CN108303684B - 基于径向速度信息的地基监视雷达多目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于径向速度信息的地基监视雷达多目标跟踪方法，包括如下步骤：步骤S1，利用径向速度计算航迹拟合度；步骤S2，利用径向速度拟合度和位置信息生成假设：步骤S3：利用径向速度拟合度修改前k个最优假设的航迹得分，得到前k个最优假设中每个假设的假设概率p_j；步骤S4：前k个最优假设建立假设树，并以选择假设概率p_j所在的根节点为原则，利用N剪枝算法对假设树进行剪枝，留下待确认最优假设；步骤S5：根据预设的确认阈值T₁和删除阈值T₂，将步骤S4中待确认最优假设的航迹得分与确认阀值T₁和删除阈值T₂进行比较，以确认航迹或删除航迹。本发明实现了在强杂波高虚警环境下对虚假轨迹和虚警的抑制，大幅提高了雷达多目标跟踪效果。

Description

基于径向速度信息的地基监视雷达多目标跟踪方法

技术领域

本发明属于新体制雷达跟踪技术领域，特别是涉及一种基于径向速度信息的地基监视雷达多目标跟踪方法，能显著提高地基监视雷达在强杂波环境下的虚警抑制和多目标跟踪效果。

背景技术

雷达是通过电磁波对目标进行探测的设备，雷达多目标跟踪技术是通过接收机接受到的电磁波回波，解算出目标方位角、俯仰角、径向距离等信息，并通过这些信息对目标进行数据关联与滤波估计等关键处理，以获得目标准确信息状态的过程。通过这些目标信息，指战人员可以很好地估计战场态势。相比于人员巡逻、摄像头布防等区域监视方法，地基监视雷达具有检测区域广、地形适应度好、维护成本低等优点。

雷达系统只能获得目标状态的离散值，并且由于系统热噪声和杂波影响，雷达必须对这些目标状态信息进行数据关联和滤波估计处理，其中数据关联是目标跟踪的关键。数据关联一般有全局最近邻关联(GNN)、联合概率数据关联(JPDA)、多假设跟踪(MHT)、多维分配(MDA)等方法。数据关联运用例如：中国专利号201510015901.2公开的一种单频网雷达多目标跟踪方法，其方法包括量测互联和序列跟踪两个模块，量测互联中：首先选取一定数量的量测与收发对关联构造低维度关联假设，然后对所有关联假设进行快速判决以尽可能排除错误的关联假设，整理上一步中所接受的关联假设，最后基于整理后的数据构造单频网情况下的全局关联0-1整数规划模型，求解得量测互联后的二次量测。然而在众多的数据关联方法中，多假设跟踪方法利用一种延时决策逻辑，很好地解决了传统数据关联算法中的关联模糊问题。在地面监视应用场景中，由于地形的复杂性，雷达回波中往往夹杂着强杂波，从而导致回波中虚警过多，故一般数据关联方法难以输出很好的结果。综合考虑实际场景中可能出现的问题，选用多假设跟踪技术为地基监视雷达多目标跟踪方法，可以很好地适应地形杂波等问题。现有的多假设跟踪算法利用每帧回波获得的目标和虚警的位置信息进行关联滤波处理形成航迹，但当杂波引起的虚警过多时，往往会造成算法生成低质量假设过多，导致系统实时性变差，严重地甚至会引起关联错误和滤波发散。

发明内容

本发明的目的就在于克服现有技术的不足，提供了一种基于径向速度信息的地基监视雷达多目标跟踪方法，本发明实现了在强杂波高虚警环境下对虚假轨迹和虚警的抑制，大幅提高了雷达多目标跟踪效果。

为了实现上述目的，本发明提供了一种基于径向速度信息的地基监视雷达多目标跟踪方法，包括如下步骤：

步骤S1，利用径向速度计算航迹拟合度：

假设第k次扫描所获得的量测数据集为Z(k)：

表示雷达在第k次扫描时获得的第i个量测，m_k为第k次扫描中获得量测总数，N表示扫描总次数，i＝0表示漏检，其中每个量测的径向速度用

表示；

假设第k-1次扫描时已存在某一航迹为：

其中x是第k-1次扫描时每个航迹的估计结果，j代表第j个假设，m表示第j个假设中第m条航迹，

为第j个假设中第m条航迹的估计结果，M为第j个假设的航迹数量；

对于航迹

假设其在第k次扫描时的预测结果为x_k|k-1，

x_k|k-1是一个四维向量，存有目标的位置信息和速度信息，其中x、y为目标的位置信息，

为目标的速度信息，因此目标速度在雷达坐标系上的分量为：

对于量测i与假设j，其径向速度拟合度ξ_mj为：

步骤S2，利用径向速度拟合度和位置信息生成假设：

在数据关联阶段，通过目标的预测值并结合马氏距离公式得出二维分配问题的关联矩阵：

其中γ_G是根据χ²分布确定的统计门限，χ²为自由度为d的卡方分布，γ_G是自由度d＝2时查阅卡方分布表获得的值；S_k|k-1是预测值误差的协方差矩阵，H为观测矩阵，

为目标第k次扫描时的状态预测，CostMatrix是一个01矩阵；

假设径向速度拟合度门限为θ，θ≤0.4；当ξ_mj＞θ时，CostMatrix中对应目标的位置置0；将CostMatrix中ξ_mj≤θ的各目标利用最优分配算法得到前k个最优假设；

步骤S2中，将CostMatrix中ξ_mj≤θ的各目标利用最优分配算法得到前k个最优假设的具体步骤如下：

假设一个目标最多关联一个量测，并且一个量测仅能分配给一个目标，当前时刻共有M个目标和J个量测，则此时CostMatrix是一个J行M列矩阵，矩阵中每个值代表对应行列的量测与目标的马氏距离；利用这个矩阵，得到量测分配目标的所有组合；当矩阵中某位置值为0时，则代表该行列上的量测与目标不能关联，在这个约束条件下，剔除相应组合，最后得到前k个总距离最小的组合，即为前k个最优假设。

步骤S3：根据步骤S2得到的前k个最优假设，利用径向速度拟合度修改前k个最优假设的航迹得分，航迹得分ΔLPR_k为：

ΔLPR_k＝ΔLPR_k-1+(θ-ξ_mj)C，

其中C为固定常数，且C＜3，其中ΔLPR₀＝0；

前k个最优假设中每个假设的假设概率p_j等于其假设内所有航迹得分之和，其公式为：

步骤S4：前k个最优假设建立假设树，并以选择假设概率p_j所在的根节点为原则，利用N剪枝算法对假设树进行剪枝，留下待确认最优假设；

步骤S4具体为：前k个最优假设中以上一时刻假设为根假设，且根假设产生k个子假设来建立假设树，当假设深度为N时，从中选出假设概率p_j所在的根节点，以删去同一级其他的根节点，以维持假设树分支的深度不变，以对假设树进行剪枝，留下待确认最优假设。

步骤S5：根据预设的确认阈值T₁和删除阈值T₂，

其中α为确认概率，β为删除概率，且0＜α＜1，0＜β＜1；

将步骤S4中待确认最优假设的航迹得分与确认阀值T₁和删除阈值T₂进行比较，当ΔLPR_k＞T₁时，对应待确认最优假设输出的航迹即为最优航迹，输出给用户；当ΔLPR_k＜T₂时，对应待确认最优假设输出的航迹为无效航迹，并删除该航迹。

与现有技术相比，本发明的有益效果：本发明实现了在强杂波高虚警环境下对虚假轨迹和虚警的抑制，大幅提高了雷达多目标跟踪效果，解决了现有杂波引起的虚警过多而造成生成的低质量假设过多，导致系统实时性变差，严重地甚至会引起关联错误和滤波发散等问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明多目标跟踪方法的流程图。

图2为本发明假设树的实施例图。

图3a为仿真目标轨迹图。

图3b为仿真警戒区域观测的目标轨迹图。

图4a为现有未加入径向速度信息的多假设算法跟踪得到的目标轨迹图。

图4b为本发明多目标跟踪方法得到的目标轨迹图。

具体实施方式

下面结合附图对发明进一步说明，但不用来限制本发明的范围。

实施例

如图1所示，本发明提供的一种基于径向速度信息的地基监视雷达多目标跟踪方法，包括如下步骤：

步骤S1，利用径向速度计算航迹拟合度：

假设第k次扫描所获得的量测数据集为Z(k)：

表示雷达在第k次扫描时获得的第i个量测，m_k为第k次扫描中获得量测总数，N表示扫描总次数，i＝0表示漏检，其中每个量测的径向速度用

表示；

假设第k-1次扫描时已存在某一航迹为：

其中x是第k-1次扫描时每个航迹的估计结果，j代表第j个假设，m表示第j个假设中第m条航迹，

为第j个假设中第m条航迹的估计结果，M为第j个假设的航迹数量；

对于航迹

假设其在第k次扫描时的预测结果为x_k|k-1，

x_k|k-1是一个四维向量，存有目标的位置信息和速度信息，其中x、y为目标的位置信息，

为目标的速度信息，因此目标速度在雷达坐标系上的分量为：

对于量测i与假设j，其径向速度拟合度ξ_mj为：

步骤S2，利用径向速度拟合度和位置信息生成假设：

在数据关联阶段，通过目标的预测值并结合马氏距离公式得出二维分配问题的关联矩阵：

其中γ_G是根据χ²分布确定的统计门限，χ²为自由度为d的卡方分布，γ_G是自由度d＝2时查阅卡方分布表获得的值；S_k|k-1是预测值误差的协方差矩阵，H为观测矩阵，

为目标第k次扫描时的状态预测，CostMatrix是一个01矩阵；

假设径向速度拟合度门限为θ，θ≤0.4，其中本实施例中θ＝0.4；当ξ_mj＞θ时，CostMatrix中对应目标的位置置0；将CostMatrix中ξ_mj≤θ的各目标利用最优分配算法得到前k个最优假设；

步骤S2中，将CostMatrix中ξ_mj≤θ的各目标利用最优分配算法得到前k个最优假设的具体步骤如下：

假设一个目标最多关联一个量测，并且一个量测仅能分配给一个目标，当前时刻共有M个目标和J个量测，则此时CostMatrix是一个J行M列矩阵，矩阵中每个值代表对应行列的量测与目标的马氏距离；利用这个矩阵，得到量测分配目标的所有组合；当矩阵中某位置值为0时，则代表该行列上的量测与目标不能关联，在这个约束条件下，剔除相应组合，最后得到前k个总距离最小的组合，即为前k个最优假设；

步骤S3：根据步骤S2得到的前k个最优假设，利用径向速度拟合度修改前k个最优假设的航迹得分，航迹得分ΔLPR_k为：

ΔLPR_k＝ΔLPR_k-1+(θ-ξ_mj)C，

其中C为固定常数，且C＜3，其中ΔLPR₀＝0；

前k个最优假设中每个假设的假设概率p_j等于其假设内所有航迹得分之和，其公式为：

步骤S4：前k个最优假设建立假设树，并以选择假设概率p_j所在的根节点为原则，利用N剪枝算法对假设树进行剪枝，留下待确认最优假设；

步骤S4具体为：前k个最优假设中以上一时刻假设为根假设，且根假设产生k个子假设来建立假设树，当假设深度为N时，从中选出假设概率p_j所在的根节点，以删去同一级其他的根节点，以维持假设树分支的深度不变，以对假设树进行剪枝，留下待确认最优假设。以具体实施例说明：如2图所示，假设a时刻有1个假设，则在a+1时刻，产生k个假设，即k＝3；当a+2时刻的量测输入时，每个a+1时刻产生的假设又可产生k个假设。假定深度为N＝2，若在a+2时刻H₅的假设概率最大，则删除a+1时刻中与H₅不相关联的k-1个假设，即H₃和H₄，同时删除a+2时刻中与这k-1个假设关联的其他假设，即删除与H₃相关联的H₈、H₉和H₁₀，以及与H₄相关联的H₁₁、H₁₂和H₁₃，且维持假设树分支的深度不变；

步骤S5：根据预设的确认阈值T₁和删除阈值T₂，

其中α为确认概率，β为删除概率，且0＜α＜1，0＜β＜1；其中本实施例中α＝1×10^-6，β＝1×10^-3；

将步骤S4中待确认最优假设的航迹得分与确认阀值T₁和删除阈值T₂进行比较，当ΔLPR_k＞T₁时，对应待确认最优假设输出的航迹即为最优航迹，输出给用户；当ΔLPR_k＜T₂时，对应待确认最优假设输出的航迹为无效航迹，并删除该航迹。

如图3a所示为仿真目标轨迹图，5个目标从x轴开始向y轴做匀速直线运动，其中相邻目标之间间隔1000m。如图3b所示为仿真警戒区域观测的目标轨迹图，由图可知由于虚警的存在，导致5个目标的真实轨迹已经被虚警淹没。如图4a所示为现有未加入径向速度信息的多假设算法跟踪得到的目标轨迹图，由图可知除5个目标轨迹外还存在很多虚假轨迹，且目标轨迹因虚警影响而断开。如图4b所示为本发明加入径向速度信息的多假设算法跟踪得到的目标轨迹图，由图可知5个目标轨迹都被准确地跟踪出来并且轨迹没有断开，虚警轨迹得到了有效抑制。因此本发明每帧数据经步骤S1-S5后有效地将目标轨迹跟踪出来，且虚警有效得到抑制，且本发明实现了在强杂波高虚警环境下对虚假轨迹和虚警的抑制，大幅提高了雷达多目标跟踪效果，解决了现有杂波引起的虚警过多而造成生成的低质量假设过多，导致系统实时性变差，严重地甚至会引起关联错误和滤波发散等问题。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (1)

1.一种基于径向速度信息的地基监视雷达多目标跟踪方法，其特征在于：包括如下步骤：

步骤S1，利用径向速度计算航迹拟合度：

假设第k次扫描所获得的量测数据集为Z(k)：

表示雷达在第k次扫描时获得的第i个量测，m_k为第k次扫描中获得量测总数，N表示扫描总次数，i＝0表示漏检，其中每个量测的径向速度用

表示；

假设第k-1次扫描时已存在某一航迹为：

其中x是第k-1次扫描时每个航迹的估计结果，j代表第j个假设，m表示第j个假设中第m条航迹，

为第j个假设中第m条航迹的估计结果，M为第j个假设的航迹数量；

对于航迹

假设其在第k次扫描时的预测结果为x_k|k-1，

x_k|k-1是一个四维向量，存有目标的位置信息和速度信息，其中x、y为目标的位置信息，

为目标的速度信息，因此目标速度在雷达坐标系上的分量为：

对于量测i与假设j，其径向速度拟合度ξ_mj为：

步骤S2，利用径向速度拟合度和位置信息生成假设：

在数据关联阶段，通过目标的预测值并结合马氏距离公式得出二维分配问题的关联矩阵：

其中γ_G是根据χ²分布确定的统计门限，χ²为自由度为d的卡方分布，γ_G是自由度d＝2时查阅卡方分布表获得的值；S_k|k-1是预测值误差的协方差矩阵，H为观测矩阵，

为目标第k次扫描时的状态预测，CostMatrix是一个01矩阵；

假设径向速度拟合度门限为θ，θ≤0.4；当ξ_mj＞θ时，CostMatrix中对应目标的位置置0；将CostMatrix中ξ_mj≤θ的各目标利用最优分配算法得到前k个最优假设；

步骤S2中，将CostMatrix中ξ_mj≤θ的各目标利用最优分配算法得到前k个最优假设的具体步骤如下：

假设一个目标最多关联一个量测，并且一个量测仅能分配给一个目标，当前时刻共有M个目标和J个量测，则此时CostMatrix是一个J行M列矩阵，矩阵中每个值代表对应行列的量测与目标的马氏距离；利用这个矩阵，得到量测分配目标的所有组合；当矩阵中某位置值为0时，则代表该行列上的量测与目标不能关联，在这个约束条件下，剔除相应组合，最后得到前k个总距离最小的组合，即为前k个最优假设；

步骤S3：根据步骤S2得到的前k个最优假设，利用径向速度拟合度修改前k个最优假设的航迹得分，航迹得分ΔLPR_k为：

ΔLPR_k＝ΔLPR_k-1+(θ-ξ_mj)C，

其中C为固定常数，且C＜3，其中ΔLPR₀＝0；

前k个最优假设中每个假设的假设概率p_j等于其假设内所有航迹得分之和，其公式为：

步骤S4：前k个最优假设建立假设树，并以选择假设概率p_j所在的根节点为原则，利用N剪枝算法对假设树进行剪枝，留下待确认最优假设；

步骤S4具体为：前k个最优假设中以上一时刻假设为根假设，且根假设产生k个子假设来建立假设树，当假设深度为N时，从中选出假设概率p_j所在的根节点，以删去同一级其他的根节点，以维持假设树分支的深度不变，以对假设树进行剪枝，留下待确认最优假设；

步骤S5：根据预设的确认阈值T₁和删除阈值T₂，

其中α为确认概率，β为删除概率，且0＜α＜1，0＜β＜1；

将步骤S4中待确认最优假设的航迹得分与确认阀值T₁和删除阈值T₂进行比较，当ΔLPR_k＞T₁时，对应待确认最优假设输出的航迹即为最优航迹，输出给用户；当ΔLPR_k＜T₂时，对应待确认最优假设输出的航迹为无效航迹，并删除该航迹。

Images