CN110082737A - 一种基于直方图概率多假设跟踪的微多普勒曲线提取方法 - Google Patents
一种基于直方图概率多假设跟踪的微多普勒曲线提取方法 Download PDFInfo
- Publication number
- CN110082737A CN110082737A CN201910331583.9A CN201910331583A CN110082737A CN 110082737 A CN110082737 A CN 110082737A CN 201910331583 A CN201910331583 A CN 201910331583A CN 110082737 A CN110082737 A CN 110082737A
- Authority
- CN
- China
- Prior art keywords
- target component
- micro
- kth frame
- probability
- doppler
- 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.)
- Granted
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
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
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直方图概率多假设跟踪的微多普勒曲线提取方法,包括建立目标分量的传感器模型,将微多普勒时频图看作平稳随机过程的观测直方图,计算目标分量的单元概率和微多普勒时频图的整体分辨单元概率,根据目标分量的传感器模型和时频图整体分辨单元概率计算预期测量值;根据目标分量单元概率和目标分量的参数模型计算单元质心,得到合成向量和相应的合成协方差矩阵,以及混合过程协方差矩阵;确定更新的混合概率系数,根据更新的混合概率系数计算信号强度估计值;最后通过递归的扩展卡尔曼平滑滤波估计状态,得到目标参数的估计结果。本发明能够实现低信噪比条件下对多分量微多普勒曲线的提取,且运算量较小。
Description
技术领域
本发明涉及雷达技术领域,尤其涉及一种基于直方图概率多假设跟踪的微多普勒曲线提取方法。
背景技术
在雷达目标识别中,微动(Micro-motion)作为运动目标精细特征的表现,是特定受力作用下目标结构“独一无二”的表现形式,可以作为目标识别的重要依据。在雷达目标的探测中,除了目标质心的平动之外,通常还存在着目标本身或其部分结构的微动,包括振动、转动、翻滚或进动之类的小幅运动,这种现象叫做雷达目标的微多普勒效应。雷达目标的微多普勒特征是目标运动的一种独特特征,它为目标的运动提供了精细的描述。因此,自从雷达目标的微多普勒效应被发现以来,目标的微动特性逐渐广泛地应用于目标识别、检测和分类等领域,雷达目标微动信号的检测、分离、参数估计以及特征提取等技术已成为雷达学术界的研究热点。
对于微多普勒曲线的提取问题,近几年已经有了大量的研究成果,但是现有的雷达目标微多普勒曲线的提取方法,包括Hough变换和逆Radon变换等,都存在着运算量较大的问题。另外,在低信噪比的情况下,如何对雷达弱目标进行微动特征的提取一直是研究中的一个难点,传统的基于时频变换的微多普勒曲线提取与参数估计方法在低信噪比的情况下通常无法得到比较好的结果。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于直方图概率多假设跟踪的微多普勒曲线提取方法,能够实现对低信噪比条件下多分量目标微多普勒曲线的提取,且运算量较小。
为达到上述目的,本发明采用以下技术方案予以实现。
一种基于直方图概率多假设跟踪的微多普勒曲线提取方法,包括以下步骤:
步骤1,根据已知的微多普勒曲线的时频图建立目标分量的传感器模型;
步骤2,将微多普勒时频图看作平稳随机过程的观测直方图,计算强度模型;
步骤3,计算目标分量单元概率和微多普勒时频图的整体分辨单元概率;
步骤4,根据目标分量的传感器模型和微多普勒时频图的整体分辨单元概率,计算微多普勒时频图的预期测量值;
步骤5,根据目标分量单元概率和目标分量的参数模型计算单元质心;
步骤6,根据单元质心计算合成向量和相应的合成协方差矩阵,以及混合过程协方差矩阵;
步骤7,确定更新的混合概率系数;
步骤8,通过递归的卡尔曼滤波估计状态,得到目标分量的估计结果;
步骤9,重复步骤3-8直到收敛;
步骤10,根据更新的混合概率系数,计算信号强度估计值。
本发明提供的基于直方图概率多假设跟踪的微多普勒曲线提取方法,首先根据已知的微多普勒曲线的时频图建立目标分量的传感器模型,然后将目标分量微多普勒时频图看作平稳随机过程的观测直方图,对整个时频图中的观测点用离散多项式分布建模,将所有分辨单元内的总观测点数与目标分量和杂波模型进行概率关联分配,然后用EM算法实现多目标分量模型参数的最大似然估计,最后通过卡尔曼滤波实现对多条微多普勒曲线状态参数的提取。
相比于现有的微多普勒曲线提取和参数估计的技术,本发明提供的方法能够实现低信噪比条件下对多个目标分量微多普勒曲线的提取,且运算量较小。具体来说,直方图概率多假设跟踪算法是检测前跟踪(TBD)算法中的一种,而检测前跟踪技术是专门用来处理低信噪比条件下目标跟踪问题的,且直方图概率多假设跟踪算法本身也是一种多目标跟踪算法,它的特点在于它使用的是目标概率密度函数的参数化表示而不是数值,并且它不使用似然比,这样就显著降低了算法的计算负荷。
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为本发明实施例提供的一种基于直方图概率多假设跟踪的微多普勒曲线提取方法的流程示意图;
图2为模拟微多普勒时频图的噪声背景下两条相交的正弦曲线分量;
图3为采用本发明实施例提供的提取方法所得到的第一个目标分量的估计结果;
图4为采用本发明实施例提供的提取方法所得到的第二个目标分量的估计结果;
图5为采用本发明实施例提供的提取方法所得到的第一个目标分量的估计误差;
图6为采用本发明实施例提供的提取方法所得到的第二个目标分量的估计误差;
图7为采用本发明实施例提供的提取方法所得到两个目标分量的强度值估计。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于直方图概率多假设跟踪的微多普勒曲线提取方法的流程示意图。
如图1所示,本发明实施例提供的一种基于直方图概率多假设跟踪的微多普勒曲线提取方法,包括以下步骤:
步骤1,根据已知的微多普勒曲线的时频图建立目标分量的传感器模型。
假设传感器图像被收集在NX×NY个分辨单元的矩形网格上,i为X方向上的单元索引,j为Y方向上的单元索引;
假设表示第k帧的第(i,j)个分辨单元的回波信号强度,其中包含M个目标分量,则对于点散射体形式的目标分量的传感器模型为
其中,为第k帧的第m个目标分量在X方向上的正弦曲线的离散时间变量序列,m=1,2,...,M;为第k帧的第m个目标分量在Y方向上的微多普勒曲线的频率;为第k帧的第m个目标分量的信号强度;为点扩散函数(point spread function,psf),一般来说,目标分量的点扩散函数可以看做是高斯分布的,目标分量对分辨单元的信号强度贡献由点扩散函数确定;为传感器测量噪声,假设是均值为零,方差为σ2的高斯白噪声;∑表示求和操作。
具体的,
点扩散函数和传感器测量噪声都服从二维的高斯分布,计算公式分别为和其中N(α;μ,σ2)表示参数α的均值为μ、方差为σ2的高斯分布。
图2所示为低信噪比噪声背景下两条相交的微多普勒曲线,横坐标为微多普勒曲线的离散时间变量序列,纵坐标为微多普勒曲线的离散分辨单元。从图2中可以明显的看到,在低信噪比的情况下,微多普勒曲线很容易淹没在噪声中,不能轻易的分辨出来。
步骤2,将微多普勒时频图看作平稳随机过程的观测直方图,计算强度模型。
具体的,令表示第k帧的第m个目标分量的状态参数,将微多普勒时频图看作平稳随机过程的观测直方图,按照以下公式计算第k帧的连续空间密度的强度模型,
其中,M为目标分量的个数;表示第k帧的第m个目标分量的状态参数;表示第k帧杂波的混合概率系数;表示第k帧的第m个目标分量的混合概率系数;满足G0(τ)为杂波的参数模型;为第k帧的第m个目标分量的参数模型,即目标分量对分辨单元的信号强度贡献。
步骤3,计算目标分量单元概率和微多普勒时频图的整体分辨单元概率。
具体包含以下子步骤:
子步骤3a,按照以下公式计算目标分量单元概率
为第k帧的第m个目标分量落在第(i,j)个分辨单元上的概率,其值为在该单元的积分。为第k帧的第m个目标分量的参数模型;是第k帧的第m个目标分量的状态参数。
由于Matlab无法直接进行积分的运算,因此在这里对积分式进行简化,使之能够在软件中实现。假设分辨单元(i,j)符合一个规则的网格并且目标分量的参数模型是高斯分布的,即
其中,Ψ是与目标分量参数模型相关联的协方差矩阵;目标分量的单元概率就是在分辨单元(i,j)中的目标分量概率密度函数(pdf)下面的区域,为了提高效率,本发明使第k帧的第m个目标分量的参数模型在分辨单元(i,j)上近似恒定。因此,第k帧的第m个目标分量落在第(i,j)个分辨单元上的近似单元概率为:
其中,Ψ是与目标分量参数模型相关联的协方差矩阵;是分辨单元(i,j)的中心,△τ为单元格面积;exp表示指数函数;上标-1表示求逆操作。
子步骤3b,按照以下公式计算微多普勒时频图的整体分辨单元概率
其中,表示微多普勒时频图的整体分辨单元概率;表示杂波落在第(i,j)个分辨单元上的概率,其值为G0(τ)在该单元的积分。
具体的,
第k帧的第m个目标分量落在第(i,j)个分辨单元上的概率可以直接分解成两个方向上积分的乘积,即
其中,为第k帧的第m个目标分量在X方向上的第i个分辨单元上的概率,为第k帧的第m个目标分量在Y方向上的第j个分辨单元上的概率;
那么,第m个目标分量在X方向上的栈向量为
其中,NX是X方向上单元格的数量。
类似的,第m个目标分量在Y方向上的栈向量为
其中,NY是Y方向上单元格的数量。
另外,在X方向和Y方向上的等效杂波分别为和
设HX是X方向上每个分辨单元强度贡献的矩阵,即
类似的定义Y方向上每个分辨单元强度贡献的矩阵HY。那么第k帧的第(i,j)个分辨单元上的整体分辨单元概率的矩阵形式为
其中Λ是的对角矩阵。这里可以看出,公式(11)是公式(6)的矩阵向量版本,它们是等价的,但公式(11)利用了可分离的目标分量参数模型进行了因式分解。
步骤4,根据目标分量的传感器模型和微多普勒时频图的整体分辨单元概率,计算微多普勒时频图的预期测量值。
具体为:
根据第k帧的第(i,j)个分辨单元的回波信号强度和第k帧的第(i,j)个分辨单元上的整体分辨单元概率计算第k帧的第(i,j)个分辨单元的预期测量值计算公式为:
其中,O是所有观察到的分辨单元的集合,是所有不可观察的分辨单元的集合,S是O和的集合;||Zk||为第k帧的微多普勒时频图测量函数的L1范数,令
在二维矩形网格中,归一化测量值为其中为分辨单元的预期测量值的矩阵向量形式,Matlab符号./表示元素分割,H为公式(11)中计算的第k帧的第(i,j)个分辨单元上的整体分辨单元概率的矩阵向量形式。
步骤5,根据目标分量单元概率和目标分量的参数模型计算单元质心。
具体为:
根据第k帧的第m个目标分量落在第(i,j)个分辨单元上的概率和第k帧的第m个目标分量的参数模型计算第k帧的第m个目标分量的第(i,j)个分辨单元上的单元质心计算公式如下:
对上级进行简化,单元质心是目标分量参数模型在单元上的平均值。由于是高斯的,因此,
所以得到
将其带入质心公式,得到
其中,是分辨单元(i,j)的中心,△τ为单元格面积。
在二维矩形网格中,第k帧的第m个目标分量在X方向上的第i个分辨单元上的分辨单元质心由下式给出
其中,为第k帧的第m个目标分量在X方向上的参数模型,服从一维高斯分布,即
同理,可得到第k帧的第m个目标分量在Y方向上的第j个分辨单元上的分辨单元质心的表达式为
其中,为第k帧的第m个目标分量在X方向上的参数模型,服从一维高斯分布,即
步骤6,根据单元质心计算合成向量和相应的合成协方差矩阵,以及混合过程协方差矩阵。
具体的,包含以下子步骤:
子步骤6a,根据步骤5得到的第k帧的第m个目标分量的第(i,j)个分辨单元上的单元质心计算第k帧的第m个目标分量的合成向量计算公式为:
其中,为第k帧的第m个目标分量的未缩放的混合比例估计,
子步骤6b,按照以下公式计算第k帧的第m个目标分量的合成协方差矩阵
其中,Ψ是与目标分量参数模型相关联的协方差矩阵。
子步骤6c,按照以下公式计算第k帧的第m个目标分量的混合过程协方差矩阵
其中,Qk为目标分量第k帧的离散过程噪声矩阵。
在二维矩形网格中,未缩放的混合比例估计值由下式给出
该式通过可分离的目标分量参数模型明确地分解了的计算,其中为第k帧的杂波和第m个目标分量的混合概率系数,为第m个目标分量在X方向上的栈向量,为第m个目标分量在Y方向上的栈向量,为归一化测量值。
于是,第k帧的第m个目标分量的合成向量为:
其中,
步骤7,确定更新的混合概率系数。
具体的,按照以下公式确定更新的第k帧的杂波和第m个目标分量的混合概率系数:
其中,为第k帧的第m个目标分量的未缩放的混合比例估计。
步骤8,通过递归的卡尔曼滤波估计状态,得到目标分量的估计结果。
具体的,通过以下卡尔曼滤波的递推方程,得到第k帧的第m个目标分量的状态参数
状态预测:
协方差矩阵预测:
增益矩阵:
状态更新:
协方差矩阵更新:
其中,F为状态转移矩阵,H为线性化测量矩阵,为预测前的第k帧的第m个目标分量的目标状态参数,为第k帧的第m个目标分量的卡尔曼滤波增益矩阵,表示状态估计中误差的协方差矩阵,I为单位矩阵,T表示矩阵转置。
步骤9,重复步骤3-8直到收敛。
步骤10,根据更新的混合概率系数,计算信号强度估计值。
具体的:
根据更新的第k帧的杂波和第m个目标分量的混合概率系数计算第k帧的第m个目标分量的信号强度估计值
其中,为第k帧的(i,j)个分辨单元的预期测量值;表示第k帧杂波的混合概率系数;m≥1表示第k帧的第m个目标分量的混合概率系数。
至此,即得到各个目标分量的状态参数和强度的估计结果,本发明实施例提供的基于直方图概率多假设跟踪的微多普勒曲线提取方法即结束。
本发明实施例提供基于直方图概率多假设跟踪的微多普勒曲线提取方法,首先,根据已知的微多普勒曲线的时频图建立目标分量的传感器模型,然后将目标分量微多普勒时频图看作平稳随机过程的观测直方图,对整个时频图中的观测点用离散多项式分布建模,将所有分辨单元内的总观测点数与目标分量和杂波模型进行概率关联分配,然后用EM算法实现多个目标分量模型参数的最大似然估计,最后通过卡尔曼滤波实现对多条微多普勒曲线状态参数的提取。
相比于现有技术,本发明上述方案能够实现低信噪比条件下对多个目标分量微多普勒曲线的提取,且运算量较小。具体来说,直方图概率多假设跟踪算法是检测前跟踪(TBD)算法中的一种,而检测前跟踪技术是专门用来处理低信噪比条件下目标跟踪问题的,且直方图概率多假设跟踪算法本身也是一种多目标跟踪算法,它的特点在于它使用的是目标概率密度函数的参数化表示而不是数值,并且它不使用似然比,这样就显著降低了算法的计算负荷。
以下通过仿真实验对本发明上述效果作进一步验证说明:
(一)实验场景:
为了验证本发明提出的使用直方图概率多假设跟踪算法提取微多普勒曲线的方法,进行仿真实验。参数设置如下:分辨单元Ts=0.01,目标分量1的角速度ω1=12πrad/s,幅度A1=20,相位信噪比SNR1=5dB;目标分量2的角速度ω2=12πrad/s,幅度A2=20,相位信噪比SNR2=6dB,观测帧数取70帧。
(二)仿真方法
为验证本发明采用的方法,使用该方法对低信噪比条件下两条相交的微多普勒曲线进行分离,进行MATLAB仿真分析。
(三)仿真内容
用本发明方法进行低信噪比条件下两条相交的微多普勒曲线的分离,仿真结果如图3到图7所示,图3为采用本发明方法得到的第一个目标分量的估计结果,图4为采用本发明方法得到的第二个目标分量的估计结果,图5为采用本发明方法得到的第一个目标分量的估计误差,图6为采用本发明方法得到的第二个目标分量的估计误差,图7为两个目标分量的强度值估计。
(四)实验结果分析
由仿真结果图3、图4、图5、图6和图7可以看出,使用本发明方法可以在低信噪比的条件下有效分离两条微多普勒曲线,提高了微多普勒曲线提取方法的抗噪性。
仿真实验表明,本发明的基于直方图概率多假设跟踪的微多普勒曲线提取方法将检测前跟踪技术与微多普勒曲线提取方法相结合,可以在低信噪比条件下对多个目标分量的微多普勒曲线进行分离,证明了该方法对多个目标分量的微多普勒曲线提取的有效性,提高了雷达目标分量微多普勒曲线提取的抗噪性。
本领域普通技术人员可以理解:
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,包括以下步骤:
步骤1,根据已知的微多普勒曲线的时频图建立目标分量的传感器模型;
步骤2,将微多普勒时频图看作平稳随机过程的观测直方图,计算强度模型;
步骤3,计算目标分量单元概率和微多普勒时频图的整体分辨单元概率;
步骤4,根据目标分量的传感器模型和微多普勒时频图的整体分辨单元概率,计算微多普勒时频图的预期测量值;
步骤5,根据目标分量单元概率和目标分量的参数模型计算单元质心;
步骤6,根据单元质心计算合成向量和相应的合成协方差矩阵,以及混合过程协方差矩阵;
步骤7,确定更新的混合概率系数;
步骤8,通过递归的卡尔曼滤波估计状态,得到目标分量的估计结果;
步骤9,重复步骤3-8直到收敛;
步骤10,根据更新的混合概率系数,计算信号强度估计值。
2.根据权利要求1所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤1具体为:
假设传感器图像被收集在NX×NY个分辨单元的矩形网格上,i为X方向上的单元索引,j为Y方向上的单元索引;
假设表示第k帧的第(i,j)个分辨单元的回波信号强度,其中包含M个目标分量,则对于点散射体形式的目标分量的传感器模型为
其中,为第k帧的第m个目标分量在X方向上的正弦曲线的离散时间变量序列,m=1,2,...,M;为第k帧的第m个目标分量在Y方向上的微多普勒曲线的频率;为第k帧的第m个目标分量的信号强度;为点扩散函数;为传感器测量噪声;∑表示求和操作。
3.根据权利要求2所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤2具体为:
令表示第k帧的第m个目标分量的状态参数,将微多普勒时频图看作平稳随机过程的观测直方图,按照以下公式计算第k帧的连续空间密度的强度模型,
其中,M为目标分量的个数;表示第k帧的第m个目标分量的状态参数;表示第k帧杂波的混合概率系数;表示第k帧的第m个目标分量的混合概率系数;满足G0(τ)为杂波的参数模型;为第k帧的第m个目标分量的参数模型,即目标分量对分辨单元的信号强度贡献。
4.根据权利要求3所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤3包含以下子步骤:
子步骤3a,按照以下公式计算目标分量单元概率:
其中,为第k帧的第m个目标分量落在第(i,j)个分辨单元上的概率;
子步骤3b,按照以下公式计算微多普勒时频图的整体分辨单元概率
其中,表示微多普勒时频图的整体分辨单元概率;表示杂波落在第(i,j)个分辨单元上的概率,其值为G0(τ)在该单元的积分。
5.根据权利要求4所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤4具体为:
按照以下公式计算微多普勒时频图的预期测量值,
其中,表示第k帧的第(i,j)个分辨单元的预期测量值;O是所有观察到的分辨单元的集合,是所有不可观察的分辨单元的集合,S是O和的集合;||Zk||为第k帧的微多普勒时频图测量函数的L1范数,令
6.根据权利要求5所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤5具体为:
按照以下公式计算第k帧的第m个目标分量在第(i,j)个分辨单元上的单元质心
7.根据权利要求6所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤6包括以下子步骤:
子步骤6a,根据第k帧的第m个目标分量在第(i,j)个分辨单元上的单元质心按照以下公式计算第k帧的第m个目标分量的合成向量
其中,为第k帧的第m个目标分量的未缩放的混合比例估计,
子步骤6b,按照以下公式计算第k帧的第m个目标分量的合成协方差矩阵
其中,Ψ是与目标分量参数模型相关联的协方差矩阵;
子步骤6c,按照以下公式计算第k帧的第m个目标分量的混合过程协方差矩阵
其中,Qk为目标分量第k帧的离散过程噪声矩阵。
8.根据权利要求7所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤7具体为:
按照以下公式确定第k帧的第m个目标分量更新的混合概率系数,
9.根据权利要求8所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤8中,通过以下卡尔曼滤波的递推方程,得到第k帧的第m个目标分量的状态参数
状态预测:
协方差矩阵预测:
增益矩阵:
状态更新:
协方差矩阵更新:
其中,F为状态转移矩阵,H为线性化测量矩阵,为预测前的第k帧的第m个目标分量的目标状态参数,为预测前的第k+1帧的第m个目标分量的目标状态参数,为第k帧的第m个目标分量的卡尔曼滤波增益矩阵,表示状态估计中误差的协方差矩阵,I为单位矩阵,上标T表示矩阵转置。
10.根据权利要求9所述的基于直方图概率多假设跟踪的微多普勒曲线提取方法,其特征在于,步骤10具体为:
根据第k帧的第m个目标分量更新的混合概率系数计算第k帧的第m个目标分量的信号强度估计值
其中,为第k帧的(i,j)个分辨单元的预期测量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331583.9A CN110082737B (zh) | 2019-04-24 | 2019-04-24 | 一种基于直方图概率多假设跟踪的微多普勒曲线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331583.9A CN110082737B (zh) | 2019-04-24 | 2019-04-24 | 一种基于直方图概率多假设跟踪的微多普勒曲线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110082737A true CN110082737A (zh) | 2019-08-02 |
CN110082737B CN110082737B (zh) | 2022-11-18 |
Family
ID=67416382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910331583.9A Active CN110082737B (zh) | 2019-04-24 | 2019-04-24 | 一种基于直方图概率多假设跟踪的微多普勒曲线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110082737B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360336A (zh) * | 2014-11-24 | 2015-02-18 | 电子科技大学 | 一种自适应提取雷达目标微动周期的新方法 |
US20170254893A1 (en) * | 2016-03-03 | 2017-09-07 | Raytheon Company | System and method for estimating number and range of a plurality of moving targets |
CN107688179A (zh) * | 2017-08-07 | 2018-02-13 | 上海无线电设备研究所 | 基于多普勒信息辅助的综合概率数据互联方法 |
-
2019
- 2019-04-24 CN CN201910331583.9A patent/CN110082737B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360336A (zh) * | 2014-11-24 | 2015-02-18 | 电子科技大学 | 一种自适应提取雷达目标微动周期的新方法 |
US20170254893A1 (en) * | 2016-03-03 | 2017-09-07 | Raytheon Company | System and method for estimating number and range of a plurality of moving targets |
CN107688179A (zh) * | 2017-08-07 | 2018-02-13 | 上海无线电设备研究所 | 基于多普勒信息辅助的综合概率数据互联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110082737B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN104297748B (zh) | 一种基于轨迹增强的雷达目标检测前跟踪方法 | |
Reuter | Multi-object tracking using random finite sets | |
CN104931934B (zh) | 一种基于pam聚类分析的雷达点迹凝聚方法 | |
CN106405538B (zh) | 一种适用于杂波环境的多目标跟踪方法及跟踪系统 | |
CN102968799A (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
WO2018098926A1 (zh) | 一种适用于闪烁噪声的多目标跟踪方法及系统 | |
Fu et al. | Aircraft recognition in SAR images based on scattering structure feature and template matching | |
Lan et al. | Vehicle detection and recognition based on a MEMS magnetic sensor | |
Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
CN110674674A (zh) | 一种基于yolo v3的旋转目标检测方法 | |
CN105913074A (zh) | 基于幅度与径向速度联合的sar图像动目标聚类方法 | |
CN110443830A (zh) | 一种基于混合高斯背景模型的降水云团检测方法 | |
CN116745653A (zh) | 使用生成式神经网络的临近预报 | |
CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
CN106707272A (zh) | 一种基于随机集理论的多目标跟踪方法 | |
KR101834063B1 (ko) | 주성분 분석 기법을 이용한 역합성 개구면 레이더 영상의 횡단거리방향 스케일링 장치 및 그 방법 | |
CN110082737A (zh) | 一种基于直方图概率多假设跟踪的微多普勒曲线提取方法 | |
Hlinomaz et al. | A multi-rate multiple model track-before-detect particle filter | |
Wang et al. | Forewarning method of downburst based on feature recognition and extrapolation | |
Chen et al. | Maneuvering target tracking from nautical radar images using particle-Kalman filters | |
CN106908782B (zh) | 基于水面状态连续成像系统的波浪传播方向的提取方法 | |
Ikoma et al. | Maneuvering target tracking by using particle filter | |
CN104063615A (zh) | 一种基于变系数α-β滤波器的目标跟踪方法与跟踪系统 |
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 |