一种基于动态图卷积网络的雷达信号多目标跟踪方法及系统

1.一种基于动态图卷积网络的雷达信号多目标跟踪方法，其特征在于，包括：采集目标集群的雷达一维距离像序列，对所述一维距离像序列进行脉冲压缩处理，按慢时间维度排列形成雷达回波二维序列；根据锥体目标的散射点线性或曲面分布特性，分离所述雷达回波二维序列中混叠散射点的位置与幅度，得到散射点位置与幅度数据；基于所述散射点位置与幅度数据中的位置信息，计算目标间空间距离，并结合径向速度差构建动态边权重，当所述目标间空间距离小于雷达分辨率阈值时，生成遮挡关系边；根据所述散射点位置与幅度数据中的幅度信息初始化节点特征权重，以所述动态边权重作为图注意力机制的邻域聚合系数，通过动态图卷积网络聚合所述遮挡关系边的邻域节点特征，学习目标轨迹在遮挡与交叉区域的解耦特征，生成轨迹解耦特征；基于所述轨迹解耦特征生成关联权重，输入多假设跟踪算法生成多分支轨迹假设，基于所述多分支轨迹假设的瞬时速度向量夹角进行冲突消解，当两分支的空间距离小于动态阈值且速度向量夹角超过设定角度时，保留所述关联权重更高的分支轨迹假设，输出多目标轨迹序列。 2.根据权利要求1所述的方法，其特征在于，根据所述散射点位置与幅度数据中的幅度信息初始化节点特征权重，以所述动态边权重作为图注意力机制的邻域聚合系数，通过动态图卷积网络聚合所述遮挡关系边的邻域节点特征，学习目标轨迹在遮挡与交叉区域的解耦特征，生成轨迹解耦特征，包括：基于所述散射点位置与幅度数据中的幅度信息，将幅度值转换为初始节点特征向量，并基于所述初始节点特征向量初始化节点特征权重；将所述动态边权重赋值给图注意力机制的邻域聚合系数，通过可学习权重矩阵对所述初始节点特征向量执行线性变换操作，生成中间节点特征；通过动态图卷积网络，以所述遮挡关系边为连接路径，通过加权求和所述遮挡关系边邻域的中间节点特征，聚合邻域节点特征；将加权求和后的所述邻域节点特征与当前节点的所述中间节点特征进行拼接，对拼接后的特征执行非线性激活操作，学习目标轨迹在遮挡与交叉区域的解耦特征，输出更新后的特征向量作为轨迹解耦特征。 3.根据权利要求1所述的方法，其特征在于，基于所述散射点位置与幅度数据中的位置信息，计算目标间空间距离，并结合径向速度差构建动态边权重，当所述目标间空间距离小于雷达分辨率阈值时，生成遮挡关系边，包括：基于所述散射点位置与幅度数据中的位置信息，计算任意两个散射点间的目标间空间距离，同时根据所述位置信息在慢时间维度的变化，计算散射点的径向速度差值；将所述目标间空间距离与径向速度差值进行乘积运算，基于乘积运算结果构建动态边权重；当所述目标间空间距离小于雷达分辨率阈值时，在相应散射点间生成遮挡关系边，并所述动态边权重作为遮挡关系边的关联强度值。 4.根据权利要求1所述的方法，其特征在于，基于所述轨迹解耦特征生成关联权重，输入多假设跟踪算法生成多分支轨迹假设，基于所述多分支轨迹假设的瞬时速度向量夹角进行冲突消解，当两分支的空间距离小于动态阈值且速度向量夹角超过设定角度时，保留所述关联权重更高的分支轨迹假设，输出多目标轨迹序列，包括：基于所述轨迹解耦特征，计算不同轨迹点的特征向量相似度，生成关联权重，并将所述关联权重输入到多假设跟踪算法，产生多分支轨迹假设；针对所述多分支轨迹假设，当任意两分支的空间距离小于动态阈值时，计算两分支的瞬时速度向量夹角，当所述瞬时速度向量夹角超过设定角度时，比较两分支的关联权重，保留所述关联权重更高的分支轨迹假设，整合保留后的分支轨迹假设，按时间顺序输出多目标轨迹序列。 5.根据权利要求4所述的方法，其特征在于，针对所述多分支轨迹假设，当任意两分支的空间距离小于动态阈值时，计算两分支的瞬时速度向量夹角，当所述瞬时速度向量夹角超过设定角度时，比较两分支的关联权重，保留所述关联权重更高的分支轨迹假设，整合保留后的分支轨迹假设，按时间顺序输出多目标轨迹序列，包括：筛选当前时刻空间距离小于动态阈值的所述多分支轨迹假设，形成待处理分支对集合，提取所述待处理分支对集合中每个分支轨迹对在当前时刻的瞬时速度向量；计算同一分支轨迹对中两个瞬时速度向量的夹角值，所述夹角值通过向量点积运算与反余弦函数转换获得；当所述夹角值超过设定角度时，从所述待处理分支对集合中提取两个分支轨迹的关联权重数值；比较所述两个分支轨迹的关联权重数值大小，保留关联权重数值更大的分支轨迹，移除关联权重数值更小的分支轨迹；整合保留后的分支轨迹假设，按时间顺序输出多目标轨迹序列。 6.根据权利要求1所述的方法，其特征在于，根据锥体目标的散射点线性或曲面分布特性，分离所述雷达回波二维序列中混叠散射点的位置与幅度，得到散射点位置与幅度数据，包括：提取所述雷达回波二维序列中每个散射点的位置信息在慢时间维度的变化序列，分析所述变化序列的连续偏移模式，识别所述变化序列的位置分布特性为线性分布特性或曲面分布特性；针对锥体目标的散射点的所述线性分布特性，根据相邻慢时间帧位置偏移方向的连续性以及幅度变化的平滑度，将满足连续性条件的散射点划分到同一目标；针对锥体目标的散射点的所述曲面分布特性，计算散射点位置变化序列的曲率变化值，当所述曲率变化值小于预设阈值且位置偏移幅度保持连续递增时，判定散射点属同一目标；基于划分到同一目标的散射点，检测空间位置重叠的位置信息，分离混叠的散射点位置与幅度，得到分离后的散射点位置与幅度数据。 7.根据权利要求2所述的方法，其特征在于，通过动态图卷积网络，以所述遮挡关系边为连接路径，通过加权求和所述遮挡关系边邻域的中间节点特征，聚合邻域节点特征，包括：基于所述遮挡关系边，筛选出当前节点通过遮挡关系边直接相连的所有邻域节点，形成邻域节点集合；提取所述邻域节点集合中每个节点的中间节点特征，所述中间节点特征由初始节点特征经线性变换生成；将所述动态边权重作为邻域聚合系数，对每个邻域节点的中间节点特征乘以对应的邻域聚合系数，生成加权邻域节点特征；对同一当前节点的所有的所述加权邻域节点特征进行求和操作，输出聚合邻域节点特征。 8.一种基于动态图卷积网络的雷达信号多目标跟踪系统，其特征在于，包括：采集模块，用于采集目标集群的雷达一维距离像序列，对所述一维距离像序列进行脉冲压缩处理，按慢时间维度排列形成雷达回波二维序列；分离模块，用于根据锥体目标的散射点线性或曲面分布特性，分离所述雷达回波二维序列中混叠散射点的位置与幅度，得到散射点位置与幅度数据；构建模块，用于基于所述散射点位置与幅度数据中的位置信息，计算目标间空间距离，并结合径向速度差构建动态边权重，当所述目标间空间距离小于雷达分辨率阈值时，生成遮挡关系边；生成模块，用于根据所述散射点位置与幅度数据中的幅度信息初始化节点特征权重，以所述动态边权重作为图注意力机制的邻域聚合系数，通过动态图卷积网络聚合所述遮挡关系边的邻域节点特征，学习目标轨迹在遮挡与交叉区域的解耦特征，生成轨迹解耦特征；输出模块，用于基于所述轨迹解耦特征生成关联权重，输入多假设跟踪算法生成多分支轨迹假设，基于所述多分支轨迹假设的瞬时速度向量夹角进行冲突消解，当两分支的空间距离小于动态阈值且速度向量夹角超过设定角度时，保留所述关联权重更高的分支轨迹假设，输出多目标轨迹序列。 9.一种计算设备，其特征在于，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如权利要求1至7任一项所述的一种基于动态图卷积网络的雷达信号多目标跟踪方法。 10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被计算机执行时，实现如权利要求1至7任一项所述的一种基于动态图卷积网络的雷达信号多目标跟踪方法。