表現(xiàn)出了良好的性能[26-27], 其動(dòng)機(jī)在于建立模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò), 它模仿人腦的機(jī)制來解釋數(shù)據(jù), 能夠?qū)W習(xí)到反映隱含在數(shù)據(jù)內(nèi)部的關(guān)系, 發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示, 學(xué)習(xí)得到的特征具有良好的推廣性和表達(dá)能力, 在分類、識(shí)別等領(lǐng)域取得了一些突破性的成果。其中, 卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks, CNNs)與深度置信網(wǎng)絡(luò)(Deep Belief Nets, DBNs)是深度學(xué)習(xí)網(wǎng)絡(luò)的兩個(gè)典型代表, 前者采用有監(jiān)督的學(xué)習(xí)方式, 而后者則是一種無監(jiān)督的機(jī)器學(xué)習(xí)模型[28]。目標(biāo)的運(yùn)動(dòng)規(guī)律在同步觀測(cè)手段獲取的目標(biāo)數(shù)據(jù)中較易提取, 可以作為目標(biāo)運(yùn)動(dòng)的先驗(yàn)知識(shí), 而基于CNNs的深度學(xué)習(xí)方法為地波雷達(dá)目標(biāo)航跡數(shù)據(jù)中運(yùn)動(dòng)特征及規(guī)律的提取提供了一種可行的手段。

基于上述分析, 提出了一種基于深度學(xué)習(xí)的高頻地波雷達(dá)特定目標(biāo)跟蹤新思路, 其技術(shù)路線如圖2所示。

首先, 基于地波雷達(dá)獲取的目標(biāo)點(diǎn)跡數(shù)據(jù), 利用最近鄰、JPDA等數(shù)據(jù)關(guān)聯(lián)方法以及-濾波、無跡卡爾曼濾波等濾波跟蹤方法進(jìn)行跟蹤得到目標(biāo)航跡, 然后利用航跡關(guān)聯(lián)方法(如加權(quán)法)對(duì)地波雷達(dá)與同步輔助手段(以AIS為例)獲取的特定目標(biāo)航跡信息進(jìn)行關(guān)聯(lián), 找到與之匹配的同步AIS航跡。在航跡關(guān)聯(lián)匹配之后, 從AIS航跡信息中提取目標(biāo)屬性(船只類型、長寬尺寸、噸位等)及運(yùn)動(dòng)規(guī)律(準(zhǔn)確的目標(biāo)位置、航速、航向、不同時(shí)間段內(nèi)的運(yùn)動(dòng)模型等)作為目標(biāo)的先驗(yàn)知識(shí), 分析地波雷達(dá)目標(biāo)數(shù)據(jù)及其特征與先驗(yàn)知識(shí)之間的關(guān)聯(lián)關(guān)系, 用于指導(dǎo)地波雷達(dá)目標(biāo)跟蹤的各個(gè)環(huán)節(jié)。

其中, 在狀態(tài)預(yù)測(cè)環(huán)節(jié), 利用從AIS航跡中提取的目標(biāo)運(yùn)動(dòng)模型作為先驗(yàn)知識(shí), 獲取同步的地波雷達(dá)數(shù)據(jù), 將此段時(shí)間內(nèi)的每一數(shù)據(jù)參量序列(如徑向速度序列)作為特征構(gòu)建訓(xùn)練數(shù)據(jù)集, 輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 將由AIS獲得的運(yùn)動(dòng)模型作為輸出層, 中間設(shè)置多層隱藏層; 通過有監(jiān)督的深度學(xué)習(xí), 獲取地波雷達(dá)數(shù)據(jù)中能夠反映目標(biāo)運(yùn)動(dòng)模型的特征表達(dá), 從而建立特定目標(biāo)的地波雷達(dá)量測(cè)數(shù)據(jù)與目標(biāo)運(yùn)動(dòng)模型之間的對(duì)應(yīng)關(guān)系, 用于指導(dǎo)狀態(tài)預(yù)測(cè)時(shí)目標(biāo)運(yùn)動(dòng)模型的選取。數(shù)據(jù)關(guān)聯(lián)與狀態(tài)估計(jì)環(huán)節(jié)主要涉及參數(shù)的優(yōu)化選取, 數(shù)據(jù)關(guān)聯(lián)時(shí), 首先利用目標(biāo)參數(shù)的屬性特征對(duì)非目標(biāo)點(diǎn)跡進(jìn)行濾除, 減少數(shù)據(jù)關(guān)聯(lián)時(shí)的計(jì)算量; 然后從AIS航跡中提取航向信息進(jìn)行方向波門的設(shè)計(jì); 以AIS航跡作為標(biāo)準(zhǔn), 對(duì)地波雷達(dá)目標(biāo)航跡中各個(gè)目標(biāo)參數(shù)的變化特征進(jìn)行統(tǒng)計(jì)分析, 用以指導(dǎo)波門尺寸的設(shè)計(jì)。在狀態(tài)估計(jì)時(shí), 將AIS航跡中的目標(biāo)參數(shù)作為真實(shí)值, 針對(duì)特定的跟蹤濾波方法設(shè)計(jì)合理的目標(biāo)函數(shù), 采用優(yōu)化算法求得濾波參數(shù)的最優(yōu)取值。

圍繞上述思路開展了初步的跟蹤實(shí)驗(yàn)。圖1中所示的地波雷達(dá)航跡及與之匹配的AIS航跡中共包含72個(gè)點(diǎn)跡(每個(gè)點(diǎn)跡的積累時(shí)間為1 min), 取前40個(gè)點(diǎn)跡作為同步觀測(cè)數(shù)據(jù), 以AIS提供的航跡信息作為基準(zhǔn), 取兩類點(diǎn)跡之間方位角誤差的均值作為地波雷達(dá)觀測(cè)目標(biāo)的方位角校正參數(shù), 以航跡位置之間的最小均方根誤差作為目標(biāo)函數(shù), 對(duì)-跟蹤算法中的濾波參數(shù)與進(jìn)行優(yōu)化選取。利用得到的方位角校正參數(shù)對(duì)所有地波雷達(dá)點(diǎn)跡的方位角進(jìn)行校正, 然后利用優(yōu)選的濾波參數(shù)進(jìn)行濾波跟蹤, 得到最終的航跡如圖3所示。

由圖3中的航跡對(duì)比結(jié)果可以看出, AIS獲取的目標(biāo)航跡信息能夠?yàn)榈夭ɡ走_(dá)目標(biāo)航跡跟蹤提供先驗(yàn)知識(shí), 提取并利用這些知識(shí)來輔助地波雷達(dá)目標(biāo)跟蹤過程, 得到的航跡更接近目標(biāo)的真實(shí)運(yùn)動(dòng)軌跡, 且更加平滑。因此, 對(duì)地波雷達(dá)與同步觀測(cè)手段獲取的特定目標(biāo)信息進(jìn)行多角度、深層次的深度學(xué)習(xí), 充分提取可以指導(dǎo)地波雷達(dá)目標(biāo)跟蹤的先驗(yàn)信息, 對(duì)兩類航跡信息進(jìn)行深入、全面的特征分析, 并建立對(duì)應(yīng)特征之間的相關(guān)關(guān)系, 挑選出能夠輔助地波雷達(dá)目標(biāo)跟蹤的參數(shù)及特征, 以指導(dǎo)地波雷達(dá)目標(biāo)跟蹤過程中運(yùn)動(dòng)模型及跟蹤參數(shù)的優(yōu)化選取, 成為提高地波雷達(dá)目標(biāo)航跡跟蹤質(zhì)量的一種新思路。

3 結(jié)論

地波雷達(dá)海上運(yùn)動(dòng)目標(biāo)跟蹤方法的研究正處于快速發(fā)展階段, 研究的重點(diǎn)正慢慢從整體跟蹤系統(tǒng)的搭建轉(zhuǎn)移到提高航跡質(zhì)量的算法研究及業(yè)務(wù)應(yīng)用。先進(jìn)的跟蹤算法由于模型參數(shù)及濾波參數(shù)等的準(zhǔn)確估計(jì)問題還未解決, 大都處于理論研究階段。其中, 融合先驗(yàn)知識(shí)的目標(biāo)跟蹤方法表現(xiàn)出了良好的潛力。

將深度學(xué)習(xí)的方法拓展應(yīng)用到地波雷達(dá)目標(biāo)跟蹤領(lǐng)域, 從同步探測(cè)手段獲取的特定目標(biāo)航跡中深度挖掘能夠輔助地波雷達(dá)目標(biāo)跟蹤的先驗(yàn)知識(shí), 進(jìn)而發(fā)展有效的高頻地波雷達(dá)特定目標(biāo)跟蹤新方法, 提高后續(xù)對(duì)特定目標(biāo)獨(dú)立跟蹤時(shí)的航跡質(zhì)量, 為地波雷達(dá)目標(biāo)跟蹤提供了一種新穎的思路, 同時(shí), 也有利于促進(jìn)其在實(shí)際海上目標(biāo)綜合監(jiān)視系統(tǒng)中的應(yīng)用。

[1] 王瑞富, 孔祥超, 紀(jì)永剛, 等. 基于GIS的高頻地波雷達(dá)回波信號(hào)的表達(dá)處理與顯示[J]. 海洋科學(xué), 2015, 39(7): 86-92.Wang Ruifu, Kong Xiangchao, Ji Yonggang, et al. Expression and display of echo signal of HF surface wave radar based on GIS[J]. Marine Science, 2015, 39(7): 86-92.

[2] Sevgi L, Pnssforf A, Chan H C. An integrated maritime surveillance system based on high-frequency surface-wave radars, Part 1: theoretical background and numerical simulation[J]. IEEE Antennas and Propagation Magazine, 2001, 43(4): 28-43.

[3] Pnssforf A, Sevgi L, Chan H C. An integrated maritime surveillance system based on high-frequency surface-wave radars, Part 2: Operational status and system performance[J]. IEEE Antennas and Propagation Magazine, 2001, 43(5): 52-63.

[4] 夏共儀. 基于TBD方法的高頻地波雷達(dá)弱目標(biāo)檢測(cè)與跟蹤技術(shù)研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2008. Xia Gongyi. Research on detection and tracking of dim target based on TBD[D]. Harbin: Harbin institute of technology, 2008.

[5] 羅亞, 廖慶敏, 王德生. 高頻地波雷達(dá)多目標(biāo)跟蹤系統(tǒng)[J]. 太赫茲科學(xué)與電子信息學(xué)報(bào), 2015, 13(1): 35-45. Luo Ya, Liao Qingmin, Wang Desheng. Multiple targets tracking system of the High Frequency ground-wave radar[J]. Journal of Terahertz Science and Electronic Information Technology, 2015, 13(1): 35-45.

[6] Khan R, Gamberg B, Power D, et al. Target detection and tracking with a high frequency ground wave radar[J]. IEEE Journal of Ocean Engineering, 1994, 19(4): 540-548.

圖3為少模光纖端面發(fā)生軸向偏移的耦合示意圖.當(dāng)溫度變化時(shí)，光纖位置與天線焦點(diǎn)處會(huì)產(chǎn)生一定偏移，造成離焦.光纖發(fā)生軸向偏移時(shí)，空間光在光纖端面上產(chǎn)生一個(gè)離焦的圓形光斑，光斑面積隨偏移量的增大而增大.當(dāng)光斑面積大于纖芯模場(chǎng)有效面積后，有一部分光能量丟失，使耦合效率降低.而少模光纖模場(chǎng)面積相比單模光纖更大，離焦后接收到的光能量高于單模光纖，因此少模光纖對(duì)光斑軸向偏移的容忍度更高.光纖端面存在軸向偏移Δz時(shí)，可知入射光在光纖端面的光場(chǎng)分布為[18]

[7] Roarty H J, Rivera L E, Handel E, et al. Performance evaluation of SeaSonde high-frequency radar for vessel detection[J]. Mar Technol Soc J, 2011, 45(3): 14-24.

[8] Ponsford A M, Wang J. A review of high frequency surface wave radar for detection and tracking of ships[J]. Turk J Elec Eng & Comp Sci, 2010, 18(3): 409-428.

[9] Dzvonkovskaya A, Gurgel K W, Rohling H, et al. HF radar WERA application for ship detection and tracking[J]. European Journal of Navigation, 2009, 7(3): 18-25.

[10] Chan H C. Iceberg detection and tracking using high frequency surface wave radar[R]. Ottawa: Defense Research Establishment Ottawa, 1997.

[11] Bar-Shalom Y, Daum F, Huang J. The probabilistic data association filter[J]. IEEE Control Syst Mag, 2009, 29(6): 82-100.

[12] Chen B, Tugnait J K. Tracking of multiple maneuvering targets in clutter using IMM/JPDA filtering and fixed-lag smoothing[J]. Automatica, 2001, 37(2): 239-249.

[13] 胡松, 柯亨玉, 文必洋, 等. 高頻地波雷達(dá)下的多目標(biāo)跟蹤數(shù)據(jù)處理[J]. 武漢大學(xué)學(xué)報(bào)(理學(xué)版), 2003, 49(3): 391-395.Hu Song, Ke Hengyu, Wen Biyang, et al. Multiple targets tracking data processing for HF ground wave radar[J]. J Wuhan Univ (Nat Sci Ed), 2003, 49(3): 391-395.

[14] Huang X J, Wen B Y, Ding F. Ship detection and tracking using multi-frequency HFSWR[J]. IEICE Electronics Express, 2010, 7(6): 410-415.

[15] Braca P, Grasso R, Vespe M, et al. Application of the JPDA-UKF to HFSW radars for maritime situational awareness[C]//IEEE. International Conference on Information Fusion. Singapore: IEEE, 2012: 2585-2592.

[16] Maresca S, Braca P, Horstmann J. Data fusion performance of HFSWR systems for ship traffic monitoring[C]//IEEE. International Conference on Information Fusion. Istanbul: IEEE, 2013: 1273-1280.

[17] Maresca S, Braca P, Horstmann J, et al. Maritime surveillance using multiple high-frequency surface-wave radars[J]. IEEE Trans on Geo and Remote Sensing, 2014, 52(8): 5056–5071.

[18] Liu C, Shi X. Study of Data Fusion of AIS and Radar[C]// IEEE. International Conference of Soft Computing and Pattern Recognition. Malacca: IEEE, 2009: 674-677.

[19] Vesecky J F, Laws K E, Paduan J D. A system trade model for the monitoring of coastal vessels using HF surface wave radar and ship automatic identification systems (AIS)[C]//IEEE. 2010 IEEE International Geoscience and Remote Sensing Symposium. Hawaii: IEEE, 2010: 3414-3417.

[20] Dzvonkovskaya A, Rohling H. HF radar performance analysis based on AIS ship information[C]//IEEE. IEEE Radar Conference. Arlington: IEEE, 2010: 1239-1244.

[21] 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]//IEEE. International Waterside Security Conference. Carrara: IEEE, 2010: 1-6.

[22] Capraro G T, Farina A, Griffiths H, et al. Knowledge-based radar signal and data processing: a tutorial review[J]. IEEE Signal Processing Magazine, 2006, 23(1): 18-29.

[23] Vivone G, Braca P, Horstmann J. Konwledge-based multi-target ship tracking for HF surface wave radar systems[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(7): 3931-3949.

[24] Pallotta G, Vespe M, Bryan K. Vessel pattern knowledge discovery from AIS data: A framework for anomaly detection and route prediction [J]. Entropy, 2013, 15(6): 2218-2245.

[25] Pallotta G, Horn S, Braca P, et al. Context-enhanced vessel prediction based on Ornstein-Uhlenbeck processes using historical AIS traffic patterns: Real-world experimental results[C]//IEEE. International Conference on Information Fusion. Salamanca: IEEE, 2014: 1-7.

[26] Hinton G, Osindero S, Teh Y. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[27] Farabet C, Couprie C, Najman L, et al. Learning Hierarchical Features for Scene Labeling[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 1915-1929.

[28] 孫志軍, 薛磊, 許陽明, 等. 深度學(xué)習(xí)研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(8): 2806-2810. Sun Zhijun, Xue Lei, Xu Yangming, et al. Overview of deep learning[J]. Application Research of Computers, 2012, 29(8): 2806-2810.

New ideas for HFSWR maritime target tracking

SUN Wei-feng1, DAI Yong-shou1, JI Yong-gang2, ZHOU Peng1, WAN Yong1

(1. College of Information and Control Engineering, China University of Petroleum (East China), Qingdao 266580, China; 2. Laboratory of Marine Physics and Remote Sensing, First Institute of Oceanography, State Oceanic Administration, Qingdao 266061, China)

High-frequency Surface Wave Radar (HFSWR) provides an important means for monitoring maritime moving targets. In order to improve the performance of HFSWR for independently tracking specific targets, the research status of HFSWR maritime target tracking technology is reviewed, and the main problems existing in current tracking methods are analyzed and summarized. According to the practical application requirements for maritime target tracking, a knowledge-based specific target tracking method is proposed, which fully exploit the target information obtained by other synchronous target detection means by virtue of the powerful deep learning methods and can improve the track quality for the subsequent independent tracking of HFSWR. Preliminary tracking results verify the effectiveness of the proposed method. The proposed method is of great significance and reference value for both theoretical study of the target tracking methods and operational applications of HFSWR target tracking systems.

high-frequency surface wave radar; target tracking; knowledge aided; automatic identification system

(本文編輯: 李曉燕)

Apr., 12, 2016

[National Natural Science Foundation of China, No. 61501520; Shandong Provinc Natural Foundation, China, No.ZR2013FL035; the Fundamental Research Funds for the Central Universities, No. 14CX02083A; Marine scientific research special funds for public welfare, No. 201505002; Fund of Oceanic telemetry Engineering and Technology Research Center, State Oceanic Administration, No. M1205010A]

TN953+.6

A

1000-3096(2017)06-0144-06

10.11759/hykx20160412004

2016-04-12;

2016-05-26

國家自然科學(xué)基金項(xiàng)目(61501520); 山東省自然科學(xué)基金項(xiàng)目(ZR2013FL035); 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)(14CX02083A); 海洋公益性行業(yè)專項(xiàng)(201505002); 國家海洋局海洋遙測(cè)工程技術(shù)研究中心開放基金(M1205010A)

孫偉峰(1982-), 男, 山東東營人, 副教授, 博士, 研究方向?yàn)楹Ｉ夏繕?biāo)探測(cè)與跟蹤, 電話: 18266639778, E-mail: swf0217@163.com