CN108919254A - 高重频雷达机动弱小多目标检测跟踪的cs-phd方法 - Google Patents

Abstract

本发明公开了一种高重频雷达机动弱小多目标检测跟踪的CS‑PHD方法，属于雷达数据处理领域。基于PHD滤波的多目标检测跟踪方法存在以下两个缺陷：(1)PHD滤波方法在对多目标进行跟踪之前，必须对模糊量测数据进行解模糊处理，无法直接利用模糊的量测数据对多目标进行正确稳定的跟踪；(2)当检测跟踪弱小目标时，雷达的各重频不能保证在每次测量中均能得到目标量测，该方法不能维持稳定的目标跟踪，无法适应于弱小目标检测跟踪的情况。本发明提出的高重频雷达机动弱小多目标检测跟踪的CS‑PHD方法立足于解决此类问题。本发明可以实现高重频雷达距离测量模糊条件下对多个机动弱小目标的有效检测和跟踪，克服了基于一般PHD滤波方法应用的局限性，可有效提高雷达的预警探测能力，因此具有较强的工程应用价值和推广前景。

Description

高重频雷达机动弱小多目标检测跟踪的CS-PHD方法

技术领域

本发明涉及一种雷达数据处理方法，特别是涉及一种雷达距离测量模糊和低检测概率情况下的目标检测跟踪方法，适应于高重频雷达距离测量模糊条件下对多个机动弱小目标的检测和跟踪。

背景技术

为了保证不模糊的测得目标速度，雷达通常采用高/中脉冲重复频率的工作模式(高重频雷达)，在这种工作模式下，雷达测得的目标距离是严重模糊的，即存在所谓的距离测量模糊问题，如何实现高重频雷达距离模糊雷达对多个机动弱小的目标的有效检测和可靠跟踪，对提高雷达预警探测能力具有重要意义，是目前目标跟踪领域研究的热点和难点问题。目前基于概率假设密度(PHD)滤波的多目标检测跟踪方法通过把目标状态和量测建模为随机有限集，可以同时对目标个数和目标状态进行估计，且可以避免多目标数据关联，极大的降低多目标跟踪算法的复杂度，适应于密集杂波环境下目标数目未知的多目标跟踪，在目标跟踪领域得到广泛的关注和研究，该方法主要通过以下步骤实现：

(1)将雷达接收机输出的目标回波信号进行A/D变换，送雷达数据处理计算机；

(2)采用基于中国余数定理的多重频解模糊方法实现距离解模糊；

(3)粒子集初始化；

(4)粒子集预测；

(5)粒子权重更新；

(6)多目标状态估计。

PHD滤波的多目标检测跟踪方法存在以下两个缺陷：(1)PHD滤波方法在对多目标进行跟踪之前，必须对模糊量测数据进行解模糊处理，无法直接利用模糊的量测数据对多目标进行正确稳定的跟踪；(2)当检测跟踪弱小目标时，雷达的各重频不能保证在每次测量中均能得到目标量测，该方法不能维持稳定的目标跟踪，无法适应于弱小目标检测跟踪的情况。

发明内容

本发明的目的是提出一种高重频雷达机动弱小多目标检测跟踪的CS-PHD方法，解决基于PHD滤波的多目标检测跟踪方法无法直接利用模糊量测数据对多目标进行检测跟踪和无法适应于弱小目标检测跟踪的问题。

本发明提出的高重频雷达机动弱小多目标检测跟踪的CS-PHD方法的技术方案包括以下步骤：

步骤1：变量初始化，令k＝0

(1)K为雷达关机时刻，T为雷达的扫描周期，S为雷达监测区域，(x_s,y_s)为雷达的坐标，z_k为k时刻的雷达量测，R_k为雷达量测误差，R_max＝{R_max,1,R_max,2,...,R_max,E}，其中R_max,1,R_max,2,...,R_max,E为雷达各重频对应的最大不模糊距离，其中E为雷达采用重频的个数；

(2)L₀为代表1个目标的粒子数，J_k为搜索新目标的粒子数，N_k为k时刻提取的模糊量测总数，为k时刻估计的目标总数，为k时刻滤波器采用的粒子总数，q_k为目标出现的初始分布，为PIN增量的初始分布，a_x,max和a_y,max分别为目标在x方向和y方向的最大加速度，a_ω,max为最大角加速度，D_space为目标多普勒取值范围，；

(3)n_R、n_B和n_D分别为雷达距离、方位和多普勒单元的个数，R和D分别为雷达距离和多普勒分辨单元的大小，L_R和L_D分别为雷达在距离和多普勒上的损失常数，N＝n_R×n_D为信号的维数，m_R和m_D分别为距离搜索单元和多普勒搜索单元的个数，M＝m_R×m_D为原子的个数，Δu和Δv分别为距离和多普勒搜索单元的大小；

(4)SNR为目标信噪比，P_D为目标检测概率，γ为目标存在与否判决门限，Ψ为过完备原子库矩阵，Φ为观测矩阵，M_g观测信号的维数，Π_m为PIN增量转移矩阵；

(5)函数round(x)表示取小于等于x的最大整数，函数mod(x)表示x的余数，函数ceil(x)表示取大于等于x的最小整数，函数max(x)表示向量x中所有元素的最大值；

步骤2：滤波器初始化，令k＝0，对任意p∈{1,2,…,J_k}

(1)从初始分布qk采样得到目标的位置速度和角速度信息，计算得到目标脉冲间隔数

其中c＝mod(k/E)+1，令得到粒子

(2)从初始分布中采样PIN增量

(3)赋予粒子权重

步骤3：令k＝k+1，获得k时刻的雷达量测

(1)令c＝mod(k/E)+1，使雷达采用第c个重频工作；

(2)将雷达接收到的回波信号进行A/D变换，得到k时刻的雷达量测送雷达数据处理计算机；

步骤4：子量测数据分解

对任意l∈{1,2,...,n_B}，令

将量测z_k分解为n_B个子量测；

步骤5：构造过完备原子库矩阵

(1)对任意m∈{1,2,...,M}和n∈{1,2,...,N}，令

其中

而

(2)令

得到过完备原子库矩阵Ψ；

(3)对任意l∈{1,2,...,n_B}和n∈{1,2,...,N}，令

其中

(4)对任意l∈{1,2,...,n_B}，令得到列向量

步骤6：目标存在与否判决和模糊量测信息提取

(1)令η_target＝0.9×2^SNR/3，γ＝max([1,0.75(1+η_target)])，得到目标存在与否判决门限γ；

(2)令l＝1，q＝0；

(3)令

将投影到过完备原子库Ψ，得到的投影

(4)若则认为当前子量测不存在目标，转(9)；

(5)若则认为当前子量测存在目标，令q＝q+1，对任意g∈{1,2,...,M_g}和m∈{1,2,...,M}，令

其中，函数randn(1)表示根据标准正态分布生成一个随机数；

(6)令

生成观测矩阵Φ；

(7)令A_k＝ΦΨ，利用匹配追踪算法求解使达到最小的解

(8)找到向量中最大元素的序号m，并令

并计算目标的模糊距离量测和多普勒量测

根据子量测的索引号l得到方位量测从而得到完整的模糊目标量测

(9)令l＝l+1，若l≤n_B，转(3)；

(10)令N_k＝q，若N_k＝0，转步骤3，否则令

步骤7：粒子集预测，若L_k-1＝0，转步骤8，否则对任意p∈{1,2,...,L_k-1}

(1)根据k-1时刻的和PIN增量转移矩阵Π_m预测粒子在k时刻的PIN增量

(2)根据粒子以及目标状态转移方程进行采样

得到粒子其中

V_k是零均值白噪声，其噪声协方差为

步骤8：生成搜索新目标的粒子集，对任意p∈{L_k-1+1,L_k-1+2,…,L_k-1+J_k}

(1)从初始分布q_k采样得到目标的位置速度和角速度信息，计算得到目标脉冲间隔数

并令得到粒子

(2)从初始分布中采样PIN增量

(3)赋予粒子权重

步骤9：基于模糊量测的粒子权重更新

(1)对任意p∈{1,2,...,L_k-1+J_k}，计算预测的模糊量测

然后，对任意q∈{1,2,...,N_k}，计算新息

并计算

其中R_k为量测噪声协方差；

(2)对任意q∈{1,2,...,N_k}，计算

(3)对任意p∈{1,2,…,L_k-1+J_k}，计算粒子权重

步骤10：目标状态和PIN估计

(1)计算所有粒子的权重和

(2)令若直接转步骤10；

(3)若令对粒子集进行重采样，得到新的粒子集

(4)采用聚类分析的方法将粒子集划分为个类；

(5)对任意第n个类的中心即为第n个目标的状态估计包含了目标的位置速度转弯率以及估计；

步骤11：重复步骤3～步骤10，直至雷达关机。

本发明提出的高重频雷达机动弱小多目标检测跟踪的CS-PHD方法，可以解决基于PHD滤波的多目标检测跟踪方法无法直接利用模糊量测数据对多目标进行检测跟踪和无法适应于弱小目标检测跟踪的问题，提高了基于PHD滤波的多目标检测跟踪方法的适应范围。

附图说明

附图1是本发明提出的高重频雷达机动弱小多目标检测跟踪的CS-PHD方法的整体流程图；

附图2是本发明实施例中仿真场景3个目标的真实航迹；

附图3是本发明实施例中CS-PHD方法检测跟踪弱小目标的效果展示，附图中星号“*”表示目标的真实位置，圆圈“o”表示估计的目标状态；

附图4是本发明实施例中CS-PHD方法估计的目标数和真实目标数对比，附图中星号“*”表示真实目标数，圆圈“o”表示估计的目标数。

具体实施方式

下面结合附图对本发明提出的高重频雷达机动弱小多目标检测跟踪的CS-PHD方法进行详细描述。

不失一般性，设置一个二维的仿真场景，雷达监测区域为S＝[10km,120km]×[0,π/2]，雷达关机时刻K＝50s，雷达的扫描周期T＝1s，雷达坐标(x_s,y_s)＝(0km,-10km)，距离、方位角和多普勒量测误差标准差分别为0.2km、0.0087rad和0.04km/s，雷达采用重频数E＝3，各重频对应的最大不模糊距离采用的最大不模糊距离分别为R_max,1＝4.8km，R_max,2＝3.75km和R_max,3＝3km，多普勒最大值D_min＝-0.35km/s雷达距离单元个数n_R＝50，方位单元个数n_B＝90，多普勒单元数n_D＝15，雷达距离上的损失常数L_R＝1，多普勒上的损失常数L_D＝8.64；代表1个目标的粒子数L₀＝3000，搜索新目标的粒子数J_k＝4000；目标可随机出现和消失，目标多普勒取值范围为D_space＝[-0.35km/s,-0.1km/s]，目标信噪比SNR＝3dB，目标检测概率P_D＝0.85，目标出现的初始分布q_k服从均值为x₀和协方差为Q_b的正态分布，其中

PIN增量的初始分布其中目标在x方向和y方向的最大加速度a_x,max＝a_y,max＝0.01km，最大角加速度a_ω,max＝0.35rad/s；距离搜索单元和多普勒搜索单元的个数分别为m_R＝100和m_D＝50，观测信号的维数M_g＝150，PIN增量转移矩阵

其步骤如附图1所示。

(1)根据以上仿真条件进行变量初始化

由以上仿真条件可知，R_max＝{4.8km,3.75km,3km}，信号的维数N＝n_R×n_D＝750，雷达距离分辨单元的大小R＝max(R_max)/n_R＝0.096km，多普勒分辨单元的大小D＝[-0.1-(-0.35)]/n_D＝0.03km/s，原子的个数M＝m_R×m_D＝1500，距离搜索单元的大小Δu＝max(R_max)/m_R＝0.048km，多普勒搜索单元的大小Δv＝[-0.1-(-0.35)]/m_D＝0.015km/s，过程噪声控制矩阵、过程噪声协方差和量测误差协方差分别为

(2)按发明内容部分步骤2所述的方法进行滤波器初始化；

(3)按发明内容部分步骤3所述的方法获得雷达量测；

(4)按发明内容部分步骤4所述的方法进行子量测数据分解；

(5)按发明内容部分步骤5所述的方法构造过完备原子库矩阵；

(6)按发明内容部分步骤6所述的方法进行目标存在与否判决和模糊量测信息提取；

(7)按发明内容部分步骤7所述的方法进行粒子集预测；

(8)按发明内容部分步骤8所述的方法进生成搜索新目标的粒子集；

(9)按发明内容部分步骤9所述的方法进行基于模糊量测的粒子权重更新

(10)按发明内容部分步骤10所述的方法进行目标状态和PIN估计；

(11)循环执行发明内容部分步骤3～步骤10，直至雷达关机。

实施例条件中，目标信噪比观SNR＝3 dB，属于弱小目标，同时雷达存在距离测量模糊，测量值不能反映目标的真实情况，本发明提出的高重频雷达机动弱小多目标检测跟踪的CS-PHD方法仍能实现对目标的有效检测和跟踪，只有少数时刻出现了目标丢失(见附图3和附图4)，实现了高重频雷达对多个机动弱小目标的有效检测和跟踪，因此本发明方法克服了一般的PHD滤波方法的局限性。

Claims (1)

1.高重频雷达机动弱小多目标检测跟踪的CS-PHD方法，其特征包括以下步骤：

步骤1：变量初始化，令k＝0

(1)K为雷达关机时刻，T为雷达的扫描周期，S为雷达监测区域，(x_s,y_s)为雷达的坐标，z_k为k时刻的雷达量测，R_k为雷达量测误差，R_max＝{R_max,1,R_max,2,...,R_max,E}，其中R_max,1,R_max,2,...,R_max,E为雷达各重频对应的最大不模糊距离，其中E为雷达采用重频的个数；

(2)L₀为代表1个目标的粒子数，J_k为搜索新目标的粒子数，N_k为k时刻提取的模糊量测总数，为k时刻估计的目标总数，为k时刻滤波器采用的粒子总数，qk为目标出现的初始分布，为PIN增量的初始分布，a_x,max和a_y,max分别为目标在x方向和y方向的最大加速度，a_ω,max为最大角加速度，D_space为目标多普勒取值范围，；

(3)n_R、n_B和n_D分别为雷达距离、方位和多普勒单元的个数，R和D分别为雷达距离和多普勒分辨单元的大小，L_R和L_D分别为雷达在距离和多普勒上的损失常数，N＝n_R×n_D为信号的维数，m_R和m_D分别为距离搜索单元和多普勒搜索单元的个数，M＝m_R×m_D为原子的个数，Δu和Δv分别为距离和多普勒搜索单元的大小；

(4)SNR为目标信噪比，P_D为目标检测概率，γ为目标存在与否判决门限，Ψ为过完备原子库矩阵，Φ为观测矩阵，M_g观测信号的维数，Π_m为PIN增量转移矩阵；

(5)函数round(x)表示取小于等于x的最大整数，函数mod(x)表示x的余数，函数ceil(x)表示取大于等于x的最小整数，函数max(x)表示向量x中所有元素的最大值；

步骤2：滤波器初始化，令k＝0，对任意p∈{1,2,…,J_k}

(1)从初始分布qk采样得到目标的位置速度和角速度信息，计算得到目标脉冲间隔数

其中c＝mod(k/E)+1，令得到粒子

(2)从初始分布中采样PIN增量

(3)赋予粒子权重

步骤3：令k＝k+1，获得k时刻的雷达量测

(1)令c＝mod(k/E)+1，使雷达采用第c个重频工作；

(2)将雷达接收到的回波信号进行A/D变换，得到k时刻的雷达量测 送雷达数据处理计算机；

步骤4：子量测数据分解

对任意l∈{1,2,...,n_B}，令

将量测z_k分解为n_B个子量测；

步骤5：构造过完备原子库矩阵

(1)对任意m∈{1,2,...,M}和n∈{1,2,...,N}，令

其中

而

(2)令

得到过完备原子库矩阵Ψ；

(3)对任意l∈{1,2,...,n_B}和n∈{1,2,...,N}，令

其中

(4)对任意l∈{1,2,...,n_B}，令得到列向量

步骤6：目标存在与否判决和模糊量测信息提取

(1)令η_target＝0.9×2^SNR/3，γ＝max([1,0.75(1+η_target)])，得到目标存在与否判决门限γ；

(2)令l＝1，q＝0；

(3)令

将投影到过完备原子库Ψ，得到的投影

(4)若则认为当前子量测不存在目标，转(9)；

(5)若则认为当前子量测存在目标，令q＝q+1，对任意g∈{1,2,...,M_g}和m∈{1,2,...,M}，令

其中，函数randn(1)表示根据标准正态分布生成一个随机数；

(6)令

生成观测矩阵Φ；

(7)令A_k＝ΦΨ，利用匹配追踪算法求解使达到最小的解

(8)找到向量中最大元素的序号m，并令

并计算目标的模糊距离量测和多普勒量测

根据子量测的索引号l得到方位量测从而得到完整的模糊目标量测

(9)令l＝l+1，若l≤n_B，转(3)；

(10)令N_k＝q，若N_k＝0，转步骤3，否则令

步骤7：粒子集预测，若L_k-1＝0，转步骤8，否则对任意p∈{1,2,...,L_k-1}

(1)根据k-1时刻的和PIN增量转移矩阵Π_m预测粒子在k时刻的PIN增量

(2)根据粒子以及目标状态转移方程进行采样

得到粒子其中

V_k是零均值白噪声，其噪声协方差为

步骤8：生成搜索新目标的粒子集，对任意p∈{L_k-1+1,L_k-1+2,…,L_k-1+J_k}

(1)从初始分布q_k采样得到目标的位置速度和角速度信息，计算得到目标脉冲间隔数

并令得到粒子

(2)从初始分布中采样PIN增量

(3)赋予粒子权重

步骤9：基于模糊量测的粒子权重更新

(1)对任意p∈{1,2,...,L_k-1+J_k}，计算预测的模糊量测

然后，对任意q∈{1,2,...,N_k}，计算新息

并计算

其中R_k为量测噪声协方差；

(2)对任意q∈{1,2,...,N_k}，计算

(3)对任意p∈{1,2,…,L_k-1+J_k}，计算粒子权重

步骤10：目标状态和PIN估计

(1)计算所有粒子的权重和

(2)令若直接转步骤10；

(3)若令对粒子集进行重采样，得到新的粒子集

(4)采用聚类分析的方法将粒子集划分为个类；

(5)对任意第n个类的中心即为第n个目标的状态估计包含了目标的位置速度转弯率以及估计；

步骤11：重复步骤3～步骤10，直至雷达关机。