CN106204641A - 一种基于多假设检验的动态规划检测前跟踪方法 - Google Patents

一种基于多假设检验的动态规划检测前跟踪方法 Download PDF

Info

Publication number
CN106204641A
CN106204641A CN201610506878.1A CN201610506878A CN106204641A CN 106204641 A CN106204641 A CN 106204641A CN 201610506878 A CN201610506878 A CN 201610506878A CN 106204641 A CN106204641 A CN 106204641A
Authority
CN
China
Prior art keywords
sliding window
value function
state
detection
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610506878.1A
Other languages
English (en)
Other versions
CN106204641B (zh
Inventor
易伟
王经鹤
方梓成
姜萌
孔令讲
崔国龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610506878.1A priority Critical patent/CN106204641B/zh
Publication of CN106204641A publication Critical patent/CN106204641A/zh
Application granted granted Critical
Publication of CN106204641B publication Critical patent/CN106204641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多假设检验的动态规划检测前跟踪方法，属于目标检测领域，特别涉及了微弱目标检测跟踪技术领域。首先利用滑窗内所有回波数据计算值函数，并对值函数检测，输出检测结果和目标航迹估计；然后依次从值函数中除去当前第一帧数据的信息，并对处理后的值函数检测，输出检测结果和目标航迹估计。该方法考虑了不同子滑窗的检测，但不需要重新处理子滑窗内的数据计算值函数。因此，在保证计算量几乎不变的同时，有效解决了传统动态规划检测前跟踪方法的检测延迟问题，提高了出现时间晚于滑窗开始时间的目标的检测概率，大大改善了算法的性能。

Description

一种基于多假设检验的动态规划检测前跟踪方法
技术领域
本发明属于目标检测领域，特别涉及了微弱目标检测跟踪技术领域。
背景技术
动态规划检测前跟踪算法是一种有效的检测跟踪微弱目标的方法。近年来，受到国内外学者的广泛关注和研究，并被应用到雷达跟踪，图像处理等多个领域。该方法是一种批处理的方法，在每个时刻联合处理最新的几帧回波数据，称为一个滑窗。
实际应用中，由于传感器可视范围有限、目标分裂、目标相互遮挡等原因，传感器探测范围内可能会随时出现新生目标。比如在雷达探测中，目标可能在雷达开始扫描一段时间后才进入雷达的监测区域；或者在细胞跟踪中，培养皿中的某个细胞突然分裂出几个子细胞。在这些情况下，滑窗内的前几帧数据中并不包含新生目标的信息，但是传统的动态规划检测前跟踪算法仍然联合处理滑窗内的所有回波数据，导致目标状态的值函数被噪声和杂波干扰，在本次滑窗中不能被检测到，算法的检测概率受损。虽然随着滑窗移动，不包含新生目标信息的数据会被逐渐移出滑窗，值函数可以正确积累，但这会导致目标的检测延迟，给系统性能带来损失。
发明内容
本发明所要解决的技术问题是，提供一种能够及时检测滑窗内新生目标的检测前跟踪方法。
本发明为解决上述技术问题所采用的技术方案是，一种基于多假设检验的动态规划检测前跟踪方法，包括以下步骤：
步骤1：接收多帧传感器数据，确定滑窗长度K；
步骤2：计算滑窗中K帧数据是否有目标；
步骤3：若存在目标则恢复目标航迹，再滑动滑窗，返回步骤2进行计算；
其特征在于，所述步骤2的具体计算方法为：
步骤2.1：将当前滑窗中第一帧数据的幅度值初始化为该状态的值函数，I(x1)＝z(x1)，其中I(x1)表示第一帧状态x1的值函数，z(x1)表示状态x1对应的幅度值；
步骤2.2：依次将当前滑窗中其他帧数据进行值函数积累，利用可能转移到当前状态的前一帧状态的值函数中的最大值更新该状态的值函数，并记录前一帧中最大值函数的信息，其中xk表示第k帧的任一量化状态，I(xk)表示状态xk的值函数，τ(xk)表示可能转移到xk的第k-1时刻状态的集合，z(xk)表示状态xk对应的幅度值；对当前滑窗中所有数据的值函数积累完成后获得当前滑窗值函数I(xK)；
步骤2.3：将该滑窗值函数与检测门限Vn(n＝K)比较，若大于该检查门限则认定目标存在，并恢复航迹，否则认定目标不存在，进行步骤2.4；
步骤2.4：将当前滑窗值函数I(xK)减去当前滑窗中第1帧数据的幅度值，获得当前滑窗的第一子滑窗值函数I(xK|Z2:K)，其中Z2:K表示滑窗内第2到K帧数据，将该值函数I(xK|Z2:K)与检测门限Vn(n＝K-1)比较，若大于该检查门限这认定目标存在，并恢复航迹，否则认定目标不存在，进行步骤2.5；
步骤2.5：将第一子滑窗值函数I(xK|Z2:K)减去当前滑窗中第2帧数据的幅度值，获得当前划窗的第二子滑窗值函数I(xK|Z3:K)，将该值函数I(xK|Z3:K)与检测门限Vn(n＝K-2)比较，若大于该检查门限这认定目标存在，并恢复航迹，否则认定目标不存在，进行步骤2.6；
步骤2.6：采用步骤2.4、步骤2.5的相同方法计算后续各子滑窗的值函数，再判断该子划窗中是否存在目标，如存则恢复目标航迹。
进一步的，所述步骤2中检测门限Vn(n＝1，2，3……K)的确定方法为：
设定虚警概率值为pfa，当子滑窗长度为n，门限的仿真生成方式如下：
1)生成n帧噪声数据；
2)利用n帧数据计算状态空间中每个状态的值函数，并记录值函数最大值；
3)重复执行步骤1)，2)N次，将N次的值函数最大值按降序排列存入集合F中；
4)取F中第Npfa个元素，作为门限。
本发明的优点是每个时刻不仅对当前滑窗进行检测还对当前滑窗的所有子滑窗进行检测，但同时不需要通过重新处理子滑窗内的数据计算值函数，在保证算法计算量几乎不变的同时，解决了传统方法对新生目标的检测延迟问题，提高了新生目标的检测概率，有效改善了算法性能。本发明可以用于雷达探测，声呐探测，图像处理，细胞跟踪等多个领域。
附图说明
图1为子滑窗检测示意图。其中实心原点代表目标，空心原点代表噪声和杂波。
图2为本发明的流程图。
图3为本发明与传统的动态规划检测前跟踪算法的一次检测结果对比图。(a)为目标运动轨迹示意图，(b)为本发明的检测结果，(c)为传统的动态规划检测前跟踪算法的检测结果。
图4为本发明与传统的动态规划检测前跟踪算法的目标发现时刻的对比图。
具体实施方式
本发明主要采用计算机仿真的方法进行验证，所有步骤、结论都在MATLAB-R2012b上验证确认。具体实施步骤如下：
步骤1)初始化系统参数：
初始化系统参数，包括：数据处理总帧数M，动态规划检测前跟踪算法的滑窗长度K＝6，通过蒙特卡洛仿真得到处理1帧、……、6帧数据的检测门限VT(1)…VT(6)＝3.9053,6.1879,8.2996,10.3936,12.4079,14.4363；初始化变量m＝0；令m＝m+1,k＝m,n＝0。
步骤2)更新值函数：
如果k＝m，那么用各个状态对应的第k帧回波数据的幅度值初始化该状态的值函数，即I(xk)＝z(xk)。
如果k>m，那么用可能转移到当前状态的前一帧状态的值函数的最大值更新该状态的值函数，即并记录xk对应的前一帧状态
其中，xk表示第k帧的任一量化状态，I(·)表示状态xk的值函数，τ(xk)表示可能转移到xk的第k-1时刻状态的集合，z(xk)表示状态xk对应的幅度值。
步骤3)令k＝k+1，如果k<m+K，那么，返回步骤2)；否则，执行步骤4)。
步骤4)值函数检测及航迹恢复：
如果某个状态的值函数超过检测门限，即I(xk)>VT(K-n)，则认为该状态是目标状态，根据ψ中记录的状态转移关系恢复出该状态对应的历史航迹并存入集合D中。
步骤5)如果n>0，执行步骤6)；否则执行步骤7)。
步骤6)航迹筛选：
如果与集合D中的某条航迹在某一帧具有相同位置，则将移出集合D。
步骤7)估计子滑窗值函数：
如果n<K-1，对于第k帧的每个量化状态xk，令i＝k,k-1,…m+n+1利用ψ(xi)中记录的状态转移关系找到xk对应的m+n时刻状态xm+n，并从xk的值函数中减去xm+n对应的量测值，即I(xk)＝I(xk)-z(xm+n)；令n＝n+1，返回步骤4)；
否则，如果m<M-K+1，则令m＝m+1，k＝m，n＝0，返回步骤2)；否则，算法终止。
图3为本发明与传统的动态规划检测前跟踪算法的一次检测结果对比图。系统参数设置为数据处理总帧数M＝6，滑窗起始时刻为第1帧。从图3中可以看出，在第一次滑窗处理结束后传统的动态规划检测前跟踪算法不能检测到第3帧和第4帧出现的两个目标，但是本发明可以有效检测并正确恢复这两个目标的航迹。
图4为本发明与传统的动态规划检测前跟踪算法的目标发现时刻的对比图。系统参数设置为数据处理总帧数M＝16。从图4中可以看出，在仿真考虑的信噪比下，本发明较之传统的动态规划检测前跟踪算法可以提前1到2帧发现目标。

Claims (2)

1.一种基于多假设检验的动态规划检测前跟踪方法，包括以下步骤：
步骤1：接收多帧传感器数据，确定滑窗长度K；
步骤2：计算滑窗中K帧数据是否有目标；
步骤3：若存在目标则恢复目标航迹，再滑动滑窗，返回步骤2进行计算；
其特征在于，所述步骤2的具体计算方法为：
步骤2.1：将当前滑窗中第一帧数据的幅度值初始化为该状态的值函数，I(x1)＝z(x1)，其中I(x1)表示第一帧状态x1的值函数，z(x1)表示状态x1对应的幅度值；
步骤2.2：依次将当前滑窗中其他帧数据进行值函数积累，利用可能转移到当前状态的前一帧状态的值函数中的最大值更新该状态的值函数，并记录前一帧中最大值函数的信息，其中xk表示第k帧的任一量化状态，I(xk)表示状态xk的值函数，τ(xk)表示可能转移到xk的第k-1时刻状态的集合，z(xk)表示状态xk对应的幅度值；对当前滑窗中所有数据的值函数积累完成后获得当前滑窗值函数I(xK)；
步骤2.3：将该滑窗值函数与检测门限Vn(n＝K)比较，若大于该检查门限则认定目标存在，并恢复航迹，否则认定目标不存在，进行步骤2.4；
步骤2.4：将当前滑窗值函数I(xK)减去当前滑窗中第1帧数据的幅度值，获得当前滑窗的第一子滑窗值函数I(xK|Z2:K)，其中Z2:K表示滑窗内第2到K帧数据，将该值函数I(xK|Z2:K)与检测门限Vn(n＝K-1)比较，若大于该检查门限这认定目标存在，并恢复航迹，否则认定目标不存在，进行步骤2.5；
步骤2.5：将第一子滑窗值函数I(xK|Z2:K)减去当前滑窗中第2帧数据的幅度值，获得当前划窗的第二子滑窗值函数I(xK|Z3:K)，将该值函数I(xK|Z3:K)与检测门限Vn(n＝K-2)比较，若大于该检查门限这认定目标存在，并恢复航迹，否则认定目标不存在，进行步骤2.6；
步骤2.6：采用步骤2.4、步骤2.5的相同方法计算后续各子滑窗的值函数，再判断该子划窗中是否存在目标，如存则恢复目标航迹。
2.如权利要求1所述的一种基于多假设检验的动态规划检测前跟踪方法,其特征在于所述步骤2中检测门限Vn(n＝1，2，3……K)的确定方法为：
设定虚警概率值为pfa，当子滑窗长度为n，门限的仿真生成方式如下：
1)生成n帧噪声数据；
2)利用n帧数据计算状态空间中每个状态的值函数，并记录值函数最大值；
3)重复执行步骤1)，2)N次，将N次的值函数最大值按降序排列存入集合F中；
4)取F中第Npfa个元素，作为门限。
CN201610506878.1A 2016-06-29 2016-06-29 一种基于多假设检验的动态规划检测前跟踪方法 Active CN106204641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610506878.1A CN106204641B (zh) 2016-06-29 2016-06-29 一种基于多假设检验的动态规划检测前跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610506878.1A CN106204641B (zh) 2016-06-29 2016-06-29 一种基于多假设检验的动态规划检测前跟踪方法

Publications (2)

Publication Number Publication Date
CN106204641A true CN106204641A (zh) 2016-12-07
CN106204641B CN106204641B (zh) 2018-08-21

Family

ID=57463931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610506878.1A Active CN106204641B (zh) 2016-06-29 2016-06-29 一种基于多假设检验的动态规划检测前跟踪方法

Country Status (1)

Country Link
CN (1) CN106204641B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107202989A (zh) * 2017-05-08 2017-09-26 电子科技大学 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法
CN107247257A (zh) * 2017-07-03 2017-10-13 电子科技大学 一种基于似然函数近似的分布式多传感器检测前跟踪方法
CN110208789A (zh) * 2019-05-29 2019-09-06 西安空间无线电技术研究所 一种多帧联合目标航迹识别方法
CN110517286A (zh) * 2019-08-12 2019-11-29 杭州电子科技大学 基于多智能体控制的单目标动态跟踪与围捕方法
CN113721223A (zh) * 2021-08-04 2021-11-30 南京莱斯电子设备有限公司 基于极值理论的弱小目标检测前跟踪技术性能分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003099785A (ja) * 2001-09-20 2003-04-04 Sanyo Electric Co Ltd 移動物体の輪郭検出装置および方法ならびに移動物体領域検出装置および方法
CN103885057A (zh) * 2014-03-20 2014-06-25 西安电子科技大学 自适应变滑窗多目标跟踪方法
CN104865570A (zh) * 2015-05-11 2015-08-26 电子科技大学 一种快速的动态规划检测前跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003099785A (ja) * 2001-09-20 2003-04-04 Sanyo Electric Co Ltd 移動物体の輪郭検出装置および方法ならびに移動物体領域検出装置および方法
CN103885057A (zh) * 2014-03-20 2014-06-25 西安电子科技大学 自适应变滑窗多目标跟踪方法
CN104865570A (zh) * 2015-05-11 2015-08-26 电子科技大学 一种快速的动态规划检测前跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭云飞 等: "幅值关联动态规划检测前跟踪算法", 《光电工程》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107202989A (zh) * 2017-05-08 2017-09-26 电子科技大学 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法
CN107247257A (zh) * 2017-07-03 2017-10-13 电子科技大学 一种基于似然函数近似的分布式多传感器检测前跟踪方法
CN107247257B (zh) * 2017-07-03 2020-03-27 电子科技大学 一种基于似然函数近似的分布式多传感器检测前跟踪方法
CN110208789A (zh) * 2019-05-29 2019-09-06 西安空间无线电技术研究所 一种多帧联合目标航迹识别方法
CN110208789B (zh) * 2019-05-29 2021-04-13 西安空间无线电技术研究所 一种多帧联合目标航迹识别方法
CN110517286A (zh) * 2019-08-12 2019-11-29 杭州电子科技大学 基于多智能体控制的单目标动态跟踪与围捕方法
CN110517286B (zh) * 2019-08-12 2022-01-14 杭州电子科技大学 基于多智能体控制的单目标动态跟踪与围捕方法
CN113721223A (zh) * 2021-08-04 2021-11-30 南京莱斯电子设备有限公司 基于极值理论的弱小目标检测前跟踪技术性能分析方法

Also Published As

Publication number Publication date
CN106204641B (zh) 2018-08-21

Similar Documents

Publication Publication Date Title
CN106204641A (zh) 一种基于多假设检验的动态规划检测前跟踪方法
CN104793200B (zh) 一种基于迭代处理的动态规划检测前跟踪方法
CN107133970B (zh) 基于运动信息的在线多目标跟踪方法及装置
CN107063259B (zh) 一种航迹关联方法及电子设备
Jiang et al. Integrated track initialization and maintenance in heavy clutter using probabilistic data association
CN106971401B (zh) 多目标跟踪装置和方法
Zhang et al. A GM-PHD algorithm for multiple target tracking based on false alarm detection with irregular window
CN105809714A (zh) 一种基于轨迹置信度的多目标跟踪方法
CN106405510B (zh) 一种基于伪滑窗l判决准则的航迹删除方法
WO2019047455A1 (zh) 一种适用于闪烁噪声的多机动目标跟踪方法及系统
CN103942536A (zh) 一种迭代更新轨迹模型的多目标跟踪方法
Gao et al. Particle-gating SMC-PHD filter
CN110376581B (zh) 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法
CN111275011A (zh) 移动红绿灯检测方法、装置、电子设备和存储介质
Liu et al. New analytical approach to detection threshold of a dynamic programming track‐before‐detect algorithm
Wang et al. Collaborative penalized Gaussian mixture PHD tracker for close target tracking
CN111830501B (zh) Hrrp历史特征辅助的信号模糊数据关联方法及系统
CN105866748B (zh) 一种基于检测先验的固定窗长恒虚警检测方法
CN117630860A (zh) 一种毫米波雷达的手势识别方法
Zhang et al. Adaptive Gaussian mixture probability hypothesis density for tracking multiple targets
JP2014211330A (ja) 目標追尾装置及び目標追尾方法
JP5623253B2 (ja) 多目標追尾装置
CN103235315A (zh) 一种多机动目标跟踪系统
WO2016000487A1 (zh) 一种基于变系数α-β滤波器的目标跟踪方法与跟踪系统
Gao et al. Probability hypothesis density filter with imperfect detection probability for multi-target tracking

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant