跨时空真伪目标多模态关联超远程无源测距方法

1.本发明涉及光电对抗及预警探测技术领域，具体涉及一种跨时空真伪目标多模态关联超远程无源测距方法。


背景技术：

2.多站无源交汇测量可对目标实现精准定位并返回精确的三维信息，是精准定位目标的重要测量手段，是红外独立或辅助雷达进行防空反导的前提条件。当前较为成熟的单站有源定位虽然测量精度高，但极易受到大气、障碍物及功率限制等物理因素影响，尤其针对超远距离测量，在实际应用中场景受限，例如公开号为cn111521061a的中国专利《基于线阵ccd交汇测量的立靶参数测试装置及其调试方法》解决了现有线阵ccd交汇测试装置在外场应用时环境适应性差、调试效率低、设备调试、标定困难的问题。该专利中通过激光照明装置、线阵ccd相机、调平组件等实现人工粗瞄；再通过互瞄相机自动提取成像光斑的脱靶量，使成像光斑调整至互瞄相机靶面水平中心，当两台测试装置互瞄光源的成像光斑均成像于相机靶面水平中心时，自动精瞄完成。该装置测量精度高，但是易受障碍物的干扰，无法实现超远距离测量，在实际应用中场景受限。
3.多站无源交汇测量是目前针对上述情况所提出的有效解决手段，但在面对真伪点群目标时的真目标确定及探测决策，以及超远距离测量带来的交汇定位精度偏差这两个难点问题仍需要进一步解决。


技术实现要素：

4.本发明的目的是提供一种跨时空真伪目标多模态关联超远程无源测距方法，以解决现有多站无源交汇测量存在的真目标确定及探测决策问题以及超远距离测量带来的交汇定位精度偏差问题。
5.本发明为解决技术问题所采用的技术方案如下：
6.本发明的跨时空真伪目标多模态关联超远程无源测距方法，包括以下步骤：
7.步骤s1：对多模态源数据进行时空一致性处理；
8.步骤s2：建立多模态源数据特征决策向量图，设计自适应模糊融合决策准则，粗筛选点群目标；
9.步骤s3：利用投影成像原理，将多站探测设备获取的信息投射至同一个全局坐标系，得到多个待确定点群目标映射图；
10.步骤s4：利用平面图形学原理设立星图模块，构建点群目标平面图形；
11.步骤s5：利用l-m算法进行非线性优化，进行匹配角度补偿测算及多站点群目标粗匹配；
12.步骤s6：基于反馈链路的置信度，确定真点目标和次目标点；
13.步骤s7：对真点目标进行以次目标点为参照的目标定位测算，得到目标对象实际空间位置。
14.进一步的，步骤s1的具体操作步骤如下：
15.对多模态源数据采用时间段内插外推法和基于ut变换的空间转化策略进行时间、空间一致性处理。
16.进一步的，所述ut变换中，sigma点的选取表达式如下：
17.g[{χi},p
x
(x)]＝0
[0018]
s.t.min c[{χi},p
x
(x)]
ꢀꢀ
(1)
[0019]
式中，{χi}表示sigma点集，x表示sigma点，p
x
(x)表示x的密度函数，c[{χi},p
x
(x)]表示代价函数，min表示表达式迭代取最小，s.t.表示服从于操作。
[0020]
进一步的，步骤s2的具体操作步骤如下：
[0021]
对测量类多模态源数据获取的知识性模态数据进行处理，形成多模态源数据特征决策向量图；利用l1正则优化准则和d-s判据设立自适应模糊融合决策准则，粗筛选出前n个最符合自适应模糊融合决策准则的点群目标作为待确定点群目标；建立基于d-s判据的真目标属性判别策略，利用真目标属性判别策略对待确定点群目标进行融合判断，给出待确定点群目标的属性类型及置信度。
[0022]
进一步的，所述l1正则优化准则的表达式如下：
[0023]
min||i
1-i2||
*
ꢀꢀꢀ
(2)
[0024]
式中，min表示表达式迭代取最小，i1表示点群目标1，i2表示点群目标2。
[0025]
进一步的，所述真目标属性判别策略如下：
[0026]
p＝ω*p(tn|(point,size))+(1-ω)*p'(tn|(point,word))
ꢀꢀꢀ
(3)
[0027]
ω＝sigmoid(size/(h*w)-5)
ꢀꢀꢀ
(4)
[0028]
式(3)为真目标属性判别策略，式(4)为加入目标尺寸的附加属性信息权重；p表示判别操作符1，ω表示权重参数，tn表示最大似然选择条件，point表示选取的目标点，size表示选取目标点的抽象尺寸，p
′
表示表示判别操作符2，word表示选取目标点的抽象特征描述，sigmoid表示l1正则优化操作，h表示目标高度信息，w表示目标宽度信息。
[0029]
进一步的，步骤s4的具体操作步骤如下：
[0030]
根据多个待确定点群目标映射图，利用平面图形学原理将目标点依次连线组成多边形，构建星图模块，形成点群目标平面图形。
[0031]
进一步的，步骤s5的具体操作步骤如下：
[0032]
根据多个待确定点群目标映射图，设置初始参数，将初始参数输入至星图模块中进行星图空间曲面选择和多边形对角线简比优化，利用多边形对角线简比不变性设置多个待确定点群目标映射图之间的点迹基本识别决策特征矩阵，同时利用奇异值分解算法测算点迹基本识别决策特征矩阵，得到多边形坐标矩阵奇异值，将该奇异值输入至式(7)用l-m算法进行非线性优化，利用优化结果求取点群目标映射图矩阵；利用点群目标映射图矩阵进行匹配角度补偿测算，并利用奇异值不变性进行多站点群目标粗匹配；当满足式(5)时进行剩余点群目标的进一步匹配，以与主对角线上点相匹配的点寻找和待确定点群目标相匹配的目标点，满足式(6)条件时则判定为所寻找的符合条件的点为主目标点；最终以式(5)获得的内外参数为初始值，以式(6)获得的所有匹配点为样本，采用式(7)用l-m算法进行非线性优化，求取最优参数，即匹配角度补偿误差测算值；
[0033][0034][0035][0036]
式中，min f1(x)表示表达式f1(x)迭代取最小，p1和w1分别表示主对角线上的两个点，|crossi(p)-crossi(w)|表示对点p和点w进行简比操作，λ1、λ2均表示加权参数，σ
ui
、σ
vi
|表示对应的标准差，|dx(p)-dx(w)|表示主对角线长度，w0表示权重因子，vc表示点坐标矩阵，n为可识别的目标点数量，x'i、xi表示点坐标值，c表示旋转矩阵。
[0037]
进一步的，步骤s6的具体操作步骤如下：
[0038]
根据自适应模糊融合决策准则及匹配角度补偿误差测算值设置基于反馈链路的置信度，不断剔除伪点目标，直至不构成最小点群目标平面图形，确定真点目标和次目标点。
[0039]
进一步的，步骤s7的具体操作步骤如下：
[0040]
将次目标点作为参照并利用二维算子减小真点目标的真实三维位置与系统之间的误差，利用三维重建网格化技术及射线交汇测量确定真点目标的空间位置。
[0041]
本发明的有益效果是：
[0042]
本发明的跨时空真伪目标多模态关联超远程无源测距方法，首先将获取的多模态源数据先进行时空一致性处理以提升交汇测量的基础设备精度；之后根据多模态源数据形成特征决策向量图，利用特征决策向量图设计自适应模糊融合决策准则，粗筛选点群目标；利用投影成像原理，将多站探测设备获取的信息投射至全局坐标系，得到统一到同一个全局坐标系下的待确定点群目标映射图；利用平面图形学原理设立星图模块，利用平面图形学原理设立星图模块，构建点群目标平面图形；随后利用l-m算法进行非线性优化，进行匹配角度补偿测算及多站点群目标粗匹配，提高复杂点群目标的筛选测量准确性；基于反馈链路的置信度，确定真点目标，完成精确测量目标定位测算以及补偿角函数参数的确定；最终对真点目标进行以次目标点为参照的目标定位测算，得到目标对象实际空间位置，完成复杂点群目标的超远距离跨时空测距。
[0043]
与现有技术相比，本发明具有以下优点：
[0044]
1、本发明具备多站探测设备同时对复杂真伪点群目标的精确分辨的处理能力，对测距目标的确认准确度可达85％以上。
[0045]
2、本发明具备超远距离(150公里外)的精确交汇测距能力，测量精度小于50米。
[0046]
3、本发明可实现跨时空真伪点群目标多模态关联超远程的无源测距，大幅提升光电系统效能，为武器系统提供精确的三维信息和及时有效的制导信息。
附图说明
[0047]
图1为本发明的跨时空真伪目标多模态关联超远程无源测距方法的流程图。
[0048]
图2为利用本发明的跨时空真伪目标多模态关联超远程无源测距方法对多站点群
目标进行粗匹配及匹配角度补偿测算的具体实施示意图。
具体实施方式
[0049]
以下结合附图对本发明作进一步详细说明。
[0050]
如图1所示，本发明的跨时空真伪目标多模态关联超远程无源测距方法，主要包括以下步骤：
[0051]
步骤s1：对多模态源数据进行时空一致性处理；
[0052]
步骤s2：建立多模态源数据特征决策向量图，设计自适应模糊融合决策准则，粗筛选点群目标；
[0053]
步骤s3：利用投影成像原理，将多站探测设备获取的信息投射至同一个全局坐标系，得到多个待确定点群目标映射图；
[0054]
步骤s4：利用平面图形学原理设立星图模块，构建点群目标平面图形；
[0055]
步骤s5：利用l-m算法进行非线性优化，进行匹配角度补偿测算及多站点群目标粗匹配；
[0056]
步骤s6：基于反馈链路的置信度，确定真点目标和次目标点；
[0057]
步骤s7：对真点目标进行以次目标点为参照的目标定位测算，得到目标对象实际空间位置。
[0058]
本发明的跨时空真伪目标多模态关联超远程无源测距方法，具体包括以下步骤：
[0059]
步骤s1：对多模态源数据进行时空一致性处理。
[0060]
其具体操作步骤如下：
[0061]
利用共口径凝视型多模态传感多站探测设备获取多模态源数据，该多模态源数据多为目标的知识属性量，包括可见图像序列、长波图像序列、中波图像序列、短波图像序列、时间码、辐射特性数据、测角信息及其他目标统计信息。
[0062]
对多站探测设备获取的多模态源数据采用时间段内插外推法和基于ut变换的空间转化策略进行时间、空间一致性处理。
[0063]
其具体操作步骤如下：
[0064]
多站探测设备获取的多模态源数据为目标轨迹，首先根据获取的目标航迹性质，利用时间段内插外推法，遵循最新的目标航迹及已经关联的目标航迹先外推原则进行时间一致性处理；然后采用基于ut变换的空间转化策略进行空间一致性处理，统一目标航迹周期及空间。
[0065]
g[{χi},p
x
(x)]＝0
[0066]
s.t.min c[{χi},p
x
(x)]
ꢀꢀꢀ
(1)
[0067]
式(1)为ut变换中sigma点的选取表达式。其中，{χi}表示sigma点集，x表示sigma点，p
x
(x)表示x的密度函数，c[{χi},p
x
(x)]表示代价函数，min表示表达式迭代取最小，s.t.表示服从于操作。
[0068]
利用时间段内插外推法和基于ut变换的空间转化策略进行时空一致性处理，可提升交汇测量的基础设备精度。
[0069]
步骤s2：根据时空一致性处理后的多模态源数据关联关系，建立多模态源数据特征决策向量图；根据多模态源数据特征决策向量图设计自适应模糊融合决策准则，粗筛选
点群目标。
[0070]
其具体操作步骤如下：
[0071]
对测量类多模态源数据获取的知识性模态数据进行处理，形成多模态源数据特征决策向量图；利用l1正则优化准则和d-s判据设立自适应模糊融合决策准则，粗筛选出前n个最符合自适应模糊融合决策准则的点群目标作为待确定点群目标。
[0072]
min||i
1-i2||
*
ꢀꢀꢀ
(2)
[0073]
式(2)为l1正则优化准则表达式。其中，min表示表达式迭代取最小，i1表示点群目标1，i2表示点群目标2。
[0074]
对于形成多模态源数据特征决策向量图的过程中存在的数据冗余及识别属性互斥等问题，为了对待确定点群目标进行准确的属性识别，建立基于d-s判据的真目标属性判别策略，选取目标特征矩阵中的目标尺寸及探测距离等附加属性信息(针对特定场景的属性数据)进行真目标属性判别策略的制定；利用真目标属性判别策略对获取的待确定点群目标进行融合判断，给出待确定点群目标的属性类型及置信度。所建立的真目标属性判别策略如下所示：
[0075]
p＝ω*p(tn|(point,size))+(1-ω)*p'(tn|(point,word))
ꢀꢀꢀ
(3)
[0076]
ω＝sigmoid(size/(h*w)-5)
ꢀꢀꢀ
(4)
[0077]
式(3)为真目标属性判别策略，式(4)为加入目标尺寸的附加属性信息权重。其中，p表示判别操作符1，ω表示权重参数，tn表示最大似然选择条件，point表示选取的目标点，size表示选取目标点的抽象尺寸，p
′
表示表示判别操作符2，word表示选取目标点的抽象特征描述，sigmoid表示l1正则优化操作，h表示目标高度信息，w表示目标宽度信息。
[0078]
步骤s3：利用投影成像原理，将多站探测设备获取的信息投射至同一个全局坐标系，得到统一到同一个全局坐标系下的多个待确定点群目标映射图。
[0079]
其具体操作步骤如下：
[0080]
利用投影成像原理，根据多站探测设备特性将其获取的信息转换成目标对象视野角度内的相对角度，将多站探测设备获取的信息统一到同一个全局坐标系，形成统一到同一个全局坐标系下的多个待确定点群目标映射图。
[0081]
步骤s4：利用平面图形学原理设立星图模块，构建点群目标平面图形。
[0082]
其具体操作步骤如下：
[0083]
根据同一个全局坐标系下的多个待确定点群目标映射图，利用平面图形学原理将目标点依次连线组成多边形，构建星图模块，形成点群目标平面图形。
[0084]
步骤s5：利用l-m算法进行非线性优化，进行匹配角度补偿测算及多站点群目标粗匹配。
[0085]
其具体操作步骤如下：
[0086]
如图2所示，根据同一个全局坐标系下的多个待确定点群目标映射图，设置初始参数(所说的初始参数包括：多站探测设备获取的信息、真目标属性判别策略即公式(3)和公式(4)中的参数、自适应模糊融合决策准则即公式(2)中的参数)，然后将初始参数输入至星图模块中进行星图空间曲面选择和多边形对角线简比优化，利用多边形对角线简比不变性设置多个待确定点群目标映射图之间的点迹基本识别决策特征矩阵，同时利用奇异值分解算法测算点迹基本识别决策特征矩阵，得到多边形坐标矩阵奇异值，将该奇异值输入至式
(7)用l-m算法进行非线性优化，利用优化结果求取点群目标映射图矩阵；利用点群目标映射图矩阵进行匹配角度补偿测算，并利用奇异值不变性进行多站点群目标粗匹配；当满足式(5)时进行剩余点群目标的进一步匹配，以与主对角线上点相匹配的点寻找和待确定点群目标相匹配的目标点，满足式(6)条件时则判定为所寻找的符合条件的点为主目标点；最终以式(5)获得的内外参数为初始值，以式(6)获得的所有匹配点为样本，采用式(7)用l-m算法进行非线性优化，求取最优参数，即匹配角度补偿误差测算值。
[0087][0088][0089][0090]
式(7)为用l-m算法进行非线性优化采用的目标函数。其中，min f1(x)表示表达式f1(x)迭代取最小，p1和w1分别表示主对角线上的两个点，|crossi(p)-crossi(w)|表示对点p和点w进行简比操作，λ1、λ2均表示加权参数，σ
ui
、σ
vi
|表示对应的标准差，|dx(p)-dx(w)|表示主对角线长度，w0表示权重因子，vc表示点坐标矩阵，n为可识别的目标点数量，x'i、xi表示点坐标值，c表示旋转矩阵。
[0091]
通过非线性优化获得内外参数和点迹基本识别决策特征矩阵的最优参数解，作为标定和姿态测量的精确值。利用上述方法可以提取出未严格标定的传感器焦距、点坐标等参数，并求取姿态角值，这些参数值可作为其它传感器的初始参数值，加快l-m算法的收敛速度。
[0092]
步骤s6：基于反馈链路的置信度，确定真点目标和次目标点。
[0093]
其具体操作步骤如下：
[0094]
根据自适应模糊融合决策准则及匹配角度补偿误差测算值设置基于反馈链路的置信度，不断剔除伪点目标，直至不构成最小点群目标平面图形，确定真点目标和次目标点；由于真点目标的选取过程是不断迭代的过程，因此，当确定出真点目标后，迭代过程中得到的倒数第二个点(最接近真点目标的点)作为确定的次目标点。
[0095]
步骤s7：对真点目标进行以次目标点为参照的目标定位测算，得到目标对象实际空间位置。
[0096]
其具体操作步骤如下：
[0097]
将次目标点作为参照并利用二维算子减小真点目标的真实三维位置与系统之间的误差，利用三维重建网格化技术及射线交汇测量确定真点目标的空间位置。更为具体的，将补偿角函数参数与射线初始位置进行叠加，建立极坐标系并进行网格化，对真点目标进行三维点云重建操作，最终的交汇点为真点目标在真实三维场景中的实际空间位置，完成复杂点群目标的超远距离跨时空测距。
[0098]
综上，本发明在处理复杂真伪点群目标时，可实现150公里外的跨时空交汇无源测距，测距精度小于50米，可为武器系统提供精确的三维信息，为精确制导提供必要的技术支持。
[0099]
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。