CN106570536A - 一种时差定位系统目标高精度跟踪滤波方法 - Google Patents

Abstract

本发明为一种时差定位系统目标高精度跟踪滤波方法，属于无源定位领域。主要用于时差定位系统实现对机动目标的高精度跟踪。对时差定位目标的高精度跟踪滤波处理主要分为测数据形成、机动目标模型、机动检测、自适应滤波与预测、跟踪门规则以及跟踪坐标系和滤波状态变量的选取。在对目标的跟踪滤波过程中采用了先进行目标搜索、再进行时差定位与目标航迹跟踪的处理方法，结合实时状态估计算法和数据关联算法，实现对时差定位目标进行高精度跟踪滤波，显著提高了时差定位系统对多目标跟踪的稳定度。

Description

一种时差定位系统目标高精度跟踪滤波方法

技术领域

本发明属于电子信号侦察技术领域的无源定位技术。

背景技术

机动目标跟踪是国防和民用领域中的一个基本问题。机动目标跟踪就是将探测器连续收到的目标机动运动信号数据对应于各种不确定信息源所产生的不同观测集合进行滤波，并相应地估计出机动目标的目标状态参数。所谓机动是指目标为执行某种战术意图或由于非预谋的原因作改变原来规律的运动，如转向、俯冲、下滑、爬升、蛇形、增速、降速等。机动目标跟踪的核心就是要解决目标机动的情况下稳定精确跟踪的问题。

早在上世纪五十年代机动目标跟踪的基本概念就已经提出，但直到卡尔曼滤波理论在机动目标跟踪中的成功应用，才使得机动目标跟踪技术得以形成。机动目标跟踪中的关键技术是状态滤波和数据关联算法。状态滤波以自适应滤波算法为主，它以卡尔曼滤波理论为基础，使目标跟踪系统能够按照目标的机动情况进行自适应地调，极大地提高了跟踪精度；数据关联则以概率数据关联为主线，以及它与交互式多模型滤波算法的结合。对于多机动目标跟踪系统不仅要处理好自适应滤波与数据关联的关系，而且要求跟踪算法有快速显示、处理多批目标的能力。这就要求多目标跟踪算法具有实时性，而传统的数据关联算法计算量较大，因此如何在保持跟踪精度的同时降低跟踪算法的复杂性就成为了研究的热点。

本发明综合分析了目前国内外在目标跟踪方面的基本框架以及经典的滤波算法和数据关联算法，提出一种时差定位系统目标高精度跟踪滤波方法，重点解决关于机动多目标跟踪问题。

发明内容

本发明为提高机动目标雷达信号的时差定位跟踪能力，结合先进的状态估计算法和数据关联算法，提出了一种时差定位系统目标高精度跟踪滤波方法。对时差定位目标的高精度跟踪滤波处理主要分为测数据形成、机动目标模型、机动检测、自适应滤波与预测、跟踪门规则以及跟踪坐标系和滤波状态变量的选取。在对目标的跟踪滤波过程中采用了先进行目标搜索、再进行时差定位与目标航迹跟踪的处理方法，结合实时状态估计算法和数据关联算法，实现对时差定位目标进行高精度跟踪滤波，以显著提高时差定位系统对多目标跟踪的稳定度。

本发明的具体技术方案为：针对跟踪过程中运动目标的鲁棒性问题，提出了一种基于深度特征的跟踪算法。首先利用仿射变换对每一帧图像进行归一化处理。然后，利用深度去噪自编码器提取归一化的图像特征。由于提取出的深度特征维数非常大，为了提高计算效率，提出了一种高效的基于稀疏表示的降维方法，它通过投影矩阵将高维特征投影到低维空间，进而结合粒子滤波方法完成目标跟踪。最后，将初始帧的目标信息融入到目标表观更新过程中，降低了跟踪过程中目标发生漂移的风险。

基于深度特征的视觉跟踪算法(Deep Feature based Tracker,DFT)，从几百万张图像中训练“深度去噪自编码器”作为特征提取器，利用它提取每帧图像中的目标信息。由于提取的深度特征维数是巨大的，为了提高计算的性能，提出了一种稀疏的特征降维策略，通过定义投影矩阵，找到高效的特征维数。然后，将初始帧的目标信息考虑进目标模板更新中，降低了目标漂移发生的风险。最后，在8段挑战性的视频序列上进行了测试，给出一种目标高精度跟踪滤波处理方法。

本发明的有益效果是：通过新的跟踪算法，利用稀疏方法对高维特征进行降维，进一步提高了计算的效率，提高了计算的性能，降低了目标漂移发生的风险，提高了跟踪的高效性。

附图说明

附图1目标高精度跟踪滤波处理流程。

附图2 SDAE框架图。

附图3 DFT跟踪算法流程图。

具体实施方式

以下结合附图对本发明进行说明，应当理解，此处所描述的附图仅用于说明和解释本发明，并不用于限定本发明。

本发明是一种时差定位系统目标的高精度跟踪滤波方法，流程示意图如图1所示，包括如下步骤：

s1.量测数据形成，运行复杂信号时差定位程序，输出时差定位数据包括目标运动参数、目标属性、目标类型以及量测量的时间序列，到目标管理缓存；

s2.机动检测，假定目标运动模型，通过检测残差的变化对目标机动做出某些检测，从而使滤波算法做出相应的调整，以便较好地跟踪机动目标；

s3.选取跟踪坐标系与滤波状态变量；

s4.跟踪起始，用不与已知目标轨迹相关的观测集合形成新的假定轨迹，N次扫描中出现M次(M<N)相关确定跟踪起始的方法；

s5.形成椭球跟踪门，进行数据关联，如果只有单个量测落入被跟踪目标的跟踪门内，则此量测直接用于航迹更新；

s6.状态估计，在机动目标跟踪中一般都是非线性系统，使用扩展的卡尔曼滤波算法；

s7.数据关联，点迹与航迹，航迹与航迹关联使用修正联合概率数据关联MJPDA算法；

s8.重复状态预测，数据关联，完成目标持续跟踪，保持航迹持续输出；

s9.跟踪终结，当被跟踪目标逃离跟踪空间，其状态质量下降，N次连续扫描丢失目标确定跟踪终结。

特征提取，深度去噪自编码器(Stacked Denoising AutoEncoder,SDAE)从几百万张图像中集中学习、重构原始图像，通过优化重构误差来提高深度学习网络对噪声的鲁棒性。在无监督学习的框架下利用贪婪算法来训练多个自编码器。可以看出，每个编码器的隐层单元都为输入层网络单元的一半，直到减为256为止。通过学习，将底层特征抽象为高层特征。预训练完成后，级联多个自编码器形成SDAE，训练过程如图2所示。SDAE的结构由编码器和解编码器构成。SDAE为非线性多层网络结构，每层中包含有大量的网络节点及其相应的参数。利用离线训练的SDAE编码器来提取视频中目标特征来实现在线跟踪。图3给出了DFT跟踪算法的实现流程。

特征选择，首先，把前10帧跟踪的结果作为目标的正样本；在目标周围的背景区域随机采样n个样本作为背景模板。它通过SDAE后输出字典A。因此，构造的字典中包含有目标模板和背景模板，由于SDAE特征提取器提取的图像特征是冗余的，将通过经典的稀疏表示优化过程来完成特征选择的过程。

目标跟踪，采用贝叶斯估计理论来完成目标运动状态的估计，它通过一系列的目标观测值来对当前的目标状态作出估计。

模板更新，模板更新是目标跟踪算法中不可缺少的一个环节。本文定义模板更新模型为：

其中，c是更新后的目标模板，它由初始目标模板c1和本轮累计10帧中似然值最大的跟踪结果对应的稀疏系数线性组合而成；α是平衡因子，在本文取0.95。在模板更新时融入初始模板是为了降低跟踪过程中目标发生漂移的风险。

Claims (1)

1.一种时差定位系统目标高精度跟踪滤波方法，其特征在于：具有以下步骤：

s1.量测数据形成，运行复杂信号时差定位程序，输出时差定位数据包括目标运动参数，包括位置和速度、目标属性、目标类型、以及量测量的时间序列，到目标管理缓存；

s2.机动检测，假定目标运动模型，通过检测残差的变化对目标机动做出某些检测，从而使滤波算法做出相应的调整，以便较好地跟踪机动目标；

s3.选取跟踪坐标系与滤波状态变量；

s4.跟踪起始，用不与已知目标轨迹相关的观测集合形成新的假定轨迹，N次扫描中出现M次，其中M<N，相关确定跟踪起始的方法；

s5.形成椭球跟踪门，进行数据关联，如果只有单个量测落入被跟踪目标的跟踪门内，则此量测直接用于航迹更新；

s6.状态估计，在机动目标跟踪中一般都是非线性系统，使用扩展的卡尔曼滤波算法；

s7.数据关联，点迹与航迹，航迹与航迹关联使用修正联合概率数据关联MJPDA算法；

s8.重复状态预测，数据关联，完成目标持续跟踪，保持航迹持续输出；

s9.跟踪终结，当被跟踪目标逃离跟踪空间，其状态质量下降，N次连续扫描丢失目标确定跟踪终结。