生成式中斷航跡接續關聯方法

徐平亮, 崔亞奇, 熊 偉, 熊振宇, 顧祥岐

(海軍航空大學信息融合研究所, 山東 煙臺 264001)

0 引 言

在雷達數據處理領域,目標跟蹤、態勢感知、信息融合等任務特別依賴于航跡段關聯,如果航跡發生中斷,將會對這類任務產生十分惡劣的影響,造成巨大的損失。引發航跡中斷的原因有很多,例如目標的高速機動、故意停止;傳感器的檢測概率低、采樣間隔長;雜波以及電磁干擾等[1]。為了對中斷航跡進行拼接,為下游任務奠定良好的基礎,各類中斷航跡接續關聯算法被提出。這些算法可以分為兩類:預測法和相似性度量法。

一條中斷的航跡可以看成兩部分:斷前航跡和斷后航跡。預測法將斷前航跡向前預測,斷后航跡向后預測(平滑),從而修復中斷區間并完成關聯[1-3]。各種預測法之間的區別在于使用了不同的航跡預測方法。例如Yeom等[1]采用基于卡爾曼濾波的離散優化方法預測并連接新老航跡。然而卡爾曼濾波不能對目標運動的概率密度函數進行準確建模,只有當目標運動的非線性特征和非高斯噪聲保持在合理范圍之內時,卡爾曼濾波才能有較好的跟蹤效果,而當目標運動的非線性特征和非高斯噪聲變得劇烈后,該方法的跟蹤性能便會急劇下降,不能對目標進行有效跟蹤。Sun等[2]采用期望最大化算法[4]估計機動目標的運動狀態來進行航跡的預測,該預測過程考慮到了模型的隱式依賴關系,即位置、速度、加速度、角速度等運動屬性之間的相互依賴關系,從而對非線性運動具有較好的適應性。然而,以上跟蹤算法在面對移動-停止-移動目標時,由于目標的移動速度低于雷達的最小檢測速度(minimum detectable velocity,MDV),傳感器無法準確識別目標的停止狀態,導致關聯效果惡化。為了解決該問題,Zhang等[3]使用基于狀態相關轉移概率的交互式多模型估計器(interacting multiple model-estimator with state-dependent mode transition probabilities, IMM-SDP)預測新老航跡的運動狀態進行航跡段的關聯。在該方法中,對快速目標采用零跳躍概率的模式轉換矩陣,對慢速目標采用非零跳躍概率的模式轉換矩陣。簡而言之,該方法在交互式多模型(interacting multiple model, IMM)中加入了“停止模型”,對停等目標具有較好的適應性,但對于正常運動目標的跟蹤精度會下降。預測法需要對航跡數據進行復雜計算,關聯耗時較大,且在密集復雜環境條件下算法的關聯效果會嚴重惡化。相似性度量法利用航跡段之間的相似性判斷兩條航跡段是否屬于同一目標,這類算法的關鍵是尋找一種合適的航跡相似性度量方法以使判斷更加準確[5-7]。Zhu等[5]提出使用局部航跡的結構化特征來衡量航跡段之間的相似性。杜漸等[6]基于模糊數學理論,提出航跡模糊相似度的概念。劉顥等[7]定義了兩種局部航跡不確定度,改進了相似度計算方法,增加反饋回路,使得新算法能在一定條件下減弱系統誤差的影響,可以自適應不同場景的航跡特征,自適應達到關聯目的。相似性度量方法都是根據需要關聯的目標所處的環境,基于預先定義的度量公式進行關聯,缺乏能夠對環境自適應的相似性度量方法。

不管是預測法還是航跡相似性度量法,都是基于假設的目標運動模型,采用統計估計理論進行中斷航跡接續關聯。兩種方法都存在假設不合理、模型不適用、門限無法確定等問題。雖然Qi等[8]提出利用目標屬性、目標運動特征、目標運動場景等先驗信息以減少對于目標運動模型的依賴,但無法從根本上解決該類算法的缺陷,仍需要投入大量的人力物力進行先驗信息的獲取和參數調試,同時由于復雜的計算導致關聯過程需要大量的推斷時間,大大削減了算法的實用價值。

中斷航跡接續關聯問題可以看作一種轉化問題:將中斷的航跡轉化為連續的航跡。鑒于大量圖與圖之間的轉化任務[9-16],使用生成對抗網絡(generative adversarial network, GAN)[17]并取得了較好的效果。針對傳統方法存在的問題,本文提出基于注意力機制的生成式中斷航跡接續關聯方法完成中斷航跡接續關聯任務。首先設計航跡態勢圖生成模塊,利用原始航跡數據構建航跡態勢圖作為生成對抗網絡的輸入。針對航跡噪聲影響大和航跡中斷特征難以提取的問題,設計航跡關聯網絡,濾除航跡噪聲并生成完整航跡。與自然圖像相比,航跡態勢圖中的特征信息明顯減少,而航跡的關聯更需要關注航跡中斷位置的細節信息,所以本文在航跡關聯網絡中添加了注意力機制[18],提高網絡生成細節的能力。最后通過仿真實驗證明該網絡對于各類場景下的航跡中斷均有較好的關聯效果,且關聯精度和速度均超過現有算法。

文章結構安排如下:第1節介紹本文提出的方法,主要包括航跡態勢圖生成模塊、航跡關聯網絡和注意力模塊的構成以及損失函數的理論分析;第2節介紹仿真數據集即航跡關聯數據集的構建方法;第3節進行網絡訓練和網絡結構參數選擇;第4節進行網絡測試和對比分析,包括與其他中斷航跡接續關聯(track segment consecutive association, TSCA)算法對比、模型適應性測試和抗噪聲測試,以驗證生成式中斷航跡接續關聯方法的有效性。

1 模型和方法

生成式TSCA方法包含3個模塊:航跡態勢圖生成模塊、航跡關聯網絡模塊以及注意力模塊。該方法利用GAN提取中斷航跡態勢圖(interruptive track situation map, ITSM)中的航跡位置信息和中斷信息,并生成連續航跡態勢圖(continuous track situation map, CTSM),完成中斷航跡接續關聯。航跡態勢圖生成模塊將原始航跡數據轉化為航跡態勢圖,便于之后的航跡關聯網絡進行處理。航跡關聯網絡濾除航跡噪聲,提取航跡位置特征和中斷特征并進行中斷航跡關聯(track segment association, TSA),生成CTSM。為了加強航跡關聯網絡對于中斷位置的敏感性,在該網絡中加入了注意力模塊。最后分析航跡關聯網絡的損失函數,證明該網絡的理論可行性。本文所述方法的原理如圖1所示。

1.1 航跡態勢圖的構建

由于GAN的輸出為連續實數分布而無法產生離散空間的分布,難以直接處理離散的原始航跡向量[19],所以在使用GAN生成連續航跡之前,通過構建航跡態勢圖生成模塊,將離散的原始航跡向量變成連續的航跡態勢圖,便于之后的GAN進行處理。由于不同場景下的航跡坐標大小不統一,無法直接映射到同一張圖中,所以需要對原始航跡向量進行歸一化,將航跡位置坐標限制在[0,1]之間,以統一航跡態勢圖的大小并減少航跡位置分布差異帶來的影響。假設第i個航跡向量為

Hi=[(x1,y1),(x2,y2),…,(xn,yn)]T,i∈[1,N]

(1)

首先,遍歷所有航跡向量中的所有航跡點,分別找到X軸的最大值:

(2)

和Y軸的最大值:

(3)

構成最大值點[xmax,ymax]。分別找到X軸的最小值：

(4)

和Y軸的最小值：

(5)

構成最小值點[xmin,ymin]。之后將所有航跡向量中的每一個點都減去最小值點并除以最大值點與最小值點的差,得到規范、無量綱的歸一化航跡向量，如下所示：

(6)

接著,根據需要設置空白圖的大小為M×M,M為圖的像素大小,可以看作航跡態勢圖的轉化精度,M越大,航跡態勢圖的像素越大,對航跡的描繪越精細,但處理時間也相應增加,用單位長度除以M進行網格量化即1/M表示量化網格中每一像素代表的歸一化航跡長度。以網格左下角為原點,每一個量化網格代表一個航跡位置點,將歸一化航跡坐標與量化網格坐標一一對應,得到航跡態勢圖,如圖2所示。

1.2 注意力模塊

為了讓航跡關聯網絡能夠更好地提取航跡中斷位置的細節特征,有效判斷目標的運動模式,本文在該網絡中的特征提取層的最后一層加入了注意力模塊。注意力模塊的結構如圖3所示,其中C,H,W分別代表航跡態勢圖的通道數、高度和寬度。該注意力模塊包含兩部分:通道注意力和空間注意力。通道注意力的作用是計算網絡提取的航跡特征中不同通道的權重,之后對輸入航跡特征中各個通道進行加權,從而選擇觀測目標航跡的最佳觀測尺度;空間注意力的作用是計算網絡提取的航跡特征中不同位置的權重,之后對輸入航跡特征中不同位置進行加權,提高網絡對目標運動狀態變化規律的關注程度,從而選擇最有利于進行中斷航跡接續關聯的目標運動狀態。最后將經過通道注意力和空間注意力加權后的航跡特征進行相加融合,得到注意力融合航跡特征。

1.2.1 通道注意力

通道注意力用來從不同的尺度觀測目標航跡,假設網絡的特征提取層的最后一層輸出張量的大小為(C,H,W),通道注意力模塊(C,1,1)將給不同的通道以不同的權重并更加關注對于目標任務重要的通道。對于網絡最后一層輸出的特征圖而言,不同的通道代表著不同的特征。對于航跡圖而言,單層通道包含航跡的空間信息,多個通道之間包含航跡的觀測尺度信息。為了選擇重要的觀測尺度,本文通過使用通道注意力模塊學習通道注意力矩陣Mc來完成這一目標。通道注意力模塊結構圖如圖4所示。

通道注意力的計算包括3個步驟:壓縮、激活和加權。首先由全局平均池化層(Avgpool)把每個通道內各個元素相加再平均,對原始輸入取全局平均值。假設輸入的特征為T,平均池化層對特征T中的一個通道的計算如下所示：

(7)

之后通過兩個卷積層增加網絡的特征提取能力。接著使用Sigmoid非線性激活函數使網絡具有非線性性質。最后由學習到的通道注意力矩陣Mc與原輸入對應通道進行加權相乘,從而增加對應通道權重:

(8)

1.2.2 空間注意力

空間注意力用來聚焦目標航跡的運動變化趨勢,尤其是中斷區域附近的變化趨勢。與通道注意力不同的是,空間注意力只需要關注每個通道中航跡運動的變化情況,所以空間注意力模塊的張量大小為(1,H,W)。空間注意力模塊通過學習空間注意力矩陣Ms實現空間特征選擇。空間注意力模塊結構圖如圖5所示。

空間注意力的計算同樣包含3個步驟:壓縮、激活和加權。其中激活和加權步驟的操作與通道注意力相同,與通道注意力不同的是,空間注意力的壓縮步驟采用1×1卷積層直接將通道數壓縮為1,其本質是一個空間變換,即通過1×1卷積層的權重矩陣W1×1將特征T的通道數由C變為1。

Conv1×1(T)=T×W1×1

(9)

之后采用3×3卷積進一步增加網絡的特征提取能力。

1.3 航跡關聯網絡

航跡關聯網絡的目標是將中斷的航跡態勢圖轉化為連續的航跡態勢圖,主要的功能是進行航跡噪聲濾波和航跡態勢圖中航跡段的關聯。航跡關聯網絡包含一個生成器和一個判別器。生成器以ITSM為條件生成CTSM,判別器用來判斷生成的CTSM是真還是假,同時為生成器的生成方向提供指導。

1.3.1 生成器

航跡關聯網絡中的生成器用來提取ITSM中的點跡特征和中斷特征,根據這些特征進行TSA,得到CTSM。由于航跡的中斷特征在航跡態勢圖中較為稀疏,在特征提取的過程中容易丟失,所以采用添加注意力機制的自動編碼-解碼器[20]模型作為該網絡的生成器。該生成器包含下采樣層、主干層和上采樣層。下采樣層包含卷積層(Conv2d),歸一化層(instance norm)[21]和非線性激活層(ReLU)[22],用來粗略地提取特征：

ReLU(x)=max(0,x)

(10)

考慮到航跡態勢圖的稀疏性,在下采樣層中沒有使用池化層而是使用步長為2的卷積層進行下采樣,避免丟棄過多的航跡信息。主干層可以是輸出張量大小不變(即去除池化層)的殘差網絡[23]或深度卷積網絡[24],用來精細提取特征,網絡層數均為6層,兩者之間的差異在于是否添加殘差連接。注意力模塊添加在主干層最后一層之后,從高維進行特征權重分配。上采樣網絡由反卷積網絡(TransposeConv2d)[25]、歸一化層和非線性激活層組成,反卷積為卷積的逆運算,利用反卷積將提取到的航跡特征維度提升至原ITSM特征維度,將提取的航跡特征映射到航跡態勢圖中,生成可視化的CTSM。航跡關聯網絡中的生成器結構如圖6所示。

1.3.2 判別器

航跡濾波網絡中的判別器用來提取ITSM和CTSM的特征,利用ITSM作為監督信息,判斷CTSM是真還是假(生成的),并為生成器的參數更新提供指導。判別器的輸入是ITSM和CTSM在圖像通道維的聯結,即聯結后航跡態勢圖的大小為(2C,H,W),由ITSM提供監督信息,提高網絡的判別能力。由于判別任務是一個簡單的二分類問題,如果判別器的性能過強,會導致誤差梯度為0,造成生成器訓練困難[26],所以論文中采用簡單的下采樣網絡作為判別器。判別器由卷積層、歸一化層和非線性激活層(Sigmoid)組成,為減少特征損失,同樣不使用池化層而用步長為2的卷積層代替:

(11)

Sigmoid非線性激活層將判別結果限制在0到1之間,表示判別連續航跡的真假程度。航跡關聯網絡中的判別器結構如圖7所示。

1.4 損失函數

航跡關聯網絡的損失函數可以分為兩部分:判別損失和生成損失。兩種損失函數交替反向傳遞直至判別器和生成器達到納什均衡[27],完成對抗訓練的目的。所謂納什均衡,指的是對于生成器和判別器而言,任何一方單獨改變判決策略都不會得到好處,這種保持穩定平衡的狀態,稱為納什均衡。航跡關聯網絡的總體訓練損失函數如下所示:

(12)

式中:Ti和Tc分別表示ITSM和CTSM;G表示航跡關聯網絡中的生成器;D表示航跡關聯網絡中的判別器;E表示求期望。

判別器和生成器的訓練是交替進行的,即判別損失和生成損失的梯度回傳也是交替進行的,先訓練判別器,再訓練生成器。體現在總體損失中即訓練判別器使得最大概率對ITSM與CTSM進行判別(最大化ETi[logD(Ti,Tc)]和ETi[log(1-D(Ti,G(Ti)))]),之后訓練生成器與判別器進行對抗,讓其無法判別航跡態勢圖的中斷與連續(最小化ETi[log2(1-D(Ti,G(Ti)))]),最終使得生成器生成的樣本更加真實。

1.4.1 判別損失

判別損失用來量化判別器的判別結果和CTSM真實標簽之間的差異。由于判別器的輸出是介于[0,1]的連續值,因此不使用交叉熵損失而使用均方誤差(mean square error,MSE)損失作為判別損失。當訓練判別器時,首先使ITSM和數據集中的CTSM聯結,標簽為1;之后和生成的CTSM聯結,標簽為0。在訓練生成器時,ITSM和生成的CTSM聯結,標簽為1,以達到欺騙判別器的目的。判別損失如下所示：

(13)

式中：lD和lR分別表示判別器的判別結果和標簽。

1.4.2 生成損失

生成損失包括L1損失和判別損失。L1損失被用來衡量真實連續航跡圖和生成連續航跡圖之間的差別,并在誤差反向傳遞的過程中通過調節網絡參數使生成的連續航跡圖盡可能與真實的連續航跡圖相似。由于L1損失更加注重度量圖像細節和邊緣的差異[28],十分適合航跡態勢圖之間的比較,所以本文中選擇L1損失而不使用L2損失。判別損失被用來為生成器的訓練提供全局梯度指導,使得生成器和判別器之間的對抗產生效果。λL1和λD分別是L1損失和判別損失的權重。L1損失如下所示：

LossL1=|TG-TR|

(14)

式中：TG是生成的CTSM;TR是真實的CTSM。生成損失如下所示:

LossG=λL1·LossL1+λD·LossD

(15)

2 數據集的構建

2.1 目標運動狀態模型

本文在二維笛卡爾坐標系下構建目標航跡數據集,二維坐標下目標的運動狀態可以由以下運動學標準曲線運動公式[29]來描述：

(16)

(17)

(18)

(19)

式中：(x,y),v,φ分別為目標在二維笛卡爾坐標系下的坐標、地速(空速加風速)、角速度;at和an分別為切向加速度和法向加速度。目標的運動參數設置如下:① 設置目標初始位置、速度、加速度和航向,分別服從U(-10 000 m,10 000 m),U(-100 m/s,100 m/s),U(-5 m/s2,5 m/s2)和U(-90°,90°)的均勻分布;② 設置目標的運動采樣點數N=50,每隔1 s采樣一次;③ 設置平穩運動時間Ts=10 s,目標在這段時間保持勻速直線運動,之后隨機進行航向服從U(-90°,90°),加速度服從U(-5 m/s2,5 m/s2)的運動狀態變化,狀態轉移時間服從U(20 s,40 s)。基于二維坐標下目標的運動公式以及目標的運動參數,構建航跡關聯數據集。

2.2 航跡關聯數據集

航跡關聯數據集包括含噪聲的中斷航跡點跡A和無噪聲的連續航跡B,具體的構建過程如下:① 根據第2.1節中的參數設置,在達到采樣點數N=50后保存目標的運動坐標,得到無噪聲的目標運動航跡B;② 對無噪聲的目標運動航跡的各個坐標添加噪聲,噪聲的均值為0,方差分別為2 km、4 km、6 km,得到有噪聲的目標運動航跡;③ 對有噪聲的目標運動航跡進行隨機截斷,保存截斷后的航跡為含噪聲的中斷航跡點跡A。同一編號的航跡關聯數據集A和B分別為航跡關聯網絡的輸入和輸出,用來進行航跡關聯網絡的訓練。由航跡關聯數據集中的一對航跡數據構成的航跡態勢圖如圖8所示。

3 網絡訓練與網絡的結構和參數選擇

為了選擇最佳的網絡結構和參數,進行如下仿真實驗:① 航跡關聯網絡生成器和判別器的下采樣輸出通道維數選擇;② 網絡中生成器的主干層網絡結構選擇。實驗中用到的評價指標為平均關聯準確率(AP)、K目標關聯準確率(P@K,K為當前場景下的目標個數)和結構相似性(structural similarity, SSIM)[30]。其值都分布在0到1之間,值越高表示關聯效果越好。假設共有N個仿真場景,則P@K定義如下所示:

(20)

(21)

所有的訓練和仿真實驗都是在pytorch深度學習框架[31]下的一個64位工作站中進行,該工作站中與實驗相關的主要配置為Ubuntu 16.04、32GB RAM、Intel Core i7-8 700 CPU @ 3.20 GHz、NVIDIA GTX 1 080Ti。

3.1 下采樣輸出通道數選擇

輸入到生成器和判別器中的數據都是三通道紅綠藍(red green blue, RGB)圖像數據,但是經過第一個下采樣層之后輸出的數據通道數是不確定的,選擇不同的輸出通道數會對網絡產生不同的影響,為了探究不同的下采樣輸出通道數對網絡性能的影響并選擇最佳的輸出通道數,本實驗選擇不同的下采樣輸出通道數(8,16,32,64,128,256)進行模型訓練并驗證關聯效果。不同的下采樣輸出通道數的關聯結果如表1所示,最好結果加粗標出。

表1 不同下采樣輸出通道數關聯結果

根據表1中的數據可以看出,當輸出維度為64時網絡達到最佳關聯性能。維度過小或過大,都會對網絡的關聯效果造成不良影響。輸出維度過小,網絡無法充分提取航跡特征,不充分、不全面的特征造成網絡對航跡中斷處的關聯出現錯誤;輸出維度過大,網絡提取的航跡特征過于冗余,網絡易陷入過擬合,使網絡局限于擬合訓練集中的已知航跡,無法適用于未知航跡,造成性能急劇下降。

3.2 生成器主干層網絡結構選擇

考慮到航跡關聯網絡中生成器的主干層選擇不同的網絡結構對網絡性能會造成不同的影響,現在殘差網絡和深度卷積網絡結構中進行消融實驗以選擇最佳網絡結構,并且下采樣的輸出維度選擇第3.1節中得到的最佳維度64,不同主干層的關聯結果如表2所示,最好結果加粗標出。

表2 不同主干層的關聯結果

從表2可以看出,當航跡關聯網絡的生成器主干層選擇殘差網絡時,網絡達到最佳關聯效果,這與殘差連接的影響是分不開的。由于航跡特征圖中的航跡采樣點較為稀疏,隨著網絡結構的加深,稀疏的采樣點容易引發梯度消失問題,即誤差梯度無法有效回傳,使得網絡參數無法更新,造成航跡關聯網絡無法有效濾除航跡噪聲,提取中斷航跡特征并進行TSA。當添加殘差連接后,航跡態勢圖中的特征可以越過卷積層傳播,緩解了梯度消失問題,有效提升關聯效果。

4 網絡測試和對比分析

為了充分驗證本文所提的生成式中斷航跡接續關聯方法的有效性,進行如下仿真實驗:① 與其他TSA關聯效果對比;② 運動模型適應性測試;③ 不同噪聲水平關聯效果對比。以下試驗均采用第3節得到的最佳模型,即下采樣輸出維度為64,主干網絡為殘差網絡的網絡模型進行測試。

4.1 與傳統TSA關聯效果對比

本節將本文所提方法與傳統TSA[32],多假設TSA[8]和multi-frame S-D TSA[33]進行對比,構建了包含標準差為4 km噪聲的仿真場景,主要考慮關聯耗時和平均關聯準確率兩項指標。

該場景包含5個目標,在中斷前后,目標均保持勻速直線運動模式,但在中斷過程中,目標的運動模式可能發生改變。該場景中雷達測量周期為T=5 s,每次中斷間隔設為4個采樣周期即Tinterrupt=20 s,仿真場景中所有目標的航跡信息如圖9所示。

對于傳統TSA、多假設TSA和multi-frame S-D TSA采用50次蒙特卡羅仿真并計算出每次仿真的關聯指標AP和所需時間,最后取平均值得到最終的關聯結果。對于本文提出的方法,重復進行50次仿真,將每次得到的關聯指標AP和所需時間取平均值得到最終的關聯結果。對比仿真實驗的關聯結果如表3所示,本方法仿真的可視化結果如圖10所示,傳統TSA的可視化結果如圖11所示,其中上三角符號表示對于中斷航跡的位置估計。

表3 對比實驗關聯結果

根據圖11中的關聯結果,可以發現對于目標1～目標5的第二次中斷,傳統TSA在對新航跡進行濾波平滑的過程中由于目標位置密集、相互遮擋等原因,會導致關聯錯誤。通過表3與其他TSA算法對比可以看出,本文提出的生成式TSCA方法不僅可以在觀測準確率上達到最優,而且速度也遠遠快于已有算法,同時兼顧了質量和效率。并且對于航跡中密集的目標交叉區域,本文方法可以有效可靠地進行航跡關聯,大大提升了關聯效果。

4.2 網絡適應性測試

為了驗證本文方法在實際場景中的關聯效果,本節選取了4個運動場景對模型的適應性進行測試,4個運動場景的設置如下:① 場景1包含兩個相向而行的目標,在同一時刻發生航跡中斷;② 場景2包含兩個交叉運動目標,在交叉位置附近發生航跡中斷;③ 場景3包含兩個發生兩次交叉運動的目標,在兩次交叉之間發生航跡中斷;④ 場景4包含兩個相切運動目標,在相切處發生航跡中斷。4個場景中的ITSM如圖12所示,CTSM如圖13所示。

由圖12和圖13對比可以看出,經過航跡關聯網絡的處理可以對航跡的中斷位置進行關聯,并且可以有效處理航跡交叉帶來的不良影響,針對多次中斷也能可靠有效地完成關聯任務。

4.3 網絡抗噪聲測試

以上仿真實驗都是基于不含噪聲的理想仿真航跡數據,但在真實環境下,獲取這種無噪聲的理想數據是十分困難的。為了探究本文方法的抗噪聲性能,本節針對不同噪聲場景進行關聯效果對比。分別在無噪聲數據中添加均值為0,標準差為2 km、4 km、6 km的高斯噪聲來模擬不同的噪聲等級,測試網絡的抗噪聲性能。其中,仿真噪聲的標準差表示噪聲對于航跡采樣點位置的影響。不同噪聲場景下的關聯效果如表4所示,選取了包含5個目標場景下各個噪聲等級的關聯結果如圖14所示。

表4 不同噪聲場景下的關聯效果

根據表4可以看出,在均值為0,標準差為6 km的噪聲條件下,本文方法對于非密集目標還能保持可靠的關聯,但對于密集目標(P@20),由于噪聲影響導致航跡采樣點之間相互遮擋,航跡中斷點的位置以及航跡的運動模式特征提取困難,關聯精度稍有下降。對于標準差小于6 km噪聲條件下的關聯,本文方法都能達到較好的關聯結果,證明了所提網絡在噪聲條件下同樣具備較好的性能,完成中斷航跡接續關聯任務。

5 結 論

為了解決傳統基于模型的中斷航跡接續關聯方法需要大量的先驗信息、假設的目標運動模型以及需要對航跡數據進行復雜計算等缺點和問題,本文提出基于注意力機制的航跡關聯網絡完成中斷航跡接續關聯任務。該方法利用GAN自動提取航跡的運動特征和中斷特征,并對航跡中斷缺失部分自動關聯,無須預先獲得大量先驗信息和目標運動模型,并且很大程度上克服了噪聲的影響。通過仿真航跡數據確定了最佳網絡結構和網絡參數,并驗證了本文方法具有較好的目標運動適應性能和抗噪聲性能。通過對比實驗證明所提方法在關聯質量和關聯速度兩方面都大大優于現有算法。