[发明专利]基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法

说明书

本发明公开了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法、装置、电子设备和存储介质，方法包括：获取回波图像；对回波图像进行二值化和形态学的预处理，得到处理后图像；针对处理后图像创建对应的KD树；基于DBSCAN算法，利用KD树对处理后图像进行邻域搜索，得到包括各海面目标的聚类结果的目标聚类图像；针对每个海面目标，对聚类结果表征的像素范围内的像素点进行区域生长，得到该海面目标的区域像素点；针对每个海面目标，对该海面目标的区域像素点进行点迹凝聚，得到该海面目标的点迹凝聚结果。本发明能够降低原DBSCAN聚类算法的时间复杂度，满足雷达图像处理的实时性要求，以及提高海面目标的点迹凝聚精度。

技术领域

本发明属于雷达数据处理技术领域，具体涉及一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法。

背景技术

为了对海面目标进行检测，通常使用雷达向海面目标发射电磁波照射，通过对接收到的包含有目标信息的回波数据进行一系列的处理，最终可以得到目标的相关参数，包括距离、径向速度等等。随着检测精度的提高，回波数据中检测到的目标不再是仅由一个或少数几个点组成的点目标，而是由多个原始点迹数据组成，同时目标发生分裂和扩展的情况也越来越多。在目标跟踪过程中，为了保证航迹文件信息的准确性与可靠性，高精度的点迹凝聚算法至关重要。

点迹凝聚是雷达目标检测中判断某一点迹块是否为目标并且估计出此点迹块的质心作为目标位置的过程。雷达点迹凝聚是雷达数据处理技术领域中的重要部分，是数据处理的重点内容之一。

一种现有技术中，采用DBSCAN((Density-Based Spatial Clustering ofApplications with Noise)凝聚算法实现海面目标的点迹凝聚。但是该算法需要对样本集中的每个对象进行是否为核心对象的计算，每当选取一个样本对象，需要计算此对象至其它对象的距离，并对Eps-邻域中包含的对象数是否满足给定的阈值MinPts进行判断，得到该对象的所属类别。因此DBSCAN算法的总体时间复杂度较高，无法满足雷达图像处理的实时性要求。并且，该算法通过聚类的点迹确定目标的点迹凝聚位置，忽略了目标整体区域的其他像素值，因此，点迹凝聚的精确度并不高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法、装置、电子设备及存储介质。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明实施例提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法，所述方法包括：

获取针对海面区域利用雷达采集得到的回波图像；所述回波图像包括至少一个海面目标；

对所述回波图像进行二值化和形态学的预处理，得到处理后图像；

针对所述处理后图像创建对应的KD树；

基于DBSCAN算法，利用所述KD树对所述处理后图像进行邻域搜索，得到包括各海面目标的聚类结果的目标聚类图像；

针对所述目标聚类图像中的每个海面目标，对该海面目标的聚类结果表征的像素范围内的像素点进行区域生长，得到该海面目标的区域像素点；

针对每个海面目标，对该海面目标的所述区域像素点进行点迹凝聚，得到该海面目标的点迹凝聚结果。

在本发明的一个实施例中，所述对所述回波图像进行二值化和形态学的预处理，得到处理后图像，包括：

利用恒虚警技术对所述回波图像进行处理，获得二值图像；其中，所述二值图像中背景部分的像素值为0，目标部分的像素值为1；

对所述二值图像利用预设大小的矩形结构元素依次进行膨胀操作和腐蚀操作，得到处理后图像。

在本发明的一个实施例中，所述针对所述处理后图像创建对应的KD树，包括：