CN106226751A - 基于dp‑tbd的机动目标检测与跟踪方法 - Google Patents

Abstract

本发明公开了一种基于DP‑TBD的机动目标检测与跟踪方法，主要解决现有技术不能对机动性较强目标进行准确的检测与跟踪的问题，其实现方案是：1.设定目标的运动模型和观测模型；3.优化状态转移方式并对观测量积累值进行加权，递归得到所有时刻的观测量积累值和状态转移过程；4.将最后一帧的观测量积累值与门限值进行比较，把超过门限值的观测量积累值所对应的状态，作为所检测目标的候选估计状态；5.对上一步得到的候选估计状态进行逆序递推，回溯出目标的候选运动轨迹；6.再经过轨迹筛选，得到最终的目标航迹及航速估计。本发明能对机动目标的能量进行有效积累，降低了噪声对检测性能的影响，可用于机动目标的检测与跟踪。

Description

基于DP-TBD的机动目标检测与跟踪方法

技术领域

本发明涉及雷达技术领域，尤其涉及一种机动目标检测与跟踪方法，可用于机动目标的检测与跟踪。

背景技术

检测前跟踪TBD技术最初应用于光学、红外图像中的小目标检测，目前在雷达目标检测领域也取得了不少成果。常用的TBD算法有霍夫变换法、动态规划法和粒子滤波法等。基于动态规划的检测前跟踪DP-TBD算法原理清晰，性能优秀，较易实现，取得了广泛的应用。

根据DP-TBD算法中积累值函数构造方法的不同，可分概率密度积累和能量积累两大类。由Tonisson等人提出，Johnston等人发展至今的基于能量积累的DP-TBD算法，采用目标幅度或能量构造积累值函数，物理含义明确，原理简单，具有较高的工程应用价值，国内外学者做了较多的研究与改进。JOHNSTON L A等人采用极值理论分析了TONISSEN S M等人提出的基于能量积累DP-TBD算法的检测性能，推导出了简便的虚警概率与检测概率的计算方法；LIU Shulin与DENG Xiaoying等人对不同杂波模型下的检测性能表达式进行推导，得到了更加准确的门限计算方法；宋慧波等人对经DP-TBD算法处理后的雷达回波数据的最终积累值进行恒虚警检测，采用极值法提取峰值，实现了间距较远的多目标检测，但无法处理间距较近或交叉目标的检测与跟踪；JIA Chao等人根据先验信息将海杂波分成强弱两个区域，改进了强杂波区域的积累值函数，对处于不同区域的目标分别进行处理，有助于在不同海情下检测目标；罗小云、GAO Fei等人利用相邻三帧数据的位置信息对能量积累进行方向加权，减小了目标的能量扩散，提高了检测性能；SHI Changhai等人将DP-TBD算法应用于脉冲多普勒雷达的空中弱目标检测，比较了与海面弱目标检测的不同，总结了该算法在检测空中目标时的难点；李涛等人采用两级门限处理，在初级低门限下进行DP-TBD，采用杂波置信检验设置二级门限，航迹回溯后根据目标直线运动的特点剔出虚假航迹，提高了跟踪概率。

上述研究对DP-TBD算法的值函数构造、门限计算、峰值提取及航迹回溯进行了优化，取得了不错的效果，但该类算法对机动性较强，如加速、转弯、掉头的目标不能有效的检测与跟踪。这是由于目标的机动范围超过了算法预设的状态转移范围，使得算法覆盖范围外的目标能量无法进行有效积累。如果增大算法预设的状态转移范围，以覆盖目标的机动范围，则会使算法运算量大增，并且会导致不同速度通道下的搜索范围重叠，在浪费了计算资源的同时，无法得到准确的速度估计。此外，由于算法的搜索范围增大，该状态转移范围内的噪声或杂波对目标的影响也随之加大，会使估计航迹中的某些点偏离真实航迹。

发明内容

针对以上现有技术存在的不足，本发明的目的在于提出一种基于DP-TBD的机动目标检测与跟踪方法，以提高对机动性较强目标的检测与跟踪准确度。

本发明的技术思路是：优化动态规划的搜索范围，在状态转移搜索的同时根据目标的运动趋势，对能量积累进行加权，实现对机动目标进行有效检测与跟踪，并对目标每一帧的速度进行准确估计。

根据上述思路，本发明的实现步骤包括如下：

(1)建立目标的运动模型：其中为目标运动状态，包含目标在k时刻的位置与速度，F为目标运动趋势的状态转移矩阵，W_k为模拟运动过程中的观测误差与量化误差的扰动矩阵；

(2)考虑一个包含N个分辨单元的观测范围，用X_k表示k时刻观测范围内的所有状态：X_k＝{x_i(k)},1≤i≤N，其中x_i(k)表示k时刻观测范围内第i个分辨单元的状态。目标的观测模型为：Z_k＝{z_i(k)},1≤i≤N，记录并保存第i个单元的观测信息，其中Z_k表示k时刻的观测值，取值为：

其中，A(k)为目标的幅度，v_ij(k)为观测噪声；

(3)优化动态规划的状态转移方式和对观测量积累值加权，递归得到所有时刻N个分辨单元的观测量积累值I(X_k)和观测量积累值的状态转移过程

(3a)将目标的速度范围平均分割为M个速度通道，取动态规划的状态转移数q为速度通道数M，全程只做一次动态规划；

(3b)初始化观测量积累值I(X_k)和观测量积累值的状态转移过程即对观测范围内在k＝1时刻的所有状态X₁，使：

I(X₁)＝Z₁

${\mathrm{\Φ}}_{X_1}\left(1\right)=0$

其中，Z₁表示第一帧数据观测值；

(3c)根据上一时刻估计出的状态转移速度v，预判目标的运动趋势，设目标相邻两帧的最大速度变化量为Δv，则当前时刻目标的速度范围在v±Δv之内，并考虑到目标的惯性，计算当前时刻的状态转移加权矩阵W_k，对上一时刻N个分辨单元的观测量积累值进行加权，得到当前时刻N个分辨单元的观测量积累值和观测量积累值的状态转移过程，递归得到所有时刻的观测量积累值和观测量积累值的状态转移过程，即当2≤k≤R时，得到观测范围内的所有状态X_k的观测量积累值I(X_k)和状态转移过程为：

$I\left(X_k\right)=\underset{X_{k-1}}{\max }\{{\[I\left(X_{k-1}\right)\]}_M\·W_k\}+Z_k$

${\mathrm{\Φ}}_{X_k}\left(k\right)=\arg \underset{X_{k-1}}{\max }\{{\[I\left(X_{k-1}\right)\]}_M\·W_k\}=\[L_{k-1},m_{k-1}\]$

其中，R为观测数据总的帧数，[I(X_k-1)]_M表示k-1时刻的状态转移到k时刻的状态有M种状态转移方式，W_k＝[W_k,1,W_k,2,...,W_k,i...,W_k,N]^T,1≤i≤N为所有状态转移的加权矩阵，表示求取加权后M个状态转移的最大观测量积累值，即k-1时刻最有可能转移到X_k的状态，表示k时刻观测范围内所有积累观测量的转移过程，即每个状态的位置与转移速度，其中L_k-1表示位置，m_k-1表示转移速度；

(4)设置门限V_T，寻找第R帧时过门限的观测量积累值对应的状态，将这些状态作为所检测目标的候选估计状态即：其中，I(X_R)表示第R帧的观测量积累值，当观测量积累值超过门限时，则把该值对应的状态作为所检测目标的候选状态；

(5)对于每个超过门限值所对应的状态X_R，令k＝R-1,R-2,...,1，使逆序递推得到目标的候选运动轨迹和航速估计其中L_k表示k时刻状态的位置，m_k表示k时刻状态的转移速度；

(6)对得到的候选运动轨迹和航速估计进行筛选，得到最终的目标航迹及航速估计。

本发明与现有技术相比具有如下优点：

1.本发明由于对动态规划的状态转移方式进行了优化，使得状态转移范围能覆盖目标的机动范围，因此本发明不仅能适用于机动性弱的目标的检测与跟踪，也能适用于机动性较强的目标的检测与跟踪；

2.本发明由于根据目标的运动趋势对观测量积累值进行加权，提高了机动目标的状态搜索效率，得到了更加准确的状态估计，能够有效的对机动目标进行检测与跟踪，并能对目标的每一帧的速度进行准确估计；

实验仿真表明：本发明能对机动目标的能量能够有效积累，降低噪声对检测性能的影响，最终估计轨迹与目标的真实航迹基本吻合，估计速度基本正确，对机动目标实现了成功的检测与跟踪。

附图说明

图1为本发明的实现流程图；

图2为用本发明得到的最终积累值、候选轨迹和估计速度示意图；

图3为用传统DP-TBD算法得到的最终积累值和估计速度示意图；

图4为传统DP-TBD算法将状态转移范围q扩大至目标机动速度范围M时的处理结果图；

图5为用本发明与传统DP-TBD算法进行1000次的蒙特卡洛仿真实验，检测出概率随信噪比变化的检测曲线示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细描述。

参照图1，本发明基于DP-TBD的机动目标检测与跟踪方法，包括如下步骤：

步骤1，设定目标的运动模型。

设目标在X-Y平面运动，状态方程为：其中为目标运动状态，包含目标在k时刻的位置与速度，F为目标运动趋势的状态转移矩阵，W_k为模拟运动过程中的观测误差与量化误差的扰动矩阵。

步骤2，设定目标的观测模型。

(2a)考虑一个包含N个分辨单元的观测范围，分辨单元大小设为Δ，设置速度分辨单元为Δv，观测帧间隔设为T，故有T·Δv＝Δ；

(2b)用X_k表示k时刻观测范围内的所有状态，X_k＝{x_i(k)},1≤i≤N，其中x_i(k)表示k时刻观测范围内第i个分辨单元的状态，包含位置和状态转移速度；

(2c)建立目标的观测模型：Z_k＝{z_i(k)},1≤i≤N，Z_k记录并保存k时刻观测信息，其中：

A(k)为目标的幅度，v_ij(k)为观测噪声。

步骤3，优化状态转移方式及对观测量积累值加权，递归得到所有时刻N个分辨单元的观测量积累值I(X_k)和观测量积累值的状态转移过程

(3a)状态转移方式优化：

将目标可能的运动速度范围平均分割为M份，这里的速度是指动态规划算法中的归一化转移速度，单位为“分辨单元/帧”，每一个速度间隔称为一个速度搜索通道；将动态规划预设的状态转移数q取值为M，使动态规划的状态转移范围覆盖目标的机动范围，并且全程只做一次动态规划；

(3b)计算加权矩阵：

假设目标相邻两帧的最大速度变化量为Δv，当前帧目标的速度为v，则下一帧目标的速度范围在v±Δv之内，并考虑到目标的惯性，预测目标的运动趋势，计算k时刻观测范围内所有状态转移的系数加权矩阵：W_k＝[W_k,1,W_k,2,...,W_k,i...,W_k,N]^T,1≤i≤N，其中W_k,i＝[w_k,i(1),…,w_k,i(n),...,w_k,i(M)]为k时刻观测范围内第i个分辨单元的状态转移加权系数，其中1≤n≤M，w_k,i(n)为k时刻观测范围内第i个分辨单元的第n种状态转移的加权值，其计算公式为：

且若w_k,i(n)<0，则令w_k,i(n)<0

其中，m_k为当前状态的状态转移速度，H为权系数形状参数，H越大权系数曲线的波峰越扁平，H越小曲线的波峰越尖锐。上式的意义为，按照与当前转移速度所在通道的间隔的远近来计算下一帧观测量积累值权系数的大小，间隔越远，权系数越小。当该间隔超过目标机动速度范围的一半时对权系数置零，这是由于目标的惯性，目标速度变化不可能过大；

(3c)初始化观测量积累值I(X_k)和观测量积累值的状态转移过程

I(X_k)为观测量Z_k的积累值，某观测单元状态中此值越大，则认为目标在该观测单元出现的概率越大；为I(X_k)的状态转移过程，记录了观测范围内所有状态的位置和和转移速度。

由于目标状态未知，假设初始时刻目标可能在状态空间的任何位置，所以需要对观测量积累值I(X_k)和I(X_k)的状态转移过程进行初始化，即对观测范围内在k＝1时刻的所有状态X₁，使：

I(X₁)＝Z₁

${\mathrm{\&Phi;}}_{X_1}\left(1\right)=0$

其中，Z₁表示第一帧数据观测值；

(3d)对观测量积累值进行加权，递归得到所有时刻的观测量积累值和状态转移过程：

以当前时刻的状态转移加权矩阵W_k，对上一时刻N个分辨单元的观测量积累值进行加权，得到当前时刻N个分辨单元的观测量积累值和观测量积累值的状态转移过程，递归得到所有时刻的观测量积累值和观测量积累值的状态转移过程，即当2≤k≤R时，使：

$I\left(X_k\right)=\underset{X_{k-1}}{\max }\{{\&lsqb;I\left(X_{k-1}\right)\&rsqb;}_M\&CenterDot;W_k\}+Z_k$

${\mathrm{\&Phi;}}_{X_k}\left(k\right)=\arg \underset{X_{k-1}}{\max }\{{\&lsqb;I\left(X_{k-1}\right)\&rsqb;}_M\&CenterDot;W_k\}=\&lsqb;L_{k-1},m_{k-1}\&rsqb;$

其中，R为观测数据总的帧数，[I(X_k-1)]_M表示k-1时刻的状态转移到k时刻的状态有M种状态转移方式，表示求取加权后M个状态转移的最大观测量积累值，即k-1时刻最有可能转移到X_k的状态，表示k时刻观测范围内所有积累观测量的转移过程，即每个状态的位置与转移速度，其中L_k-1表示位置，m_k-1表示转移速度。

步骤4，将观测量积累值与门限值进行比较，寻找第R帧时过门限的观测量积累值对应的状态。

根据现有公式:设定门限值V_T，即根据给定的虚警概率P_FA按此式查表，得到门限值，其中，Φ(X)为标准正态分布，μ_k和σ_k分别为I(X_k)的均值和方差。将第R帧时观测范围内的N个状态的观测量积累值分别与门限值V_T进行比较，如果观测量积累值超过门限，则认为该状态可能为所检测的目标的状态，并将这些状态作为所检测目标的候选估计状态即：其中，I(X_R)表示第R帧的观测量积累值。

步骤5，逆序递推，回溯出目标的候选运动轨迹。

对于每个超过门限所对应的状态X_R，令k＝R-1,R-2,...,1，使：

${\hat{X}}_k=\&lsqb;{\hat{L}}_k,{\hat{m}}_k\&rsqb;={\mathrm{\&Phi;}}_{X_{k+1}}(k+1)=\&lsqb;L_k,m_k\&rsqb;,$

逆序递推得到目标的候选运动轨迹和航速估计其中L_k表示k时刻状态的位置，m_k表示k时刻状态的转移速度。

步骤6，轨迹筛选，得到最终的目标航迹及航速估计。

根据门限值不同，会回溯出多条候选运动轨迹，需要经过轨迹筛选来得到最终的目标航迹及航速估计，轨迹筛选的步骤如下：

(6a)按照所有候选轨迹初始一段时间的状态是否相同来进行分组；

(6b)选取候选状态估计序列数目最多的组；

(6c)在保留的这一组状态估计序列中，选取观测量积累值最大的状态所在的估计序列作为真实目标状态序列的最佳估计。

经过上述轨迹筛选，得到了最终的目标状态序列估计，可提取出目标航迹与航速。

本发明的效果可通过以下仿真测试结果进一步说明。

1.仿真条件：

假设雷达天线转速6转/分，距离分辨力20m，起始信噪比为8dB的目标在100km处远离雷达做径向运动，初始速度为0米/秒，加速度为2米/秒²。每帧取目标方向的一组回波，共对其观测30帧，截取目标周围450个距离单元。

2.仿真内容

仿真1：在上述条件下，经计算得目标最大航速为60m/s，归一化速度为30分辨单元/帧，为了使状态转移范围覆盖目标的机动运动范围，取转移速度范围为±32分辨单元/帧，设置有效状态转移数M为65，权系数形状参数N为5，虚警概率为10^-6，用本发明的方法对雷达数据进行处理，结果如图2所示。其中：

图2(a)为本发明得到的最终积累值情况示意图，表明本发明对观测量能积累出有效峰值，可用于估计目标的位置；

图2(b)为本发明对过门限的点进行回溯，得到的候选轨迹示意图，表明本发明得到的最终估计轨迹与目标的真实航迹基本吻合；

图2(c)为本发明得到的估计速度与真实速度的比较示意图，表明本发明得到的估计速度与真实速度基本一致；

仿真2：在上述条件下，用传统DP-TBD算法在状态转移范围q＝5时对雷达数据进行处理，结果如图3所示，其中：

图3(a)为传统DP-TBD算法得到的最终积累值情况示意图，表明传统DP-TBD算法不能对观测量积累出有效峰值，无法估计出目标的位置；

图3(b)为传统DP-TBD算法降低门限后的轨迹回溯示意图，表明传统DP-TBD算法估计出的航迹都是近似的直线，估计出的目标速度为整个观测过程中的平均直线速度，既不精确也不准确。可见传统DP-TBD算法无法适应目标的机动特性，该算法失效。

仿真3：在上述条件下，用传统DP-TBD算法将状态转移范围q扩大至目标机动速度范围M，对雷达数据进行处理，结果如图4所示。

图4所示的结果只是多个估计结果中的一个，这是由于多个搜索通道的状态转移范围发生重叠，几乎在每个搜索通道都有积累值过门限，由此回溯出多组相似的航迹，表明传统DP-TBD算法如果只扩大状态转移范围，估计航迹仍不精确，并且无法估计出目标的准确速度。

仿真4：在上述条件下，虚警概率为10-6，将目标信噪比由4dB变化至12dB，分别用本发明与传统DP-TBD算法进行1000次的蒙特卡洛仿真实验，得到两种算法检测概率随信噪比变化的检测曲线如图5所示。

图5表明，本发明在信噪比为9.1dB时对机动目标达到了90％的检测概率，相对于传统DP-TBD算法，得到了大约2.1dB的信噪比增益，检测性能有较为明显的提升。

Claims (3)

1.基于DP-TBD的机动目标检测与跟踪方法，包括：

(1)建立目标的运动模型：其中为目标运动状态，包含目标在k时刻的位置与速度，F为目标运动趋势的状态转移矩阵，W_k为模拟运动过程中的观测误差与量化误差的扰动矩阵；

(2)考虑一个包含N个分辨单元的观测范围，用X_k表示k时刻观测范围内的所有状态：X_k＝{x_i(k)},1≤i≤N，其中x_i(k)表示k时刻观测范围内第i个分辨单元的状态。目标的观测模型为：Z_k＝{z_i(k)},1≤i≤N，记录并保存第i个单元的观测信息，其中Z_k表示k时刻的观测值，取值为：

其中，A(k)为目标的幅度，v_ij(k)为观测噪声；

(3)优化动态规划的状态转移方式和对观测量积累值加权，递归得到所有时刻N个分辨单元的观测量积累值I(X_k)和观测量积累值的状态转移过程

(3a)将目标的速度范围平均分割为M个速度通道，取动态规划的状态转移数q为速度通道数M，全程只做一次动态规划；

(3b)初始化观测量积累值I(X_k)和观测量积累值的状态转移过程即对观测范围内在k＝1时刻的所有状态X₁，使：

I(X₁)＝Z₁

${\mathrm{\&Phi;}}_{X_1}\left(1\right)=0$

其中，Z₁表示第一帧数据观测值；

(3c)根据上一时刻估计出的状态转移速度v，预判目标的运动趋势，设目标相邻两帧的最大速度变化量为Δv，则当前时刻目标的速度范围在v±Δv之内，并考虑到目标的惯性，计算当前时刻的状态转移加权矩阵W_k，对上一时刻N个分辨单元的观测量积累值进行加权，得到当前时刻N个分辨单元的观测量积累值和观测量积累值的状态转移过程，递归得到所有时刻的观测量积累值和观测量积累值的状态转移过程，即当2≤k≤R时，得到观测范围内的所有状态X_k的观测量积累值I(X_k)和状态转移过程为：

$I\left(X_k\right)=\underset{X_{k-1}}{max}\{{\&lsqb;I\left(X_{k-1}\right)\&rsqb;}_M\&CenterDot;W_k\}+Z_k$

${\mathrm{\&Phi;}}_{X_k}\left(k\right)=\arg \underset{X_{k-1}}{max}\{{\&lsqb;I\left(X_{k-1}\right)\&rsqb;}_M\&CenterDot;W_k\}=\&lsqb;L_{k-1},m_{k-1}\&rsqb;$

其中，R为观测数据总的帧数，[I(X_k-1)]_M表示k-1时刻的状态转移到k时刻的状态有M种状态转移方式，W_k＝[W_k,1,W_k,2,...,W_k,i...,W_k,N]^T,1≤i≤N为所有状态转移的加权矩阵，表示求取加权后M个状态转移的最大观测量积累值，即k-1时刻最有可能转移到X_k的状态，表示k时刻观测范围内所有积累观测量的转移过程，即每个状态的位置与转移速度，其中L_k-1表示位置，m_k-1表示转移速度；

(4)设置门限V_T，寻找第R帧时过门限的观测量积累值对应的状态，将这些状态作为所检测目标的候选估计状态即：其中，I(X_R)表示第R帧的观测量积累值，当观测量积累值超过门限时，则把该值对应的状态作为所检测目标的候选状态；

(5)对于每个超过门限值所对应的状态X_R，令k＝R-1,R-2,...,1，使逆序递推得到目标的候选运动轨迹和航速估计其中L_k表示k时刻状态的位置，m_k表示k时刻状态的转移速度；

(6)对得到的候选运动轨迹和航速估计进行筛选，得到最终的目标航迹及航速估计。

2.根据权利要求1所述的方法，其中步骤(3c)中计算加权矩阵中任一加权系数W_k,i＝[w_k,i(1),…,w_k,i(n),...,w_k,i(M)],1≤i≤N,1≤n≤M，按如下公式计算：

且若w_k,i(n)＜0，则令w_k,i(n)＜0

其中，m_k为当前状态的状态转移速度，H为权系数形状参数，H越大权系数曲线的波峰越扁平，H越小曲线的波峰越尖锐。

3.根据权利要求1所述的方法，其中步骤(6)中的轨迹筛选，按如下步骤进行：

(6a)按照所有候选轨迹初始一段时间的状态是否相同来进行分组；

(6b)选取候选状态估计序列数目最多的组；

(6c)在保留的这一组状态估计序列中，选取观测量积累值最大的状态所在的估计序列作为真实目标状态序列的最佳估计。