CN103616680A - 基于离散变速率采样的机动弱目标检测前跟踪方法 - Google Patents

Abstract

本发明公开了一种基于离散变速率采样的机动弱目标检测前跟踪方法。本发明首先初始化粒子并对粒子存在变量一步预测；其次进行初次粒子状态预测，在引入状态变量后进行状态的再次预测；然后计算粒子权重并归一化，对粒子进行第二次加权操作；最后估计当前时刻目标的检测概率以及状态。在粒子状态预测过程中本发明提出了一种新的离散变速率采样方法对粒子进行采样。本发明可以实现复杂背景环境下机动弱目标的检测与跟踪，同时具有较好的可靠性、可行性和实时性。

Description

基于离散变速率采样的机动弱目标检测前跟踪方法

技术领域

本发明属于雷达数据处理领域，涉及一种基于离散变速率采样的机动弱目标检测前跟踪快速算法。

背景技术

目前机载预警雷达低空探测技术将目标检测(信号处理)与目标跟踪(数据处理)作为两个独立的环节分别进行，这种技术在目标信噪比较高的情况下能够很好地实现目标检测与目标跟踪。但是，目标信噪比较低时，由于检测环节简化了量测数据，丢失了原始量测中的部分信息，因而通常难以发现弱目标的信号。通常用基于贝叶斯滤波的检测前跟踪算法来解决雷达弱目标的检测与跟踪的问题。该技术可以直接使用雷达原始观测数据，充分挖掘数据信息并通过多次扫描观测数据的积累来提升信噪比实现了对弱目标的同时检测与跟踪。但是对于雷达机动弱目标，由于目标可能具有强机动性，在整个积累过程中目标径向速度未知，无法进行有效的距离补偿，致使积累效果变差。现在使用基于变速率粒子滤波的检测前跟踪方法实现对雷达机动弱目标的检测与跟踪，该技术能够解决交互式多模型粒子滤波方法中的存储量和计算量大的问题，但是由于在量测过程中可能会产生无用状态点并且在得到量测数据以后需要进行插值来获得粒子状态，因此仍然存在存储量和计算量大的问题，导致检测与跟踪的实时性差，由于采用的是基本的粒子滤波，在检测概率的提高和跟踪误差的减小方面仍有待于进一步提高。

发明内容

本发明的目的在于解决现有的雷达机动弱目标检测前跟踪方法中存在的存储量和计算量大、实时性差的不足，同时可进一步提高检测概率及降低跟踪误差。

本发明包括以下步骤：

(1)、粒子初始化，初始化各粒子的状态、存在变量及到达时间。(2)、预测粒子存在变量

(3)、粒子状态预测，若t时刻粒子存在变量为0，则粒子状态无需定义；若粒子存在变量为1，则需要继续判断上一量测时刻粒子存在变量的值，若t-T时刻粒子存在变量为0，则需要对粒子进行初始化，若此时粒子存在变量为1，则需要进行离散变速率采样。首先判断粒子到达时间邻域是否完整，若完整，则无需采样，否则根据目标是否发生机动进行离散采样，计算得到粒子到达时间间隔然后采样获得粒子状态。(4)、重采样。计算粒子权重并归一化，判断是否需要重采样并根据重采样后得到新样本的父样本进行采样，重新获得N个粒子，实现了对粒子的第一次加权操作。(5)、再次预测粒子状态。(6)、计算粒子权重并归一化，对粒子的第二次加权操作。(7)、目标状态估计并计算检测概率。(8)、根据(7)中得到的状态估计结果进行目标机动性检测，返回步骤(2)执行下一次循环，从而构成了本发明的完整框架。

本发明的关键技术在于离散变速率采样，与传统的变速率粒子滤波(VRPF)相比本发明有两个优点：(1)、不会产生无用状态点，无用状态点是在两次量测时间间隔内产生的目标状态点，由于这些点的状态无法量测，因此对目标状态的估计及检测概率的计算没有任何意义，本发明提出的方法不会产生无用状态点，可以减少存储量；(2)、无需进行插值。VRPF方法中，由于粒子到达时刻不一定与量测时刻恰好相同，在当前量测时刻获得量测值后需要进行插值来获得粒子到达时刻粒子的状态，而本发明中由于采用离散变速率采样粒子到达时间必为量测时刻，因此避免了插值操作，可以降低计算量。另外辅助粒子滤波引入使得滤波过程中获得的粒子权重更加稳定，得到的检测概率更高，跟踪误差更小。

附图说明

图1为本发明流程图。

具体实施方式

以下结合图1对本发明步骤作以下说明：

步骤1、粒子初始化。

(1)、粒子状态初始化：根据粒子初始概率密度分布随机采样生成N个粒子：

$x_1^i~p\left(x_0\right)---\left(1\right)$

其中，为N个粒子的状态向量，p(x₀)为已知的概率密度。

(2)、粒子存在变量初始化：给定目标出生和死亡概率分别为p_b和p_d(一般取p_b＝p_d＝0.05或0.1)。粒子存在变量为

并且使N×P_b个粒子的初始存在变量为1，其余粒子初始存在变量均为0。

(3)、粒子到达时间初始化：初始化每个粒子的到达时间

为第一个量测数据到达的时间t₀。初始化每个粒子第一个量测时刻的邻域，使其只包含初始粒子，即：

表示在初始量测时刻第i个粒子的邻域内到达时间最大元素的下标。

步骤2、预测粒子存在变量。

在t时刻获得粒子后对粒子的存在变量

进行一步预测：设上一量测时刻(t-T)存在变量为1的粒子数为n，从这n个粒子中随机抽取n×p_d个使在当前t时刻其存在变量为0；剩余的粒子存在变量仍为1；从上一时刻存在变量为0的粒子中随机抽取(N-n)×p_b个，使其在当前t时刻存在变量为1，剩余粒子存在变量仍为0。

步骤3、预测粒子状态。

判断当前时刻t粒子存在变量是否为1，若当前时刻粒子状态变量为0，则粒子无需定义；若当前时刻粒子存在变量为1，则继续判断上一量测时刻(t-T)粒子的存在变量是否为1，如果上一量测时刻粒子存在变量为0，则需要根据步骤1中方法对其进行初始化(包括其邻域)，其中粒子到达时间初始化为当前时刻t。如果上一时刻粒子存在变量为1，则对粒子进行变速率采样。变速率采样具体方法如下所述：

判断当前时刻粒子到达时间邻域是否完整，若该粒子邻域内元素的最大到达时间位于当前时刻t之后，则该粒子邻域完整，不再需要进行采样。否则粒子邻域不完整，此时需要根据状态方程变速率采样，直至该粒子在当前时刻邻域完整为止。其中，变速率采样的基本原理为：

令粒子到达时间间隔为Δτ_k，则

$\mathrm{\Δ}{\mathrm{\τ}}_k^i={\mathrm{\τ}}_k^i-{\mathrm{\τ}}_{k-1}^i,---\left(2\right)$

其中

和

为粒子相邻的两个到达时间。根据步骤8中目标机动性强弱的判断结果进行采样，当目标机动性较弱时，粒子到达时间间隔Δτ_k是一个随机过程且服从伽马分布，对Δτ_k进行整数化处理，在离散空间内取值，使得

即Δτ_k＝{T,2T,3T,...},T为量测采样时间间隔，其中参数c取值的概率服从一阶马尔科夫矩阵，即Π_c＝[p₁,p₂,p₃,...p_N]，Π_c中p₁,p₂,p₃,...p_N的值计算方法如下：

已知x服从参数为α,β的伽马分布，其概率密度函数为：

$f\left(x\right)=\left\{\begin{array}{cc}\∫\frac{{\mathrm{\β}}^{\mathrm{\α}}}{\mathrm{\Γ}\left(\mathrm{\α}\right)}{x}^{\mathrm{\α}-1}{e}^{-\mathrm{\βx}}\mathrm{dx}& x>0\\ 0& x\≤0\end{array}\right.---\left(3\right)$

则可计算得到其概率分布F(x)，于是计算得到p₁＝F(1.5T)-F(0.5T),p₂＝F(2.5T)-F(1.5T),…,p_n＝F[(n+0.5)T]-F[(n-0.5)T]；当目标机动性较强时，粒子到达时间取最小值(即c＝1)为量测时间间隔T。采样完成后，各粒子状态根据状态方程进行传播即：

$x_t^i~f\left(x_t\right|x_{t-1})---\left(4\right)$

其中，f(x_t|x_t-1)由目标运动模型确定。由此可以看出，在目标机动性较弱时粒子到达时间间隔大于或等于目标机动性较强时的粒子到达时间间隔，可以减少粒子传播数量，减少运算时间。

步骤4、计算粒子权重并归一化判断是否需要重采样。

引入状态变量

根据下式计算粒子权重：

$q_t^i\∝p\left(z_t\right|u_{t-1}^i)q_{t-1}^i---\left(5\right)$

归一化：

${\tilde{q}}_t^i=\frac{q_t^i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{q}_t^i}(i=\mathrm{1,2}...N)---\left(6\right)$

在此实现了对粒子的第一次加权操作。

根据归一化之后的权重

采用系统重采样的方法实现重采样，重采样后记录得到新样本的父样本

步骤5、再次预测粒子状态。

从

中采样N次，得到

然后根据步骤3中的方法再次预测粒子状态，得到当前量测时刻粒子状态

步骤6、计算粒子权重并归一化。

在当前时刻t，计算每一个粒子的权重：存在变量为0的粒子权重均置为1；存在变量为1的粒子则需要通过在其邻域内进行离散化处理得到当前时刻的粒子状态，然后引入局部似然方法计算粒子权重

计算得到每一个粒子的权重之后在进行归一化，得到归一化以后的粒子权重：

${\tilde{w}}_t^i=\frac{w_t^i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t^i}(i=\mathrm{1,2}...N)---\left(7\right)$

在此实现了对粒子的第二次加权操作。

步骤7、目标状态估计。

首先根据式(7)计算当前时刻t目标的存在概率pe_t：

${\mathrm{pe}}_t=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{E}_t^i}{N}---\left(8\right)$

其中N为粒子总数，为t时刻各粒子的存在变量。如果pe_t超过了预设门限，则宣布目标存在并根据下式估计目标状态：

${\hat{x}}_t=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(x_t^i{E}_t^i\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{E}_t^i}---\left(9\right)$

其中，

为当前时刻各粒子的状态。

步骤8、将t时刻重采样得到的粒子作为下一时刻的初始粒子，重复执行步骤2到步骤8，并将t时刻目标状态估计用于下一量测时刻目标机动性检测。目标产生机动使得原来的模型变差，造成目标状态估计偏离真实状态从而导致滤波器的残差特性发生变化，因此可以根据残差变化检测目标是否发生激动：

首先，通过状态方程和量测方程对当前时刻目标状态的估计

进行一步预测，得到下一量测时刻的量测一步预测

记γ_t+T为模型在t+T时刻的新息向量，其相应的协方差为S_t+T，新息向量γ_t+T由下式获得：

$\begin{array}{c}{\mathrm{\γ}}_{t+T}=z_{t+T}-{\hat{z}}_{t+T|t}\\ =z_{t+T}-H_{t+T}{x}_{(t+T|t)}\end{array}---\left(10\right)$

为信息协方差的逆，相应的新息协方差为：

S_t+T＝H_t+TP_(t+T|t)H′_t+T+R_t+T     (11)

距离统计函数为

${\mathrm{\ϵ}}_{t+T}={\mathrm{\γ}}_{t+T}^{\′}{s}_{t+T}^{-1}{\mathrm{\γ}}_{t+T}---\left(12\right)$

其均值为

${\stackrel{\‾}{\mathrm{\ϵ}}}_{t+T}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_{t+T}^i---\left(13\right)$

当目标发生机动时，

大于ε_max的概率为P_F，其中ε_max为设定的阈值，P_F为允许的虚警概率。将

与ε_max进行比较，若低于这个阈值则目标未发生机动，否则目标发生机动。当

时，目标为一般机动；当时判定为强机动。

Claims (1)

1. 基于离散变速率采样的机动弱目标检测前跟踪方法，其特征在于该方法包括以下步骤：

步骤1、初始化；对粒子状态和到达时间进行初始化得到需要的粒子；

步骤2、粒子存在变量一步预测；在获得当前t时刻的初始粒子后，根据粒子存在变量矩阵对每个粒子的存在变量进行一步预测；

步骤3、初次粒子状态预测；在当前时刻t,判断粒子的存在变量是否为1：若粒子的存在变量为1，则需判断上一个量测时刻粒子的存在变量，若在上一个量测时刻                                               

粒子的存在变量仍为1，则通过已知的状态方程离散变速率采样传播该粒子，否则初始化该粒子；若粒子的存在变量为0，则无需定义粒子状态；

步骤4、引入状态变量

，并计算粒子权重

,对粒子进行第一次加权操作；对粒子权重归一化以并判断是否需要重采样，记录重采样后得到当前子样本的父样本

；

步骤5、再次预测粒子状态；根据

采样得到

个粒子，根据步骤3中预测粒子状态；

步骤6、计算粒子权重并归一化，对粒子进行第二次加权操作；

步骤7、估计当前时刻目标的检测概率以及状态；

步骤8、在下一时刻将当前时刻目标状态估计作为反馈信息进行目标机动检测，并返回步骤2继续执行进入下一量测时刻。

Images