CN103885057B - 自适应变滑窗多目标跟踪方法 - Google Patents

Abstract

本发明属于雷达多目标跟踪技术领域，公开了自适应变滑窗多目标跟踪方法。该自适应变滑窗多目标跟踪方法包括以下步骤：S1：获得距离—时间数据或距离—多普勒数据；S2：设定第j个目标的初始检测窗；在第j个目标的初始检测窗内存入对应的N帧数据；S3：根据第j个目标的当前检测窗内的N帧数据，得到第j个目标在当前检测窗内的检测结果；S4：若存在第j个目标在前一次检测窗内的检测结果，则执行步骤S5；否则执行步骤S6；S5：针对第j个目标在前一次检测窗内和当前检测窗内的检测结果，进行轨迹融合；S6：当雷达接收新一帧数据后，将第j个目标的当前检测窗更新，然后执行步骤S3。

Description

自适应变滑窗多目标跟踪方法

技术领域

本发明属于雷达多目标跟踪技术领域，特别涉及自适应变滑窗多目标跟踪方法，可用于雷达等监视系统对高速、微弱目标实现检测与跟踪。

背景技术

高科技背景下的现代战争，对战场进行连续监视、能为势态评估、指挥等应用提供丰富的战略和战术信息，对取得战争胜利起着关键的作用。雷达以其全天时、全天候工作特点，一直是战场监视系统的核心。地面远程探测雷达探测跟踪空间轨道目标，存在探测距离远，目标回波信号微弱等挑战，是一种低信噪比情况下的检测跟踪问题。

对于多帧图像数据的探测跟踪通常采用的方法可以分为两大类，一类是跟踪前检测方法，英文为Detect Before Track，缩写为DBT方法，这种方法通常采用信号处理与数据处理相级联的方式，即首先探测——判断目标回波是否过检测门限，然后跟踪——对过门限目标的运动轨迹进行平滑处理；另一类是检测前跟踪方法，英文为Track BeforeDetect，缩写为TBD方法，这类方法直接针对传感器原始观测数据进行处理，首先将多帧数据存储起来，利用目标运动特性将目标检测问题简化为轨迹检测问题，没有门限判别造成的信息损失，经过多帧积累，在目标轨迹被估计出来后，检测结果与目标航迹同时得到。与DBT方法相比，TBD方法能够避免因信噪比低而造成的航迹漏检问题，可以提高检测概率。

典型的TBD方法包括基于投影变换算法、多阶段假设检验算法、动态规划算法以及基于递推贝叶斯滤波的TBD算法。下面对这几种算法做一个简单介绍：1）基于投影变换算法包含Hough变换算法和随机Hough变换算法。基于Hough变换的TBD方法对于直线的检测和估计是很有效的，但对于复杂曲线的检测则存在计算复杂和需要大存储空间等缺点。随机Hough变换能检测各种参数化的曲线，但该方法在参数估计精度和运算量之间难以同时兼顾。2）基于多阶段假设检验TBD方法是属于穷尽搜索方式，需要计算图像序列中所有可能的轨迹，当序列帧数变长时，轨迹的数目呈爆炸式增长，运算量巨大。3）基于动态规划的TBD方法可分为利用目标幅度信息构造阶段指标函数的动态规划TBD方法和基于似然函数的动态规划TBD方法两类。利用目标的幅度信息构造目标函数的动态规划算法，其检测性能受到目标幅度起伏的影响大，而基于似然函数的动态规划算法是以目标幅度未知但必须恒定为前提构造目标函数，因此动态规划的TBD方法对于目标幅度起伏敏感。4）粒子滤波检测前跟踪算法（PF-TBD）及其扩展算法是基于递推贝叶斯滤波类TBD方法中的研究热点，但粒子滤波算法存在粒子退化的现象，引入了重采样的步骤，重采样后存在构建平行处理结构困难的问题，并且PF算法的计算复杂度高。

发明内容

本发明的目的在于提出自适应变滑窗多目标跟踪方法，以实现对多运动目标航迹检测跟踪，降低噪声干扰，提高检测精度和检测速度。

为实现上述技术目的，本发明采用如下技术方案予以实现。

自适应变滑窗多目标跟踪方法包括以下步骤：

S1：利用雷达分别接收第1个目标至Q个目标的原始回波数据，分别针对Q个目标的原始回波数据进行数据预处理完成时间空间对准，获得对应的距离—时间数据或对应的距离—多普勒数据；

S2：设定第j个目标的初始检测窗，j取1至Q；在第j个目标的初始检测窗内存入对应的N帧距离—时间数据或对应的N帧距离—多普勒数据，N为大于1的自然数；

S3：针对第j个目标的当前检测窗内的N帧距离—时间数据或N帧距离—多普勒数据，进行航迹起始批处理操作，得到第j个目标在当前检测窗内的检测结果；

S4：若存在第j个目标在前一次检测窗内的检测结果，则执行步骤S5；否则执行步骤S6；

S5：针对第j个目标在前一次检测窗内和当前检测窗内的检测结果，进行轨迹融合操作，轨迹融合后的结果为：第j个目标在当前检测窗内的轨迹；

S6：当雷达接收新一帧数据后，将第j个目标的当前检测窗向前滑动一帧，进行自适应变动滑窗操作，使第j个目标的当前检测窗更新，然后执行步骤S3。

本发明的特点和进一步改进在于：

在步骤S5中，所述第j个目标的前一次检测窗记为：第j个目标的第k次检测窗，所述第j个目标的当前检测窗记为：第j个目标的第k+1次检测窗，k为大于0的自然数；

则第j个目标的第k次检测窗的检测结果表示为如下目标轨迹序列点迹集合：其中， $X_{j,t}^{\left(k\right)}={[x_{j,t}^{\left(k\right)},y_{j,t}^{\left(k\right)},{\stackrel{\·}{x}}_{j,t}^{\left(k\right)},{\stackrel{\·}{y}}_{j,t}^{\left(k\right)}]}^T,$ t取k至k+N-1，N为第k次检测窗的横向宽度；表示第k次检测窗内第t帧数据上第j个目标的目标点迹矢量，T表示矩阵的转置，和分别表示第k次检测窗内第t帧数据上第j个目标的横轴方向的位置和速度，和分别表示第k次检测窗内第t帧数据上第j个目标的纵轴方向的位置和速度；所述第t帧数据为第t帧距离—时间数据或第t帧距离—多普勒数据；

第j个目标的第k+1次检测窗的检测结果表示为如下目标轨迹序列点迹集合：其中， $X_{j,q}^{(k+1)}={[x_{j,q}^{(k+1)},y_{j,1}^{(k+1)},{\stackrel{\·}{x}}_{j,q}^{(k+1)},{\stackrel{\·}{y}}_{j,q}^{(k+1)}]}^T,$ q取k+1至k+N，表示第k+1次检测窗内第q帧数据上第j个目标的目标点迹矢量，和分别表示第k+1次检测窗内第q帧数据上第j个目标的横轴方向的位置和速度，和分别表示第k+1次检测窗内第q帧数据上第j个目标的纵轴方向的位置和速度；所述第q帧数据为第q帧距离—时间数据或第q帧距离—多普勒数据；

判断与ε的大小关系，其中，ε为大于0且小于1的常数，如果则不进行轨迹融合操作；否则，进行轨迹融合操作；在进行轨迹融合操作时，首先按照以下公式求出y′_j,i：

$y_{j,i}^{\′}=\mathrm{\α}{y}_{j,i}^{\left(k\right)}+{\mathrm{\βy}}_{j,i}^{(k+1)}$

其中，α与β是加权系数，且α+β=1，i取k+1至k+N-1；

轨迹融合后的结果表示为如下目标轨迹序列点迹集合：{X'_j,i}，其中， $X_{j,i}^{\′}={[x_{j,i}^{(k+1)},y_{j,i}^{\′},{\stackrel{\·}{x}}_{j,i}^{(k+1)},{\stackrel{\·}{y}}_{j,i}^{(k+1)}]}^T.$

所述步骤S6包括以下步骤：

S61：在第j个目标的第k次检测窗的检测结果中，统计各个目标沿距离向的分布；

S62：根据以下公式计算

$X_{j,k+N}^{\left(k\right)}=f_{k+N-1}\left(X_{j,k+N-1}^{\left(k\right)}\right)+w_{k+N-1}$

其中，f_k+N-1是设定的第k+N-1帧数据的系统动态模型，w_k+N-1是设定的第k+N-1帧数据的噪声；

S63：结合第j个目标的第k次检测窗的检测结果以及得出的确定第j个目标的第k+1次检测窗的大小和位置；其具体过程如下：

根据得出的得出将第j个目标的第k+1次检测窗的纵向区间设为：

[Rmin_j,k+1,Rmax_j,k+1]

其中， ${R\min }_{j,k+1}=\min (\min \left(y_{j,t}^{\left(k\right)}\right),y_{j,k+N}^{\left(k\right)}),{R\max }_{j,k+1}=\max (\max \left(y_{j,t}^{\left(k\right)}\right),y_{j,k+N}^{\left(k\right)}),$ 表示至中的最小值，表示至中的最大值；将第j个目标的第k+1次检测窗的横向中心t_o,j,k+1设为：

t_o,j,k+1=k+round((k+N-1-k)/2)=k+round((N-1)/2)

其中，round(·)表示向最近的整数进行取整，第j个目标的第k+1次检测窗的横向宽度为N；

S64：在确定第j个目标的第k+1次检测窗的大小和位置之后，返回执行步骤S3。

所述步骤S3具体包括以下步骤：

S31：针对第j个目标的当前检测窗内N帧距离—时间数据或N帧距离—多普勒数据，利用相位一致性模型进行边缘检测，获得边缘检测结果；

S32：在获得边缘检测结果之后，针对检测边缘进行骨架化、去伪边及自适应区域生长处理，获得具有一致性边缘走向的连通区域；

S33：根据所述具有一致性边缘走向的连通区域，结合clearing技术和迭代最小二乘方法提取目标运动轨迹并估计运动参数，得到当前检测窗的检测结果。

本发明的有益效果为：

1)本发明相比现有经典的跟踪前检测方法，能够在低信噪比情况下进行探测-跟踪处理操作。

2)本发明相比现有经典的检测前跟踪方法，运算复杂度低，提高了检测速度，并且能够实时完成跟踪操作。

3)本发明由于对N帧记忆的检测窗进行了自适应图像域航迹起始方法，能够针对目标数目未知、航迹形态任意的情况完成航迹起始。

4)本发明由于采用自适应变动滑窗方法，保证检测窗内始终存储最新的N帧数据，同时能够减少航迹起始批处理操作运算量，提高批处理的运算速度，实现实时跟踪。

5)本发明由于针对前后两次滑窗重叠部分采用轨迹融合操作，既解决了相同目标轨迹的合并问题，又能提高目标轨迹的定位精度。

附图说明

图1为本发明的自适应变滑窗多目标跟踪方法的流程示意图；

图2为本发明的自适应变滑窗多目标跟踪方法的检测窗更新的原理示意图；

图3为仿真实验A中信噪比为6dB时的距离—时间图像；

图4为针对图3使用传统跟踪前检测方法得到的点迹检测图；

图5为针对图3使用本发明得到的点迹跟踪图；

图6为仿真实验B使用DBT方法在不同虚警概率条件下稳定跟踪百分比随信噪比变化的曲线图；

图7为当N趋于无穷时在对应信噪比和虚警概率下的稳定跟踪概率曲线示意图；

图8为仿真实验B使用本发明的自适应变滑窗多目标跟踪方法得到的跟踪性能示意图；

具体实施方式

下面结合附图对本发明作进一步说明：

参照图1，为本发明的自适应变滑窗多目标跟踪方法的流程示意图。该自适应变滑窗多目标跟踪方法包括以下步骤：

S1：利用雷达分别接收第1个目标至Q个目标的原始回波数据，分别针对Q个目标的原始回波数据进行数据预处理完成时间空间对准，获得对应的距离—时间数据或对应的距离—多普勒数据。

S2：设定第j个目标的初始检测窗，j取1至Q；在第j个目标的初始检测窗内存入对应的N帧距离—时间数据或对应的N帧距离—多普勒数据，N为大于1的自然数。特别地，在数据接收的初始阶段，第j个目标的初始检测窗内的数据不足N帧，可以不进行处理等待第j个目标的初始检测窗内的数据达到N帧。

S3：针对第j个目标的当前检测窗内的N帧距离—时间数据或N帧距离—多普勒数据，进行航迹起始批处理操作，得到第j个目标在当前检测窗内的检测结果。具体说明如下：

Hough变换算法是常用的一种航迹起始批处理方法，其对于直线的检测和估计是很有效的，但对于复杂曲线的检测则存在计算复杂和需要大存储空间等缺点。若检测窗内目标航迹是直线或近似直线，则可以采用Hough变换算法处理。随机Hough变换算法能检测各种参数化的曲线，但该方法在参数估计精度和运算量之间难以同时兼顾。这里采用多目标航迹的自适应图像域检测方法进行检测窗内N帧数据航迹起始批处理操作，可以完成未知目标数目，任意轨迹形态的航迹起始操作。

第j个目标的当前检测窗内的数据包括N帧数据，记为Z(N)；在步骤S3中，需要针对第j个目标的当前检测窗内的数据Z(N)进行统一处理，依据运动目标帧间具有高相关性，而噪声各帧之间相互独立的特点，进而排除噪声干扰，得到真实目标运动轨迹。

步骤S3具体包括以下步骤：

S31：针对第j个目标的当前检测窗内N帧距离—时间数据或N帧距离—多普勒数据，利用相位一致性模型进行边缘检测，获得边缘检测结果。

S32：在获得边缘检测结果之后，针对检测边缘进行骨架化、去伪边及自适应区域生长处理，获得具有一致性边缘走向的连通区域。

S33：根据上述具有一致性边缘走向的连通区域，结合clearing技术和迭代最小二乘方法提取目标运动轨迹并估计运动参数，得到当前检测窗的检测结果。

S4：若存在第j个目标在前一次检测窗内的检测结果，则执行步骤S5；否则执行步骤S6。

S5：针对第j个目标在前一次检测窗内和当前检测窗内的检测结果，进行轨迹融合操作，轨迹融合后的结果为：第j个目标在当前检测窗内的轨迹。具体说明如下：

上述第j个目标的前一次检测窗记为：第j个目标的第k次检测窗，上述第j个目标的当前检测窗记为：第j个目标的第k+1次检测窗，k为大于0的自然数。

则第j个目标的第k次检测窗的检测结果表示为如下目标轨迹序列点迹集合：其中，t取k至k+N-1，N为第k次检测窗的横向宽度；表示第k次检测窗内第t帧数据上第j个目标的目标点迹矢量，T表示矩阵的转置，和分别表示第k次检测窗内第t帧数据上第j个目标的横轴方向的位置和速度，和分别表示第k次检测窗内第t帧数据上第j个目标的纵轴方向的位置和速度；上述第t帧数据为第t帧距离—时间数据或第t帧距离—多普勒数据。

第j个目标的第k+1次检测窗的检测结果表示为如下目标轨迹序列点迹集合：其中， $X_{j,t}^{\left(k\right)}={[x_{j,t}^{\left(k\right)},y_{j,t}^{\left(k\right)},{\stackrel{\·}{x}}_{j,t}^{\left(k\right)},{\stackrel{\·}{y}}_{j,t}^{\left(k\right)}]}^T,$ q取k+1至k+N，表示第k+1次检测窗内第q帧数据上第j个目标的目标点迹矢量，和分别表示第k+1次检测窗内第q帧数据上第j个目标的横轴方向的位置和速度，和分别表示第k+1次检测窗内第q帧数据上第j个目标的纵轴方向的位置和速度；上述第q帧数据为第q帧距离—时间数据或第q帧距离—多普勒数据。

由于第j个目标的第k次检测窗和第j个目标的第k+1次检测窗具有一定的横向长度和纵向长度，使第j个目标的第k次检测窗的检测结果或第j个目标的第k+1次检测窗的检测结果可能包含其他目标（非第j个目标）的检测结果，所以要判断和是否属于同一个目标的检测结果。具体说明如下：如果 $\sqrt{\underset{i=k+1}{\overset{k+N-1}{\mathrm{\Σ}}}\frac{1}{N-1}{(y_{j,i}^{\left(k\right)}-y_{j,i}^{(k+1)})}^2}>\mathrm{\ϵ},$ 则认为和不属于同一个目标的检测结果，此时不进行轨迹融合操作；ε为大于0且小于1的常数，例如_ε为0.5。

如果 $\sqrt{\underset{i=k+1}{\overset{k+N-1}{\mathrm{\Σ}}}\frac{1}{N-1}{(y_{j,i}^{\left(k\right)}-y_{j,i}^{(k+1)})}^2}\≤\mathrm{\ϵ},$ 则认为和属于同一个目标的检测结果，此时进行轨迹融合操作。

在进行轨迹融合操作时，对和进行加权求和，这样做的目的在于：使轨迹融合后的结果较为平滑；具体地，按照以下公式求出y′_j,i：

$y_{j,i}^{\′}=\mathrm{\α}{y}_{j,i}^{\left(k\right)}+{\mathrm{\βy}}_{j,i}^{(k+1)}$

其中，α与β是加权系数，且α+β=1，若认为和同等重要，将α和β均设为0.5；i取k+1至k+N-1。

轨迹融合后的结果表示为如下目标轨迹序列点迹集合：{X'_j,i}，其中， $X_{j,i}^{\′}={[x_{j,i}^{(k+1)},y_{j,i}^{\′},{\stackrel{\·}{x}}_{j,i}^{(k+1)},{\stackrel{\·}{y}}_{j,i}^{(k+1)}]}^T.$

S6：当雷达接收新一帧数据后，将第j个目标的当前检测窗向前滑动一帧，进行自适应变动滑窗操作，使第j个目标的当前检测窗更新，然后执行步骤S3。具体说明如下：

参照图2，为本发明的自适应变滑窗多目标跟踪方法的检测窗更新的原理示意图。图2中，第j个目标的第k次检测窗标记为A窗，第j个目标的第k+1次检测窗标记为B窗；步骤S6包括以下步骤：

S61：在第j个目标的第k次检测窗的检测结果中，统计各个目标沿距离向（检测窗纵向）的分布。

S62：根据以下公式计算

$X_{j,k+N}^{\left(k\right)}=f_{k+N-1}\left(X_{j,k+N-1}^{\left(k\right)}\right)+w_{k+N-1}$

其中，f_k+N-1是设定的第k+N-1帧数据的系统动态模型，w_k+N-1是设定的第k+N-1帧数据的噪声，w_k+N-1的协方差矩阵为Q_k+N-1。

S63：结合第j个目标的第k次检测窗的检测结果和得出的确定第j个目标的第k+1次检测窗的大小和位置；其具体过程如下：

根据得出的得出将第j个目标的第k+1次检测窗的纵向区间设为：

[Rmin_j,k+1,Rmax_j,k+1]

其中， ${R\min }_{j,k+1}=\min (\min \left(y_{j,t}^{\left(k\right)}\right),y_{j,k+N}^{\left(k\right)}),{R\max }_{j,k+1}=\max (\max \left(y_{j,t}^{\left(k\right)}\right),y_{j,k+N}^{\left(k\right)}),$ 表示至中的最小值，表示至中的最大值；则第k+1次检测窗的纵向（距离向）跨度ΔR_j,_k+1为：

ΔR_j,k+1=Rmax_j,k+1-Rmin_j,k+1

第j个目标的第k+1次检测窗的纵向中心r_o,j,k+1为：

r_o,j,k+1=Rmin_j,k+1+round(ΔR_j,k+1/2)；

将第j个目标的第k+1次检测窗的横向中心t_o,j,k+1设为：

t_o,j,k+1=k+round((k+N-1-k)/2)=k+round((N-1)/2)

其中，round(·)表示向最近的整数进行取整，第j个目标的第k+1次检测窗的横向宽度为N。

由此可知，第j个目标的第k+1次检测窗的大小为ΔR_j,k+1×N；第j个目标的第k+1次检测窗的中心位于（t_o,j,k+1，r_o,j,k+1）处。

S64：在确定第j个目标的第k+1次检测窗的大小和位置之后，返回执行步骤S3。

需要说明的是，在步骤S6中，当距离单元数目很多而目标个数较少时，可通过变动检测窗大小来对相应目标进行跟踪，以减少批处理航迹起始数据量。

由于j取1至Q，在步骤S1之后，针对每个目标执行步骤S2至步骤S6，即可得出每个目标在当前检测窗内的轨迹。

本发明的效果可以通过下述仿真实验说明：

1）仿真条件：

在仿真实验中，采用地基对空警戒雷达，其工作波长λ=0.03m，数据率为100帧每秒，雷达脉冲重复频率为f_PRF=1000Hz，因此每帧数据为10个脉冲相干积累的结果。信号带宽B=4MHz，可计算出距离向分辨率为37.5m，考虑到距离脉压（即距离向脉冲压缩处理）时加窗会略微增大分辨率，这里设距离向分辨率为40m，采用一个距离单元代表一个距离向分辨单元，因此距离单元间距取40m。整个跟踪时长30s。在该仿真实验中，假设一帧数据只包含一个运动目标。针对空间轨道目标跟踪，仿真中使用的空间轨道目标的轨道根数为：半长轴a=5829055m，偏心率e=0.306879，轨道倾角i=1.743240rad，升交点赤经Ω=-1.205112rad，近地点幅角ω=-1.481786rad，初始平近点角M₀=1.590637rad，该目标轨道运行总时长T_z=2187s。仿真实验中假设地面远程探测雷达位于大地坐标系经度118度，纬度45度，高度0m的位置对空间轨道目标进行跟踪。假设探测斜距小于3000km的范围为可观测范围。

2）仿真内容及结果

本次仿真实验包括仿真实验A和仿真实验B。在仿真实验A中，针对距离—时间数据（图像）进行仿真，参照图3，为仿真实验A中信噪比为6dB时的距离—时间图像。图3中包含了一条运动目标轨迹及噪声干扰。从图3中可以隐约看到一条运动轨迹。如何清晰正确地提取出这条航迹并且正确估计出各航迹参数，是本发明的主要任务。为此对图3的仿真距离-时间图像分别采用传统跟踪前检测方法和本发明的自适应变动滑窗方法进行对比实验。

参照图4，为针对图3使用传统跟踪前检测方法得到的点迹检测图。在进行传统跟踪前检测时，采用恒虚警检测方法，其虚警概率为0.01。从图4中可以发现，很多真实目标点迹未被检测到，并且虚警数目较多，难以实现稳定跟踪。

参照图5，为针对图3使用本发明得到的点迹跟踪图。在仿真实验A中使用本发明的自适应变滑窗多目标跟踪方法时，首先等待航迹起始所需的50帧数据帧，然后进行航迹起始操作，之后每接收一帧数据，就用当前帧以及记忆的前49帧数据共同进行预测，结合当前帧数据进行滤波估计。通过对比图5和图4，可以看出，本发明相比传统跟踪前检测方法能够有效地提高真实目标点迹的检测概率，降低虚警数目。

在仿真实验B中，分别使用传统跟踪前检测方法（DBT方法）和本发明的自适应变滑窗多目标跟踪方法，进行了蒙特卡洛实验仿真。

参照图6，为仿真实验B使用DBT方法在不同虚警概率条件下稳定跟踪百分比随信噪比变化的曲线图。在仿真实验B中，虚警概率表示为P_fa。若以稳定跟踪百分比为0.7作为门限，则从图6中可以看出，当P_fa=10^-1时，无法完成稳定跟踪；当P_fa=10^-2时，需在信噪比为14dB时能达到稳定跟踪；当P_fa=10^-3时，需在信噪比为15dB时能达到稳定跟踪；当P_fa=10^-4时，需在信噪比为16dB时能达到稳定跟踪；当P_fa=10^-5时，需在信噪比为16dB时能达到稳定跟踪；当P_fa=10^-6时，需在信噪比为17dB时能达到稳定跟踪。

在仿真实验B中，假设跟踪时记忆2帧，则当连续三帧或三帧以上丢失真实目标点迹时就无法形成稳定跟踪。稳定跟踪概率由下式确定：

$P_g=\underset{L=0}{\overset{n_{\max }}{\mathrm{\Σ}}}{P}_g^{\left(L\right)}=\underset{L=0}{\overset{n_{\max }}{\mathrm{\Σ}}}{n}_L{P}_d^{N-1}\underset{h=0}{\overset{L}{\mathrm{\Σ}}}{P}_{\mathrm{fa}}^h{(1-P_d)}^{L-h}$

$P_g^{\left(L\right)}=n_L{P}_d^{N-1}\underset{h=0}{\overset{L}{\mathrm{\Σ}}}{P}_{\mathrm{fa}}^h{(1-P_a)}^{L-h}$

其中，表示当有L帧虚警或漏警时的稳定跟踪概率，n_max表示符合稳定跟踪条件下最多可能的虚警或漏警的数目，即当n_max<L≤N时，n_L表示当有L帧虚警或漏警时能够形成稳定跟踪的情形数目，P_d为目标检测概率，P_fa为虚警概率。参照图7，为当N趋于无穷时在对应信噪比和虚警概率下的稳定跟踪概率曲线示意图。

从图6和图7中可以看出，当虚警概率P_fa为10^-1～10^-2时，跟踪性能曲线与检测概率曲线相差较大，其原因为虚警对跟踪性能的影响，在此条件下，虚警过多，导致跟踪关联出错。降低虚警概率，跟踪性能曲线与此曲线的走向趋势是一致的，但跟踪性能曲线对应虚警概率条件下，要求的信噪比更高，原因是虚警和跟踪算法等造成信噪比损失，无法达到理论值。

参照图8，为仿真实验B使用本发明的自适应变滑窗多目标跟踪方法得到的跟踪性能示意图。从图8中可以看出，若以稳定跟踪百分比为0.7作为门限，则当信噪比为8dB时能达到稳定跟踪。由上述跟踪示例以及跟踪性能对比仿真实验可知，本发明的自适应变滑窗多目标跟踪方法相比传统跟踪DBT方法能改善6dB信噪比。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.自适应变滑窗多目标跟踪方法，其特征在于，包括以下步骤：

S1：利用雷达分别接收第1个目标至Q个目标的原始回波数据，分别针对Q个目标的原始回波数据进行数据预处理完成时间空间对准，获得对应的距离-时间数据或对应的距离-多普勒数据；

S2：设定第j个目标的初始检测窗，j取1至Q；在第j个目标的初始检测窗内存入对应的N帧距离-时间数据或对应的N帧距离-多普勒数据，N为大于1的自然数；

S3：针对第j个目标的当前检测窗内的N帧距离-时间数据或N帧距离-多普勒数据，进行航迹起始批处理操作，得到第j个目标在当前检测窗内的检测结果；

步骤S3具体包括以下步骤：

S31：针对第j个目标的当前检测窗内N帧距离-时间数据或N帧距离-多普勒数据，利用相位一致性模型进行边缘检测，获得边缘检测结果；

S32：在获得边缘检测结果之后，针对检测边缘进行骨架化、去伪边及自适应区域生长处理，获得具有一致性边缘走向的连通区域；

S33：根据所述具有一致性边缘走向的连通区域，结合clearing技术和迭代最小二乘方法提取目标运动轨迹并估计运动参数，得到当前检测窗的检测结果；

S4：若存在第j个目标在前一次检测窗内的检测结果，则执行步骤S5；否则执行步骤S6；

S5：针对第j个目标在前一次检测窗内和当前检测窗内的检测结果，进行轨迹融合操作，轨迹融合后的结果为：第j个目标在当前检测窗内的轨迹；

S6：当雷达接收新一帧数据后，将第j个目标的当前检测窗向前滑动一帧，进行自适应变动滑窗操作，使第j个目标的当前检测窗更新，然后执行步骤S3。

2.如权利要求1所述的自适应变滑窗多目标跟踪方法，其特征在于，在步骤S5中，所述第j个目标的前一次检测窗记为：第j个目标的第k次检测窗，所述第j个目标的当前检测窗记为：第j个目标的第k+1次检测窗，k为大于0的自然数；

则第j个目标的第k次检测窗的检测结果表示为如下目标轨迹序列点迹集合：其中，t取k至k+N-1，N为第k次检测窗的横向宽度；表示第k次检测窗内第t帧数据上第j个目标的目标点迹矢量，T表示矩阵的转置，和分别表示第k次检测窗内第t帧数据上第j个目标的横轴方向的位置和速度，和分别表示第k次检测窗内第t帧数据上第j个目标的纵轴方向的位置和速度；所述第t帧数据为第t帧距离-时间数据或第t帧距离-多普勒数据；

第j个目标的第k+1次检测窗的检测结果表示为如下目标轨迹序列点迹集合：其中，q取k+1至k+N，表示第k+1次检测窗内第q帧数据上第j个目标的目标点迹矢量，和分别表示第k+1次检测窗内第q帧数据上第j个目标的横轴方向的位置和速度，和分别表示第k+1次检测窗内第q帧数据上第j个目标的纵轴方向的位置和速度；所述第q帧数据为第q帧距离-时间数据或第q帧距离-多普勒数据；

判断与ε的大小关系，其中，ε为大于0且小于1的常数，如果则不进行轨迹融合操作；否则，进行轨迹融合操作；在进行轨迹融合操作时，首先按照以下公式求出y′_j，i：

$y_{j,i}^{\&prime;}=\mathrm{\&alpha;}{y}_{j,i}^{\left(k\right)}+\mathrm{\&beta;}{y}_{j,i}^{(k+1)}$

其中，α与β是加权系数，且α+β＝1，i取k+1至k+N-1；

轨迹融合后的结果表示为如下目标轨迹序列点迹集合：{X′_j，i}，其中，

3.如权利要求2所述的自适应变滑窗多目标跟踪方法，其特征在于，所述步骤S6包括以下步骤：

S61：在第j个目标的第k次检测窗的检测结果中，统计各个目标沿距离向的分布；

S62：根据以下公式计算

$X_{j,k+N}^{\left(k\right)}=f_{k+N-1}\left(X_{j,k+N-1}^{\left(k\right)}\right)+w_{k+N-1}$

其中，f_k+N-1是设定的第k+N-1帧数据的系统动态模型，w_k+N-1是设定的第k+N-1帧数据的噪声；

S63：结合第j个目标的第k次检测窗的检测结果以及得出的确定第j个目标的第k+1次检测窗的大小和位置；其具体过程如下：

根据得出的得出将第j个目标的第k+1次检测窗的纵向区间设为：

[R min_j，k+1，R max_j，k+1]

其中， 表示至中的最小值，表示至中的最大值；将第j个目标的第k+1次检测窗的横向中心t_o，j，k+1设为：

t_o，j，k+1＝k+round((k+N-1-k)/2)＝k+round((N-1)/2)

第k+1次检测窗的纵向跨度ΔR_j，k+1为：

ΔR_j，k+1＝R max_j，k+1-R min_j，k+1

第j个目标的第k+1次检测窗的纵向中心r_o，j，k+1为：

r_o，j，k+1＝R min_j，k+1+round(ΔR_j，k+1/2)；其中，round(·)表示向最近的整数进行取整，第j个目标的第k+1次检测窗的横向宽度为N；

S64：在确定第j个目标的第k+1次检测窗的大小和位置之后，返回执行步骤S3。