丁赤飚1,2,4,,
任文娟2,3,,
许光銮2,3,
①.中国科学院大学 ??北京 ??100049
②.中国科学院电子学研究所 ??北京 ??100190
③.中国科学院空间信息处理与应用系统技术重点实验室 ??北京 ??100190
④.微波成像技术重点实验室 ??北京 ??100190
基金项目:国家自然科学基金(61725105, 61331017)
详细信息
作者简介:徐亚圣(1993–)，男，湖南耒阳人。2015年在吉林大学获得工学学士学位，现为中国科学院大学，中国科学院电子学研究所硕士研究生。主要研究方向为航迹关联、机器学习。E-mail: xuyasheng93@163.com
丁赤飚(1969–)，男，陕西西安人，研究员，博士生导师。1997年在北京航空航天大学获得博士学位，现任中国科学院电子学研究所副所长，微波成像技术国家重点实验室主任，国家863计划专家。主要研究方向为雷达信号处理。E-mail: cbding@mail.ie.ac.cn
任文娟(1982–)，女，河南焦作人，副研究员，博士。2011年在中国科学院电子学研究所获得博士学位，现为中国科学院电子学研究所中国科学院空间信息处理与应用系统技术重点实验室副研究员，主要研究方向为多源遥感信息融合处理与应用技术。E-mail: wjren@mail.ie.ac.cn
许光銮(1978–)，男，浙江天台人，研究员，博士生导师。2005年在中国科学院电子学研究所获得博士学位，现为中国科学院电子学研究所研究员，中国科学院空间信息处理与应用系统技术重点实验室主任，主要研究方向为地理空间信息挖掘与应用技术。E-mail: gluanxu@mail.ie.ac.cn
通讯作者:徐亚圣 xuyasheng93@163.com
中图分类号:TP391计量
文章访问数:2113
HTML全文浏览量:477
PDF下载量:191
被引次数:0
出版历程
收稿日期:2018-03-29
修回日期:2018-05-29
网络出版日期:2018-07-09
Multi-feature Combination Track-to-track Association Based on Histogram Statistics Feature
XU Yasheng1,2,3,,,DING Chibiao1,2,4,,
REN Wenjuan2,3,,
XU Guangluan2,3,
①. University of Chinese Academy of Sciences, Beijing 100049, China
②. Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China
③. Key Laboratory of Technology in Geo-Spatial Information Processing and Application System, Chinese Academy of Sciences, Beijing 100190, China
④. Key Laboratory of Science and Technology on Microwave Imaging, Beijing 100190, China
Funds:The National Natural Science Foundation of China (61725105, 61331017)
More Information
Corresponding author:XU Yasheng, xuyasheng93@163.com
摘要
摘要:现有的航迹关联方法主要有基于统计和基于模糊数学两大类方法。基于统计的方法大多依赖阈值的设置，基于模糊数学的方法参数设置复杂，且多数方法相关比较时只考虑单个航迹点的信息。针对现有问题，该文首先从航迹的整体出发，在传统欧式距离度量的基础上，提出了一种距离分布直方图的特征并提取了航迹的相似特征，有效地利用了航迹间的整体特性，具有较好的抗噪声性能以及关联准确率。其次充分考虑了船舶运动特征以及不同数据源位置精度，提取了航迹间的速度差分布直方图特征、传感器来源特征。然后将这些特征组合并利用机器学习的方法训练关联模型，有效地避免了需要人工设定阈值以及参数设置复杂的问题。最后，该文构建了一个真实的船舶数据集，实验结果表明距离分布直方图特征相比传统的距离特征总体关联准确率提高了3.23%～11.65%，组合特征相较于单一的距离分布直方图特征总体关联准确率提高了0.068%，验证了该文方法的有效性。
关键词:多传感器航迹关联/
直方统计/
机器学习/
航迹相似度/
多特征组合
Abstract:Existing track-to-track association methods are mainly based on statistics and fuzzy mathematics. However, most methods based on statistics depend on thresholds, and parameters based on fuzzy mathematics are complex to set. In addition, most methods only consider the information of a single track point in comparison. To solve the existing problems, this paper presents a distance distribution histogram feature to extract the similarity features of a trajectory and measure them using the standardized Euclidean distances; this method effectively utilizes the characteristics of the whole trajectory and has a good anti-noise performance and accuracy. The motion features of ships and the location accuracy of different data sources were fully considered. After obtaining the histogram features of velocity difference and the source features of sensors, the authors combined them and trained association models using machine learning, which effectively avoids the problem of manually setting thresholds and complex parameter settings. Finally, a real ship data set was constructed. The experimental results show that compared with the traditional distance feature, the overall association accuracy was improved by 3.23%～11.65% using the distance distribution histogram feature, and by 0.068% using the combination feature, which verifies the effectiveness of the proposed method.
Key words:Multi-sensor track-to-track association/
Histogram statistics/
Machine learning/
Trajectory similarity/
Multi-feature combination
PDF全文下载地址:
https://plugin.sowise.cn/viewpdf/198_50b18e6d-3231-4653-9ddd-9daec6c009d0_R18028
