CN107037423A - 结合幅值信息的phd滤波多目标跟踪方法 - Google Patents

Abstract

本发明公开了一种结合幅值信息的PHD滤波多目标跟踪方法，属于雷达数据处理领域。基于JPDA的多目标跟踪方法存在不能充分利用目标量测信息，要求目标个数固定，以及计算量随量测个数的增加而爆炸增长，不能适应密集杂波环境等问题。本发明提出的结合幅值信息的PHD滤波多目标跟踪方法立足于解决此类问题。本发明通过在PHD滤波的基础上结合目标的幅值信息，有效提高了量测信息的利用率，可同时对目标个数和目标状态进行估计，适应于目标个数时变且未知的情况，计算量随量测个数的增加线性增长，尤其适应于密集杂波环境下的多目标跟踪，克服了JPDA方法的局限性，因此具有较强的工程应用价值和推广前景。

Description

结合幅值信息的PHD滤波多目标跟踪方法

技术领域

本发明涉及一种雷达数据处理方法，特别是涉及一种多目标跟踪滤波方法，适应于密集杂波环境下雷达对多目标的跟踪。

背景技术

随着现代科技的迅猛发展，空间技术的日新月异，目标监控范围已经发展到陆、海、空、天、电磁五维空间，同时目标所处的电磁环境日益复杂，目标监控的种类和数量也不断增多，给雷达的探测跟踪性能带来了严峻的挑战。由于噪声、杂波以及数据关联和检测等的不确定性，对多目标进行跟踪需要从个数时变的量测中估计出目标个数不确定的各目标状态，这就要求算法能够同时对目标个数和状态进行估计，因此密集杂波环境下的多目标跟踪已成为目标跟踪领域的难点问题之一。如何综合各种量测信息，实现密集杂波环境下雷达对多目标的有效跟踪，对提高雷达的探测跟踪性能具有重要意义。传统的多目标跟踪算法主要有联合概率数据互联(JPDA)和多假设跟踪(MHT)等，其中基于JPDA的多目标跟踪方法由于具有跟踪精度较高的优点，在多目标跟踪领域受到广泛研究。该方法主要通过以下步骤实现：

(1)量测获取；

(2)确认矩阵的拆分；

(3)联合事件概率的计算；

(4)状态估计和协方差的计算。

基于JPDA的多目标跟踪方法具有以下三个缺陷：(1)没有利用目标的幅值信息，造成有用量测信息的丢失；(2)要求目标个数固定，受到实际应用的限制；(3)计算量随量测个数的增加而爆炸增长，从而不能适应密集杂波环境。

发明内容

本发明的目的是提出一种结合幅值信息的PHD滤波多目标跟踪方法，解决基于JPDA的多目标跟踪方法没有充分利用量测信息，要求目标个数固定，以及不适应密集杂波环境等问题。

本发明提出的结合幅值信息的PHD滤波多目标跟踪方法的技术方案包括以下步骤：

步骤1：变量初始化

(1)K为总仿真时间，T表示雷达采样间隔；

(2)γ₀为目标出现初始数，L₀为代表一个目标所需要的粒子数，J_k为k时刻搜索新目标的粒子数，L_k为k时刻粒子总数；

(3)为目标平均信噪比，为虚警概率，τ为虚警概率对应的检测门限；

(4)γ_k(x)为目标出现初始分布，κ_k(z)为杂波分布；

(5)为扩展单目标状态转移矩阵，为扩展过程噪声控制矩阵；

(6)为扩展过程噪声协方差，为扩展量测噪声协方差；

步骤2：令k＝0，进行滤波器初始化

(1)对任意i∈{1,2,…,L₀}，根据目标出现初始分布γ₀(x)生成粒子根据目标平均信噪比确定其中包含目标的位置信息和速度信息 为目标的信噪比信息，符号T表示转置，

(2)对任意i∈{1,2,…,L₀}，令对进行扩维，得到新粒子并赋予该粒子权重得到初始粒子集

步骤3：令k＝k+1，获得k时刻的雷达量测

将雷达接收到的信号进行A/D变换，得到k时刻的雷达扩展量测集送雷达数据处理计算机，其中为k时刻雷达获得的第i个扩展量测，包含目标的位置信息z_k和幅值信息a_k，N_k为k时刻的量测个数；

步骤4：粒子集预测

(1)对任意i∈{1,2,…,L_k-1}，根据k-1时刻粒子状态和扩展单目标状态转移矩阵进行一步预测，得到粒子

并赋予该粒子权重得到粒子集其中为零均值的高斯白噪声，其协方差为

(2)对任意i∈{L_k-1+1,L_k-1+2,…,L_k-1+J_k}，根据目标出现初始分布γ_k(x)采样粒子并根据目标信噪比采样然后令并赋予该粒子权重得到粒子集

(3)将粒子集和粒子集合并得到新的粒子集

步骤5：粒子集更新

(1)对任意i∈{1,2,…,L_k-1+J_k}，根据预测的粒子状态和量测方程h_k(x)获得预测的量测

(2)对任意i∈{1,2,…,L_k-1+J_k}，利用k时刻的扩展量测集计算粒子权重

其中

以及

其中R_k为量测误差协方差；

(2)计算所有粒子的权重和

并取与最接近的整数得到目标个数估计

(3)令对粒子集进行重采样得到新的粒子集步骤6：多目标状态估计

(1)对粒子集进行聚类分析，将其分成个粒子群；

(2)对任意令

得到第j个目标的状态估计，其中表示属于第j个粒子群中的第i个粒子，N_j表示属于该粒子群的粒子个数；

步骤7：重复步骤3～步骤6，直至雷达关机。

和背景技术相比，本发明提出的结合幅值信息的PHD滤波多目标跟踪方法的有益效果说明：

(1)本发明提出的方法有效利用了目标的幅值，解决了JPDA方法没有充分利用量测信息的问题，有效提高了多目标的跟踪性能；(2)本发明提出的方法适应于目标个数时变且未知的情况，解决了JPDA方法要求目标数固定的问题；(3)本发明提出的方法计算量随量测个数的增加线性增长，解决JPDA方法计算量随量测个数的增加爆炸增长的问题，尤其适应于密集杂波环境下的多目标跟踪。

附图说明

附图1是本发明的结合幅值信息的PHD滤波多目标跟踪方法的整体流程图，附图中各符号的含义与发明内容部分相应符号的含义相同；

附图2是未结合幅值信息的PHD滤波方法估计的多目标状态与真实值以及量测值对比，其中图(a)和图(b)分别为x坐标值对比和y坐标值对比；

附图3是本发明实施例中结合幅值信息的PHD滤波多目标跟踪方法估计的多目标状态与真实值以及量测值对比，其中图(a)和图(b)分别为x坐标值对比和y坐标值对比。

具体实施方式

下面结合附图对本发明的结合幅值信息的PHD滤波多目标跟踪方法进行详细描述。

不失一般性，假设在任意时刻，目标都在S＝[-200,200]×[-200,200]的二维观测区域内运动，且目标可以在该区域随机的出现和消失，总仿真时间为K＝50s，采样间隔T＝1s；目标初始出现服从泊松模型，其密度函数γ_k(x)＝0.2N(x|x₀,Q_b)，N(·|x₀,Q_b)表示均值为x₀，协方差为Q_b的高斯分布，其中x₀＝[020-2]^T和Q_b＝diag([105105])，目标平均信噪比雷达位于点(0,-100)，可提供目标的距离R_k、方位角θ_k和幅值信息a_k，距离和方位角的量测噪声标准差分别为2和0.05，量测噪声与过程噪声相互独立，杂波均匀分布在[0,2π]×[0,200]的观测空间内，且平均每帧的噪声点数为μ＝1000，雷达虚警概率对应的检测门限τ＝2.146；代表一个目标所需的粒子数N₀＝800，用于搜索新目标的粒子数J_k＝2000。其步骤如附图1所示。

步骤1：根据以上仿真条件进行变量初始化

(1)总仿真时间K＝50s，采样间隔T＝1s；

(2)目标出现初始数γ₀＝0.2，代表一个目标所需要的粒子数L₀＝800，搜索新目标的粒子数J_k＝2000；

(3)目标平均信噪比虚警概率对应的检测门限τ＝2.146；

(4)目标出现初始分布γ_k(x)和杂波分布κ_k(z)分别为

γ_k(x)＝0.2N(x|x₀,Q_b)

(5)扩展单目标状态转移矩阵和扩展过程噪声控制矩阵分别为

(6)扩展过程噪声协方差以及扩展量测误差协方差分别为

步骤2：按发明内容部分步骤2所述的方法进行滤波器初始化；

步骤3：按发明内容部分步骤3所述的方法获取当前时刻的量测；

步骤4：按发明内容部分步骤4所述的方法进行粒子集预测；

步骤5：按发明内容部分步骤5所述的方法进行粒子集更新；

步骤6：按发明内容部分步骤6所述的方法进行目标状态估计；

步骤7：循环执行发明内容部分步骤3～步骤6，直至雷达关机。

本实施例中，未结合幅值信息的PHD滤波方法几乎不能实现对多目标的跟踪(见附图2)，通过有效结合目标的幅值信息，本发明的方法可以实现对多目标的有效跟踪(见附图3)；此外，本实施例中平均每帧的噪声点数为μ＝1000，雷达虚警概率平均每帧的杂波数λ＝μP_FA＝100，属于密集杂波的情况，同时量测个数时变，目标随机出现和消失，属于目标个数不固定的情况，在此类情况下本发明的方法在各时刻有效估计多目标状态，说明本发明克服了JPDA方法的缺陷。

Claims (1)

1.结合幅值信息的PHD滤波多目标跟踪方法，其特征包括以下步骤：

步骤1：变量初始化

(1)K为总仿真时间，T表示雷达采样间隔；

(2)γ₀为目标出现初始数，L₀为代表一个目标所需要的粒子数，J_k为k时刻搜索新目标的粒子数，L_k为k时刻粒子总数；

(3)为目标平均信噪比，为虚警概率，τ为虚警概率对应的检测门限；

(4)γ_k(x)为目标出现初始分布，κ_k(z)为杂波分布；

(5)为扩展单目标状态转移矩阵，为扩展过程噪声控制矩阵；

(6)为扩展过程噪声协方差，为扩展量测噪声协方差；

步骤2：令k＝0，进行滤波器初始化

(1)对任意i∈{1,2,…,L₀}，根据目标出现初始分布γ₀(x)生成粒子根据目标平均信噪比确定其中包含目标的位置信息和速度信息 为目标的信噪比信息，符号T表示转置，

(2)对任意i∈{1,2,…,L₀}，令对进行扩维，得到新粒子并赋予该粒子权重得到初始粒子集

步骤3：令k＝k+1，获得k时刻的雷达量测

将雷达接收到的信号进行A/D变换，得到k时刻的雷达扩展量测集送雷达数据处理计算机，其中为k时刻雷达获得的第i个扩展量测，包含目标的位置信息z_k和幅值信息a_k，N_k为k时刻的量测个数；

步骤4：粒子集预测

(1)对任意i∈{1,2,…,L_k-1}，根据k-1时刻粒子状态和扩展单目标状态转移矩阵进行一步预测，得到粒子

并赋予该粒子权重得到粒子集其中为零均值的高斯白噪声，其协方差为

(2)对任意i∈{L_k-1+1,L_k-1+2,…,L_k-1+J_k}，根据目标出现初始分布γ_k(x)采样粒子并根据目标信噪比采样然后令并赋予该粒子权重得到粒子集

(3)将粒子集和粒子集合并得到新的粒子集

步骤5：粒子集更新

(1)对任意i∈{1,2,…,L_k-1+J_k}，根据预测的粒子状态和量测方程h_k(x)获得预测的量测

(2)对任意i∈{1,2,…,L_k-1+J_k}，利用k时刻的扩展量测集计算粒子权重

其中

以及

其中R_k为量测误差协方差；

(2)计算所有粒子的权重和

并取与最接近的整数得到目标个数估计

(3)令对粒子集进行重采样得到新的粒子集步骤6：多目标状态估计

(1)对粒子集进行聚类分析，将其分成个粒子群；

(2)对任意令

得到第j个目标的状态估计，其中表示属于第j个粒子群中的第i个粒子，N_j表示属于该粒子群的粒子个数；

步骤7：重复步骤3～步骤6，直至雷达关机。