基于欧氏距离的无人艇载毫米波雷达点迹凝聚方法

李瑞伟, 李立刚, 金久才, 刘德庆, 李方旭, 戴永寿

基于欧氏距离的无人艇载毫米波雷达点迹凝聚方法

李瑞伟1, 李立刚2*, 金久才3, 刘德庆3, 李方旭2, 戴永寿2

(1. 中国石油大学(华东) 控制科学与工程学院, 山东 青岛, 266580; 2. 中国石油大学(华东) 海洋与空间信息学院, 山东 青岛, 266580; 3. 自然资源部第一海洋研究所, 山东 青岛, 266061)

毫米波雷达在工作中会存在虚警和目标点迹分裂等问题。当前多数研究均通过处理雷达回波, 根据波形特征降低虚警, 但结果中仍存在无效点迹; 通过依次比较点迹距离和角度等多维信息判断其是否属于同一目标, 方法过程较为繁琐, 且表示目标状态常用的质心法不够准确。因此文中提出一种基于欧氏距离的点迹凝聚方法, 通过对雷达点迹数据进行处理解决了虚警和目标点迹分裂问题。首先, 结合雷达回波强度和有效检测范围等先验知识, 采用阈值滤波法去除无效点迹。然后, 依据“属于同一个目标的点迹速度相同、距离相近”这一规律, 通过欧氏距离度量点迹间的信息相似度, 实现目标点迹聚类。最后, 计算障碍目标的位置和截面宽度等信息, 以矩形危险区域表示障碍目标所属范围, 从而实现无人艇前方障碍目标的准确检测。实船试验验证了文中方法的有效性。

无人艇; 毫米波雷达; 障碍目标检测; 点迹凝聚

0 引言

无人艇是一种新型水面无人平台, 具有体积小、灵活自主等优点, 逐渐在水质检测、侦查取证及海上搜救等应用领域引起广泛关注。海面障碍物的准确检测是实现无人艇自主作业的前提。毫米波雷达通过发射1~10 mm电磁波对目标进行检测, 精度高且受光线等环境因素的干扰较小, 应用于无人艇前方障碍目标检测具有显著优势。由于雷达检测波束有一定宽度[1], 检测波束扫过目标时, 一个目标可能会反射多个回波, 导致雷达将其误识为多个目标, 输出多个目标点迹, 进而造成目标点迹分裂的问题。此外, 受风浪干扰, 雷达随无人艇俯仰晃动时会检测到海面并将其误识别为障碍目标, 输出无效目标点迹, 造成虚警。

目前, 以无人艇自主避碰为应用背景的毫米波雷达海面障碍目标检测方法较少, 通常采用点迹凝聚的方法[1]解决虚警和点迹分裂问题。其中, 针对虚警问题, 当前大多数研究均在回波层, 通过对雷达回波进行处理, 采用恒虚警检测[2]等方法, 根据波形特征等降低虚警, 但处理效果有限, 雷达检测结果中仍存在无效点迹, 而且在采购成品雷达后, 雷达回波也并不容易获取; 在数据层, 通常采用阈值滤波法[3], 通过对点迹的距离等关键信息设置有效范围, 来滤除无效目标点迹, 该方法原理简单, 易于实现, 可有效地进一步抑制虚警。针对目标点迹分裂问题, 通常采用点迹聚类方法划分属于同一目标的点迹, 常用的聚类方法有均值法、基于密度的聚类算法(density-based spatial clustering of applications with noise, DBSCAN)等。其中均值法必须预知目标数量[4-5], 显然难以满足当前需求。DBSCAN法认为只有某区域内点迹密度达到一定阈值时点迹有效[6], 容易造成目标丢失。

如何判断不同点迹是否属于同一目标是实现点迹聚类的关键环节, 目前主流方法通过依次比较点迹距离和角度等多维信息进行判断[6-9], 每次判断需多次比较, 较为繁琐。采用基于点迹信息相似度的方法可有效简化判断过程, 常见的相似度度量有欧几里德距离和曼哈顿距离等。曼氏距离常用于度量路径差异, 而欧氏距离常用于度量空间中两点间的直线距离, 用于度量点迹信息相似度更加准确。

在点迹完成聚类后, 通常采用质心法[8-12]1.91.101.11根据点迹信息计算各目标的位置、距离和角度等信息, 该方法较简单, 但无法获取目标最近距离及所属区域范围等信息, 计算结果在近距离(200 m)无人艇避碰应用中显然不够完整和准确。

综上所述, 现有方法在无人艇避碰应用背景下尚存不足, 为此文中提出了基于欧氏距离的雷达目标点迹凝聚(plots-centroid based on Euclideansistance, PCBED)方法, 以实现海面障碍物的准确检测, 为无人艇避碰和路径规划准确提供前方障碍目标的相对距离、角度、速度和横向和纵向截面宽度等信息。

1 基于欧氏距离的点迹凝聚方法

首先, 采用阈值滤波法滤除无效目标点迹。然后, 依据“属于同一个目标的点迹速度值相同、距离相近”的规律, 通过欧氏距离度量点迹间的信息相似度, 实现目标点迹聚类。最后, 计算目标距离、角度、速度和宽度等信息, 并以矩形危险区域表示目标所属范围。

1.1 数据获取与预处理

将雷达安装于船艏, 检测无人艇前方障碍目标, 可实时获取目标点迹的相对距离()、角度()、径向速度()、雷达散射截面()和位置(,)等信息。通过观察分析大量试验数据, 结合毫米波雷达检测原理, 可以得出无效目标点迹具有以下特点: 其、、值可能会超出雷达有效检测范围; 无效目标点迹对应的回波强度通常较低, 因此其值较低。根据上述特点, 采用阈值滤波法去除无效目标点迹, 具体如下: 设置、、及阈值, 确定信息有效范围, 即当点迹的、、及值不满足以下条件时, 则该点迹将被视为无效目标点迹滤除。

式中:min0、min0、min0、max0、max0和max0分别为相对距离、角度、速度的最小阈值和最大阈值, 具体数值根据所用毫米波雷达的性能指标设置;0为雷达散射截面最小阈值, 具体数值应结合应用场景经试验分析设定。

由于从雷达得到的点迹数据未按距离排序, 此时按文中方法的聚类过程处理乱序目标点迹时, 容易导致聚类失败, 即一个目标被错误处理为多个目标。为了减少上述情况的发生, 按照目标点迹的相对距离, 由近及远对所有目标点迹进行重排列, 得到一组新的有序目标点迹。

1.2 目标点迹聚类

目标点迹聚类即通过数据处理将属于同一目标的点迹进行有效划分。依据“属于同一个目标的点迹速度值相同、距离相近”这一规律, 根据目标点迹的速度和位置信息, 计算点迹之间的欧氏距离, 用其度量点迹之间的信息相似度[13], 并据此对目标点迹进行聚类处理, 流程如图1所示。

首先, 获取预处理后的目标点迹数据, 建立目标点迹集与空目标集,且

式中:为目标点迹集中的点迹序号;为目标集中的目标序号, 将属于目标的点迹称为目标的“成员点迹”;为成员点迹序号。

生成新目标并将首个点迹设定为该目标的成员点迹, 即

然后, 依次计算第1个目标所有成员点迹1p与下一目标点迹D的欧氏距离, 用其度量两点迹间的数据信息相似度,值越小, 则两点迹的信息相似度越高, 反之亦然。标准欧氏距离

图1 目标点迹聚类流程图

式中,、和分别为点迹的横向距离、纵向距离和径向速度值。

由于计算欧氏距离时使用了位置和径向速度2种不同量纲的信息, 而且当无人艇以某一角度与大型障碍目标接近时, 可能造成同一目标的点迹径向速度值差异较大, 此时直接采用式(4)将会造成较大误差。针对上述问题, 首先采用阈值化方法对位置和速度指标进行无量纲化处理, 然后在计算欧氏距离时为点迹速度信息设置衰减系数,在10~100 m内随点迹距离减小而减小, 从而在一定程度上降低随着目标的靠近同一目标点迹径向速度值不同带来的影响, 即

式中:1、2为位置和速度指标在计算欧氏距离时所占权重, 分别取值0.7和0.3;d、d分别为位置差异和速度差异的阈值,d=2 m/s, 而由于随着探测距离增大, 雷达分辨率会逐渐降低, 同时考虑无人艇自主避碰的安全性等因素,d取值为

判断是否存在＜1, 若是, 则认为该目标点迹是属于该目标的一个成员点迹, 继续按上述过程处理下一目标点迹; 若否, 则计算下一目标所有成员点迹与该目标点迹的欧氏距离, 进行上述判定; 若遍历所有已存在目标仍无法将该目标点迹划分, 则在目标集生成新目标, 并将该点迹设定为新目标的第1个成员点迹。循环上述过程, 直至遍历所有目标点迹。

最后, 将目标集中成员点迹个数小于经验阈值0的目标视为虚假目标, 删除此类目标, 降低离散点迹对检测结果的影响。

通过上述过程, 能够遍历所有目标点迹, 将属于不同目标的点迹进行区分, 将属于同一目标的点迹实现聚类。

1.3 目标信息计算与表示

由于无人艇自主避碰不仅需要获取前方障碍目标的距离、角度和速度, 还必须得到障碍目标的宽度等信息, 因此采用主流方法质心法获取的障碍目标信息在无人艇近距离避碰应用中显然不够完整和准确。文中根据各目标所包含的成员点迹信息, 计算相应目标的最近距离、角度、速度和横向、纵向截面宽度等信息, 并得到一个矩形危险区域来表示障碍目标所属范围。

假设目标包含成员点迹数量为, 则根据各成员点迹信息计算目标的信息

式中:R,A和V表示目标的距离, 角度和速度; (X,Y)表示目标所属矩形危险区域的左下角位置;XW和YW分别表示目标矩形危险区域的横向、纵向截面宽度, 考虑安全性, 设置最小目标宽度值0, 若目标宽度值小于0, 则令其等于0。

2 实船试验与结果分析

为验证PCBED法在工程应用中的有效性, 通过实船试验, 选取多个不同试验场景, 并采用PCBED法(方法1)和常用的基于DBSCAN聚类的点迹凝聚方法(方法2)分别对各试验场景获取的目标点迹数据进行二次处理, 对比分析文中方法应用于障碍目标检测的有效性和准确性。

2.1 试验准备及过程

该试验在1~2级海况下进行, 地点为青岛胶州湾海域, 共有4处试验场景。3种被测目标分别为: 小型皮划艇、小型渔船和大型轮船。试验中, 为使雷达保持稳定, 保证试验数据的可靠性, 试验船以低速行驶靠近被测目标, 获取检测数据。经调研, 试验选用德国 Continental公司的ARS408-21型77 GHz长距离毫米波雷达。该雷达采用快斜率调频连续波体制, 检测范围可达200 m(20º~120º), 测距精度为0.1~0.4 m, 检测周期为70 ms。将毫米波雷达安装于船艏位置, 距海平面高度约1.5 m, 通过计算机控制毫米波雷达开启, 获取各试验场景中本船前方障碍目标点迹信息并进行实时处理。

试验前对方法中涉及的各个阈值参数进行设定: 根据雷达性能说明书设置min0=0,max0=200,min0=-60,max0=60,min0=-40,max0=25,0=3, 其中速度值的正负分别代表目标远离和靠近; 考虑无人艇避碰安全距离等因素设置0=3。0设置过小会导致滤除效果较差, 过大容易造成漏检, 因此对其进行合理设定最为关键。在车载雷达中0参考值为0, 即值正负分别代表点迹有效和无效。但海上障碍目标类型、材质等更加多样复杂, 采用该值相对过大, 易滤除有效点迹, 造成漏检。因此从各类目标中分别随机选取若干不同目标的300个点迹, 统计其值分布情况, 如表1所示。

表1 海面障碍目标RCS值分布表

显然, 各类目标点迹的值基本大于–10 dBsm, 因此设置0=–10 dBsm。

2.2 试验结果

在4个试验场景的检测结果中均存在以下问题: 尽管试验船低速行驶, 行驶过程中仍不可避免地产生俯仰运动, 导致毫米波雷达会检测到海面并将其误识别为目标, 从而检测结果存在无效目标点迹, 同时, 受雷达分辨率等因素影响, 有效目标会被分裂为多个目标点迹。以2种点迹凝聚方法分别对4处试验场景获取的目标点迹数据进行凝聚处理, 具体结果如下。

1) 试验一: 被测目标为前方70 m外一艘小型皮划艇, 试验船与其相对径向速度约为–2 m/s, 试验场景及雷达原始目标点迹如图2所示。

通过图2可以看出, 被测目标在原始目标点迹图中表现为6个点迹, 图中存在3个无效目标点迹, 分别采用2种点迹凝聚方法对本帧数据进行处理, 效果如图3所示。通过2种点迹凝聚方法所得目标信息如表2所示。

图2 试验一场景及雷达原始目标点迹图

图3 试验一数据处理效果图

表2 试验一计算所得目标信息

通过对比试验结果可知, 2种方法均对目标信息进行较为准确的计算, 而方法1可获取目标最近距离、最高速度以及目标宽度等信息, 能够在无人艇进行自主避碰时进一步提高安全性。

2) 试验二: 被测目标为前方15 m以外一艘小型渔船, 本船与其相对径向速度约为–1 m/s试验场景及雷达原始目标点迹如图4所示。

图4 试验二场景及雷达原始目标点迹图

通过图4可以看出, 原始目标点迹图中除目标船返回的4个点迹外, 还存在大量无效目标点迹, 分别采用2种点迹凝聚方法对本帧数据进行处理, 效果如图5所示。通过2种点迹凝聚方法所得目标信息如表3所示。通过对比试验结果可知, 方法2所得的目标1实际为虚假目标, 而针对虚警问题, 方法1通过数据预处理及聚类后删除离散点迹双重处理, 有效滤出了虚假目标。

图5 试验二数据处理效果图

3) 试验三: 被测目标为前方80 m以外一艘大型轮船, 试验船与其相对径向速度约为–2 m/s试验场景及雷达原始目标点迹如图6所示。

通过图6可以看出, 被测大型轮船返回了大量点迹, 分别采用2种点迹凝聚方法对本帧数据进行处理, 效果如图7所示。通过2种点迹凝聚方法所得目标信息如表4所示。

表3 试验二计算所得目标信息

图6 试验三场景及雷达原始目标点迹图

图7 试验三数据处理效果图

表4 试验三计算所得目标信息

通过试验结果可知, 相对方法1而言, 尽管方法2计算得出了目标的质心距离、角度和速度等信息, 但在无人艇进行自主避碰及路径规划时该结果显然不能代表目标实际情况, 甚至严重威胁本船安全。

4) 试验四: 实验船缓慢行驶与试验三被测大型轮船不断靠近至30 m左右, 实际速度约–3 m/s, 点迹的径向速度检测值为–2.75~0 m/s, 试验场景及雷达原始目标点迹如图8所示。

图8 试验四场景及雷达原始目标点迹图

分别采用2种点迹凝聚方法对本帧数据进行处理, 效果如图9所示。

图9 试验四数据处理效果图

通过2种点迹凝聚方法所得目标信息如表5所示。

当试验船与大型目标靠近时会导致属于同一目标的点迹速度值不同, 影响聚类效果。通过试验结果可知, 在计算欧氏距离时为速度设置与距离相关的衰减系数, 有效解决了上述问题。

表5 试验四计算所得目标信息

2.3 试验结果分析

通过对比不同场景下2种方法效果可得: PCBED法有效滤除了大量虚假目标点迹, 降低虚警; 基于欧氏距离实现点迹聚类, 解决了不同大小目标的点迹分裂问题; 计算获得了目标的最近距离、角度、速度和横向、纵向截面宽度, 并以矩形危险区域表示障碍目标的所属范围, 所得信息较为全面, 有效提高了检测结果的准确性, 保证了无人艇的安全。

3 结束语

针对毫米波雷达应用于无人艇前方海面障碍目标检测存在的虚警和目标点迹分裂问题, 文中提出了PCBED法, 能够有效提高雷达检测结果的准确性。采用阈值滤波法滤除了无效目标点迹, 同时能够降低数据量, 提高后续数据处理的效率; 通过计算欧氏距离度量点迹间信息相似度的方式判定点迹是否属于同一目标, 简化了目标点迹聚类过程; 得到了目标的位置、速度和横向、纵向截面宽度等信息, 以矩形危险区域表示障碍目标的所属范围, 为无人艇自主避碰提供更完整、准确的障碍物信息。

PCBED法是基于单帧检测数据的处理, 在下一步研究中, 可根据“同一目标在多帧检测数据中存在关联”进行展开, 通过处理连续多帧检测数据, 进一步提高检测结果的有效性和准确性。

[1] 刘美云. 一种基于两坐标搜索雷达的点迹凝聚算法[J]. 科学技术创新, 2018(24): 60-61.

[2] 孙元, 孙梧雨, 韦家军, 等. 基于恒虚警检测的汽车主动防撞毫米波雷达信号处理算法[J]. 兵工自动化, 2017, 36(9): 45-49.Sun Yuan, Sun Wu-yu, Wei Jia-jun, et a1. CFAR Based Signals Processing of Millimeter-wave Radar for Automotive Anti-collision[J]. Ordnance Industry Automation, 2017, 36(9): 45-49.

[3] Liu Y Y, Gao S W, Wang J, et a1. Design and Implementation of Target Detection System for Miniature Intelligent Vehicles[J]. Journal of Beijing University of Technology, 2016, 42(10): 1509-1518.

[4] 何佩佩, 唐霜天, 匡华星. 一种基于层次划分聚类的雷达信号分选算法[J]. 现代防御技术, 2016, 44(4): 51-55.He Pei-pei, Tang Shuang-tian, Kuang Hua-xin. A Radar Signal Sorting Algorithm Based on Hierarchical Clustering[J]. Modern Defence Technology, 2016, 44(4): 51-55.

[5] 张什永, 张海黎, 胡泽宾, 等. 基于聚类分析的雷达信号分选研究[J]. 航天电子对抗, 2013, 29(1): 49-52.Zhang Shi-yong, Zhang Hai-li, Hu Ze-bin, et al. Research on Clustering-based Radar Signal Sorting[J]. Aerospace Electronic Warfare, 2013, 29(1): 49-52.

[6] 王晓峰, 张国毅, 王然. 一种新的未知雷达信号快速分选方法[J]. 电子信息对抗技术, 2011, 26(5): 19-22.Wang Xiao-feng, Zhang Guo-yi, Wang Ran. A New Method of Unknown Radar Signals Sorting[J]. Electronic Information Warfare Technology, 2011, 26(5): 19-22.

[7] 刘志英. 基于TS-201的三坐标雷达点迹处理器的设计与实现[J]. 信息技术与信息化, 2012(1): 79-81.Liu Zhi-ying. The Design and Implementation of Plot Acquisition Processor for 3D Radar Based on TS-201[J]. Information Technology and Informatization, 2012(1): 79-81.

[8] 吉军. 雷达点迹的目标智能特征提取方法研究[J]. 信息技术, 2013(6): 83-87.Ji Jun. Intelligent Radar Point Target Trace Feature Extraction Method[J]. Information Technology, 2013(6): 83-87.

[9] 周钇辛. 基于多维特征数据信息的点迹凝聚算法[J]. 工程技术(文摘版), 2017(9): 96-97.

[10] Ruoskanen J, Eskelinen P, Heikkila H. Target Detection Trials with a Millimeter Wave Radar System[J]. IEEE Aerospace and Electronic Systems Magazine, 2003, 18(11): 26-30.

[11] 韩俊峰, 宁军. 一种三坐标雷达的点迹凝聚处理方法[J]. 现代导航, 2011(5): 363-366.Han Jun-feng, Ning Jun. A Plots Centriod Method of Three Dimension Radar[J]. Modern Navigation, 2011(5): 363-366.

[12] 熊毅, 张承志. VxWorks平台下的米波雷达点迹凝聚方法研究[J]. 雷达科学与技术, 2009, 7(6): 47-50, 55.Xiong Yi, Zhang Cheng-zhi. A Plot Clotting Approach of Meter Wave Radar Based on VxWorks[J]. Radar Science and Technology, 2009, 7(6): 47-50, 55.

[13] Wang X, Xu L H, Sun H B, et al. On-Road Vehicle Detection and Tracking Using MMW Radar and Monovision Fusion[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(7): 2075-2084.

Plots-Centroid Method for USV-Borne Millimeter-Wave Radar Based on Euclidean Distance

LI Rui-wei1, LI Li-gang2*, JIN Jiu-cai3, LIU De-qing3, LI Fang-xu2, DAI Yong-shou2

(1. College of Control Science and Engineering, China University of Petroleum(East China), Qingdao 266580, China; 2. College of Ocean and Space Information, China University of Petroleum(East China), Qingdao 266580, China; 3. Laboratory of Marine Physics and Remote Sensing, First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China)

To solve the problems of false alarm and target-plot splitting of millimeter-wave(MMW) radar used in the detection of obstacles in unmanned surface vessels(USVs) on the sea, most recent studies have reduced false alarms by processing radar echo based on waveform characteristics. These studies have also compared multi-dimensional information such as the distance and angle of plots to determine whether the plots belong to the same target, this studies are cumbersome. And the centroid methods are not sufficiently accurate to represent the target state. Therefore, this study proposes a plots-centroid method based on Euclidean distance that solves the problems of false alarm and target-plot splitting by processing radar plot data. First, using prior knowledge related to radar echo intensity and effective detection range, a threshold filtering method is used to remove invalid plots. Then, based on the rule stating that plots belonging to the same target have the same speed and close distance, the Euclidean distance is used to measure the similarity of information between plots. Finally, target-plot clustering is realized. Finally, the position and section width of the obstacle target are calculated, where the range of the obstacle target is denoted by a rectangular dangerous area to enable accurate detection of the obstacle target in front of the USV. The effectiveness of this method is verified by an actual ship test conducted.

unmanned surface vessel(USV); millimeter-wave radar; obstacle target detection; plots-centroid

李瑞伟, 李立刚, 金久才, 等. 基于欧氏距离的无人艇载毫米波雷达点迹凝聚方法[J]. 水下无人系统学报, 2020, 28(6): 604-610.

TJ630; U674.91; TN959.1

A

2096-3920(2020)06-0604-07

10.11993/j.issn.2096-3920.2020.06.003

2020-05-16;

2020-07-29.

国家重点研发计划(2017YFC1405203); 中央高校基本科研业务费专项资助(19CX05003A-1).

李立刚(1976-), 男, 博士, 副教授, 主要研究方向为无人船智能信息处理技术.

(责任编辑: 许 妍)