CN104407345A - 一种用于弱目标检测跟踪中的改进型动态规划方法 - Google Patents

Abstract

本发明公开了一种用于弱目标检测跟踪中的改进型动态规划方法，该方法使用于弱目标检测跟踪问题中，真实目标回波信号期望幅值未知情况下，相较于传统的动态规划检测跟踪算法，该方法利用同一真实目标信号幅值的稳定性，构造幅值差异评价函数作为能量积累，对传统动态规划过程中的数据预处理方式和能量积累步骤作出改进，减少了算法的临时空间，提高的处理结果的精确性，解决了传统动态规划检测跟踪算法在真实目标信号幅值期望此类先验信息未知时，无法进行能量积累的问题。

Description

一种用于弱目标检测跟踪中的改进型动态规划方法

技术领域

本发明涉及一种弱目标检测跟踪方法，尤其涉及一种用于真实目标幅值期望未知条件下的的改进型动态规划方法。

背景技术

目标检测跟踪是近年来计算机视觉领域中备受关注的前沿方向，在军用、民用、医学等方面具有重要意义。它从包含运动目标的图像序列中检测、识别并跟踪目标，并对其行为进行理解和描述。检测前跟踪技术(TBD)技术，作为一类检测跟踪方法，其主要目的是为了解决高杂波高噪声背景下弱目标的检测跟踪问题，通过积累多帧传感器得到的数据，并对这些数据进行联合处理，使所得到的所有数据都能有效利用，在发现目标的同时，给出目标的轨迹。根据算法实施的不同，TBD可以通过多种方法实现，比如基于动态规划TBD算法(DP-TBD)，基于粒子滤波的TBD算法(PF-TBD)，基于Hough变换的TBD算法等。

基于动态规划的TBD算法，本质上是穷举法的一种变形。该方法将目标所有可能经历轨迹的观测值积累起来，在某一时间设立门限，当积累能量超过门限时，便宣布目标存在，同时给出轨迹。该方法在门限检测前，先对目标所有可能的轨迹进行计算，所以在最后一帧，当有轨迹积累能量大于门限值，该轨迹可以即时给出，达到宣布目标存在的同时，给出目标轨迹。该方法基于一个假设：当沿着某条轨迹进行能量积累时，可以获得更大的积累能量，则该轨迹更有可能是真实轨迹，换句话说，积累能量大的轨迹更有可能是真实轨迹。

目前该方法在实现时，有两种值函数选取方案。

1.对幅值本身进行积累。该方法基于假设：将幅值沿着真实目标轨迹积累会得到更大的积累值。

2.根据先验知识：真实目标回波幅值，构造先验似然函数，此似然函数在回波幅值等于真实目标回波幅值时，取得最大值。

其实施步骤为：

1.从传感器得到的K帧信号中提取状态信息，包括方位，幅值等信息，对方位信息进行离散化。

2.根据目标的速度约束，确立有效状态转移范围。

3.初始化，使用第1帧数据得到的状态信息对值函数和状态记录进行初始化，值函数为第一帧所有候选状态的幅值或根据真实目标幅值确立的似然函数，状态记录为值函数对应的状态方位。

4.循环，从第二帧到第K帧，在前一帧状态的有效状态转移范围内选择局部幅值最大的状态，将其幅值或先验似然函数作为值函数的积累，并将其方位记录在状态记录中。

5.终止回溯，到了第K帧，根据特定的门限VT，如果某状态值函数大于VT，则认为检测出目标，并根据状态记录进行回溯，得到估计轨迹。

现有的基于动态规划TBD的不足之处在于：该方法在实际处理过程中需要对状态空间做离散化处理，这样无疑会使目标方位的精确性受到影响。更重要的是，该方法需要真实目标幅值方面的先验信息，如果直接对目标幅值进行积累，基于的前提是：将幅值沿着真实轨迹积累会得到更大的积累值。如果对根据先验信息构造的似然函数进行积累，也需要知道实际目标的幅值，并以此构造似然函数。但在实际检测跟踪问题中，真实目标的情况非常复杂，其幅值可能是很小的，并且不一定是已知的。对于缺少先验知识，即真实目标幅值未知的情况，现有的基于动态规划TBD技术无法进行检测跟踪。

发明内容

本发明的目的在于针对现有技术的不足，提供一种用于真实目标幅值未知情况下的检测跟踪方法。

为了实现上述的目的，本发明采取如下技术方案：一种用于检测跟踪问题中的改进型动态规划方法，包括以下步骤：

(1)从多帧传感器回波的原始信息中提取出状态信息，包括方位和信号幅值。并对每一帧候选状态编号。

(2)根据目标速度约束确定有效状态转移范围。

(3)利用状态信息构造值函数和状态记录并对其初始化，值函数初始化为0，状态记录初始化为0。

(4)从第2帧到末帧，构造幅值差异评价函数，在当前帧的有效状态转移范围内，寻找前一帧中，能使值函数取得最大值的状态，在状态记录中记录其编号。

(5)在末帧，根据设定的门限VT，找到满足值函数大于VT的候选状态，并根据状态记录进行回溯。

(6)对得到的轨迹进行确认，剔除过短的轨迹，保留满足一定长度要求的轨迹。宣布检测出目标，同时给出目标的跟踪轨迹。

本发明的有益效果是，能够解决在先验信息不足即真实目标幅值未知情况下的检测跟踪问题，对动态规划TBD加以改进，利用同一目标回波幅值的稳定性，在能量积累过程中，对两个状态的幅值关系进行考虑。构造幅值差异评价函数，以此作为积累函数，确定估计状态。并通过对候选状态编号的方式，减少该方法执行过程需要的临时空间，省去了传统动态规划中状态方位的离散化步骤，使估计轨迹的方位更加精确。

附图说明

图1是本发明的流程图；

图2是本发明中有效状态转移范围的示意图；

图3是6帧回波数据图像示意图；

图4是未经轨迹确认得到的估计轨迹示意图；

图5是经过轨迹确认后最终得到的估计轨迹示意图。

具体实施方式

本发明在先验信息不足即真实目标幅值未知的情况下，运用一种改进型动态规划技术对目标进行检测跟踪。目标检测追踪方法的原理是：利用多获得的多帧传感器回波数据，从真实目标幅值的稳定性考虑，构造幅值差异评价函数作为积累函数，积累值函数最大的状态作为估计目标状态，将其记录。当积累值大于阈值，则判定目标存在，从状态记录中对其进行回溯，可得大致的估计轨迹。确认轨迹后得到最终的估计轨迹。

本发明用于目标检测跟踪中的改进型动态规划方法，包括以下步骤，具体参见图1：

1.预处理，从多帧传感器回波的原始信息中提取出状态信息，包括方位和信号幅值。并对每一帧候选状态编号。

假设传感器范围为N×N(km)，获得了K帧回波数据，采样周期为Δt(s)，每一帧有n_k个状态，第k帧的状态可用向量表示：其中θ_i(k)＝{x_i(k),y_i(k),z_i(k)}，x_i(k)是该状态在垂直方向上的坐标，y_i(k)是该状态在水平方向上的坐标，z_i(k)是该状态的回波幅值。总的数据可用S_K＝{s(1),s(2),…,s(K)}表示。

通过预处理步骤，无需和传统的动态规划算法一样，对状态的方位进行离散化处理，可使最终结果更加精确。

2.确定有效状态转移范围

假设目标速度范围为v_min＜v＜v_max(km/s)，则相邻帧的有效状态转移范围如附图2所示，其中R_min＝v_min×Δt，R_max＝v_max×Δt。

3.初始化，构造值函数和状态记录，并初始化。

构造值函数I＝{I(1),I(2),…,I(K)}，I表示值函数矩阵，I(k)表示第k帧的值函数向量，I_k,i为第k帧，第i个状态的值函数。构造状态记录Θ_K＝{Θ(1),Θ(2),…,Θ(K)}，Θ_K表示状态记录矩阵，Θ(k)为第k帧状态记录向量，Θ_i(k)表示第k帧，第i个候选状态的状态记录。构造完毕后，将所有值函数和状态记录初始化为0。

4.动态规划循环，从第二帧到末帧，对相邻的两帧，分别计算某状态与其有效状态转移范围内的所有候选状态的幅值差异评价函数，选取使值函数取得最大值的状态作为关联状态。将两个状态的关联关系记入状态记录。

当2≤k≤K时，循环处理相邻的两帧，如第k帧和第k-1帧，依次选取第k帧中的状态假设选到状态θ_i(k)，在k-1帧中寻找θ_i(k)有效状态转移范围内的候选状态{θ_p(k-1),θ_p+1(k-1),θ_q(k-1)}，并分别计算这些状态与θ_i(k)的幅值差异评价函数c_i,j(k)，将此函数加上状态θ_j(k-1)的值函数作为θ_i(k)的值函数，并选择可以使值函数最大的θ_j(k-1)作为估计状态，将θ_j(k-1)计入θ_i(k)对应的状态记录中。由于每一帧状态已经编号，状态记录只需要记录上帧状态的编号即可，节省了算法所需的临时空间。能量积累和状态记录过程可以用公式表示为：

$I_i\left(k\right)=\underset{{\mathrm{\θ}}_j(k-1)\∈{\mathrm{\Γ}}_i\left(k\right)}{\max }(I_j(k-1)+c_{i,j}\left(k\right)),$

${\mathrm{\Θ}}_i\left(k\right)=\arg \underset{{\mathrm{\θ}}_j(k-1)\∈{\mathrm{\Γ}}_i\left(k\right)}{\max }(I_j(k-1)+c_{i,j}\left(k\right))$

式中，Γ_i(k)表示第k-1帧在有效状态转移范围内的状态集合。

5.终止和回溯，在末帧对值函数做门限处理，高于门限值则认为检测出目标，并回溯出轨迹。

k＝K，把状态的值函数与阈值VT进行比较，如果I_j(K)＞VT，则认为状态θ_j(K)是真实目标，并根据状态记录Θ_j(K)找到上一帧与θ_j(K)所关联的状态并根据其状态记录继续向前帧递推，直到k＝2或者Θ_i(p)＝0，可得到完整轨迹T_m＝{θ_n(p),θ_m(p+1),…,θ_j(K)}

6.轨迹确认，对于所得轨迹，设定最短轨迹状态个数M，去除包含状态数小于M的轨迹，剩下的轨迹即为最终的估计轨迹。

由于个别杂波也有可能在相邻帧有效状态转移范围内具有相近的幅值，使得其值函数超出阈值，但是这种情况不可能在很多帧持续，所以经过以上步骤会得到一些孤点或短轨迹，可利用去除短轨迹的方法剔除这些杂波点的影响。

下面结合实施例对本发明做进一步详细的说明：

本系统所使用传感器为100km×100km，假设目标速度最大为1km/s,最小为0km/s，采样周期为1s，仿真产生两个目标，目标幅值满足均值为某随机量的高斯分布，该随机量未知。目标1初始位置(13,16)，x轴速度为1km/s，y轴速度为1km/s。目标2初始位置(50,30)，x轴速度为1km/s,y轴速度为-1km/s。现在有6帧数据的积累，形成图像如图3所示。使用本方法，在未经轨迹确认步骤找到的轨迹如图4所示，经过轨迹确认步骤最终轨迹如图5所示。可以看出，本方法可以实现在目标真实幅值未知的情况下使用动态规划方法，对目标进行检测跟踪。

Claims (7)

1.一种用于弱目标检测跟踪中的改进型动态规划方法，其特征在于该方法包括以下步骤：

步骤(1)从每一帧传感器回波信号中提取状态信息，包括方位和幅值大小，将这些状态作为候选状态，对候选状态编号；

步骤(2)根据真实目标的速度约束确定有效状态转移范围；

步骤(3)构造值函数和状态记录，并初始化值函数和状态记录；

步骤(4)从第二帧开始，分别计算候选状态和其有效状态转移范围内所有候选状态之间的幅值差异评价函数，将其与对应的前帧状态值函数相加，取最大值的状态，作为估计状态，同时更新值函数和状态记录；

步骤(5)当末帧数据处理完毕，对得到的值函数做阈值处理，如果值函数高于阈值则认为检测出目标，并根据状态记录进行回溯，得到估计轨迹；

步骤(6)统计得到的轨迹的长度，对于太短的轨迹和孤点认为其为虚警，予以剔除，得到最终的估计轨迹。

2.根据权利要求1所述的改进型动态规划方法，其特征在于，所述步骤(1)具体为，对得到每一帧的信号提取状态信息，状态的位置、状态信号幅值；并对每一帧每一个候选状态进行编号，假设第k帧第i个状态，表示为θ_i(k)＝{x_i(k),y_i(k),z_i(k)}，其中x_i(k)，y_i(k)分别是该状态在水平方向和垂直方向上的方位坐标，z_i(k)是该状态的幅值。

3.根据权利要求1所述的改进型动态规划方法，其特征在于，所述步骤(2)具体为，无论是飞机或者其他目标，其运行速度要满足一定的物理学约束，确定最大速度和最小速度，分别记为V_max和V_min，根据相邻帧的间隔时间T，可以确定相邻帧之间的有效状态转移范围的半径R：V_min×T＜R＜V_max×T，有效状态转移范围为圆环区域。

4.根据权利要求1所述的改进型动态规划方法，其特征在于，所述步骤(3)具体为，对所有帧的所有候选状态，构造对应的值函数和状态记录，并全部初始化为0。

5.根据权利要求1所述的改进型动态规划方法，其特征在于，所述步骤(4)具体为，构造幅值差异评价函数c_i,j(k)，用来评价第k帧第i个状态和第k-1帧第j个状态的幅值差异；其计算公式为：

$c_{i,j}\left(k\right)=\frac{1}{{(z_i\left(k\right)-z_j(k-1))}^2+a}$

式中a＞0，为常数；从第二帧开始进行处理，相邻的两帧，对于第k帧每一个候选状态θ_k,i，在θ_k,i的有效状态转移范围内寻找状态θ_k-1,j，求取两个状态的幅值差异评价函数，将该函数加上前帧状态的值函数，作为后帧状态的值函数，I_i(k)＝c_i(k)+I_j(k-1)；选择使得I_i(k)最大的θ_k-1,j作为估计状态，并将其编号保存在θ_i(k)的状态记录中，Θ_i(k)＝j；此步骤用公式表示为

$I_i\left(k\right)=\underset{{\mathrm{\θ}}_j(k-1)\∈{\mathrm{\Γ}}_i\left(k\right)}{\max }(I_j(k-1)+c_{i,j}\left(k\right))$

${\mathrm{\Θ}}_i\left(k\right)=\arg \underset{{\mathrm{\θ}}_j(k-1)\∈{\mathrm{\Γ}}_i\left(k\right)}{\max }(I_j(k-1)+c_{i,j}\left(k\right))$

式中，Γ_i(k)表示第k-1帧在有效状态转移范围内的状态集合。

6.根据权利要求1所述的改进型动态规划方法，其特征在于，所述步骤(5)具体为，当对所有帧数据处理完毕，对值函数进行门限处理，若大于门限，I_i(k)＞VT，则认定状态θ_k,i为估计状态，根据此状态的状态记录Θ_i(k)，寻找前一帧状态从末帧到初始帧重复此过程，可回溯得出多条轨迹T_m＝{θ_n(p),θ_m(p+1),…,θ_j(K)}。

7.根据权利要求1所述的改进型动态规划方法，其特征在于，所述步骤(6)具体为，计算步骤(5)中得的轨迹所包含的状态数，去掉过短的轨迹和孤点，保留具有一定长度的轨迹，所得轨迹即是最终的估计轨迹。