一种基于衰减记忆序贯检测器的机动目标跟踪方法

摘要

本发明公开了一种基于衰减记忆序贯检测器的机动目标跟踪方法。针对基于决策的单模型跟踪方法和多模型跟踪方法的优缺点，提出一种基于衰减记忆序贯检测器的机动目标跟踪方法。本发明首先采用KF-UKF联合滤波。对非机动目标，采用基于匀速模型的Kalman滤波，当检测到目标机动时，对CV模型进行扩维，同时采用无味卡尔曼滤波器进行状态估计。其次，提出了一种衰减记忆序贯检测器来检测机动。当检测到机动发生后，对扩维后的状态向量和协方差矩阵进行修正，使修正后的状态更加匹配实际的运动模式。本发明可以实时修正目标状态，并且可以根据不同的运动模式选择相匹配的滤波器，从而提高了跟踪精度。

主权项

一种基于衰减记忆序贯检测器的机动目标跟踪方法，其特征在于该方法包括以下步骤：步骤1、状态协方差置初值及卡尔曼滤波：当目标在匀速直线运动时，运动目标采用二维卡尔曼滤波器，系统模型采用CV模型，按照状态方程和量测方程进行卡尔曼滤波；步骤2、检测器设计：根据定义的似然比函数，设计基于广义似然比的衰减记忆序贯检测器，所述的衰减记忆序贯检测器由衰减记忆序贯检测算法实现；步骤3、输入估计与状态补偿：利用衰减记忆序贯检测器检测出机动发生的时间，之后对机动的幅度进行估计；根据估计出的机动幅度对新息和协方差进行修正；步骤4、扩维与状态实时修正：当在k时刻检测到机动时，对[n,k]时间间隔内的状态进行补偿，然后对状态向量和协方差矩阵进行扩维，并根据估计出的机动幅度的大小对CV模型实时修正；步骤5、退出机动判别：在给定的显著性水平下，如果判别式成立，则认为加速度的产生并非由目标的机动产生，即可认为目标处于非机动状态；步骤6、无味卡尔曼滤波估计：当目标发生机动，采用无味卡尔曼滤波器对目标状态进行滤波，无味卡尔曼滤波过程首先进行无迹变换，然后用变换后的状态变量进行滤波；步骤2具体是：首先做二元假设：H₀：u_m＝0  m∈[1,k]$H_1:\left\{\begin{array}{cc}{u}_m=0,& m\in [1,n-1]\\ u_m\ne 0,& m\in [n,k]\end{array}\right.---\left(1\right)$其中假设H₀表示无机动，假设H₁表示出现机动，u_m表示机动的幅度，m表示时刻；定义似然比函数L_k$L_k=\log \frac{f\left({{\tilde{z}}_k}^k\right|H_1,z^{k-1})}{f\left({{\tilde{z}}_k}^k\right|H_0,z^{k-1})}---\left(2\right)$其中，为新息，具有高斯白噪声特性，为机动假设下新息的联合概率密度函数；递归形式的衰减记忆序贯检测算法如下：$L_k=\max \{{\mathrm{\alpha L}}_{k-1}+\log \frac{f\left({{\tilde{z}}_k}^k\right|H_1{,z}^{k-1})}{f\left({{\tilde{z}}_k}^k\right|H_0,z^{k-1})},0\},L_0=0---\left(3\right)$其中，α为衰减因子，根据式(3)和0的关系，将检测门限设为0，概率密度函数服从高斯分布，机动判别规则如下：(1)若L_k>0，则接受H₁假设，即存在机动,于是机动起始时间为:$\hat{m}=\min \{k:L_k>0\},$之后进行状态补偿；(2)若L_k≤0则继续检验过程k→k+1。