CN110058222B - 一种基于传感器选择的双层粒子滤波检测前跟踪方法 - Google Patents
一种基于传感器选择的双层粒子滤波检测前跟踪方法 Download PDFInfo
- Publication number
- CN110058222B CN110058222B CN201910248976.3A CN201910248976A CN110058222B CN 110058222 B CN110058222 B CN 110058222B CN 201910248976 A CN201910248976 A CN 201910248976A CN 110058222 B CN110058222 B CN 110058222B
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- sensor
- weight
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于传感器选择的双层粒子滤波检测前跟踪方法,属于雷达检测前跟踪技术领域,特别涉及多雷达多目标粒子滤波检测前跟踪技术领域,该发明在跟踪层和检测层中分别加入一种管理传感器粒子权重的思想,使得算法能够在每一帧甚至每一轮检测中选择不同传感器的量测数据用于估计目标状态。该方法能够在远距离下准确的检测到每一帧的目标数目,降低了虚警率,提高了目标正确检测概率。
Description
技术领域
本发明属于雷达检测前跟踪技术领域,涉及多雷达多目标粒子滤波检测前跟踪技术领域,具体涉及一种基于传感器选择的双层粒子滤波检测前跟踪方法。
背景技术
在低信噪比多目标的复杂环境下,提高目标的定位精度已经成为一个重要的研究方向。相较于传统的单雷达探测技术,多雷达协同探测不仅可以增大对目标的探测距离,对一个目标同时具有多个量测,可以明显提高目标的检测概率。
雷达探测系统对多个弱目标的检测跟踪问题一直都是一项技术难题。检测前跟踪技术是对目标运动信息数据进行长时间能量积累,提高信噪比,从而改善传感器在低信噪比条件下对微弱目标的检测与跟踪性能,是一种有效的检测与跟踪弱目标的方法。因而,更适合于在复杂环境下弱目标的检测与跟踪处理。
传统的粒子滤波多目标检测前跟踪算法多采用单个传感器,而且通常需要目标数目固定或者已知目标的最大数目。或者容易丢失目标。由于使用传感器选择方法对多个目标进行检测跟踪,可以对多个传感器获得的量测信息进行择优选取并进行融合,避免了直接融合多个传感器量测信息带来的虚假目标产生的问题,降低目标的虚警率,提高目标检测概率和跟踪精度。
发明内容
本发明考虑多个雷达对远距离多个目标的检测和跟踪所造成的虚假目标产生的问题。针对多雷达多目标,提出了一种基于传感器选择的双层粒子滤波检测前跟踪方法。
本发明方法的具体步骤是:
步骤1、初始化系统参数包括:雷达扫描周期T、观测总帧数K、初始化粒子数目N;
步骤3.1、计算跟踪目标集向量axe的列数和行数,将列数赋值给变量T1,其中T1表示跟踪目标集中的目标个数;
步骤3.2、设置粒子权重阈值YU1;
步骤3.4、设置一个大小为R,初始值为零的行向量num1,其中R为雷达总数目;
步骤3.5、将步骤3.3中计算出来的每一个权重与步骤3.2设定的阈值比较大小。小于阈值的视为雷达r没有探测到目标t,不对向量num1做任何处理。大于阈值的视为雷达r探测到目标t,则num1(r)=num1(r)+1,循环,直至所有雷达对每个目标计算的权重都和设定的阈值比较完毕;
步骤3.6、比较向量num1的所有列的值,找到其中的最小值并赋值给c1,然后c1乘以某个0-1之间的系数之后,最终的c1作为之后计算的参考指标。
步骤3.7、设置一个大小为N,初始值为零的行向量count1;
步骤3.10、将粒子j对应传感器r的权重与步骤3.2中设定的阈值比较大小。对于小于阈值的则count1(j)=count1(j)+1,否则不对count1(j)做处理。最后将count1(j)的值与雷达总数目和步骤3.6中求的c1之间的差值,R-c1,做比较,如果count1(j)>R-c1,就将粒子j对应传感器r的权重全部置1;
步骤3.11、判断j<N,若满足条件转步骤3.8;
步骤3.12、对根据不同雷达量测计算出来的粒子权重进行归一化:
步骤3.13、将多个传感器对同一目标粒子计算得到的权重相融合:
步骤3.15、计算目标i的检测概率,检测概率低于检测阈值的判定为虚假目标,将虚假目标航迹剔除;
步骤3.16、判断跟踪目标集的目标个数是否跟踪完毕,如果没有则转步骤3;
步骤4.1、计算出上一帧跟踪以及上一轮新检测出来的目标集向量ExitAx的列数和行数,将列数赋值给变量T2,其中T2表示检测目标集中的目标个数;
步骤4.2、设置粒子权重阈值YU2;
步骤4.4、设置一个大小为R,初始值为零的行向量num2,其中R为雷达总数目;
步骤4.5、将步骤4.3中计算出来的每一个权重与步骤4.2设定的阈值比较大小。小于阈值的视为雷达r没有探测到目标t,不对向量num2做任何处理。大于阈值的视为雷达r探测到目标t,则num2(r)=num2(r)+1,循环,直至所有雷达对每个目标计算的权重都和设定的阈值比较完毕;
步骤4.6、比较向量num2的所有列的值,找到其中的最小值并赋值给c2,然后c2乘以某个0-1之间的系数之后,最终的c2作为之后计算的参考指标。
步骤4.7、设置一个大小为N,初始值为零的行向量count2;
步骤4.8、探测粒子群进行状态转移;
步骤4.11、将粒子j对应传感器r的权重与步骤4.2中设定的阈值比较大小。对于小于阈值的则count2(j)=count2(j)+1,否则不对count(j)做处理。最后将count2(j)的值与雷达总数目和步骤4.6中求的c2之间的差值,R-c2,做比较,如果count2(j)>R-c2,就将粒子j对应传感器r的权重全部置1;
步骤4.12、判断j<N,若满足条件转步骤4.8;
步骤4.13、对根据不同雷达量测计算出来的粒子权重进行归一化:
步骤4.14、将多个传感器对同一目标粒子计算得到的权重相融合:
步骤4.15、采用系统重采样方法对粒子群进行重采样;
步骤4.16、计算目标的状态估计值,判断该目标是否为新生目标,如果不是新生目标,则输出检测目标集,如果是新生目标,则将该目标放入检测目标集,转步骤4,循环,直到检测不到新生目标,输出检测目标集。
步骤5、将新生目标集输入到跟踪目标集中,判断新生目标是否属于已跟踪目标,如果新生目标属于已跟踪目标,则剔除新生目标,反之,将其输出到最终的目标集;
本发明给出了一种基于传感器选择的双层粒子滤波检测前跟踪方法,该方法在跟踪层和检测层中分别加入一种管理传感器粒子权重的思想,该方法能够在每一帧甚至每一轮检测中选择不同传感器的量测用于估计目标状态。该方法能够准确的检测到每一帧的目标数目,降低了虚警率,提高了目标正确检测概率。
具体实施方式:
本发明主要采用计算机仿真的方法进行验证,所有步骤都在matlab-2016a上验证正确。具体实施步骤如下:
(1)初始化系统参数:雷达扫描周期T=2,观测总帧数K=30,初始化粒子数目N=3000。
(2)读取多个传感器的第k帧量测。
(3)按上述步骤3对跟踪目标集中的目标进行跟踪。
(b)计算跟踪目标集向量axe的列数和行数,将列数赋值给变量T1,设定权重阈值YU1。
(d)设置一个大小为R,初始值为零的行向量num1,其中R为雷达总数目。
(f)比较向量num1的所有列的值,找到其中的最小值并赋值给c1,然后c1乘以比例系数之后获得的值作为之后计算的参考指标。
(g)设置一个大小为N,初始值为零的行向量count1。
(l)判断j<N,若满足条件转(h),其中,N为粒子总数。
(m)对根据不同雷达量测计算出来的粒子权重进行归一化:
(n)将多个传感器对同一目标粒子计算得到的权重相融合:
(o)计算目标i的检测概率,将虚假目标航迹剔除。
(p)判断跟踪目标集的目标个数是否跟踪完毕,如果没有则转上述(3)。
(4)按上述步骤4使用粒子群对新目标进行探测。
(b)计算出上一帧跟踪以及上一轮新检测出来的目标集向量ExitAx的列数和行数,将列数赋值给变量T2,并且设定权重阈值YU2。
(d)设置一个大小为R,初始值为零的行向量num2,其中R为雷达总数目。
(f)比较向量num2的所有列的值,找到其中的最小值并赋值给c2,然后c2乘以比例系数之后获得的值作为之后计算的参考指标。
(g)设置一个大小为N,初始值为零的行向量count2。
(m)判断j<N,若满足条件转(h),其中,N为粒子总数。
(n)对根据不同雷达量测计算出来的粒子权重归一化:
(o)将多个传感器对同一目标粒子计算得到的权重相融合:
(p)采用系统重采样方法对粒子群进行重采样。
(q)计算目标的状态估计值,判断该目标是否为新生目标,如果不是新生目标,则输出检测目标集,如果是新生目标,则将该目标放入检测目标集,转上述(4),循环,直到检测不到新生目标,输出检测目标集。
(5)将新生目标集输入到跟踪目标集中,判断新生目标是否属于已跟踪目标,如果新生目标属于已跟踪目标,则剔除新生目标,反之,将其输出到最终的目标集;
Claims (1)
1.一种基于传感器选择的双层粒子滤波检测前跟踪方法,其特征在于:该方法包括以下步骤:
步骤1、初始化系统参数包括:传感器扫描周期T、观测总帧数K、初始化粒子数目N;
步骤3.1、计算跟踪目标集向量axe的列数和行数,将列数赋值给变量T1,其中T1表示跟踪目标集中的目标个数;
步骤3.2、设置粒子权重阈值YU1;
步骤3.4、设置一个大小为R,初始值为零的行向量num1,其中R为传感器总数目;
步骤3.5、将步骤3.3中计算出来的每一个权重与步骤3.2设定的阈值比较大小;小于阈值的视为传感器r没有探测到目标t,不对向量num1做任何处理;大于阈值的视为传感器r探测到目标t,则num1(r)=num1(r)+1,循环,直至所有传感器对每个目标计算的权重都和设定的阈值比较完毕;
步骤3.6、比较向量num1的所有列的值,找到其中的最小值并赋值给c1,然后c1乘以某个0-1之间的系数之后,最终的c1作为之后计算的参考指标;
步骤3.7、设置一个大小为N,初始值为零的行向量count1;
步骤3.10、将粒子j对应传感器r的权重与步骤3.2中设定的阈值比较大小;对于小于阈值的则count1(j)=count1(j)+1,否则不对count1(j)做处理;最后将count1(j)的值与传感器总数目和步骤3.6中求的c1之间的差值,R-c1,做比较,如果count1(j)>R-c1,就将粒子j对应传感器r的权重全部置1;
步骤3.11、判断j<N,若满足条件转步骤3.8;
步骤3.12、对根据不同传感器量测计算出来的粒子权重进行归一化:
步骤3.13、将多个传感器对同一目标粒子计算得到的权重相融合:
步骤3.15、计算目标i的检测概率,检测概率低于检测阈值的判定为虚假目标,将虚假目标航迹剔除;
步骤3.16、判断跟踪目标集的目标个数是否跟踪完毕,如果没有则转步骤3;
步骤4.1、计算出上一帧跟踪以及上一轮新检测出来的目标集向量ExitAx的列数和行数,将列数赋值给变量T2,其中T2表示检测目标集中的目标个数;
步骤4.2、设置粒子权重阈值YU2;
步骤4.4、设置一个大小为R,初始值为零的行向量num2,其中R为传感器总数目;
步骤4.5、将步骤4.3中计算出来的每一个权重与步骤4.2设定的阈值比较大小;小于阈值的视为传感器r没有探测到目标t,不对向量num2做任何处理;大于阈值的视为传感器r探测到目标t,则num2(r)=num2(r)+1,循环,直至所有传感器对每个目标计算的权重都和设定的阈值比较完毕;
步骤4.6、比较向量num2的所有列的值,找到其中的最小值并赋值给c2,然后c2乘以某个0-1之间的系数之后,最终的c2作为之后计算的参考指标;
步骤4.7、设置一个大小为N,初始值为零的行向量count2;
步骤4.8、探测粒子群进行状态转移;
步骤4.11、将粒子j对应传感器r的权重与步骤4.2中设定的阈值比较大小;对于小于阈值的则count2(j)=count2(j)+1,否则不对count2(j)做处理;最后将count2(j)的值与传感器总数目和步骤4.6中求的c2之间的差值,R-c2,做比较,如果count2(j)>R-c2,就将粒子j对应传感器r的权重全部置1;
步骤4.12、判断j<N,若满足条件转步骤4.8;
步骤4.13、对根据不同传感器量测计算出来的粒子权重进行归一化:
步骤4.14、将多个传感器对同一目标粒子计算得到的权重相融合:
步骤4.15、采用系统重采样方法对粒子群进行重采样;
步骤4.16、计算目标的状态估计值,判断该目标是否为新生目标,如果不是新生目标,则输出检测目标集,如果是新生目标,则将该目标放入检测目标集,转步骤4,循环,直到检测不到新生目标,输出检测目标集;
步骤5、将新生目标集输入到跟踪目标集中,判断新生目标是否属于已跟踪目标,如果新生目标属于已跟踪目标,则剔除新生目标,反之,将其输出到最终的目标集;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248976.3A CN110058222B (zh) | 2019-03-29 | 2019-03-29 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248976.3A CN110058222B (zh) | 2019-03-29 | 2019-03-29 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110058222A CN110058222A (zh) | 2019-07-26 |
CN110058222B true CN110058222B (zh) | 2020-11-24 |
Family
ID=67318017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910248976.3A Active CN110058222B (zh) | 2019-03-29 | 2019-03-29 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058222B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853399A (zh) * | 2019-10-12 | 2020-02-28 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于超声波传感器车位检测系统的车位识别补偿方法 |
CN111812636B (zh) * | 2020-06-01 | 2023-06-13 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
CN112347208B (zh) * | 2020-10-20 | 2023-05-26 | 燕山大学 | 一种基于分布式传感网络的多目标检测与跟踪方法 |
CN112711020A (zh) * | 2020-12-08 | 2021-04-27 | 中国人民解放军海军航空大学 | 基于循环阈值距离分割的群目标跟踪方法 |
CN113687340B (zh) * | 2021-08-24 | 2024-02-23 | 重庆交通大学 | 一种基于毫米波雷达的远距离运动目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043150A (zh) * | 2010-12-06 | 2011-05-04 | 电子科技大学 | 用于微弱目标检测的改进型粒子滤波检测前跟踪方法 |
CN104181524A (zh) * | 2014-08-27 | 2014-12-03 | 电子科技大学 | 一种自适应粒子数的多目标粒子滤波检测前跟踪方法 |
JP5985372B2 (ja) * | 2012-11-28 | 2016-09-06 | 株式会社東芝 | 目標検出装置及び目標検出方法 |
CN107656265A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
CN107783104A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法 |
-
2019
- 2019-03-29 CN CN201910248976.3A patent/CN110058222B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043150A (zh) * | 2010-12-06 | 2011-05-04 | 电子科技大学 | 用于微弱目标检测的改进型粒子滤波检测前跟踪方法 |
JP5985372B2 (ja) * | 2012-11-28 | 2016-09-06 | 株式会社東芝 | 目標検出装置及び目標検出方法 |
CN104181524A (zh) * | 2014-08-27 | 2014-12-03 | 电子科技大学 | 一种自适应粒子数的多目标粒子滤波检测前跟踪方法 |
CN107656265A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
CN107783104A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法 |
Non-Patent Citations (6)
Title |
---|
A Particle Filter Track-before-detect Algorithm or Multi-Radar System;Dayu Huang,et al;《ELEKTRONIKA IR ELEKTROTECHNIKA》;20131231;全文 * |
Multisensor fusion for 3D target tracking using track-before-detect particle;Nima Moshtagh,et al;《Signal Processing, Sensor/Information Fusion, and Target Recognition》;20151231;全文 * |
Two-Layer Particle Filter for Multiple Target Detection and Tracking;ANGEL F. GARCA-FERNANDEZ,et al;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;20130731;全文 * |
低可观测多目标检测跟踪算法的研究;黄志成;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615;全文 * |
基于粒子滤波的多异步传感器检测前跟踪算法;杜郑成等;《火力与指挥控制》;20190131;全文 * |
多目标粒子滤波检测前跟踪算法研究;苟清松;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110058222A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN103885057B (zh) | 自适应变滑窗多目标跟踪方法 | |
CN106772352B (zh) | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 | |
CN109858526B (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN109143224A (zh) | 一种多目标关联方法和装置 | |
CN109521420B (zh) | 基于多特征匹配的多目标跟踪方法 | |
CN105137420A (zh) | 一种多帧积累的非相干mimo雷达检测和定位方法 | |
CN104237853B (zh) | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 | |
CN106872958A (zh) | 基于线性融合的雷达目标自适应检测方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN107656265A (zh) | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 | |
CN107703496A (zh) | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 | |
CN107340517B (zh) | 一种多传感器多帧检测前跟踪方法 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN110187335A (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN113534133B (zh) | 基于期望最大迭代算法的雷达多目标联合检测及跟踪方法 | |
CN106772299B (zh) | 一种基于距离匹配的pd雷达微弱目标动态规划检测方法 | |
CN107202989A (zh) | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 | |
CN110007299A (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN111812636B (zh) | 一种基于权重融合选择的粒子滤波检测前跟踪方法 | |
CN111366900B (zh) | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 | |
CN111505649A (zh) | 一种拖曳式被动阵列声呐低信噪比舰船运动目标检测方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
CN102621535A (zh) | 一种高效的协方差矩阵结构估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |