CN109946671B - 一种基于双门限判决的水下机动弱目标检测跟踪方法 - Google Patents

Abstract

一种基于双门限判决的水下机动弱目标检测跟踪方法。传统动态规划检测前跟踪方法，存在的目标丢失率高问题；以及利用卡尔曼运动模型进行跟踪过程中存在的模型失配和所能跟踪总帧数少的问题。初始化目标的状态，得到目标的初始位置、速度信息及能量初始累计值；设定一级门限，检测筛选可能为目标的量测值；若每一帧的量测值关联于前一帧的量测值，利用卡尔曼状态估计的一步预测确定帧间转移速度；若目标发生机动，利用分段重新起始的方法重新对目标进行跟踪；将所有量测值进行航迹回溯，得到的恢复航迹能量进行累加，利用第二门限筛选可能航迹，并确认出最终航迹。本发明的漏检率低，跟踪过程中即使目标发生机动，也能及时更新目标速度。

Description

一种基于双门限判决的水下机动弱目标检测跟踪方法

技术领域

本发明涉及一种水下机动弱目标的检测跟踪方法，特别涉及一种利用门限判决进行水下机动弱目标检测跟踪的方法。

背景技术

随着人类对海洋环境的重视，水下作战技术的不断提高，对于如潜艇，蛙人等水下动目标的跟踪十分必要。此类目标的特点为能量较弱，通常情况下速度较低，且在短时间内具有转弯等机动性。传统的弱目标检测跟踪方法多应用于雷达、红外的目标检测与跟踪，其原理为将多帧数据积累，通过目标在各帧间的强相关性来筛选目标轨迹。对于目标的检测跟踪的多阶段决策过程，可利用动态规划的方法来解决优化，即利用前一阶段的优化解顺序处理后一阶段，最终得到整个过程的最优解。基于动态规划的检测跟踪方法，即将每一帧数据当做一个阶段，将当前帧数据与下一帧可能为目标的单元能量不断累积，最终通过门限筛选出目标轨迹。

水下目标存在目标强度低、信号刷新率低、能量衰减快等缺点，因此针对其检测跟踪存在以下几个问题：一、在检测过程中对弱目标的漏检、缺帧等情况极易造成跟踪航迹的中断；二、由于帧与帧之间的转移步长为固定值，只适用于匀速运动的目标，无法准确跟踪转弯目标或机动目标。

经过文献检索发现，有下列文献分别对利用动态规划的弱目标检测跟踪进行了研究：

[1]黄湘鹏,赵玉丽,郝延刚.动态规划算法在检测前跟踪技术中应用[J].指挥信息系统与技术,2015,03:84-89.

[2]王首勇，万洋，刘俊凯.现代雷达目标检测理论与方法[M].北京:科学出版社，2015，10:281-300.

[3]李涛,吴嗣亮,曾海彬,侯舒娟.基于动态规划的雷达检测前跟踪新算法[J].电子学报,2008,09:1824-1828.

[4]赵宇.基于动态规划的检测前跟踪算法研究[D].西安电子科技大学,2012.

[5]陈铭.基于动态规划的弱小目标检测前跟踪(DP-TBD)算法研究[D].电子科技大学,2014.

[6]岳帅,孔令讲,杨建宇,易伟.卡尔曼动态规划机动目标检测前跟踪方法[J].现代雷达,2011,06:58-64.

文献1介绍了常规的动态规划算法的基本概念流程，分析了动态规划算法在弱小目标检测应用中的机理，并从理论上验证了动态规划算法在检测跟踪中的应用。其基本原理为：首先建立基于阶段值函数的递推优化方程，这些方程将目标状态与目标的各分辨单元测量信号联系起来，基于优化方程可以解决状态的择优问题；然后进行相邻帧状态过程的一步回溯处理，通过状态转移确定各帧状态之间的相互影响，对状态向量和值函数初始化，再对分辨单元逐一进行一步回溯递推寻优；最后一步为最终进行检验判决，通过给定的多帧量测数据，采用门限法进行判决，得到确定的目标航迹。本文的整体动态规划检测跟踪理论框架与文献1大致相同。

文献2介绍了基于似然比累积的动态规划检测前跟踪方法和基于幅度累积的动态规划检测前跟踪方法。基于似然比累积的动态规划检测前跟踪方法即选择似然比作为能量值，并将能量积累最大值对应的航迹作为可能的目标航迹，本质上来说就是对数后验概率比最大准则估计最优航迹。基于幅度累积的动态规划检测前跟踪方法用观测数据的幅度值表示能量值，实际上幅度观测噪声服从高斯分布时，基于幅度累积的动态规划检测前跟踪方法是基于似然比累积的动态规划检测前跟踪方法的一种特例：在对数似然比取大时等价于观测幅度值取大。两种方法的实现皆分为五步：初始值设定、确定关联区域、似然比能量/幅度递归积累、目标判决、航迹回溯。本文采取的能量积累方法为文献2中的幅度递归累积法，即采取观测数据的幅度表示能量值，但在实现步骤中，加入了一级门限的检测预处理，并在确定关联区域的步骤中，利用卡尔曼滤波的方式时刻更新转移步长的大小，以适应机动目标的运动状态。

文献3-5提出了一种基于动态规划的两级门限检测的雷达检测前跟踪算法，即除了最终航迹回溯的那一层门限，在每一帧数据到来时先进行一次恒虚警检测来筛选目标的候选值。雷达恒虚警的检测方式采用自适应的门限，即需要随着被检测点的背景杂波、杂声和噪声的大小来自适应的做出调整。如果干扰、背景杂波和噪声小，门限就会自动的调低；如果干扰、背景杂波和噪声大，那么门限就会自动的调高，来保证虚警的概率恒定。由于本文研究针对的为水下目标的检测，与雷达所处的空气环境不同，因此在一级门限检测处理时采用低门限，以检测出大量杂波、强干扰为代价不丢失目标。

文献6针对传统动态规划算法，由于转移步长固定、在检测机动目标时性能较差的问题，提出了针对转弯运动等机动目标的卡尔曼动态规划算法，该算法利用卡尔曼滤波中的状态预测步骤来自适应改变动态规划算法中的转移步长，以此来避免在检测转弯运动目标时传统动态规划算法由于转移步长不变而造成的转移步长与目标速度失配的问题。然而由于卡尔曼运动模型的限制，文献中的方法只适用于纯转弯运动的模型，且一次跟踪总帧数少。针对此问题，本文提供了分段跟踪的方法，以适用于在运动过程中存在机动的动态规划检测跟踪方法，可一次处理较多帧数据。

发明内容

本发明的目的是为了解决传统动态规划检测前跟踪方法，存在的目标丢失率高问题；以及利用卡尔曼运动模型进行跟踪过程中存在的模型失配和所能跟踪总帧数少的问题，而提出一种基于双门限判决的水下机动弱目标检测跟踪方法。

一种基于双门限判决的水下机动弱目标检测跟踪方法，所述的方法通过以下步骤实现：

步骤一、初始化：

初始化目标的状态，得到目标的初始位置、速度信息及能量初始累计值：

速度信息表示为：

能量初始累计值表示为：I₀＝0 (2)

其中，

表示目标初始信息，

表示初始位置坐标，

表示目标的初始速度，I₀表示能量初始累计值；

步骤二、设定一级门限，检测筛选可能为目标的量测值：

将每一帧数据进行背景噪声自适应低门限检测处理，得到每一帧数据中可能为目标的所有量测值的状态，并将量测值储存；

步骤三、基于动态规划的机动目标卡尔曼跟踪：

利用动态规划的方法计算每一帧的量测值是否关联于前一帧的量测值；

若是，利用卡尔曼状态估计的一步预测确定帧间转移速度；

否则，判断为目标发生机动，利用分段重新起始的方法重新对目标进行跟踪；

步骤四、二级门限目标判决筛选航迹：

将由步骤三得到的所有量测值进行航迹回溯，得到的恢复航迹能量进行累加，利用第二门限筛选可能航迹，再根据实际情况和目标个数确认出最终航迹。

本发明的有益效果为：

一、本发明先利用一级检测处理数据，在第一层检测的门限可除掉大量干扰，利用背景噪声自适应低门限检测又可大限度的保留可能为目标的量测值。通过引入双门限检测前跟踪方法，筛选出候选目标，利用背景噪声自适应计算门限，这样可检测到目标及干扰目标，目标丢失率低，也就是漏检率较低；

二、本发明在跟踪过程中利用卡尔曼滤波算法可估计帧与帧之间的转移步长，可跟踪机动、转弯而不仅仅是匀速运动的目标，模型能匹配多种状态目标。通过在跟踪过程中加入卡尔曼滤波算法，使跟踪时的步长不限于固定值，而是根据状态预测来估计目标在下一帧的转移速度，以此确定转移步长。扩大了所能跟踪的目标的帧数，即使目标发生机动，也能及时更新目标速度。

附图说明

图1a为本发明仿真实验涉及的目标在x-y坐标的运动轨迹图示；

图1b为本发明仿真实验涉及的目标极坐标的运动轨迹图示；

图2为本发明仿真实验涉及的二维目标方位距离声图像；

图3本发明仿真实验涉及的一级门限检测得到的图像，目标的信噪比为6dB，检测的虚警概率为0.001；

图4本发明仿真实验涉及的利用500次蒙特卡洛实验，得到一级门限检测与本文中提出的算法的随信噪比改变的检测概率、虚警概率对比图示；横坐标表示信噪比，纵坐标表示概率；

图5本发明仿真实验涉及的将每一帧检测到的量测点转换至x-y坐标系，得到的量测点真实轨迹；

图6本发明仿真实验涉及的利用PDAF的算法得到的跟踪轨迹；

图7本发明仿真实验涉及的只利用卡尔曼滤波的方法估计出帧与帧之间的目标转移速度，未进行分段跟踪的DP-TBD算法得到的跟踪轨迹；

图8本发明仿真实验涉及的进行分段跟踪的DP-TBD算法得到的跟踪轨迹；

图9本发明仿真实验涉及的100次蒙特卡洛实验下，目标的错误跟踪概率随信噪比的变化示意图，横坐标表示信噪比，纵坐标表示跟踪概率；

图10为本发明的流程图。

具体实施方式

具体实施方式一：

本实施方式的一种基于双门限判决的水下机动弱目标检测跟踪方法，如图10所示，所述的方法通过以下步骤实现：

步骤一、初始化：

初始化目标的状态，得到目标的初始位置、速度信息及能量初始累计值：

速度信息表示为：

能量初始累计值表示为：I₀＝0(2)

其中，

表示目标初始信息，

表示初始位置坐标，

表示目标的初始速度，I₀表示能量初始累计值；

步骤二、设定一级门限，检测筛选可能为目标的量测值：

将每一帧数据进行背景噪声自适应低门限检测处理，得到每一帧数据中可能为目标的所有量测值的状态，并将量测值储存并用于接下来的跟踪过程中；

步骤三、基于动态规划的机动目标卡尔曼跟踪：

利用动态规划的方法计算每一帧的量测值是否关联于前一帧的量测值；

若是，利用卡尔曼状态估计的一步预测确定帧间转移速度；

否则，前一帧不存在可关联的量测值时，即判断为目标发生机动，此时利用分段重新起始的方法重新对目标进行跟踪；

步骤四、二级门限目标判决筛选航迹：

将由步骤三得到的所有量测值进行航迹回溯，得到的恢复航迹能量进行累加，利用第二门限筛选可能航迹，筛选出的航迹可能多于1条，可再根据实际情况和目标个数确认出最终航迹。

具体实施方式二：

与具体实施方式一不同的是，本实施方式的一种基于双门限判决的水下机动弱目标检测跟踪方法，为机动弱目标检测跟踪后置处理方法，即先通过一级门限检测处理完所有帧数数据，找出每一帧可能为目标的所有量测值，再利用跟踪算法估计目标的运动轨迹。此方式适合于数据的后置处理。

步骤二所述的得到每一帧数据中可能为目标的所有量测值的状态的过程，具体为：

步骤二一、设被检测单元在图像中的坐标为(i,j)，其在图像中的功率表示为I(i,j)，通过被检测单元周围单元长度为d的参考单元求取背景噪声功率的水平的估计值Z；

步骤二二、为保护目标信号本身落入参考单元导致检测性能下降，在被检测单元周围插入长度为m的保护单元，则背景噪声功率的估计值Z由式(3)计算：

步骤二三、求出背景噪声功率Z后，在此基础上将获得的背景噪声功率的估计值Z降低3dB作为门限值S；

步骤二四、将I(i,j)与S作比较，

若满足式(4)，则保留该坐标对应的量测点：

I(i,j)≥S (4)

否则，舍弃该坐标；

步骤二五、对于第k帧第n个量测点，若满足式(4)，则记为：

并将量测状态记录至量测矩阵，表示为

具体实施方式三：

与实施方法二不同之处在于，本实施方式的一种基于双门限判决的水下机动弱目标检测跟踪方法，为实时目标检测跟踪，即获得一帧图像后利用一级门限检测处理本帧数据，再利用跟踪算法估计目标的运动轨迹，即将实施方法二中的步骤二与步骤三相结合，在每次进行卡尔曼跟踪之前实时的得到量测数据。此方式适合于水下目标的实时跟踪。其中的步骤二步骤三可合并为：

步骤三所述的利用卡尔曼状态估计的一步预测确定帧间转移速度的过程，具体为：

设跟踪总帧数为N，当1≤k≤N时进行以下循环，其中，k表示第k帧数据：

步骤三一a、通过状态的一步预测得到预测状态X'_k，表示为：

其中，(v'_xk,v'_yk)为k-1帧与k帧间的转移速度；(x'_k,y'_k)为第k帧状态预测值；

步骤三二a、通过公式为(3)-(6)的计算方法，将第k帧数据进行低门限检测处理，得到的第k帧第n个量测点X_k(n)；

步骤三三a、利用转移速度(v'_xk,v'_yk)确定可能与k帧量测关联的k-1帧量测值；其中，第0帧的量测值

为初始值

即

步骤三四a、在第k帧中以状态预测值(x'_k,y'_k)为中心的M*M个单元中，寻找能量最大值的量测Z_k，计算新息V_k：

V_k＝Z_k-CX'_k (9)

步骤三五a、计算协方差的一步预测、新息协方差、增益，得到协方差更新矩阵与更新的状态，具体公式为(11)-(18)：

P_k'＝FP_k-1F^H+CQC^H (11)

S_k＝CP_k'C^H+R (12)

K_k＝P_k'F^HS_k ^-1 (13)

P_k＝P_k'-K_kS_kK_k ^H (14)

其中，r_x为x方向量测噪声方差，r_y为y方向量测噪声方差，q_x为x方向过程噪声方差q_y为y方向过程噪声方差；F为状态转移矩阵、Q为过程噪声协方差矩阵、C为噪声转移矩阵、P为协方差矩阵、R为量测噪声协方差矩阵；

当1≤k≤N时，返回步骤三一a的初始目标状态继续递推循环；否则结束循环。

具体实施方式四：

与实施方法二或三不同之处在于，本实施方式的一种基于双门限判决的水下机动弱目标检测跟踪方法，为针对于机动目标的跟踪，即当前一帧不存在可关联的量测值时，即判断目标发生机动，此时利用分段重新起始的方法重新对目标进行跟踪。

步骤三所述的利用分段重新起始的方法重新对目标进行跟踪的过程具体为：

设总帧数为N，当1≤k≤N时进行以下循环：

步骤三一b、通过状态的一步预测，得到预测状态X'_k＝[x'_k v'_xk y'_k v'_yk]^T，其中，(v'_xk,v'_yk)为k-1帧与k帧间的转移速度；(x'_k,y'_k)表示状态预测值；

步骤三二b、利用转移速度(v'_xk,v'_yk)确定可能与k帧量测关联的k-1帧量测值；

步骤三三b、判断在k帧数据中以状态预测值(x'_k,y'_k)为中心的M*M个单元中，是否能寻找到能量最大的量测Z_k；

若是，计算新息V_k，之后，执行步骤三五b；

若在k帧以状态预测值(x'_k,y'_k)为中心的M*M个单元中不存在量测值，即在所预测的目标范围内不存在量测值

此时执行步骤三四b；

步骤三四b、预测范围内无法找到更新状态所需量测值，即目标可能发生机动，此时利用分段重新起始的方法重新跟踪：取k帧中能量值最大的点

k+1帧中能量值最大的点帧

更新得到的状态为

且

表示为：

并判断帧数k是否满足：1≤k≤N，

若是，返回步骤三一b继续递推循环；

否则结束循环，执行步骤四；

步骤三五b、计算协方差的一步预测、新息协方差、增益，得到协方差更新矩阵与更新的状态；

判断帧数k是否满足：1≤k≤N；

若是，返回步骤三一b递推循环；

否则，结束循环，执行步骤四。

具体实施方式五：

与实施方法二、三、四不同之处在于，本实施方式的一种基于双门限判决的水下机动弱目标检测跟踪方法，为针对于目标跟踪后的航迹确认问题，即利用第二门限最后确认目标跟踪的结果。步骤四所述的确认出最终航迹的过程，具体为：

步骤四一、将第N帧得到的所有量测值

进行反向航迹确认，得到m条恢复航迹；

步骤四二、通过式(20)将m条航迹能量进行累加，

通过式(21)的筛选方法，利用第二门限V_T筛选可能航迹；筛选出的航迹可能多于1条，可再根据实际情况和目标个数来判决最终航迹：

仿真实验：

仿真条件：假设目标的初始位置为(100m,200m)，初始速度为(-1m/s,1m/s)，共跟踪30帧数据，1-10帧目标做匀速直线运动，11-20帧目标发生机动，加速度为(0.05m/s²,-0.03m/s²)，21-30帧恢复匀速直线运动，速度为(1.5m/s,-0.5m/s)。目标在x-y坐标、极坐标的运动轨迹分别如图1a和图1b所示，二维目标方位距离声图像如图2所示。目标的信噪比为6dB,检测的虚警概率为0.001，一级门限检测得到的图像如图3所示。

利用500次蒙特卡洛实验，得到一级门限检测与本文中提出的算法的随信噪比改变的检测概率、虚警概率如图4所示。从图中可以看出，两种算法的检测概率都随着信噪比的变大而提高，而文中提出的算法的检测概率在相同信噪比下，高于一级门限检测的检测概率；虚警概率随着信噪比的增大没有明显变化，但是一级门限检测的虚警概率明显比文中算法的虚警概率高。

将每一帧检测到的量测点转换至x-y坐标系，得到的量测点迹如图5所示。图6是利用PDAF的算法得到的跟踪轨迹，可以图中看出，在目标发生机动之前，PDAF算法可以很好地跟踪匀速直线的目标，而当目标发生机动时，该方法不能很好地选择候选回波，且PDAF是针对匀速直线运动目标的模型，当波门内没有候选回波时，会根据目标之前的运动状态继续按照匀速运动的模型更新目标状态，因此跟踪出的曲线是一条直线。图7是只利用卡尔曼滤波的方法估计出帧与帧之间的目标转移速度，未进行分段跟踪的算法，从图中可以看出，该算法可以跟踪至机动发生的一段时间，但随着步数增加，跟踪无法继续进行，其原因是算法中的卡尔曼滤波是匀速运动模型，当发生机动时，无法立即完全跟踪上目标的速度，开始的几步由于转移速度存在一定范围，后滤波速度变化跟不上目标机动速度变化，无法继续进行跟踪。图8为利用本文中所提出的的算法，即在利用卡尔曼动态规划检测前跟踪算法无法继续进行跟踪时，重新航迹起始，从图7可以看出，利用文中方法可以成功的跟踪出目标的状态。图9为100次蒙特卡洛实验下，目标的错误跟踪概率随信噪比的变化。可以看出，随着信噪比的升高，错误概率逐渐降低。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (3)

1.一种基于双门限判决的水下机动弱目标检测跟踪方法，其特征在于：所述的方法通过以下步骤实现：

步骤一、初始化：

初始化目标的状态，得到目标的初始位置、速度信息及能量初始累计值：

速度信息表示为：

能量初始累计值表示为：I₀＝0 (2)

其中，

表示目标初始信息，

表示初始位置坐标，

表示目标的初始速度，I₀表示能量初始累计值；

步骤二、设定一级门限，检测筛选可能为目标的量测值：

将每一帧数据进行背景噪声自适应低门限检测处理，得到每一帧数据中可能为目标的所有量测值的状态，并将量测值储存；过程为：

步骤二一、设被检测单元在图像中的坐标为(i,j)，其在图像中的功率表示为I(i,j)，通过被检测单元周围单元长度为d的参考单元求取背景噪声功率的估计值Z；

步骤二二、在被检测单元周围插入长度为m的保护单元，则背景噪声功率的估计值Z由式(3)计算：

步骤二三、将获得的背景噪声功率的估计值Z降低3dB作为门限值S；

步骤二四、将I(i,j)与S作比较，

若满足式(4)，则保留该坐标对应的量测点：

I(i,j)≥S (4)

否则，舍弃该坐标；

步骤二五、对于第k帧第n个量测点，若满足式(4)，则记为：

并将量测状态记录至量测矩阵，表示为

步骤三、基于动态规划的机动目标卡尔曼跟踪：

利用动态规划的方法计算每一帧的量测值是否关联于前一帧的量测值；

若是，利用卡尔曼状态估计的一步预测确定帧间转移速度；过程为：

设跟踪总帧数为N，当1≤k≤N时进行以下循环，其中，k表示第k帧数据：

步骤三一a、通过状态的一步预测得到预测状态X'_k，表示为：

其中，(v'_xk,v'_yk)为k-1帧与k帧间的转移速度；(x'_k,y'_k)为第k帧状态预测值；

步骤三二a、通过公式为(3)-(6)的计算方法，将第k帧数据进行低门限检测处理，得到的第k帧第n个量测点

步骤三三a、利用转移速度(v'_xk,v'_yk)确定可能与k帧量测关联的k-1帧量测值；其中，第0帧的量测值

为初始值

即

步骤三四a、在第k帧中以状态预测值(x'_k,y'_k)为中心的M*M个单元中，寻找能量最大值的量测Z_k，计算新息V_k：

V_k＝Z_k-CX'_k (9)

步骤三五a、计算协方差的一步预测、新息协方差、增益，得到协方差更新矩阵与更新的状态，具体公式为(11)-(18)：

P_k'＝FP_k-1F^H+CQC^H (11)

S_k＝CP_k'C^H+R (12)

K_k＝P_k'F^HS_k ^-1 (13)

P_k＝P_k'-K_kS_kK_k ^H (14)

其中，r_x为x方向量测噪声方差，r_y为y方向量测噪声方差，q_x为x方向过程噪声方差q_y为y方向过程噪声方差；F为状态转移矩阵、Q为过程噪声协方差矩阵、C为噪声转移矩阵、P为协方差矩阵、R为量测噪声协方差矩阵；

当1≤k≤N时，返回步骤三一a的初始目标状态继续递推循环；否则结束循环；

否则，判断为目标发生机动，利用分段重新起始的方法重新对目标进行跟踪；

步骤四、二级门限目标判决筛选航迹：

将由步骤三得到的所有量测值进行航迹回溯，得到的恢复航迹能量进行累加，利用第二门限筛选可能航迹，再根据实际情况和目标个数确认出最终航迹。

2.根据权利要求1所述的一种基于双门限判决的水下机动弱目标检测跟踪方法，其特征在于：步骤三所述的利用分段重新起始的方法重新对目标进行跟踪的过程具体为：

设总帧数为N，当1≤k≤N时进行以下循环：

步骤三一b、通过状态的一步预测，得到预测状态X'_k＝[x'_k v'_xk y'_k v'_yk]^T，其中，(v'_xk,v'_yk)为k-1帧与k帧间的转移速度；(x'_k,y'_k)表示状态预测值；

步骤三二b、利用转移速度(v'_xk,v'_yk)确定可能与k帧量测关联的k-1帧量测值；

步骤三三b、判断在k帧数据中以状态预测值(x'_k,y'_k)为中心的M*M个单元中，是否能寻找到能量最大的量测Z_k；

若是，计算新息V_k，之后，执行步骤三五b；

若在k帧以状态预测值(x'_k,y'_k)为中心的M*M个单元中不存在量测值，即在所预测的目标范围内不存在量测值

此时执行步骤三四b；

步骤三四b、预测范围内无法找到更新状态所需量测值，即目标可能发生机动，此时利用分段重新起始的方法重新跟踪：取k帧中能量值最大的点

k+1帧中能量值最大的点帧

更新得到的状态为

且

表示为：

并判断帧数k是否满足：1≤k≤N，

若是，返回步骤三一b继续递推循环；

否则结束循环，执行步骤四；

步骤三五b、计算协方差的一步预测、新息协方差、增益，得到协方差更新矩阵与更新的状态；

判断帧数k是否满足：1≤k≤N；

若是，返回步骤三一b递推循环；

否则，结束循环，执行步骤四。

3.根据权利要求2所述的一种基于双门限判决的水下机动弱目标检测跟踪方法，其特征在于：步骤四所述的确认出最终航迹的过程，具体为：

步骤四一、将第N帧得到的所有量测值

进行反向航迹确认，得到m条恢复航迹；

步骤四二、通过式(20)将m条航迹能量进行累加，

通过式(21)的筛选方法，利用第二门限V_T筛选可能航迹；再根据实际情况和目标个数来判决最终航迹：

Images