CN106443624B - 一种目标检测与跟踪一体化方法 - Google Patents
一种目标检测与跟踪一体化方法 Download PDFInfo
- Publication number
- CN106443624B CN106443624B CN201610827096.8A CN201610827096A CN106443624B CN 106443624 B CN106443624 B CN 106443624B CN 201610827096 A CN201610827096 A CN 201610827096A CN 106443624 B CN106443624 B CN 106443624B
- Authority
- CN
- China
- Prior art keywords
- target
- unit
- confidence value
- kth
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 206010027476 Metastases Diseases 0.000 claims description 2
- 238000005094 computer simulation Methods 0.000 claims description 2
- 230000009401 metastasis Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号处理技术领域,尤其涉及一种目标检测与跟踪一体化方法,包括:S1:选定满足强度要求的待检测单元范围,初步确定目标数目范围;S2:选定所述目标可能存在的速度通道,根据选定的所述速度通道,设计各目标运动模型;S3:初始化第1帧数据各目标对应单元的置信度值;S4:用k表示当前处理数据的编号,计算第k次各目标对应单元的置信度值;S5:根据S4中得到的第k次数据各目标对应单元的置信度值以及第k次数据的观测值,确定目标数目和目标可能存在的位置;S6:依次类推,在第k+1次数据到来时,重复S4和S5;S7:在判决为有目标的单元处用点迹进行标注,若有N个单元,则经过K次处理后,形成一幅K×N的检测后的点迹视图。
Description
技术领域
本发明属于雷达信号处理中的目标检测与跟踪技术领域,尤其涉及一种目标检测与跟踪一体化方法。
背景技术
复杂背景下的弱目标检测是一个具有共性的问题,在雷达、声呐、图像等领域中均具有重要的应用价值。其难点在于弱目标一般具有低的信噪比,背景存在很强、统计特性复杂的杂波和噪声,因此,传统的先检测后跟踪的处理方法往往处理性能不佳。
为了提升在复杂背景下探测弱目标的信号处理能力,检测前跟踪(TBD-TrackBefore Detection)的处理方法被提出并得到了广泛的研究。TBD方法的主要思想是:如果能够首先跟踪目标的运动轨迹,并能够在多帧数据的基础上实现对目标能量的积累,那么在一定条件下,这种方法能够实现对弱目标信号能量的有效积累。到目前为止,TBD被认为是解决复杂背景下弱目标检测跟踪问题的重要技术手段。常用的TBD方法有Hough变换、动态规划、最大似然、粒子滤波以及基于离散网格(grid-based)的方法等。但是,Hough变换是沿着直线进行非相参积累,因此只能处理直线运动的目标,而动态规划、最大似然、粒子滤波等方法的运算复杂度都非常高,实时性难以得到保证,目前很难得到实用化。
发明内容
针对上述问题,本发明提出了一种目标检测与跟踪一体化方法。包括如下步骤:
S1:选定满足强度要求的待检测单元范围,初步确定目标数目范围;
S2:选定所述目标可能存在的速度通道,根据选定的所述速度通道,设计各目标运动模型;
S3:初始化第1帧数据各目标对应单元的置信度值;
S4:用k表示当前处理数据的编号,在第k次数据到来时,若k=1,则表示当前正处理第1次数据,则将步骤S3中的初始化置信度值作为第1次数据各目标对应单元的置信度值;若k≠1,则根据第k-1次各目标对应单元内的置信度值和步骤S2中所设定的运动模型,计算第k次各目标对应单元的置信度值;
S5:根据步骤S4中得到的第k次数据各目标对应单元的置信度值以及第k次数据的观测值,迭代计算第k次各目标对应单元的置信度值,然后选定阈值对置信度值进行门限处理,得到检测后的结果,确定目标数目和目标可能存在的位置;
S6:依次类推,在第k+1次数据到来时,重复步骤S4和S5;
S7:在判决为有目标的单元处用点迹进行标注,若有N个单元,则经过K次处理后,形成一幅K×N的检测后的点迹视图。
优选的,将步骤S2中可能存在目标的运动模型建模为一阶马尔科夫模型,并建立目标的置信度值转移模型。
优选的,步骤S4和S5中的待检单元的置信度值正比于所述待检单元的原始置信度值与假定目标存在时该单元对应的观测似然函数的乘积。
本发明的有益效果在于:
一种目标检测跟踪一体化方法,该方法不仅在处理高速机动目标和复杂的杂波背景时具有良好的检测跟踪性能和较好的鲁棒性,而且具有运算复杂度低的优点。
附图说明
图1为本发明的算法流程框图;
图2为本发明中所要处理的数据的到来和排列方式图;
图3为仿真实验中三个目标的真实轨迹图;
图4为在瑞利杂波仿真数据下本发明的检测与跟踪结果的点迹视图;
图5为低海况实测海杂波下三个目标的检测与跟踪结果的点迹视图;
图6为高海况实测海杂波下三个目标的检测与跟踪结果的点迹视图。
具体实施方式
下面将结合附图对本发明加以详细说明,具体实施方式如下所述。
本发明所述的基于递推贝叶斯原理的一种目标检测与跟踪一体化方法,如图1所示,包括以下步骤:
第一步,选定满足强度要求的待检测单元范围,初步设定待检测单元中目标数目范围;
考虑常规预警雷达系统,每一帧(即一次数据)有N个距离单元可能存在感兴趣目标,数据的排列与存储方式如图2所示。初步设定所选待检测单元范围内目标的数目范围,以便算法后续的顺利进行。
第二步,选定感兴趣目标可能存在的速度通道,根据选定速度通道,设计各目标运动模型;
目标运动模型中包括目标的速度、加速度等。
第三步,初始化第1帧数据各目标对应单元的置信度值;
设第1帧数据各目标对应单元的初始置信度值为Cinit。
第四步,用k表示当前处理数据的编号,在第k次数据到来时,若k=1,则表示当前正处理第1次数据,那么直接将第三步中的初始置信度值作为第1次数据各目标对应单元的置信度值;若k≠1,则根据第k-1次各目标对应单元的置信度值和第二步中所设定的运动模型,计算第k次各目标对应单元的原始置信度值;
令符号表示第k帧时第n个距离单元存在目标,表示第k帧时第n个距离单元存在目标的原始置信度值。若k=1,则有若k≠1,可以根据上一帧计算得到的计算得到。
第五步,根据第四步中得到的第k次数据各目标对应单元的置信度值以及第k次数据的观测值,迭代计算第k次各目标对应单元的置信度值,然后选定阈值对置信度值进行门限处理得到检测后的结果,确定目标数目和目标可能存在的位置;
令表示第k帧时第n个距离单元存在目标的更新置信度值,为目标存在时的观测似然函数,则根据原始置信度值和观测数据,第k帧各目标对应距离单元的更新置信度值可由式
来计算(其中,d为常数,可通过归一化等措施进行求解)。
通过选取合适的阈值η,可对置信度值进行门限处理得到检测跟踪结果,即若则判为该距离单元有目标,若则判为该距离单元无目标。
第六步,依次类推处理,在第k+1次数据到来时,重复第四步和第五步;
第七步,在判决为有目标的单元处用点迹进行标注,若有N个单元,则经过K次处理后,会形成一幅K×N的检测后的点迹视图。
下面通过仿真实验进一步说明本发明所述方法的性能。仿真实验中预设了3个目标,两个目标进行直线运动v=0.3个距离单元/帧,另一个目标作曲线运动,初始速度为v=0.6个距离单元/帧,所有目标的信杂比均设置为5dB,三个目标的出现和消失的距离单元分别为:目标1起始于距离单元1,消失于距离单元300;目标2起始于距离单元20,消失于距离单元300;目标3起始于距离单元50,消失于距离单元250。仿真实验中三个目标的真实轨迹如图3所示。使用本发明所述方法对实验数据进行处理,选定速度通道v=0.3个距离单元/帧,在瑞利杂波仿真数据下的检测与跟踪结果如图4所示。在低海况实测海杂波数据下的检测与跟踪结果如图5所示。在高海况实测海杂波数据下的检测与跟踪结果如图6所示。
可以看出,本发明所述方法不仅能处理较低信杂比条件下的直线运动目标,还能准确跟踪较低信杂比条件下的曲线运动目标,且在高、低海况实测海杂波数据下也具有较好的检测跟踪效果。
此实施例仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (2)
1.一种目标检测与跟踪一体化方法,其特征在于,包括如下步骤:
S1:选定满足强度要求的待检测单元范围,初步确定目标数目范围;
S2:选定所述目标可能存在的速度通道,根据选定的所述速度通道,设计各目标运动模型;
S3:初始化第1帧数据各目标对应单元的置信度值;
S4:用k表示当前处理数据的编号,在第k次数据到来时,若k=1,则表示当前正处理第1次数据,则将步骤S3中的初始化置信度值作为第1次数据各目标对应单元的置信度值;若k≠1,则根据第k-1次各目标对应单元内的置信度值和步骤S2中所设定的运动模型,计算第k次各目标对应单元的置信度值;
S5:根据步骤S4中得到的第k次数据各目标对应单元的置信度值以及第k次数据的观测值,迭代计算第k次各目标对应单元的置信度值,然后选定阈值对置信度值进行门限处理,得到检测后的结果,确定目标数目和目标可能存在的位置;
S6:依次类推,在第k+1次数据到来时,重复步骤S4和S5;
S7:在判决为有目标的单元处用点迹进行标注,若有N个单元,则经过K次处理后,形成一幅K×N的检测后的点迹视图;
所述步骤S4和S5中的待检单元的置信度值正比于所述待检单元的原始置信度值与假定目标存在时该单元对应的观测似然函数的乘积。
2.根据权利要求1所述方法,其特征在于,将步骤S2中可能存在目标的运动模型建模为一阶马尔科夫模型,并建立目标的置信度值转移模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610827096.8A CN106443624B (zh) | 2016-09-14 | 2016-09-14 | 一种目标检测与跟踪一体化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610827096.8A CN106443624B (zh) | 2016-09-14 | 2016-09-14 | 一种目标检测与跟踪一体化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106443624A CN106443624A (zh) | 2017-02-22 |
CN106443624B true CN106443624B (zh) | 2019-02-22 |
Family
ID=58168023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610827096.8A Active CN106443624B (zh) | 2016-09-14 | 2016-09-14 | 一种目标检测与跟踪一体化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443624B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210458B (zh) * | 2020-01-08 | 2022-01-07 | 北京天睿空间科技股份有限公司 | 一种基于预检测置信度的运动目标检测前跟踪方法 |
CN111337894B (zh) * | 2020-03-04 | 2022-04-01 | 清华大学 | 一种智能参考单元平均恒虚警检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101018402A (zh) * | 2005-12-07 | 2007-08-15 | 埃卡豪股份有限公司 | 位置确定技术 |
US7299059B2 (en) * | 2002-07-10 | 2007-11-20 | Ekahau Oy | Positioning technique |
CN102628936A (zh) * | 2012-04-12 | 2012-08-08 | 杭州电子科技大学 | 一种基于信息互反馈的机动弱目标检测跟踪一体化方法 |
CN103472445A (zh) * | 2013-09-18 | 2013-12-25 | 电子科技大学 | 一种针对多目标场景的检测跟踪一体化方法 |
CN104833964A (zh) * | 2015-04-28 | 2015-08-12 | 南京邮电大学 | 针对雷达/声呐系统的目标检测跟踪一体化方法和装置 |
-
2016
- 2016-09-14 CN CN201610827096.8A patent/CN106443624B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299059B2 (en) * | 2002-07-10 | 2007-11-20 | Ekahau Oy | Positioning technique |
CN101018402A (zh) * | 2005-12-07 | 2007-08-15 | 埃卡豪股份有限公司 | 位置确定技术 |
CN102628936A (zh) * | 2012-04-12 | 2012-08-08 | 杭州电子科技大学 | 一种基于信息互反馈的机动弱目标检测跟踪一体化方法 |
CN103472445A (zh) * | 2013-09-18 | 2013-12-25 | 电子科技大学 | 一种针对多目标场景的检测跟踪一体化方法 |
CN104833964A (zh) * | 2015-04-28 | 2015-08-12 | 南京邮电大学 | 针对雷达/声呐系统的目标检测跟踪一体化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106443624A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101783020B (zh) | 一种联合概率数据关联的视频多目标快速跟踪方法 | |
Zhang et al. | Three-frame difference algorithm research based on mathematical morphology | |
CN103729859B (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
US9562965B2 (en) | Two-stage filtering based method for multiple target tracking | |
CN107300698B (zh) | 一种基于支持向量机的雷达目标航迹起始方法 | |
CN107688170A (zh) | 一种基于随机森林的雷达目标航迹起始方法 | |
CN105405151A (zh) | 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法 | |
CN103678949B (zh) | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 | |
CN110501671A (zh) | 一种基于测量分配的目标跟踪方法及装置 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN110517286B (zh) | 基于多智能体控制的单目标动态跟踪与围捕方法 | |
CN103942536A (zh) | 一种迭代更新轨迹模型的多目标跟踪方法 | |
CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
CN105116387A (zh) | 基于位置和多普勒速度信息的pd雷达抗速度拖引方法 | |
CN102142085A (zh) | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 | |
CN112881993A (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN106443624B (zh) | 一种目标检测与跟踪一体化方法 | |
CN110244294A (zh) | 一种多传感器的量测数据的关联方法 | |
Mittal et al. | Pedestrian detection and tracking using deformable part models and Kalman filtering | |
CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
CN106485283B (zh) | 一种基于Online Boosting的粒子滤波行人目标跟踪方法 | |
CN105353353B (zh) | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 | |
Bi et al. | Improved multi-target radar TBD algorithm | |
Golubkov et al. | Adaptive estimation of an object motion parameters based on the hybrid stochastic model | |
Yazdian-Dehkordi et al. | An improvement on GM-PHD filter for target tracking in presence of subsequent miss-detection |
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 |