CN109188443B - 一种基于交互多模型的被动目标跟踪方法 - Google Patents

Abstract

发明公开了一种基于交互多模型的被动目标跟踪方法，所属技术领域为被动声纳信号处理被动目标跟踪领域。由于虚警和多目标交叉导致跟踪时容易出现跟踪丢失和误跟问题，基于目标运动模型的跟踪方法涉及非线性方程的线性化求解，难度较大。本算法采用交互多模型方法实现跟踪时的数据关联，各模型不涉及非线性化过程，利用预测方法解决量测丢失问题，从而达到跟踪时航迹维持的目的。本算法可用于单阵纯方位的被动目标跟踪，不受扫描波束和检测方法约束，并可进行实时跟踪，具有较为广泛的适应性。

Description

一种基于交互多模型的被动目标跟踪方法

技术领域

本发明属于被动声纳信号处理目标跟踪技术领域，主要是一种基于交互多模型的被动目标跟踪方法。

背景技术

检测、跟踪、识别、定位是声纳信号处理中有机而统一的关键部分。跟踪通常在检测后进行，是识别和定位的前提。在整个声呐体系中具有举足轻重的地位。随着水下目标隐身技术和水声对抗技术的发展，特别是“安静型”潜艇以及水下无人潜航器的出现，对大型港口、码头、深海军事平台基地等造成了严重的威胁，对被动声呐系统的综合性能提出了更高要求。其次，随着信号处理技术以及声呐装备的发展，被动声呐的探测距离明显提高，可探测的目标数急剧增加，在有限的搜索波束方位内，多目标轨迹交叉现象较为严重，传统跟踪方法容易出现误跟和丢失问题，需要进行人工干预，这无疑给声呐兵增加了工作负担，降低了系统效率。同时也不利于声呐系统的自动化集成，影响了编队协同作战效能的发挥。为了满足日趋复杂的水下多目标跟踪要求，被动声呐目标跟踪需要研究新理论、新方法和新技术。在被动声纳目标跟踪技术中，由于非线性和可观测性差等问题，导致了目标跟踪的困难。传统跟踪方法在强信噪比、单目标情形下能取得较好的效果，但在多目标方位出现交叉时或信噪比较低时，误跟问题较为严重。

当前研究广泛的以卡尔曼滤波为代表的被动跟踪方法中状态方程通常以目标运动模型为基础，由于系统非线性以及观测量信息少等问题使得建立的运动模型与真实目标轨迹匹配较为困难，从而造成滤波发散。有不少学者从方位和方位变化率出发建立状态方程，但在数据关联时误跟问题较为严重且对交叉问题不敏感，从而无法有效处理多目标交叉问题。通过分析人工跟踪方法发现，声呐员利用了目标方位在时间历程上的特点，从而实现航迹提取的目的。即目标在方位历程上的轨迹具有一定的输出信噪比，同一目标的方位波束能量具有时间稳定性，目标轨迹在方位历程上的变化率较小，典型的远场目标其方位历程上的轨迹近似线性。

发明内容

本发明的目的在于克服现有技术存在的不足，而提供一种基于交互多模型的被动目标跟踪方法，将时间信息和能量信息引入到状态方程中，采用交互多模型跟踪方法对纯方位的被动目标进行跟踪估计和滤波，方法简单易行，计算量较小，适用于不同阵型、不同检测方法下的目标跟踪。跟踪过程可实时进行计算，同时能有效应对目标交叉时的航迹维持。算法避免了传统被动跟踪方法中非线性方程的线性化求解问题，参数的调整较为灵活，具有较为宽泛的适应性。

本发明的目的是通过如下技术方案来完成的。这种基于交互多模型的被动目标跟踪方法，在方位和方位变化率的基础上，将时间信息和能量信息引入到状态方程中，采用交互多模型跟踪方法对纯方位的被动目标进行跟踪估计和滤波；首先利用逻辑法判断航迹起始，利用交互多模型进行在线滤波，对关联门内候选量测进行筛选，形成多个假设，并保留航迹质量最高的那条假设，若关联门内没有满足条件的候选量测，则进行一步预测，当预测步数达到某一上限时，则停止预测并终结航迹；若在数据关联过程中，航迹质量低于某一值，则终结航迹。

交互多模型中模型个数为两个，其中模型一状态量为

S₁＝(t t' θ θ' e e')

模型二状态量为

S₂＝(t t' t” θ θ' θ” e e')

其中模型一主要针对近似线性的远场目标，模型二主要针对轨迹缓慢变化的近场目标或方位快速变化的目标；式中，t代表时间，t'代表时间变化率，即时间一阶导数，t”代表时间变化率的变化率，即时间二阶导数，θ代表方位/波束，θ'代表方位/波束变化率，即方位/波束的一阶导数，θ”代表方位/波束变化率的变化率，即方位/波束二阶导数，e代表能量，e'代表能量变化率；观测量为时间、方位/波束和能量，即

X＝(t θ e)

交互多模型跟踪算法中包含多个滤波器用来表征目标可能的运动形式，本文基于方位历程上目标方位随时间变化的特点，提出一种新的被动目标跟踪多模型表示方法，这里模型集中包含两个模型，不妨记两个模型分别表示为：

其中状态转移矩阵分别为：

观测输出矩阵：

采用评价函数代替似然函数，其中评价函数可表示为：

式中，A为影响因子矩阵，是一个对角阵，其对角线上的元素代表了各个因子所占的比重，这里根据K-best剪枝法对假设进行剪枝，即随假设数量的增加，每次只取前K个置信度较高的假设作为真实目标跟踪结果的备选，当置信度低于某一阈值时，对该航迹进行终结并等待是否可以和后续航迹进行关联，当出现量测值竞争时，则将该量测值优先给予置信度较高的量测序列，并对置信度较低的航迹进行终结处理。

本发明的有益效果为：本发明适用于不同平台、不同阵型、不同检测方法下的多目标被动跟踪，具有非常广泛的适用性和稳健性。本发明提出了一种基于交互多模型的被动目标跟踪方法。在方位和方位变化率的基础上，将时间信息和能量信息引入到状态方程中，通过多个模型实现目标方位轨迹的跟踪，同时又有效避免了非线性和弱可观测性问题，利用多假设方法和多步预测方法解决数据关联问题和多目标交叉问题。相比传统纯方位跟踪方法，本智力成果具有较好的稳健性和跟踪能力。

附图说明

图1是算法处理流程图，在“具体实现方法”中详细描述了整个处理过程。

图2是仿真方位历程图。横坐标为方位，单位是度(°)，纵坐标是时间，单位是秒(s)，空间谱估计采用常规波束形成，阵元数64，阵元间距2m，声速1500m/s，处理带宽175Hz-375Hz。目标A初始位置(5000m，1000m)，航向(-40m/s，20m/s)，信噪比4dB，目标B远场目标，方位变化近似线性，信噪比0dB，目标C始位置(-3000m，4000m)，航向(20m/s，-10m/s)，信噪比1dB。

图3是B目标跟踪后的跟踪轨迹。图中红色点代表检测结果，可以看出在目标输出信噪比较低的情况下，检测门限设置较低时虚警较高。

图4是B目标在跟踪过程中的概率变化情况，其中红色虚线框内的概率为1，此部分由预测引起，从图中可以看出红色虚线框概率为1部分的时刻和方位历程中目标交叉的时刻是对应的。

图5是B目标跟踪过程中的概率变化情况，和图4情况类似，红色虚线框内的概率为1，此时由预测机制引起，而此部分即目标交叉过程。

图6是C目标跟踪结果。图中红色点代表检测结果，在检测门限设置较低时虚警较高。

图7是目标C跟踪过程中的局部概率变化情况。图中红色虚线框内概率为1的部分表示预测结果。此时间段内出现了交叉，启用了预测机制。

图8是目标A跟踪结果。红色点代表量测值，即检测结果。

图9是目标A跟踪过程中的概率变换情况。从概率变化曲线中可知，由于A目标信噪比较高，在目标交叉时量测值未丢失，因此跟踪过程中不需要进行预测，其概率曲线和A、B目标不同。

具体实施方式

下面将结合附图对本发明做详细的介绍：

(1)对当前空间能量谱的目标检测结果和已有航迹进行数据关联。假设Z(k)表示k时刻落入关联门内的候选检测结果集合，

m_k表示k时刻关联门内的候选量测数。Z^k表示为直到k时刻的所有量测的累积集合，即

在通过关联门内不断对目标候选量测进行假设关联的情况下，可给出从开始直到k时刻的第l个量测序列为

(2)计算当前时刻如k的多个假设的似然概率，保留航迹质量最高的那条假设。如果航迹质量最高的那条假设小于某一阈值，那么启用预测机制。其中似然概率的计算公式为

式中A为影响因子矩阵，是一个对角阵，其对角线上的元素代表了各个因子所占的比重。

表示新息。其中滤波方法采用标准交互多模型滤波方法。

(3)预测步数判断。当预测步数或批次达到某一阈值时依然没有量测可关联，那么确认目标消失，进行航迹终结处理。如果存在量测可关联，但航迹质量较差，依然进行航迹终结处理。

可以理解的是，对本领域技术人员来说，对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。

Claims (2)

1.一种基于交互多模型的被动目标跟踪方法，其特征在于：在方位和方位变化率的基础上，将时间信息和能量信息引入到状态方程中，采用交互多模型跟踪方法对纯方位的被动目标进行跟踪估计和滤波；首先利用逻辑法判断航迹起始，利用交互多模型进行在线滤波，对关联门内候选量测进行筛选，形成多个假设，并保留航迹质量最高的那条假设，若关联门内没有满足条件的候选量测，则进行一步预测，当预测步数达到某一上限时，则停止预测并终结航迹；若在数据关联过程中，航迹质量低于某一值，则终结航迹。

2.根据权利要求1所述的基于交互多模型的被动目标跟踪方法，其特征在于：交互多模型中模型个数为两个，其中模型一状态量为

S₁＝(t t' θ θ' e e')

模型二状态量为

S₂＝(t t' t” θ θ' θ” e e')

其中模型一主要针对近似线性的远场目标，模型二主要针对轨迹缓慢变化的近场目标或方位快速变化的目标；式中，t代表时间，t'代表时间变化率，即时间一阶导数，t”代表时间变化率的变化率，即时间二阶导数，θ代表方位/波束，θ'代表方位/波束变化率，即方位/波束的一阶导数，θ”代表方位/波束变化率的变化率，即方位/波束二阶导数，e代表能量，e'代表能量变化率；观测量为时间、方位/波束和能量，即

X＝(t θ e)

交互多模型跟踪算法中包含多个滤波器用来表征目标可能的运动形式，这里模型集中包含两个模型，不妨记两个模型分别表示为：

其中状态转移矩阵分别为：

观测输出矩阵：

其中，k表示当前时刻，k+1表示下一时刻，S₁(k)和S₁(k+1)分别表示当前时刻和下一时刻的模型一的状态量，X₁(k+1)表示下一时刻模型一的观测量，S₂(k)和S₂(k+1)分别表示当前时刻和下一时刻的模型二的状态量，X₂(k+1)表示下一时刻模型二的观测量，v和w分别表示过程噪声矩阵和量测噪声矩阵，T表示前一时刻和后一时刻状态量的改变量级。

Images