CN104101875A - 一种空管雷达多目标跟踪方法 - Google Patents

Abstract

本发明实施例提供了一种空管雷达多目标跟踪方法，涉及智能信息处理领域，可以满足空管雷达的跟踪实时性。所述方法包括：获得直角坐标系下的量测；采取分扇区PHD滤波处理，用上一时刻的当前扇区新生的量测构建新生高斯项，得到新生目标强度，将新生高斯项转作预备存活高斯项；对当前扇区的存活和预备存活高斯项进行PHD预测及更新；利用当前扇区和前一扇区的量测更新当前扇区的存活高斯项和预备存活高斯项；提取峰值，得到目标状态；利用当前扇区的存活及预备存活的目标状态进行航迹管理，用预备存活的目标状态管理临时航迹，用存活的目标状态管理稳定航迹，将临时航迹过渡到稳定航迹，同时将不可靠航迹删除，管理航迹号，最后获得航迹。

Description

一种空管雷达多目标跟踪方法

技术领域

本发明涉及智能信息处理领域，尤其涉及一种空管雷达多目标跟踪方法。

背景技术

空管雷达是ATM(空中交通管理)系统监视空中飞行情况的重要信息源之一，是确保飞行安全、实现雷达管制和提高监视区域容量的基础。

多目标跟踪技术在通信、雷达、生物医学等多个领域有着广泛应用，传统的处理多目标跟踪方法大都是基于数据关联的，需要建立量测和目标的对应关系，如最近邻法(NN)，联合概率数据关联算法(JPDA)，多假设跟踪算法(MHT)。而空管雷达监视区域是一个较为复杂的环境，多目标运动和大量的杂波及虚警等会导致传统跟踪算法出现组合爆炸、计算量呈指数型增长等问题，难以满足空管雷达的跟踪实时性。

发明内容

本发明的实施例提供一种空管雷达多目标跟踪方法，可以满足空管雷达的跟踪实时性。

为达到上述目的，本发明的实施例采用如下技术方案：

一种空管雷达多目标跟踪方法，包括以下步骤：

将从空管雷达得到的初始数据，由解析后的极坐标系无偏转换到直角坐标系，获得各扇区各个时刻的量测；

采取分扇区假设概率密度PHD滤波处理，利用上一时刻的当前扇区新生的量测构建新生高斯项，得到新生目标强度，并将新生高斯项转作为预备存活高斯项；

根据所述新生目标强度对当前扇区的存活高斯项和预备存活高斯项进行PHD预测及更新；

自适应构建杂波密度，利用当前扇区和前一扇区的量测再次更新当前扇区的存活高斯项和预备存活高斯项；

对所述当前扇区的存活高斯项和预备存活高斯项均用标签法打上标签；对预备存活PHD进行峰值提取得到预备存活的目标状态，对存活PHD进行峰值提取得到存活的目标状态；其中，所述存活PHD为再次更新的存活高斯项组成的PHD，所述预备存活PHD为再次更新的预备存活高斯项组成的PHD；

根据各个高斯项上的标签，应用m/n逻辑法及多扇区交接航迹管理策略用所述预备存活的目标状态管理临时航迹，用所述存活的目标状态管理稳定航迹，将临时航迹过渡到稳定航迹，同时将不可靠航迹删除，管理航迹号，最后获得航迹。

上述技术方案提供的空管雷达多目标跟踪方法，通过量测预处理将从空管雷达获取的解析过的量测从极坐标下转化到直角坐标系下，利用分扇区PHD滤波处理及航迹管理方法实现目标状态及航迹信息提取，在航迹管理过程中考虑多扇区交接问题，提出多扇区交接航迹管理策略，最终达到空管雷达的多目标跟踪目的。本发明能够实现对监视区域中的军机及民机进行实时稳定跟踪，并针对飞机五边进场和着陆，特定航路集群飞行等典型空中目标运动场景，对跟踪系统进行了性能验证，不仅在工程实际中为空管部分提供技术支撑，同时也为跟踪算法等理论研究提供了验证平台。

附图说明

图1为本发明实施例提供的一种空管雷达多目标跟踪方法的流程示意图；

图2为本发明实施例提供的在给定Z_k下从k-1时刻到k时刻高斯项和标签的演化示意图；

图3为本发明实施例提供的航迹起始滑窗法的m/n逻辑原理示意图；

图4为本发明实施例提供的多扇区航迹交接流程示意图；

图5为本发明实施例提供的对真实数据中的足球场运动的跟踪结果；

图6为本发明实施例提供的对真实数据中的交叉转弯运动的跟踪结果图示；

图7为本发明实施例提供的对真实数据中的折线转弯运动的跟踪结果图示；

图8为本发明实施例提供的对真实数据中的多目标并行运动的跟踪结果图示；

图9为本发明实施例提供的一个时间段空管雷达的全数据跟踪结果图示。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种空管雷达多目标跟踪方法，如图1所示，所述方法包括以下步骤：

101、将从空管雷达得到的初始数据，由解析后的极坐标系无偏转换到直角坐标系，获得各扇区各个时刻的量测。

从空管雷达得到的初始量测数据经过解析后是在极坐标下的，而传统的极坐标向直角坐标进行量测转换时存在一定的偏差，为了对此偏差进行补偿，需要依赖于角度量测误差的余弦，这里给出了一种无偏转换，进行转换的公式如下：

r_m＝r+σ_r，β_m＝β+v_β     \*MERGEFORMAT  (1)

      λ_β＝E(cosv_β)     \*MERGEFORMAT  (2)

$\begin{array}{cc}{x}_m^u={\mathrm{\λ}}_{\mathrm{\β}}^{-1}{r}_m\cos {\mathrm{\β}}_m& \backslash *\mathrm{MERGEFORMAT}\end{array}---\left(3\right)$

$\begin{array}{cc}{y}_m^u={\mathrm{\λ}}_{\mathrm{\β}}^{-1}{r}_m\sin {\mathrm{\β}}_m& \backslash *\mathrm{MERGEFORMAT}\end{array}---\left(4\right)$

其中，r，β分别表示真实径向距和真实方位角；σ_r，v_β分别表示径向距误差和方位角误差；根据公式(1)可以计算出r_m，β_m，所述r_m，β_m分别表示极坐标下的径向距和方位角；E(·)是求期望的操作符，λ_β为偏差补偿因子，分别表示无偏转换过来的直角坐标系下的x轴坐标值和y轴坐标值。

根据以上公式，即可计算获得直角坐标系下各个扇区各个时刻的量测。以下本发明实施例中提到的量测都是转化后的直角坐标系下的量测。

102、采取分扇区PHD滤波处理，利用上一时刻的当前扇区新生量测构建新生高斯项，得到新生目标强度，并将新生高斯项转作为预备存活高斯项。

本发明实施例中引入存活高斯项和预备存活高斯项，存活高斯项即为已有的仍然存活的高斯项，预备存活高斯项为新生高斯项转化过来的高斯项，若预备存活高斯项在连续N个时刻一直存活(N≥3)，则可转化为存活高斯项。

采取分扇区PHD滤波处理，由于近地雷达数据较为密集，杂波较多，目标速度未知，而PHD滤波必须给出新生目标强度信息，则可以利用量测来构建新生目标强度。对于雷达量测到状态空间的非线性关系，采用步骤101的无偏转换量测卡尔曼执行方式，实现非线性处理过程。另外由于雷达探测到的目标回波信息很有可能出现如下几种情况：

1)高频雷达体制下，目标不能再被认为是点目标，很有可能多个同源量测来自于一个目标，此时该目标为扩展目标，需要进行扩展目标建模。

2)密集目标情况下，多个目标量测很有可能交叉错综，此时利用PHD滤波过程，如若根据同源性进行高斯项更新，则很有可能多量测被用来更新同一个目标高斯项，因此导致进行构建新生目标强度时，会因为量测缺失而无法起始新生目标。

3)当杂波密集的情况下，尤其是速度信息未知情况下，会导致PHD估计出的新生目标数过多，且杂波严重影响估计精度。

在此种情况下，我们构建如下高斯项一量测匹配矩阵，匹配矩阵中的元素代表单PHD，由带权值的高斯项表示：

$\begin{array}{c}\begin{array}{ccccc}{Z}_1& Z_2& ...& Z_N& Z_0\end{array}\\ \begin{array}{cc}\begin{array}{c}{g}_1\\ g_2\\ .\\ .\\ .\\ g_m\end{array}& \left[\begin{array}{ccccc}{D}_{11}& D_{12}& ...& D_{1n}& D_{10}\\ D_{21}& D_{22}& ...& D_{2n}& D_{20}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ D_{m1}& D_{m2}& ...& D_{\mathrm{mn}}& D_{m0}\end{array}\right]\end{array}\end{array}---\left(5\right)$

采用如下算法逻辑处理上述问题：

算法说明：上述矩阵中每一行代表一个同源高斯项集，每一列代表量测对所有高斯项的更新，同时反映了量测的有效性。最后一列代表没有检测到量测的情况下预测子PHD项集合。同源高斯项的表征形式为分别为高斯项、高斯项未更新次数以及高斯项标签，高斯项加标签是为了后续的航迹管理。Z₁-Z_N为步骤101中获得的当前扇区在当前时刻的量测。

1)计算第i行的累计权值，对累计权值进行圆整，得到圆整权值，若圆整权值小于1则转向第2)步，若圆整权值等于1则转向第3)步，若圆整权值大于1则转向第4)步。

2)将D_i0赋值给当前的同源高斯项g_i，同时对该高斯项的未更新次数u_i加1，标签号保持不变，转至第5)步。

3)未更新次数u_i＝0，标签号保持不变，转至第5)步。

4)如果round(max(D_ij))＜1，则此时认为是扩展目标的影响导致同源高斯项权值过估，则未更新次数u_i＝0，标签号保持不变，转至第5)步；否则其余的只要满足权值要求的则作为新的同源高斯项，m：＝m+1，同时其未更新次数为u_m＝0，标签号为 $l_m=\underset{i=1...m-1}{\max }\left(l_i\right)+1.$

5)删除多次未更新的高斯项，保留的高斯项为I＝{i＝1…m|u_i＜A}，A≤3，为用户自己设定。

6)计算第j列量测累计权值如若ω_j≥0.5，则认为该量测成功被利用，否则将此量测存入新生目标量测集Z_b中。

7)利用新生目标量测集Z_b构建新生目标强度γ_k(x)。

103、根据所述新生目标强度对当前扇区存活高斯项和预备存活高斯项进行PHD预测及更新。

这里所述的PHD预测及更新，是本领域人员都熟知的标准的PHD预测及更新，可参考以下流程。

首先进行初始化。

假设目标运动模型和观测模型都满足线性高斯条件

f_k|k-1(x|ζ)＝N(x；F_k-1ζ，Q_k-1)          (6)

g_k(z|x)＝N(z；H_kx，R_k)          (7)

其中，N(·；m，p)表示其密度均值为m，协方差为P；F_k-1为状态转移矩阵，Q_k-1为系统噪声协方差矩阵；H_k为观测矩阵，R_k为测量噪声协方差矩阵。

假设目标的存活概率和探测概率相互独立，且与目标状态无关

p_S，k(x)＝p_S，k          (8)

p_D，k(x)＝p_D，k           (9)

假设新生目标随机集和衍生目标随机集的强度均为高斯混合形式：

衍生目标随机集的强度：

${\mathrm{\β}}_{k|k-1}\left(x\right|\mathrm{\ζ})=\underset{j=1}{\overset{J_{\mathrm{\β},k}}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{\β},k}^{\left(j\right)}N(x;F_{\mathrm{\β},k-1}^{\left(j\right)}\mathrm{\ζ}+d_{\mathrm{\β},k-1}^{\left(j\right)},Q_{\mathrm{\β},k-1}^{\left(j\right)})---\left(10\right)$

其中，在本发明中，新生目标随机集为步骤102中获得的新生目标强度γ_k(x)，J_β，k，j＝1，2，...，J_β，k等参数决定了由目标ζ衍生的目标随机集的强度，为新生目标随机集强度的第i个高斯成分的权值、均值和协方差，J_β，k是时刻k新生目标高斯成分的个数。在这里所述的各个参数的在初始时刻即0时刻时的值都是已知的。在后续时刻的值可以根据初始时刻即0时刻时的值推导计算出来。

用J₀个高斯成分的加权和进行初始化，

$D_{0|0}=\underset{i=1}{\overset{J_0}{\mathrm{\Σ}}}{\mathrm{\ω}}_0^{\left(i\right)}N(x;m_0^{\left(i\right)},P_0^{\left(i\right)})---\left(11\right)$

其中N(·；m，p)是均值为m，方差为P的高斯分布。则权值的和是期望的初始目标数， $\underset{i=1}{\overset{J_0}{\mathrm{\Σ}}}{\mathrm{\ω}}_0^{\left(i\right)}={\hat{T}}_0.$

PHD预测：

D_k|k-1(x)＝b_k(x)+D_S，k|k-1(x)           (12)

$b_k\left(x\right)=\underset{i=1}{\overset{J_b}{\mathrm{\Σ}}}{\mathrm{\ω}}_{b,k}^{\left(i\right)}N(x;m_{b,k}^{\left(i\right)},P_{b,k}^{\left(i\right)})---\left(13\right)$

$D_{S,k|k-1}\left(x\right)=p_s\underset{i=1}{\overset{J_t}{\mathrm{\Σ}}}{\mathrm{\ω}}_{k|k-1}^{\left(i\right)}N(x;m_{s,k|k-1}^{\left(i\right)},P_{s,k|k-1}^{\left(i\right)})---\left(14\right)$

其中，b_k(x)是新生目标的PHD，D_S，k|k-1(x)是幸存目标的PHD；

$m_{s,k|k-1}^{\left(i\right)}=F_{k-1}{m}_{k-1}^{\left(i\right)},P_{s,k|k-1}^{\left(i\right)}=Q_{k-1}+F_{k-1}{P}_{k-1}^{\left(i\right)}{F}_{k-1}^T.$

PHD更新：

$D_{k|k}\left(x\right)=(1-p_D)D_{k|k-1}\left(x\right)+\underset{y\∈Z_k}{\mathrm{\Σ}}\underset{i=1}{\overset{J_{k|k-1}}{\mathrm{\Σ}}}{\mathrm{\ω}}_k^{\left(i\right)}\left(z\right)N(x;m_{k|k}^{\left(i\right)}\left(z\right),P_{k|k}^{\left(i\right)})---\left(15\right)$

${\mathrm{\ω}}_k^{\left(i\right)}\left(z\right)=\frac{p_D{\mathrm{\ω}}_{k|k-1}^{\left(i\right)}{q}_k^{\left(i\right)}\left(z\right)}{\mathrm{\λc}\left(z\right)+p_D{\mathrm{\Σ}}_{j=1}^{J_{k|k-1}}{\mathrm{\ω}}_{k|k-1}^{\left(j\right)}{q}_k^{\left(j\right)}\left(z\right)}---\left(16\right)$

$q_k^{\left(i\right)}=N(z;H_k{m}_{k|k-1}^{\left(i\right)},R_k+H_k{P}_{k|k-1}^{\left(i\right)}{H}_k^T)---\left(17\right)$

$m_{k|k}^{\left(i\right)}\left(z\right)=m_{k|k-1}^{\left(z\right)}+K_k^{\left(z\right)}(y-H_k{m}_{k|k-1}^{\left(i\right)})---\left(18\right)$

$P_{k|k}^{\left(i\right)}=[I-K_k^{\left(i\right)}{H}_k]P_{k|k-1}^{\left(i\right)}---\left(19\right)$

$K_k^{\left(i\right)}=P_{k|k-1}^{\left(i\right)}{H}_k^T{(H_k{P}_{k|k-1}^{\left(i\right)}{H}_k^T+R_k)}^{-1}---\left(20\right)$

104、自适应构建杂波密度，利用当前扇区和前一扇区的量测再次更新当前扇区的存活高斯项和预备存活高斯项。

在PHD更新过程中，需要使用全监视区域的量测信息，此时一旦杂波密度选取不当，则会导致PHD更新出现较大偏差，提取的峰值会出现虚点。为了避免这种现象，使用自适应杂波强度策略。对于监视区域中的每个回波，首先设定x轴及y轴方向的阈值，当该回波周围落入阈值范围内的回波数量大于m(m为自己设定)时，设置杂波强度为λ_a；反之，设置杂波强度为λ_b，λ_a和λ_b为自己根据实际情况设定。

然后利用当前扇区和前一扇区量测再次更新当前扇区的存活高斯项和预备存活高斯项，所用方法可参考步骤103中的PHD更新步骤，在此不再详述。

105、对所述当前扇区的存活高斯项和预备存活高斯项均用标签法打上标签；对预备存活PHD进行峰值提取得到预备存活的目标状态，对存活PHD进行峰值提取得到存活的目标状态。

其中，所述存活PHD为再次更新的存活高斯项组成的PHD，所述预备存活PHD为再次更新的预备存活高斯项组成的PHD。

在k＝0时刻进行初始化的时候，初始化高斯项标签，给每一个高斯项打一个唯一的标签，构成集合其中，表示第j个均值为协方差为的高斯项的标签；在进行PHD预测时得到新的标签集合，

$T_{k|k-1}=T_{k-1}\∪\{{\mathrm{\τ}}_{\mathrm{\γ},k}^1,...,{\mathrm{\τ}}_{\mathrm{\γ},k}^{J_{\mathrm{\γ},k}}\}\∪\{{\mathrm{\τ}}_{\mathrm{\β},k}^{\mathrm{1,1}},...,{\mathrm{\τ}}_{\mathrm{\β},k}^{J_{k-1},J_{\mathrm{\β},k}}\}---\left(21\right)$

其中，均值为的高斯项保留先验均值为的高斯项的标签，是由新生过程引入的高斯项的新标签，是第i个高斯项衍生出的第j个高斯项的标签，每个新衍生的高斯项被赋予一个新标签。

在进行PHD更新时，预测的每个高斯项在更新时产生(1+|Z_k|)个高斯项，对于每个更新的高斯项赋予与预测的高斯项相同的标签。如，对均值为的高斯项赋予与均值为的高斯项相同的标签。这样，对于每个预测的高斯项，我们得到了多个更新的高斯项。具体流程见图2。

步骤104中再次更新获得的当前扇区的存活高斯项和预备存活高斯项可以构建成如公式(5)所示的矩阵，这样PHD峰值提取可以依量测特性提取目标状态。依据每个量测对各高斯项更新，将该量测对应的所有量测同源高斯项合并，并赋值最大高斯项，按列提取目标状态，如果权值和大于τ(τ≥0.5)则提取目标状态，否则不处理，求取最大权值项，根据量测对高斯项的更新获取目标峰值，计算加权状态，此时利用列合并得到的即为目标状态估计点。

根据一个目标最多产生一个量测以及一个量测最多来源于一个目标的假设，重新分配量测合并处理后的高斯项权值，为下一步做准备。按行合并，同时对多峰高斯行拆分，按同源高斯项进行处理，每一行代表一个同源项集合，获取该高斯行的最大权值项及对应列号，找出该行中的所有满足权值要求的量测列项；如果对应列不是最大权值列，找出对应列中的次大权值项，若该项权值能够满足权值要求，则将此时的量测权值及更新项置于此处，否则认为是该量测为新生项，对每列量测对应的权值排序，判断第二大权值是否满足要求，若满足则将权值和高斯项转移，否则认为是新生项，返回高斯项行号，更新存活高斯项。

106、根据各个高斯项上的标签，应用m/n逻辑法及多扇区交接航迹管理策略用所述预备存活的目标状态管理临时航迹，用所述存活的目标状态管理稳定航迹，将临时航迹过渡到稳定航迹，同时将不可靠航迹删除，管理航迹号，最后获得航迹。

利用所述当前扇区的的存活PHD及预备存活PHD项进行航迹管理，航迹形成包括下面几个过程：

预备存活PHD->临时航迹

存活PHD->稳定航迹

预备存活PHD->存活PHD

临时航迹->稳定航迹

每个PHD是一个PHD组形势，即由多个子PHD组成，且每个子PHD又由多个高斯项进行表征。因此在PHD衍化过程中，每个子PHD的高斯项都进行相应衍化，且为了保证航迹的可维持性，在此，对每个子PHD进行标记，此时其对应的混合高斯项进行相应标记，其衍化过程中，衍化标记一般保持不变。但是在发生交叉或者并行飞行等此类目标运动时，各个子PHD的高斯项会发生迁移。根据PHD标记号与临时航迹号匹配，匹配上的则更新，未匹配的则建立新的临时航迹，将新生项加入到临时航迹中，用存活PHD项对确认航迹更新，确认航迹中必须包含存活项中所有标记，如果存活项获得更新，则将其对应的航迹保存输出。这里用到的是标签法，即对每个高斯项打标签。

如步骤105所述，本发明一开始就应用了标签法，然后在做峰值提取得到目标状态时高斯项的标签信息也被带入了，然后看它是存活目标还是新生目标，即预备存活目标，然后再对它进行临时航迹和稳定航迹的转换。

提取状态的公式为： ${\hat{X}}_k=\{m_k^i:{\mathrm{\ω}}_k^i>\mathrm{\τ},i=1,...,J_k\}---\left(22\right)$

与目标状态关联的标签集合为： ${\hat{T}}_k=\{{\mathrm{\τ}}_k^i:{\mathrm{\ω}}_k^i>\mathrm{\τ}\}---\left(23\right)$

此即为目标的标签。

航迹起始及航迹终结时用m/n逻辑法，只对当前扇区航迹处理。

m/n逻辑法涉及雷达连续扫描期间接收到的顺序观测值的处理，观测值序列代表含有N次雷达扫描的时间窗的输入，当时间窗里的检测数达到指定门限时就生成一条成功的航迹，否则就把时间窗向增加时间的方向移动一次扫描时间。m/n逻辑法以多重假设的方式通过预测和相关波门来识别可能存在的航迹。

设是k时刻量测i的第l个分量，这里l＝1，…，p，i＝1，…，m_k。则可将观测值Z_i(k)与Z_j(k+1)间的距离矢量d_ij的第l个分量定义为

$d_{\mathrm{ij}}^l\left(t\right)=\max [0,z_j^l(k+1)-z_i^l\left(k\right)-v_{\max }^{l}t]+\max [0,-z_j^l(k+1)+z_i^l\left(k\right)+v_{\min }^{l}t]---\left(24\right)$

式中，t为两次扫描间的时间间隔。若假设观测误差是独立、零均值、高斯分布的，协方差为R_i(k)，则归一化距离平方为

$D_{\mathrm{ij}}\left(k\right)\stackrel{\mathrm{\Δ}}{=}{d}_{\mathrm{ij}}^{\′}{[R_i\left(k\right)+R_j(k+1)]}^{-1}{d}_{\mathrm{ij}}---\left(25\right)$

式中，D_ij(k)为服从自由度为p的χ²分布的随机变量。由给定的门限概率查自由度p的χ²分布表可得门限γ，若D_ij(k)≤γ，则可判定Z_i(k)和Z_j(k+1)两个量测互联。

搜索程序按以下方式进行：

①用第一次扫描中得到的量测为航迹头建立门限，用速度法建立初始相关波门，对落入初始相关波门的第二次扫描量测均建立可能航迹。

②对每个可能航迹进行外推，以外推点为中心，后续相关波门的大小由航迹外推误差协方差确定；第三次扫描量测落入后续相关波门离外推点最近者给予互联。

③若后续相关波门没有量测，则撤销次可能航迹，或用加速度限制的扩大相关波门考察第三次扫描量测是否落在其中。

④继续上述的步骤，直到形成稳定航迹，航迹起始方算完成。

⑤在历次扫描中，未落入相关波门参与数据互联判别的那些量测(称为自由量测)均作为新的航迹头，转向步骤①。

航迹起始滑窗法的m/n逻辑原理图如图3所示。

图3中，序列(z₁，z₂，…，z_i，…，z_n)表示含n次雷达扫描的时间窗的输入，如果在第i次扫描时相关波门内含有点迹，则元素z_i等于1，反之为0。当时间窗内的检测数达到某一特定值m时，航迹起始便告成功。否则，滑窗右移一次扫描，也就是说增大窗口时间。航迹起始的检测数m和滑窗中的相继事件数n，两者一起构成航迹起始逻辑。

航迹终结滑窗法的m/n逻辑与航迹起始滑窗法的m/n逻辑类似，区别在于航迹终结操作是终结，航迹起始操作时起始，本领域的人都熟知此策略，在此不再赘述。

在航迹管理时还存在一个多扇区航迹交接的问题，其策略为：

采用多扇区量测复用的思想进行扇区目标信息的交接及扇区间跟踪与机扫周期间跟踪相结合的策略解决跨扇区问题。每次进行更新处理过程时，需要用到三部分数据更新，相邻两个扇区的未使用量测以及当前扇区量测，同时在操作过程同时对每个扇区新生量测进行修改。而在实际跟踪过程中，只能用到当前扇区量测以及前一扫描扇区量测，利用同源高斯项处理机制，首先直接对同源高斯项跟踪，对未被更新的同源高斯项置于下一扇区处理，并进行反馈，同时相应的航迹项进行更新。以当前跟踪扇区为假设，则此时需要获取上一扇区的无效量测更新该扇区的存活和预备存活高斯项，同时需要利用当前量测更新上一扇区未被更新的存活和预备存活高斯项。

具体流程可参考图4所示。

为了验证本发明方案，下面给出面向不均匀杂波环境下目标跟踪的自适应概率假设密度方法仿真结果。

为了验证本发明方案，根据国内某部空中管制雷达采集的真实数据，对其中的典型场景数据进行提取后验证跟踪效果，并对该部雷达某一时间段的全部数据进行处理，以证明本发明的有效性。

跟踪结果如图5-图9给出。图5给出了对真实数据中的足球场运动的跟踪结果；图6给出了对真实数据中的交叉转弯运动的跟踪结果；图7给出了对真实数据中的折线转弯运动的跟踪结果；图8给出了对真实数据中的多目标并行运动的跟踪结果，图8中的并行运动为两个相向运动的目标与另外一个与它们都并行的目标的运动；图9给出了一个时间段空管雷达的全数据跟踪结果。

根据图5-图9的跟踪结果显示，该发明能够有效实现空管雷达多目标跟踪并形成稳定航迹。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种空管雷达多目标跟踪方法，其特征在于，包括以下步骤：

将从空管雷达得到的初始数据，由解析后的极坐标系无偏转换到直角坐标系，获得各扇区各个时刻的量测；

采取分扇区PHD滤波处理，利用上一时刻的当前扇区新生的量测构建新生高斯项，得到新生目标强度，并将新生高斯项转作为预备存活高斯项；

根据所述新生目标强度对当前扇区的存活高斯项和预备存活高斯项进行PHD预测及更新；

自适应构建杂波密度，利用当前扇区和前一扇区的量测再次更新当前扇区的存活高斯项和预备存活高斯项；

对所述当前扇区的存活高斯项和预备存活高斯项均用标签法打上标签；对预备存活PHD进行峰值提取得到预备存活的目标状态，对存活PHD进行峰值提取得到存活的目标状态；其中，所述存活PHD为再次更新的存活高斯项组成的PHD，所述预备存活PHD为再次更新的预备存活高斯项组成的PHD；

根据各个高斯项上的标签，应用m/n逻辑法及多扇区交接航迹管理策略用所述预备存活的目标状态管理临时航迹，用所述存活的目标状态管理稳定航迹，将临时航迹过渡到稳定航迹，同时将不可靠航迹删除，管理航迹号，最后获得航迹。

2.根据权利要求1所述的方法，其特征在于，所述利用上一时刻的当前扇区新生的量测构建新生高斯项，得到新生目标强度，包括：

构建如下高斯项-量测匹配矩阵，匹配矩阵中的元素代表单PHD，由带权值的高斯项表示：

$\begin{array}{c}\begin{array}{ccccc}{Z}_1& Z_2& ...& Z_N& Z_0\end{array}\\ \begin{array}{cc}\begin{array}{c}{g}_1\\ g_2\\ .\\ .\\ .\\ g_m\end{array}& \left[\begin{array}{ccccc}{D}_{11}& D_{12}& ...& D_{1n}& D_{10}\\ D_{21}& D_{22}& ...& D_{2n}& D_{20}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ D_{m1}& D_{m2}& ...& D_{\mathrm{mn}}& D_{m0}\end{array}\right]\end{array}\end{array}$

所述矩阵中每一行代表一个同源高斯项集，每一列代表量测对所有高斯项的更新，同时反映了量测的有效性；最后一列代表没有检测到量测的情况下预测子PHD项集合；同源高斯项的表征形式为分别为高斯项、高斯项未更新次数以及高斯项标签；

1)计算第i行的累计权值，若圆整权值小于1则转向第2)步，若圆整权值等于1则转向第3)步，若圆整权值大于1则转向第4)步；

2)将D_i0赋值给当前的同源高斯项g_i，同时对该高斯项的未更新次数u_i加1，标签号保持不变，转至第5)步；

3)未更新次数u_i＝0，标签号保持不变，转至第5)步；

4)如果round(max(D_ij))＜1，则此时认为是扩展目标的影响导致同源高斯项权值过估，则未更新次数u_i＝0，标签号保持不变，转至第5)步；否则其余的只要满足权值要求的则作为新的同源高斯项，m：＝m+1，同时其未更新次数为u_m＝0，标签号为 $l_m=\underset{i=1...m-1}{\max }\left(l_i\right)+1;$

5)删除多次未更新的高斯项，保留的高斯项为I＝{i＝1…m|u_i＜A}，A≤3，为用户自己设定；

6)计算第j列量测累计权值如若ω_j≥0.5，则认为该量测成功被利用，否则将此量测存入新生目标量测集Z_b中；

7)利用新生目标量测集Z_b构建新生目标强度。

3.根据权利要求1所述的方法，其特征在于，所述自适应构建杂波密度包括：

对于监视区域中的每个回波，首先设定x轴及y轴方向的阈值，当该回波周围落入阈值范围内的回波数量大于m(m为自己设定)时，设置杂波强度为λ_a；反之，设置杂波强度为λ_b，λ_a和λ_b为自己根据实际情况设定。

4.根据权利要求1所述的方法，其特征在于，所述对所述当前扇区的存活高斯项和预备存活高斯项均用标签法打上标签，包括：

在进行PHD预测和更新时，在k＝0时刻进行初始化的时候，初始化高斯项标签，给每一个高斯项打一个唯一的标签，构成集合其中，表示第j个均值为协方差为的高斯项的标签；在进行PHD预测时得到新的标签集合，

$T_{k|k-1}=T_{k-1}\∪\{{\mathrm{\τ}}_{\mathrm{\γ},k}^1,...,{\mathrm{\τ}}_{\mathrm{\γ},k}^{J_{\mathrm{\γ},k}}\}\∪\{{\mathrm{\τ}}_{\mathrm{\β},k}^{\mathrm{1,1}},...,{\mathrm{\τ}}_{\mathrm{\β},k}^{J_{k-1},J_{\mathrm{\β},k}}\}$

其中，均值为的高斯项保留先验均值为的高斯项的标签，是由新生过程引入的高斯项的新标签，是第i个高斯项衍生出的第j个高斯项的标签，每个新衍生的高斯项被赋予一个新标签；

在进行PHD更新时，预测的每个高斯项在更新时产生(1+|Z_k|)个高斯项，对于每个更新的高斯项赋予与预测的高斯项相同的标签。

5.根据权利要求1所述的方法，其特征在于，所述m/n逻辑法包括：以多重假设的方式通过预测和相关波门来识别航迹。

6.根据权利要求1所述的方法，其特征在于，所述多扇区交接航迹管理策略，包括：

采用多扇区量测复用的思想进行扇区目标信息的交接及扇区间跟踪与机扫周期间跟踪相结合的策略。