CN105528796A - 一种穿墙探测雷达在多运动目标场景下对虚假目标实时剔除的方法 - Google Patents

Abstract

本发明提供一种穿墙探测雷达在多运动目标场景下对虚假目标实时剔除的方法。首先在分析虚假目标产生的原因基础上，获得虚假目标运动具有不连贯性的特征以及真实目标在时空上具有相关性的特征，从而确定在相邻时刻真实目标运动的恰当距离；然后通过一种基于扩展卡尔曼滤波器算法实现对目标跟踪，并快速、准确地预测各运动目标在下一时刻的最优估计位置；最后通过一种基于阈值的剔除虚假目标算法，实现在对目标跟踪的同时准确的剔除虚假目标。本发明方法简单、执行效率高，适用于便携式穿墙雷达对虚假目标的实时剔除，为穿墙雷达对各运动目标准确跟踪提供了有力的保障，可有效提高穿墙雷达的工作效率。

Description

一种穿墙探测雷达在多运动目标场景下对虚假目标实时剔除的方法

技术领域

本发明属于穿墙雷达技术领域，特别是涉及一种新的在多运动目标场景下对虚假目标进行实时剔除的算法。

背景技术

穿墙雷达是一种正在发展中的新技术，该技术可以广泛地应用在军事、反恐、救灾、医疗、警戒、安检等领域。为了推进穿墙雷达技术的实用化，必须解决目标探测和定位、虚假目标剔除、成像及多运动目标实时搜索、跟踪等技术问题。其中对多运动目标实时搜索、跟踪是穿墙雷达系统的关键技术，它决定了穿墙雷达对各目标运动轨迹的追踪策略，并直接影响了穿墙雷达的整体性能，是推动穿墙雷达实用化的关键技术之一。

在多运动目标场景下，按照穿墙雷达的定位原理，穿墙雷达探测出的目标中一定会包含虚假目标。同时，按照穿墙雷达目标探测原理，在多运动目标场景下，由于穿墙雷达的回波信号成分复杂，尤其是各目标的回波信号经过多次反射后相互干扰，导致产生虚假目标，使回波信号成分更加复杂，真实目标被淹没在其中从而难以探测出真实目标。而虚假目标的存在对目标的实时自动跟踪、搜索带来致命的危害。

为解决目标搜索、跟踪中虚假目标剔除问题，国内外一些学者提出了增加天线形成天线阵的技术思路，基于该思路形成的解决方案虽然从原理上讲在虚假目标的剔除方面具有明显的优势，但在实际实现时又会带来多天线下的回波数据融合、天线间信号串扰的抑制、成像以及硬件设计难度加大等一系列问题，尤其是大大增加了信号处理的计算量，这对实现多目标的实时搜索和跟踪是极其不利的。同时，在实际的测量过程中，可能又会有诸如新目标出现、某个目标被遮挡、目标分离和某目标消失等情形出现，那么这些都会使穿墙雷达在剔除虚假目标方面变得更加困难。因此，如何使穿墙雷达实现对虚假目标的正确剔除，从而保证穿墙雷达对多运动目标实时跟踪、搜索，成为本领域亟待解决的技术问题。

发明内容

针对上述问题，本发明提出一种具有低成本、低硬件复杂度、处理方法简单等优点的在多运动目标场景下对虚假目标实时自动剔除的算法。

本发明提供的技术方案是一种多运动目标场景下对虚假目标实时自动剔除方法，包括以下步骤：

步骤1、采集第一次的测量值，即所有目标(包括虚假目标)的测量值

target(n).Z(1)，其定义为 $t\arg et\left(n\right).Z\left(1\right)=\left[\begin{array}{cc}{R}_{1,n}& {\mathrm{\θ}}_{1,n}\\ R_{2,n}& {\mathrm{\θ}}_{2,n}\end{array}\right],$ n为目标的序号，1表示第一次测量；R_1,n和R_2,n分别是收发一体天线和接收天线到该目标的距离，θ_1,n和θ_2,n分别表示收发一体天线和接收天线与该目标之间的夹角。

步骤2、进行参数初始化的设置，其实现步骤为，

步骤2.1、重复使用方程组 $\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$ 求出所有目标在笛卡尔坐标系下的坐标并存入数组[x(1，n)，y(1，n)]中。

步骤2.2、设所有目标全是真实目标，即令标志位target(n)＝1，其中1代表该目标为真实目标，0代表该目标为虚假目标。同时为了消除对虚假目标的误判，设置标志位life(n)＝5。

步骤2.3、令第一次测量后获得的最优估计状态矩阵

target(n).X_est(1)＝[x(1，n),v_x(1,n),y(1,n),v_y(1,n)]，其中v_x(1,n)和v_y(1,n)分别表示第n个目标在第一次测量时在x轴方向和y轴方向的运动速度。

步骤2.4、令第一次测量后获得的最优估计状态的协方差

$t\arg et\left(n\right).P\_est\left(1\right)=\left[\begin{array}{cccc}0.1& 0& 0& 0\\ 0& 0.05& 0& 0\\ 0& 0& 0.1& 0\\ 0& 0& 0& 0.05\end{array}\right].$

步骤3、从第2次采集测量值开始，将当前采集的测量值，假设为第k次采集的测量值。任选其中一个目标(假设目标序号为n₀)，判断标志位target(n₀)是否为0，若是则该目标为虚假目标，直接剔除不做任何处理转到步骤7；否则为真实目标，执行下面步骤4-步骤7。

步骤4、利用卡尔曼滤波器基于第k-1次的状态和当前时刻的测量值预测当前状态，和在时刻k的误差协方差矩阵，其实现步骤为，

步骤4.1、基于第k-1次的最优估计状态矩阵target(n₀).X_est(k-1)，利用公式target(n₀).X_pre(k)＝F×target(n₀).X_est(k-1)预测出当前目标在第k次的状态矩阵target(n₀).X_pre，其中当前状态预测矩阵target(n₀).X_pre的定义为target(n).X_pre＝[x_pre,vx_pre,y_pre,vy_pre]，x_pre和y_pre分别表示预测出的该目标在当前时刻的坐标，vx_pre和vy_pre分别表示预测出的该目标在x轴方向和y轴方向的运动速度。

步骤4.2、利用公式target(n₀).P_pre(k)＝F×target(n₀).P_est(k-1)×F^T+Q计算出该目标对应于当前状态的预测矩阵target(n₀).X_pre的协方差target(n₀).P_pre，其中Q为系统过程的协方差，target(n₀).P_est(k-1)为第k-1次的最优估计状态的协方差。

步骤5、在第k次采集的所有观测值中找出目标n₀在该时刻所对应的目标，其实现步骤为，

步骤5.1、重复使用方程组 $\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$ 求出第k次所有目标在笛卡尔坐标系下的坐标并存入数组[x(k，n)，y(k，n)]中。

步骤5.2、按照在第k-1次预测出的目标n₀在k时刻的坐标[x_pre，y_pre]，计算出当前获得的所有目标的坐标和目标n₀第k次的预测坐标之间的距离 $dist\left(n\right)=\sqrt{{\[x(k,n)-x\_pre\]}^2+{\[y(k,n)-y\_pre\]}^2},$ 并在所有的距离值中找出最小值，即dist_min。

步骤5.3、如果该最小值小于阈值R₀，即dist_min＜R₀，则说明目标n₀存在，同时记录下目标在当前时刻的坐标；否则，目标n₀在当前时刻丢失，标志位life(n₀)＝life(n₀)-1。

步骤5.4、如果标志位life(n₀)＝0，则说明目标n₀为假目标，即令标志位target(n₀)＝0；否则，该目标为真实目标，且目标n₀在当前时刻的真实位置即为使该最小距离dist_min成立对应的目标的位置。

步骤6、利用卡尔曼滤波器预测更新当前状态，其实现步骤为，

步骤6.1、求出第k次的测量系统的参数H，其中target(n₀).Z(k)为目标n₀在k时刻的测量值。

步骤6.2、利用公式

Kg＝target(n₀).P_pre(k)×H^T÷[H×target(n₀).P_pre(k)×H^T+R]计算卡尔曼增益Kg，其中R为测量过程的协方差且 $R=\left[\begin{array}{cccc}10& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 10& 0\\ 0& 0& 0& 1\end{array}\right].$

步骤6.3、结合当前状态的预测值和测量值，利用公式

target(n₀).X_est(k)＝target(n₀).X_pre(k)+Kg×[target(n₀).Z(k)-H×target(n₀).X_pre(k)]

求出目标n₀第k次的最优估计状态矩阵target(n₀).X_est。

步骤6.4、利用公式target(n₀).P_est(k)＝target(n₀).P_pre(k)-Kg×H×target(n₀).P_pre(k)计算出目标n₀对应于第k次的最优估计状态矩阵target(n₀).X_est的协方差target(n₀).P_est。

步骤7、对除n₀外其他目标重复步骤3到步骤6的方法判断这些目标是否为真实目标。

本发明的特点：一种穿墙雷达在多运动目标实时探测、跟踪场景下对虚假目标剔除的方法。首先在在分析虚假目标产生的原因基础上，获得虚假目标运动具有不连贯性的特征以及真实目标在时空上具有相关性的特征，从而确定在相邻时刻真实目标运动的恰当距离；然后通过一种基于扩展卡尔曼滤波器算法实现对目标跟踪，并快速、准确地预测各运动目标在下一时刻的最优估计位置；最后通过一种基于阈值的剔除虚假目标算法，实现在对目标跟踪的同时准确的剔除虚假目标。本发明方法简单、执行效率高，适用于便携式穿墙雷达对虚假目标的实时剔除，为穿墙雷达对各运动目标准确跟踪提供了有力的保障，可有效提高穿墙雷达的工作效率。

附图说明

图1为典型虚假目标产生原因示意图；

图2为虚假目标的运动失去连贯性的示意图。

具体实施方式

1、理论基础

由于穿墙雷达的回波信号成分复杂，为了很好的提取出真实目标的回波信号，从而有效地探测出目标，穿墙雷达通常需要对当前采集的回波信号进行杂波抑制、目标检测和目标定位一系列的处理，才能够获得所有目标在该测量区域的二维坐标。但是，由于穿墙雷达对多运动目标的探测和定位处理后除了获得真实目标后还会产生一些虚假目标，其中最典型的一类虚假目标是由于定位原理产生的。

下面本文以两个运动目标为例来阐述虚假目标产生的原因，其示意图如附图1所示。图中R_1,1和R_2,1分别是收发一体天线到目标1和2的距离，R_2,1和R_2,2分别是接收天线到运动目标1和2的距离。按照两圆定位原理由附图1知将探测出4个目标，其中两个是虚假目标。图中x和y分别表示运动目标1的坐标，(0，0)表示收发一体天线的坐标，(c，0)分别表示接收天线的坐标，θ_1,1和θ_2,1分别表示收发一体天线和接收天线和目标1之间的夹角。同时，由于穿墙雷达回波信号的复杂性导致即使通过前面所述的算法对其做处理后检测出的目标里仍然可能包含虚假的目标。

当人体做具有连贯性的运动时，真实目标的位置在在相邻时间具有相关性，而所有虚假目标一定会出现在短时间里超出常识的远距离运动，如附图2所示。图中是两个目标在一间18×10m的室内运动时用穿墙雷达探测结果的仿真示意图，箭头方向即是运动方向。因此，本发明利用虚假目标运动的不连贯性以及真实目标在时空上的相关性，并结合卡尔曼滤波器在目标跟踪方面的优越性，在实现对目标跟踪的同时实现对虚假目标的剔除。

首先采用扩展卡尔曼滤波器来预测目标在当前时刻，即k时刻的坐标和运动速度。定义状态矩阵X＝[xv_xyv_y]^T，其中x和y分别表示目标的坐标，v_x和v_y分别表示目标在x轴和y轴方向的运动速度，T表示矩阵的转置运算。那么基于前一状态预测出当前时刻的状态，如公式(1)所示：

X_pre(k)＝F×X_est(k-1)(1)

其中X_pre(k)是预测出的k时刻的状态矩阵，X_est(k-1)为k-1时刻的最优估计状态矩阵，F为状态转换矩阵且 $F=\left[\begin{array}{cccc}1& T_s& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& T_s\\ 0& 0& 0& 1\end{array}\right],$ T_s为穿墙雷达数据采集的时间间隔。

然后重复利用公式(2)计算出k时刻所有观测值与该目标的预测位置之间的距离，

$dist\left(n\right)=\sqrt{{\[x(k,n)-x\_pre\]}^2+{\[y(k,n)-y\_pre\]}^2}---\left(2\right)$

其中dist(n)表示与k时刻第n个观测值与该目标的预测位置之间的距离，x_pre和y_pre分别表示预测出的该目标在k时刻的坐标。

最后在所有观测值与该目标的预测位置之间的距离中找到最小的距离，即min_dist，如果该最小距离min_dist小于阈值R₀，则认为该预测值即为目标在k时刻的坐标，否则，则认为该目标为虚假目标，其中阈值R₀是根据人体运动时其位置在时空上具有相关性的特征来确定的，通常按照公式人体运动速度×T_s+0.5来获得阈值R₀。

因此，在利用扩展卡尔曼滤波器预测出的第k次测量后目标位置的基础上，根据人体运动具有连贯性的特征，即前一时刻和后一时刻的目标在位置上的相关性，不但在k时刻众多的观测值中找到适合该目标运动轨迹的最佳的观测值，而且还达到剔除虚假目标的目的。

2、实现过程

步骤1、采集第一次的测量值，即所有目标(包括虚假目标)的测量值target(n).Z(1)，其定义为 $t\arg et\left(n\right).Z\left(1\right)=\left[\begin{array}{cc}{R}_{1,n}& {\mathrm{\θ}}_{1,n}\\ R_{2,n}& {\mathrm{\θ}}_{2,n}\end{array}\right],$ n为目标的序号，1表示第一次测量，R_1,n和R_2,n分别是收发一体天线和接收天线到该目标的距离，θ_1,n和θ_2,n分别表示收发一体天线和接收天线和该目标之间的夹角。

步骤2、进行参数初始化的设置，其实现步骤为，

步骤2.1、重复使用方程组 $\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$ 求出所有目标在笛卡尔坐标系下的坐标并存入数组[x(1，n)，y(1，n)]中。

步骤2.2、设第一次采集的所有目标全是真实目标，即令标志位target(n)＝1，其中1代表该目标为真实目标，0代表该目标为虚假目标。同时为了消除对虚假目标的误判，设置标志位life(n)＝5，其物理意义是当某个目标有五次都判为虚假目标时才最后判定该目标为虚假目标。

步骤2.3、令第一次测量后获得的最优估计状态矩阵target(n).X_est(1)＝[x(1，n),v_x(1,n),y(1,n),v_y(1,n)]，其中v_x(1,n)和v_y(1,n)分别表示第n个目标在第一次测量时在x轴方向和y轴方向的运动速度，令v_x(1,n)＝0.5m/s，v_y(1,n)＝0.5m/s。

步骤2.4、令第一次测量后获得的最优估计状态的协方差

$t\arg et\left(n\right).P\_est\left(1\right)=\left[\begin{array}{cccc}0.1& 0& 0& 0\\ 0& 0.05& 0& 0\\ 0& 0& 0.1& 0\\ 0& 0& 0& 0.05\end{array}\right].$

步骤3、从第2次采集测量值开始，将当前采集的测量值，假设为第k次采集的测量值。任选其中一个目标(假设目标序号为n₀)，判断标志位target(n₀)是否为0，若是则该目标为虚假目标，直接剔除不做任何处理转到步骤7；否则为真实目标，执行下面操作。

步骤4、利用卡尔曼滤波器基于第k-1次的状态和当前时刻的测量值预测当前状态和在第k次的误差协方差矩阵，其实现步骤为，

步骤4.1、基于第k-1次的最优估计状态矩阵target(n₀).X_est(k-1)，利用公式target(n₀).X_pre(k)＝F×target(n₀).X_est(k-1)预测出当前目标在第k次的状态矩阵target(n₀).X_pre，其中当前状态预测矩阵target(n₀).X_pre的定义为target(n).X_pre＝[x_pre,vx_pre,y_pre,vy_pre]，x_pre和y_pre分别表示预测出的该目标在当前时刻的坐标，vx_pre和vy_pre分别表示预测出的该目标在x轴方向和y轴方向的运动速度，其中状态转换矩阵F中的Ts取0.03125。

步骤4.2、利用公式target(n₀).P_pre(k)＝F×target(n₀).P_est(k-1)×F^T+Q计算出目标n₀对应于当前状态的预测矩阵target(n₀).X_pre的协方差target(n₀).P_pre，其中Q为系统过程的协方差且 $Q=\left[\begin{array}{cccc}0.1& 0& 0& 0\\ 0& 0.05& 0& 0\\ 0& 0& 0.1& 0\\ 0& 0& 0& 0.05\end{array}\right],$ target(n₀).P_est(k-1)为第k-1次的最优估计状态的协方差。

步骤5、在当前时刻采集的所有观测值中找出目标n₀在该时刻所对应的目标，其实现步骤为，

步骤5.1、重复使用方程组 $\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$ 求出所有目标在笛卡尔坐标系下的坐标并存入数组[x(k，n)，y(k，n)]中。

步骤5.2、按照在第k-1次预测出的目标n₀在第k次的坐标[x_pre，y_pre]，计算出当前时刻获得的所有目标的坐标和目标n₀第k次的预测坐标之间的距离 $dist\left(n\right)=\sqrt{{\[x(k,n)-x\_pre\]}^2+{\[y(k,n)-y\_pre\]}^2},$ 并在所有的距离值中找出最小值，即dist_min。

步骤5.3、如果该最小值小于阈值R₀，即dist_min＜R₀，则说明目标n₀存在，同时记录下目标在当前时刻的坐标；否则，目标n₀在当前时刻丢失，标志位life(n₀)＝life(n₀)-1，其中 $R_0=\sqrt{{\[v_x(k-1,n_0)\]}^2+{\[v_y(k-1,n_0)\]}^2}\×T_s+0.5,$ v_x(k-1,n₀)和v_y(k-1,n₀)分别表示目标n₀在第k-1次测量时在x轴方向和y轴方向的运动速度。步骤5.4、如果标志位life(n₀)＝0，则说明目标n₀为假目标，即令标志位target(n₀)＝0；否则，目标n₀为真实目标，且该目标在当前时刻的真实坐标即为使该最小距离dist_min成立时对应的坐标。

步骤6、利用卡尔曼滤波器预测更新当前状态，其实现步骤为，

步骤6.1、求出第k次的测量系统的参数H，其中target(n₀).Z(k)为目标n₀在k时刻的测量值。

步骤6.2、利用公式Kg＝target(n₀).P_pre(k)×H^T÷[H×target(n₀).P_pre(k)×H^T+R]计算卡尔曼增益Kg，其中R为测量过程的协方差且 $R=\left[\begin{array}{cccc}10& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 10& 0\\ 0& 0& 0& 1\end{array}\right].$

步骤6.3、结合当前状态的预测值和测量值，利用公式target(n₀).X_est(k)＝target(n₀).X_pre(k)+Kg×[target(n₀).Z(k)-H×target(n₀).X_pre(k)]求出目标n₀第k次的最优估计状态矩阵target(n₀).X_est。

步骤6.4、利用公式target(n₀).P_est(k)＝target(n₀).P_pre(k)-Kg×H×target(n₀).P_pre(k)计算出目标n₀对应于第k次的最优估计状态矩阵target(n₀).X_est的协方差target(n₀).P_est。

步骤7、对除n₀外其他目标重复步骤3到步骤6的方法判断这些目标是否为真实目标。

Claims (1)

1.一种穿墙探测雷达在多运动目标场景下对虚假目标实时剔除的方法，其特征

在于；包括如下步骤：

步骤1、采集第一次的测量值，即包括虚假目标在内的所有目标的测量值target(n).Z(1)，其定义为 $t\arg et\left(n\right).Z\left(1\right)=\left[\begin{array}{cc}{R}_{1,n}& {\mathrm{\θ}}_{1,n}\\ R_{2,n}& {\mathrm{\θ}}_{2,n}\end{array}\right],$ n为目标的序号，1表示第一次测量，R_1,n和R_2,n分别是收发一体天线和接收天线到该目标的距离，θ_1,n和θ_2,n分别表示收发一体天线和接收天线与该目标之间的夹角；

步骤2、进行参数初始化的设置，其实现步骤为，

步骤2.1、重复使用方程组 $\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$ 求出所有目标在笛卡尔坐标系下的坐标并存入数组[x(1，n)，y(1，n)]中；

步骤2.2、设所有目标全是真实目标，即令标志位target(n)＝1，其中1代表该目标为真实目标，0代表该目标为虚假目标；同时为了消除对虚假目标的误判，设置标志位life(n)＝5；

步骤2.3、令第一次测量后获得的最优估计状态矩阵

arget(n).X_est(1)＝[x(1，n),v_x(1,n),y(1,n),v_y(1,n)]，其中v_x(1,n)和v_y(1,n)分别表示第n个目标在第一次测量时在x轴方向和y轴方向的运动速度；

步骤2.4、令第一次测量后获得的最优估计状态的协方差

$t\arg et\left(n\right).P\_est\left(1\right)=\left[\begin{array}{cccc}0.1& 0& 0& 0\\ 0& 0.05& 0& 0\\ 0& 0& 0.1& 0\\ 0& 0& 0& 0.05\end{array}\right];$

步骤3、从第2次采集测量值开始，将当前采集的测量值，假设为第k次采集的测量值；任选其中一个目标，设目标序号为n₀，判断标志位target(n₀)是否为0，若是则该目标为虚假目标，直接剔除不做任何处理转到步骤7；否则为真实目标，执行步骤4-7；

步骤4、利用卡尔曼滤波器基于第k-1次的状态和当前的测量值预测当前状态，和在第k次的误差协方差矩阵，其实现步骤为，

步骤4.1、基于第k-1次的最优估计状态矩阵target(n₀).X_est(k-1)，利用公式target(n₀).X_pre(k)＝F×target(n₀).X_est(k-1)预测出当前目标在第k次的状态矩阵target(n₀).X_pre，其中target(n₀).X_pre为当前状态预测矩阵，F为状态转换矩阵；

步骤4.2、利用公式target(n₀).P_pre(k)＝F×target(n₀).P_est(k-1)×F^T＋Q计算出该目标的当前状态预测矩阵的协方差target(n₀).P_pre，其中Q为系统过程的协方差，target(n₀).P_est(k-1)为第k-1次的最优估计状态的协方差；

步骤5、在第k次采集的所有观测值中找出目标n₀在该时刻所对应的目标，其实现步骤为，

步骤5.1、重复使用方程组 $\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$ 求出第k次所有目标在笛卡尔坐标系下的坐标并存入数组[x(k，n)，y(k，n)]中；

步骤5.2、按照在第k-1次预测出的目标n₀在第k次的坐标[x_pre，y_pre]，计算出当前获得的所有目标的坐标和目标n₀第k次的预测坐标之间的距离 $dist\left(n\right)=\sqrt{{\[x(k,n)-x\_pre\]}^2+{\[y(k,n)-y\_pre\]}^2},$ 并在所有的距离值中找出最小值dist_min；

步骤5.3、如果dist_min＜R₀，其中R₀为阈值，则说明目标n₀存在；否则，目标n₀在当前丢失，则令标志位life(n₀)＝life(n₀)-1；

步骤5.4、如果标志位life(n₀)＝0，则说明目标n₀为假目标，即令标志位target(n₀)＝0；否则，目标n₀为真实目标；

步骤6、利用卡尔曼滤波器预测更新当前状态，其实现步骤为，

步骤6.1、求出第k次的测量系统的参数H，其中 $H=\frac{\∂\[t\arg et\left(n_0\right).Z\left(k\right)\]}{\∂x},$ target(n₀).Z(k)为目标n₀在第k次的测量值；

步骤6.2、利用公式

Kg＝target(n₀).P_pre(k)×H^T÷[H×target(n₀).P_pre(k)×H^T＋R]计算卡尔曼增益Kg，其中R为测量过程的协方差；

步骤6.3、结合当前状态的预测值和测量值，利用公式

target(n₀).X_est(k)＝target(n₀).X_pre(k)＋Kg×[target(n₀).Z(k)-H×target(n₀).X_pre(k)]求出目标n₀第k次的最优估计状态矩阵target(n₀).X_est；

步骤6.4、利用公式

target(n₀).P_est(k)＝target(n₀).P_pre(k)-Kg×H×target(n₀).P_pre(k)计算出目标n₀对应于第k次的最优估计状态矩阵target(n₀).X_est的协方差target(n₀).P_est；

步骤7、对除n₀外其他目标重复步骤3到步骤6的方法判断这些目标是否为真实目标。