基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法

摘要

本发明公开了一种基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法，属于雷达数据处理领域。本发明提出的方法立足于解决低信噪比情况下的机动微弱目标检测与跟踪问题，在实现对机动微弱目标检测同时提供目标航迹信息，并有效消除目标信噪比低、机动大造成的目标漏检问题。本发明的方法主要包括以下步骤：(1)利用多模粒子滤波得到各时刻的目标状态和状态协方差估计；(2)将多模粒子滤波的结果重新定义为量测值，利用“状态估计-航迹”数据关联给出目标航迹信息。本发明克服了基于多模粒子滤波的机动微弱目标检测前跟踪方法的局限性，通过有效降低漏检概率，进而保证目标航迹的连续性，同时本发明具有结构简单、易于硬件实现等优点，因此具有较强的工程应用价值和推广前景。

主权项

1.基于多模粒子滤波和数据关联的机动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_mim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；是目标初始运动模式η₀是目标初始存在概率；L×H表示雷达监测区域的大小；∏_e是目标存在状态概率转移矩阵；∏_m是目标运动模式概率转移矩阵；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，是目标运动模式变量，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)$(4)目标强度初始化$I_k^l=I_{\min }+(I_{\max }-I_{\min })\times \mathrm{rand}\left(1\right)---\left(5\right)$(5)根据目标初始运动模式概率初始化目标运动模式变量(6)根据目标初始存在概率η₀初始化目标存在状态变量(7)粒子权重初始化$w_k^l=\frac{1}{N}---\left(6\right)$(8)令i＝i+1，若i≤N，转(2)；步骤3：令k＝k+1，获得k时刻的雷达量测将雷达接收到的信号进行A/D变换，得到k时刻的雷达量测$z_k\left\{z_k^{(p,q)}\right|p=\mathrm{1,2},...,m;q=\mathrm{1,2},...,n\},$送雷达数据处理计算机；步骤4：对初始粒子集进行预测，得到粒子集其中，(1)令i＝1；(2)根据前一时刻的目标存在状态变量和目标存在状态概率转移矩阵∏_e预测当前时刻目标存在状态变量(3)若且利用方程(1)-方程(5)生成粒子状态并根据随机生成目标运动模式变量(4)若且根据前一时刻的目标运动模式变量和目标运动模式概率转移矩阵∏_m预测当前时刻目标运动模式变量(5)根据选择目标状态状态转移矩阵，其中$F_k^{\left(1\right)}=\left[\begin{array}{ccccc}1& T& 0& 0& 0\\ 0& 1& 0& 0& 0\\ 0& 0& 1& T& 0\\ 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 1\end{array}\right]---\left(7\right)$对应于目标匀速直线运动(CV模型)$F_k^{\left(j\right)}=\left[\begin{array}{ccccc}1& \frac{\sin \left({\Omega }_k^{\left(j\right)}T\right)}{{\Omega }_k^{\left(j\right)}}& 0& -\frac{1-\cos \left({\Omega }_k^{\left(j\right)}T\right)}{{\Omega }_k^{\left(j\right)}}& 0\\ 0& \cos \left({\Omega }_k^{\left(j\right)}T\right)& 0& -\sin \left({\Omega }_k^{\left(j\right)}T\right)& 0\\ 0& \frac{1-\cos \left({\Omega }_k^{\left(j\right)}T\right)}{{\Omega }_k^{\left(j\right)}}& 1& \frac{\sin \left({\Omega }_k^{\left(j\right)}T\right)}{{\Omega }_k^{\left(j\right)}}& 0\\ 0& \sin \left({\Omega }_k^{\left(j\right)}T\right)& 0& \cos \left({\Omega }_k^{\left(j\right)}T\right)& 0\\ 0& 0& 0& 0& 1\end{array}\right],$j＝2，3(8)对应于目标坐标转动(CT模型)，其中${\Omega }_k^{\left(2\right)}=\frac{{-\alpha }_m}{\sqrt{{\left({\stackrel{·}{x}}_{k|k-1}^l\right)}^2+{\left({\stackrel{·}{y}}_{k|k-1}^l\right)}^2}},$${\Omega }_k^{\left(3\right)}=\frac{{\alpha }_m}{\sqrt{{\left({\stackrel{·}{x}}_{k|k-1}^l\right)}^2+{\left({\stackrel{·}{y}}_{k|k-1}^l\right)}^2}}---\left(9\right)$分别对应于顺时针坐标转动和逆时针坐标转动，α_m＞0是一个典型的机动加速度；(6)根据目标运动模式变量选择相应的状态转移方程，对粒子i的状态进行一步预测$x_{k|k-1}^l=F_k^{\left(r_{k|k-1}\right)}{x}_{k-1}^l+v_k---\left(10\right)$其中，v_k为过程噪声，其噪声协方差为Q_k；(7)令i＝i+1，若i≤N，转(2)；步骤5：利用当前时刻的量测对粒子权重进行更新(1)令i＝1；(2)确定似然区域的范围$C_p\left(x_{k|k-1}^l\right)=\{p_0-s,...,p_0-1,p_0,p_0+1,...,p_0+s\}---\left(11\right)$$C_q\left(y_{k|k-1}^l\right)=\{q_0-s,...,q_0-1,q_0,q_0+1,...,q_0+s\}---\left(12\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(13\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(14\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(15\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},$i＝1，2，…，N    (16)步骤6：重采样对权重更新后的粒子集进行重采样${\{y_k^l,(1/N)\}}_{l=1}^N=\mathrm{resample}{\left\{y_{k|k-1}^l{w}_k^l\right\}}_{l=1}^N---\left(17\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(16\right)$(2)若进行目标状态估计${\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(19\right)$和状态协方差估计${\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(20\right)$步骤8：“状态估计-航迹”数据关联(1)如果当前时刻不存在目标状态估计转(4)；(2)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；(3)若当前时刻不存在目标航迹，将新量测作为航迹头，利用m/n逻辑法进行航迹起始；否则，利用新量测对目标航迹τ_k-1或τ′_k-1进行更新，得到更新的航迹τ_k，转步骤9；(4)如果当前时刻存在目标航迹τ_k-1或τ′_k-1，若已经连续3个时刻不存在目标状态估计，输出航迹τ_k-3并删除航迹τ′_k-1；否则，对τ_k-1或τ′_k-1进行一步预测，得到预测τ′_k；步骤9：重复步骤3～步骤8，直至雷达关机。