基于粒子滤波和航迹管理的微弱目标检测前跟踪方法

摘要

本发明公开了一种基于粒子滤波和航迹管理的微弱目标检测前跟踪方法，属于雷达数据处理领域。基于粒子滤波的微弱目标检测前跟踪方法不能提供目标航迹信息，且在目标信噪比较低时，容易出现漏检的现象。本发明提出的基于粒子滤波和航迹管理的微弱目标检测前跟踪方法立足于解决此类问题。本发明具有结构简单，计算快速，易于硬件实现等优点，同时克服了基于粒子滤波的微弱目标检测前跟踪方法的局限性，通过有效解决漏检问题，进而保证目标航迹的连续性，因此具有较强的工程应用价值和推广前景。

主权项

1.基于粒子滤波和航迹管理的微弱目标检测前跟踪方法，其特征包括以下步骤：步骤1：变量初始化K是总仿真时间；T是雷达扫描周期；N是滤波器采用的粒子数；SNR是目标信噪比；I_min和I_max是目标可能的最小和最大强度；v_min和v_max是目标可能的最小和最大速度；γ是目标存在判决门限；η₀是目标初始存在概率；L×H表示雷达监测区域的大小；∏_k是目标存在状态概率转移矩阵；F_k是目标状态转移矩阵；Q_k是过程噪声协方差；步骤2：令k＝0，进行粒子初始化，得到初始粒子集其中，包含目标的位置速度和强度信息，是目标存在状态变量，i＝1，2，…，N(1)令i＝1；(2)目标位置初始化$x_k^l=L\times \mathrm{rand}\left(1\right)---\left(1\right)$$y_k^l=H\times \mathrm{rand}\left(1\right)---\left(2\right)$rand(1)表示按照均匀分布产生一个[0，1]区间上的随机数；(3)目标速度初始化${\stackrel{·}{x}}_k^l=v_{\min }+(v_{\max }-v_{\min })\times \mathrm{rand}\left(1\right)---\left(3\right)$${\stackrel{·}{y}}_k^l=v_{\min }+(v_{\max }-v_{\min })\times \mathrm{rand}\left(1\right)---\left(4\right)$(4)目标强度初始化${\stackrel{·}{I}}_k^l=v_{\min }+(v_{\max }-v_{\min })\times \mathrm{rand}\left(1\right)---\left(5\right)$(5)根据目标初始存在概率η₀初始化目标存在状态变量；(6)粒子权重初始化$w_k^l=\frac{1}{N}---\left(6\right)$(7)令i＝i+1，若i≤N，转(2)；步骤3：令k＝k+1，获得k时刻的雷达量测将雷达接收到的信号进行A/D变换，得到k时刻的雷达量测$z_k\left\{z_k^{(p,q)}\right|p=\mathrm{1,2},...,m;q=\mathrm{1,2},...,n\},$送雷达数据处理计算机；步骤4：对初始粒子集进行预测，得到预测粒子集其中，(1)令i＝1；(2)根据前一时刻的目标存在状态变量和目标存在状态概率转移矩阵∏k预测当前时刻目标存在状态变量(3)若且利用方程(1)-方程(5)生成粒子状态(4)若且利用状态转移方程对粒子i的状态进行一步预测$x_{k|k-1}^l=F_k{x}_{k-1}^l+v_k---\left(7\right)$其中，v_k为过程噪声，其噪声协方差为Q_k；(5)令i＝i+1，若i≤N，转(2)；步骤5：利用当前时刻的量测对粒子权重进行更新(1)令i＝1；(2)确定似然区域的范围$C_p\left(x_{k|k-1}^l\right)=\{p_0-s,...,p_0-1,p_0,p_0+1,...,p_0+s\}---\left(8\right)$$C_q\left(y_{k|k-1}^l\right)=\{q_0-s,...,q_0-1,q_0,q_0+1,...,q_0+s\}---\left(9\right)$其中，p₀表示最接近状态矢量元素的整数，q₀表示最接近状态矢量元素的整数，s为预设参数；(3)粒子权重更新$w_{k|k-1}^l=\left\{\begin{array}{cc}\underset{p\in C_p\left(x_{k|k-1}^l\right)}{\Pi }\underset{q\in C_q\left(x_{k|k-1}^l\right)}{\Pi }l\left(z_k^{(p,q)}\right|x_{k|k-1}^l)& E_{k|k-1}^l=1\\ 1& E_{k|k-1}^l=0\end{array}\right.---\left(10\right)$其中$l\left(z_k^{(p,q)}\right|x_{k|k-1}^l)=\exp \{-\frac{h_k^{(p,q)}\left(x_{k|k-1}^l\right)(h_k^{(p,q)}\left(x_{k|k-1}^l\right)-{2z}_k^{(p,q)})}{{2\sigma }^2}\}---\left(11\right)$$h_k^{(p,q)}\left(x_{k|k-1}^l\right)=\frac{{\Delta }_x{\Delta }_y{I}_{k|k-1}^l}{2\pi {\Sigma }^2}\exp \{-\frac{{({\mathrm{p\Delta }}_x-x_{k|k-1}^l)}^2+{({\mathrm{q\Delta }}_y-y_{k|k-1}^l)}^2}{2{\Sigma }^2}\}---\left(12\right)$其中，σ²为量测噪声协方差，Δ_x和Δ_y表示传感器分辨率，∑表示传感器模糊斑点数；(4)令i＝i+1，若i ≤N，转(2)；(5)权重归一化$w_k^l=\frac{w_{k|k-1}^l}{\underset{j=1}{\overset{N}{\Sigma }}{w}_{k|k-1}^j},$i＝1，2，…，N    (13)步骤6：重采样对权重更新后的粒子集进行系统重采样${\{y_k^l,(1/N)\}}_{l=1}^N=\mathrm{resample}{\{y_{k|k-1}^l,w_k^l\}}_{l=1}^N---\left(14\right)$得到k时刻的粒子集其中步骤7：目标状态和状态协方差估计(1)计算目标存在概率${\hat{P}}_k=\frac{1}{N}\underset{l=1}{\overset{N}{\Sigma }}{E}_k^l---\left(15\right)$若转步骤9；(2)目标状态估计${\hat{x}}_k=\frac{\underset{l=1}{\overset{N}{\Sigma }}{x}_k^l{E}_k^l}{\underset{l=1}{\overset{N}{\Sigma }}{E}_k^l}---\left(16\right)$(3)状态协方差估计${\hat{B}}_k=\frac{1}{N}\underset{l=1}{\overset{N}{\Sigma }}({\hat{x}}_k-x_k^l){({\hat{x}}_k-x_k^l)}^T---\left(17\right)$步骤8：航迹更新(1)将目标状态估计等效为新的量测值，状态协方差估计等效为量测误差；(2)若当前时刻存在目标航迹τ_k-1或τ′_k-1，利用新量测对其进行更新，得到更新的航迹τ_k，转(5)；(3)若当前时刻不存在目标航迹，将新量测作为航迹头，利用3/4逻辑法进行航迹起始；(4)若航迹起始成功，记为τ_k，设置航迹维持标记flag＝0；(5)转步骤10；步骤9：航迹维持和终结(1)若当前时刻不存在目标航迹，转步骤10；(2)若当前时刻存在目标航迹τ_k-1或τ′_k-1，令flag＝flag+1，若flag＞2，转(4)；(3)对τ_k-1或τ′_k-1进行一步预测，得到τ′_k，转步骤10；(4)输出航迹τ_k-3并删除航迹τ′_k-1；步骤10：重复步骤3～步骤9，直至雷达关机。