一种改进的基于模板匹配的二次目标分群方法

技术领域

本发明涉及目标分群及态势估计技术领域，尤其涉及一种改进的基于模板匹配的二次目标分群方法。

背景技术

伴随着传感器技术的发展与应用，现代战场上已经出现了越来越多具有高探测率、高分辨率并能快速反应的传感器，各式各样的传感器能够帮助作战指挥中心获取较为全面的情报信息，因而信息的匮乏并不是应对当下战场环境的主要问题，而是如何在数量庞大、内容繁杂的信息中，提取出准确且有用的战场信息并能准确、及时地进行处理。正所谓知己知彼百战不殆，通过态势估计能够获悉敌军的作战情况，并且不仅仅是简单的、庞杂的信息，而是借助一系列现代手段得到的易于指挥人员理解的数据，这对实际战争中抢占先机、减少损失直至获取胜利都有着巨大作用。

目标分群则是态势估计中的一个关键环节。目标分群也称目标聚类或兵力聚合，是目标群的形成过程。其基本思想是使用一级融合提取的态势要素(包括各作战单元信息)根据空间、功能和相互作用等属性对目标对象自下而上逐层集合，对作战单元进行分层分组和抽象，将之由各战斗实体单元聚合为更高层次的战斗群体，以揭示目标实体对象之间的相互联系，并确定各单位相互协作的功能，从而形成了对敌方兵力结构在相互关系层级上的军事体系单元假设。战场态势估计中的目标分群过程实际上是一种前向推理的过程，由此可知数据作为其驱动力的重要性。这种方法不仅给出了问题领域的高级描述，而且还提供两个额外的重要功能：

第一个功能是允许把估计结果反馈到数据融合过程中去。即根据进一步的观测，可能会对之前的某些细节重新进行推理。第二个功能是目标分群概念能够将相关证据进行简化。例如，通过目标分群的方法，得到的情报可以清楚地给出任意战斗群的位置，而不必逐个给出单个作战单元的具体位置。根据目标分群的结果，可以推断出更高级别的战场态势描述，以解释问题领域中的各种行为。

目标分群按照空间、相互关系等属性对战场目标逐层分类，由低级到高级将作战群体分为：目标对象、空间群、相互作用群和敌/我/中立方群四个层次。

现有的目标分群算法主要有以下几种。

(1)基于进攻关系生成功能群的算法：由于现有的聚类算法，能够较好地实现空间层次的群体聚类，因此这种方法假设已知敌方空间群体的状态及一般属性。由于敌我双方距离越接近，所产成的威胁就越大，攻击的可能性越高，因此，提出了距离因子的概念，当敌我双方距离超过了敌方有效攻击范围时，认为距离因子为1，反之为0。又由于距离因子只能反映出某一时刻的攻击可能性，而根据目标一段时间内的移动趋势更能反映出他的攻击倾向，因此提出距离差因子的概念。同时，结合两种因子的考量，提出了进攻关系隶属度的概念，衡量敌方目标对我方的进攻趋势。根据每个敌方目标对我方目标的进攻关系隶属度矩阵，划分不同的群体为协作功能群或独立功能群。

(2)基于模板匹配的分群方法：对于战场环境下，往往有非常丰富的先验知识，在做出判断时，往往也需要结合军事知识的约束和指导，同时，战场上的群体往往功能较为固定，对于确定功能的群体，其组成成员的基本属性一般都可由经验做出基本的分析。所以可以较为容易地建立起一套符合战场情景和战争领域知识的模板库，对这些知识进行表示，然后通过接收战场信息，将其与模板库中的内容进行比对，就可以选出较为符合的模板，从而获知其功能。具体实现时，先建立起模板库，然后对目标对象进行聚类，根据聚类群体的功能和数量与模板库进行匹配，从而得到置信度较大的类型。

(3)基于水平集的目标分群算法：由于在二维空间上的目标群体，均可用一条封闭曲线进行勾勒，基于这种思想，该算法把目标分群的问题转化为对包络曲线的构造、演化问题。该算法首先将敌方目标群体进行分组，通过设定一定的门限值，以类似欧氏距离的函数形式，将目标进行分组，同一组内成员会被一条简单的闭合曲线所包围。之后的问题将围绕这些曲线展开，要优化这些曲线，尽可能使得曲线的周长变短，而曲线围绕的区域内非零区域尽可能的小。随着迭代次数增加，群体的分群效果也会有显著的差异。

(4)基于最大最小距离的方法：一般的目标分群算法都需要通过聚类来实现空间层次的初级划分，而传统的一些聚类方法存在着一定的弊端，其一，多数常用聚类算法都需要提前给出聚类群体的数目，然后在实际场景中，事先了解敌方群体数目根本无法实现，其二，多数算法的初始聚类中心采用随机选定的方式，增加了聚类结果的不确定性，因为在聚类问题中，初始中心的选择对聚类结果、迭代次数都有着十分重大的影响。而采用基于最大最小距离的方法，可以较为有效地避免这两种情况。首先，选择一个群体中的随机目标作为第一个聚合中心，找到群体当中与它距离最远的点，作为第二个聚合中心，然后需要设计合适的参数λ(0<λ<1),计算剩余目标与所有聚合中心的距离，找到其中的最小值，如果该值大于λD

综合以上观点，采用基于模板匹配的方法进行目标分群，对于战场目标分群的准确率有很大的基本保障。但是传统的基于模板匹配的方法难以应对存在空间位置交叉重叠的情况。

发明内容

有鉴于此，本发明提出了一种改进的基于模板匹配的二次目标分群方法，有效解决战场目标空间位置交叉重叠情况下的目标分群问题，实现较高的准确率。

本发明的技术解决方案是：

一种改进的基于模板匹配的二次目标分群方法，该方法的步骤包括：

步骤1，根据先验知识构建模板库；

步骤2，将战斗实体单元聚类为目标群；

步骤3，将步骤2得到的目标群与步骤1构建的模板库按照目标群的属性进行匹配，选取匹配度最高的模板作为目标群的类型；目标群的属性包括该目标群中战斗实体单元的个数、战斗实体单元的类型、战斗实体单元所属类型的置信度，并根据目标群中各个战斗实体单元的位置信息获得该目标群的中心位置，根据目标群中各个战斗实体单元的置信度、个数和类型，得到该目标群的置信度A1；

步骤4，计算目标群中各个战斗实体单元与该目标群中心位置的距离h；

步骤5，将步骤4得到的距离h与设定的阈值下限w1和阈值上限w2进行比较，当h≤w1时，则该战斗实体单元属于当前匹配的目标群，当h≥w2时，则该战斗实体单元不属于当前匹配的目标群，当w1＜h＜w2时，计算当前匹配的目标群除该战斗实体单元的置信度A2，计算与该战斗实体单元最近的目标群加入该战斗实体单元后的置信度B2，标记与该战斗实体单元最近的目标群原始的置信度为B1，计算A2-A1的值A与B2-B1的值B，当A，B均大于0，或者，A大于0且A的绝对值＞B的绝对值，则将该战斗实体单元移到该战斗实体单元最近的目标群中，否则，将该战斗实体单元保留在当前匹配的目标群，完成了二次目标分群。

所述的步骤2中，将战斗实体单元聚类为目标群的方法为：将任一战斗实体单元作为一个目标群，则该战斗实体单元的位置作为该目标群的中心位置，计算该目标群的中心位置与其他各个目标群中心位置的距离L，将距离L小于设定阈值的目标群进行合并，并更新合并后的目标群的中心位置。

有益效果

(1)本发明针对战场态势估计中的目标分群问题，提出了一种改进的基于模板匹配的二次目标分群方法，包括如下步骤：步骤1、构建模板库，考虑目标分群问题的分层结构，针对空间群构建知识模板；步骤2、聚类，采用最近邻聚类方法，将战斗实体单元整合为一定数量的目标群；步骤3、初次分群，采用基于模板匹配的算法对所得到的群体类型进行识别，选取匹配度最高的模板作为集群的类型，从而实现空间群层次的目标分群；步骤4、二次分群，结合初次分群结果并考虑通讯代价仍采用模板匹配算法计算匹配度的思想，进行二次分群。本发明基于模板匹配的思想，充分利用了战场先验知识，对目标分群的准确率形成基础保障，采用最近邻法进行聚类，并基于模板匹配进行初次分群，有效提高整体算法的效率，考虑通讯代价的影响，结合初次分群结果进行二次分群，有效解决了传统方法难以应对战场目标空间位置有交叉重叠的情况。

(2)本发明基于模板匹配的思想，充分利用了战场先验知识，对目标分群的准确率形成基础保障。

(3)本发明采用最近邻法进行聚类，并基于模板匹配进行初次分群，有效提高整体算法的效率。

(4)本发明考虑通讯代价的影响，结合初次分群结果进行二次分群，有效解决了传统方法难以应对战场目标空间位置有交叉重叠的情况。

附图说明

图1为改进的基于模板匹配的二次目标分群方法整体结构框图；

图2为仿真测试场景；

图3为仿真测试实验结果示例。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种改进的基于模板匹配的二次目标分群方法，算法整体框架如图1所示，其中目标信息为我们可以获得的信息，即已知信息；态势估计系统是我们经过分群后的结果需要传入的地方；中间目标分群部分即为本发明的核心流程。

为验证算法所设计的仿真环境如图2所示。

实施例

一种改进的基于模板匹配的二次目标分群方法，该方法的步骤包括：

步骤1，根据先验知识构建模板库；

根据先验知识得到如下模板库：

表1模板库示例

步骤2，将战斗实体单元聚类为目标群；

假设我们观测到三个战斗实体单元，分别为a

设定阈值为1.5，先将每一个战斗实体单元看作一个目标群，分别计算群之间的距离，小于阈值则合并为同一个群，并更新目标群的中心位置坐标。在表示时将目标群中的战斗实体单元按照类型分别放置，也就是相同类型表示在一起，并标明数量和置信度，即如下形式{(成员1)，(成员2)，...，中心坐标}，其中成员表示为(类型，数量，置信度)的形式。

由于战斗实体单元1距离2和3都大于1.5，因此a

步骤3，将步骤2得到的目标群与步骤1构建的模板库按照目标群的属性进行匹配，选取匹配度最高的模板作为目标群的类型；

针对得到的两个目标群分别计算与模板库中模板的匹配度，计算时需要将目标群中与模板库类型相同的部分进行匹配计算，得到匹配度δ，并累加，其中：

δ＝α(Num+Bel)/2

其中α表示模板库中该类型成员所占权重，Bel表示目标群中该类型成员置信度，Num可由下式计算：

Num＝((|num-Pnum|/num+1)+1)

其中Pnum表示该目标群中该类型成员的数量，num表示模板库中该类型成员的数量。

以S

目标群S

步骤4，计算目标群中各个战斗实体单元与该目标群中心位置的距离h；

则a

步骤5，将步骤4得到的距离h与设定的阈值下限w1和阈值上限w2进行比较，当h≤w1时，则该战斗实体单元属于当前匹配的目标群，当h≥w2时，则该战斗实体单元不属于当前匹配的目标群，当w1＜h＜w2时，计算当前匹配的目标群除该战斗实体单元的置信度A2，计算与该战斗实体单元最近的目标群加入该战斗实体单元后的置信度B2，标记与该战斗实体单元最近的目标群原始的置信度为B1，计算A2-A1的值A与B2-B1的值B，当A，B均大于0，或者，A大于0且A的绝对值＞B的绝对值，则将该战斗实体单元移到该战斗实体单元最近的目标群中，否则，将该战斗实体单元保留在当前匹配的目标群，完成了二次目标分群。

设定阈值下限w1＝0.5，阈值上限w2＝2.5。

对于a

对于a

对于a

由此，得到最后结果为a

图3示出一次测试的结果，右上角文字表示二次分群算法结果。

为了验证分群的准确率，进行了150次实验并统计结果，初次分群的准确率为54％，而经二次分群后，准确率提升至80.7％，可以看出，二次分群的效果对比初次分群有了较大提升。