CN110376579B - 一种机动目标动态规划检测前跟踪方法 - Google Patents

一种机动目标动态规划检测前跟踪方法 Download PDF

Info

Publication number
CN110376579B
CN110376579B CN201910658669.2A CN201910658669A CN110376579B CN 110376579 B CN110376579 B CN 110376579B CN 201910658669 A CN201910658669 A CN 201910658669A CN 110376579 B CN110376579 B CN 110376579B
Authority
CN
China
Prior art keywords
target
frame
states
state
radar
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
Application number
CN201910658669.2A
Other languages
English (en)
Other versions
CN110376579A (zh
Inventor
孟宁
史小斌
黄金杰
高青松
连豪
同非
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Electronic Engineering Research Institute
Original Assignee
Xian Electronic Engineering Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Electronic Engineering Research Institute filed Critical Xian Electronic Engineering Research Institute
Priority to CN201910658669.2A priority Critical patent/CN110376579B/zh
Publication of CN110376579A publication Critical patent/CN110376579A/zh
Application granted granted Critical
Publication of CN110376579B publication Critical patent/CN110376579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S7/41—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种机动目标动态规划检测前跟踪方法，针对实际工程中存在的非线性系统模型，利用不敏卡尔曼滤波步骤中状态预测操作来预测目标在下一帧的位置，进而得到相邻两帧之间的转移步长，转移步长在自适应的改变，实现了沿着目标运动方向的目标信号能量的有效积累，从而达到目标有效。

Description

一种机动目标动态规划检测前跟踪方法
技术领域
本发明属于雷达目标检测跟踪技术领域，特别涉及雷达系统中微弱目标的检测前跟踪技术。
背景技术
检测前跟踪是对微弱目标进行检测和跟踪的一种技术。和传统检测方法相比，该方法不对单帧的雷达回波数据做目标检测判决，而是对多帧原始回波进行联合处理，以充分挖掘目标信息并抑制噪声杂波，实现最优化传感器的探测性能。由于没有对单帧数据进行检测处理，检测前跟踪保留了更多的目标信息，检测前跟踪的本质是通过长时间积累来提高目标信号信噪比。检测前跟踪方法嵌入了目标跟踪处理过程，解决了部分的数据互联问题，因此在检测判决的同时还可以估计出相应的航迹。
基于动态规划的微弱目标检测前跟踪方法最早应用于红外弱目标的检测，近年来该方法已被应用于雷达目标信号检测，但上述应用均假设为匀速或弱机动运动状态。但当目标做强机动运动时，由于目标运动速度(大小或方向)变化大，目标初速度确定的状态转移步长不能每时每刻匹配目标真实速度，从而不能有效地对目标进行检测和跟踪。国内外学者针对这一问题做了一定的研究。文献“一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法，电子与信息学报，34(4):885-890，2012”提出利用二阶马尔科夫模型对目标和量测进行建模，并设计了一种基于目标转弯角度的转移概率模型，用来修正检测前跟踪的积累统计值。在系统模型线性的条件下，文献“A Kalman filtering-baseddynamic programming track-before-detect algorithm for turn target,Proc ofICCCAS,Chengdu,China,449-452,2010”把卡尔曼滤波引入动态规划检测前跟踪方法，有效提高了算法对转弯机动目标的检测跟踪性能。针对加速度机动目标，文献“A DP-TBDalgorithm with adaptive state transition set for maneuvering targets,Proc ofCIE International Conference on Radar,Guangzhou,China,4-8,2016”采用基于卡尔曼滤波的动态规划检测前跟踪方法实现了目标的有效跟踪。上述方法均要求系统为线性模型，应用具有局限性。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种机动目标动态规划检测前跟踪方法。
技术方案
一种机动目标动态规划检测前跟踪方法，其特征在于步骤如下：
步骤1：初始化系统参数：
初始化系统参数包括：雷达x方向距离分辨力Δx；雷达y方向距离分辨力Δy；雷达x方向距离分辨单元个数Nx；雷达y方向距离分辨单元个数Ny；状态转移数q；采用蒙特卡洛仿真试验计算出的门限VT；目标回波幅度A；无迹卡尔曼滤波初始化协方差P0；观测间隔T；观测总帧数K；初始化当前帧数k＝1；
步骤2：从雷达接收机中读取第1帧量测并离散化处理得到
Figure BDA0002137749380000021
所述的
Figure BDA0002137749380000022
表示第1帧对应于原始量测
Figure BDA0002137749380000023
的任一离散量化状态；其中，表示离散操作，
Figure BDA0002137749380000024
和
Figure BDA0002137749380000025
分别表示x方向距离分辨单元和y方向距离分辨单元的位置量化状态，
Figure BDA0002137749380000026
和
Figure BDA0002137749380000027
分别表示x方向和y方向距离维的速度量化状态；
步骤3：k＝1时，对所有状态X1对应的值函数I(X1)赋初值为z(X1)；
步骤4：动态规划值函数积累：当2≤k≤K时，进行如下步骤：
步骤4.1：利用不敏卡尔曼滤波实现下一时刻状态预测
Figure BDA0002137749380000028
Figure BDA0002137749380000029
表示目标在k-1时刻对k时刻状态预测值，x″k和y″k分别表示目标在x和y方向的距离状态，
Figure BDA0002137749380000031
和
Figure BDA0002137749380000032
分别表示目标在x和y方向的速度状态；
步骤4.2、对下一时刻状态预测值进行离散化，
Figure BDA0002137749380000033
Figure BDA0002137749380000034
和
Figure BDA0002137749380000035
分别表示目标下一时刻在x和y方向的距离状态预测值离散化后的结果，
Figure BDA0002137749380000036
和
Figure BDA0002137749380000037
分别表示目标在x和y方向的速度状态预测值离散化后的结果；
步骤4.3、计算第k-1帧和第k帧之间状态转移步长
Figure BDA0002137749380000038
步骤4.4、更新所有状态
Figure BDA0002137749380000039
对应的值函数
Figure BDA00021377493800000310
并记录状态
Figure BDA00021377493800000311
对应的上一帧状态
Figure BDA00021377493800000312
其中，
Figure BDA00021377493800000313
表示第k-1帧以
Figure BDA00021377493800000314
为转移步长的
Figure BDA00021377493800000315
可能转移到
Figure BDA00021377493800000316
的量化状态集合；
步骤5：如果k<K，令k＝k+1，返回步骤4；
步骤6：门限检测：如果k＝K，值函数积累结束，根据门限VT，找出：
Figure BDA00021377493800000317
这里采用
Figure BDA00021377493800000318
的最大值进行门限检测，
Figure BDA00021377493800000319
表示第k帧的估计状态；
步骤7：航迹回溯：
利用记录的帧间状态转移关系，恢复值函数最大值所对应的航迹，作为估计的状态序列，表示为
Figure BDA00021377493800000320
其中k＝K-1,…,1。
有益效果
本发明提出的一种机动目标动态规划检测前跟踪方法，针对实际工程中存在的非线性系统模型，本发明利用不敏卡尔曼滤波步骤中状态预测操作来预测目标在下一帧的位置，进而得到相邻两帧之间的转移步长，转移步长在自适应的改变，实现了沿着目标运动方向的目标信号能量的有效积累，从而达到目标有效。
附图说明
图1图1为本发明方法的流程图
图2图2为传统检测前跟踪和本发明方法精确航迹跟踪概率曲线图
图3图3为本发明方法的目标值函数累积图(ω＝0.12rad/s)
图4为目标真实航迹和本发明方法恢复航迹图(ω＝0.12rad/s)
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明采用计算机仿真的方法进行验证，所有步骤、结论都在MATLAB-R2016a上验证正确。具体实施步骤如下：
步骤1、初始化系统参数：
初始化系统参数包括：雷达x方向距离分辨力Δx＝1m；雷达y方向距离分辨力Δy＝1m；雷达x方向距离分辨单元个数Nx＝400；雷达y方向距离分辨单元个数Ny＝400；状态转移数q＝9；采用蒙特卡洛仿真试验计算出的门限VT＝25.745752；目标回波幅度
Figure BDA0002137749380000041
无迹卡尔曼滤波初始化协方差
Figure BDA0002137749380000042
观测间隔T＝1s；观测总帧数K＝11；初始化当前帧数k＝1。
步骤2、从雷达接收机中读取第1帧量测并离散化处理得到
Figure BDA0002137749380000043
Figure BDA0002137749380000044
表示第1帧对应于原始量测
Figure BDA0002137749380000045
的任一离散量化状态。其中，表示离散操作，
Figure BDA0002137749380000046
和
Figure BDA0002137749380000047
分别表示x方向距离分辨单元和y方向距离分辨单元的位置量化状态，
Figure BDA0002137749380000048
和
Figure BDA0002137749380000049
分别表示x方向和y方向距离维的速度量化状态。
步骤3、k＝1时，对所有状态X1对应的值函数I(X1)赋初值为z(X1)。
步骤4、动态规划值函数积累：当2≤k≤K时
步骤4.1、利用不敏卡尔曼滤波实现下一时刻状态预测
Figure BDA00021377493800000410
Figure BDA00021377493800000411
表示目标在k-1时刻对k时刻状态预测值，x″k和y″k分别表示目标在x和y方向的距离状态，
Figure BDA00021377493800000412
和
Figure BDA00021377493800000413
分别表示目标在x和y方向的速度状态。
步骤4.2、对下一时刻状态预测值进行离散化，
Figure BDA0002137749380000051
Figure BDA0002137749380000052
和
Figure BDA0002137749380000053
分别表示目标下一时刻在x和y方向的距离状态预测值离散化后的结果，
Figure BDA0002137749380000054
和
Figure BDA0002137749380000055
分别表示目标在x和y方向的速度状态预测值离散化后的结果。
步骤4.3、计算第k-1帧和第k帧之间状态转移步长
Figure BDA0002137749380000056
步骤4.4、更新所有状态
Figure BDA0002137749380000057
对应的值函数
Figure BDA0002137749380000058
并记录状态
Figure BDA0002137749380000059
对应的上一帧状态
Figure BDA00021377493800000510
其中，
Figure BDA00021377493800000511
表示第k-1帧以
Figure BDA00021377493800000512
为转移步长的
Figure BDA00021377493800000513
可能转移到
Figure BDA00021377493800000514
的量化状态集合。
步骤5、如果k<K，令k＝k+1，返回步骤4。
步骤6、门限检测。如果k＝K，值函数积累结束，根据门限VT，找出：
Figure BDA00021377493800000515
这里采用
Figure BDA00021377493800000516
的最大值进行门限检测，
Figure BDA00021377493800000517
表示第k帧的估计状态。
步骤7、航迹回溯。
利用记录的帧间状态转移关系，恢复值函数最大值所对应的航迹，作为估计的状态序列，表示为
Figure BDA00021377493800000518
其中k＝K-1,…,1。
航迹精确跟踪概率为对于恢复出的目标航迹满足每一帧估计的目标位置与真实目标位置误差小于2个距离分辨单元。对于4帧回波数据，从图2可以看出当机动角速度ω>0.1rad/s时常规动态规划检测前跟踪方法已经跟踪失效。不管ω为多大，本发明方法的航迹精确跟踪概率均接近1。也就是说，对于转弯强机动目标，基于无迹卡尔曼的动态规划检测前跟踪方法可以实现目标跟踪，而常规动态规划检测前跟踪方法跟踪失效。图3为本发明方法对强机动目标(ω＝0.12rad/s)的值函数累积图，可以看出目标值函数可以有效累积。图4为目标真实航迹和本发明恢复航迹图，可以看出对强机动目标(ω＝0.12rad/s)，本发明方法可以有效地跟踪雷达目标。

Claims (1)

1.一种机动目标动态规划检测前跟踪方法，其特征在于步骤如下：
步骤1：初始化系统参数：
初始化系统参数包括：雷达x方向距离分辨力Δx；雷达y方向距离分辨力Δy；雷达x方向距离分辨单元个数Nx；雷达y方向距离分辨单元个数Ny；状态转移数q；采用蒙特卡洛仿真试验计算出的门限VT；目标回波幅度A；无迹卡尔曼滤波初始化协方差P0；观测间隔T；观测总帧数K；初始化当前帧数k＝1；
步骤2：从雷达接收机中读取第1帧量测并离散化处理得到
Figure FDA0002137749370000011
所述的
Figure FDA0002137749370000012
表示第1帧对应于原始量测
Figure FDA0002137749370000013
的任一离散量化状态；其中，
Figure FDA00021377493700000126
表示离散操作，
Figure FDA0002137749370000014
和
Figure FDA0002137749370000015
分别表示x方向距离分辨单元和y方向距离分辨单元的位置量化状态，
Figure FDA0002137749370000016
和
Figure FDA0002137749370000017
分别表示x方向和y方向距离维的速度量化状态；
步骤3：k＝1时，对所有状态X1对应的值函数I(X1)赋初值为z(X1)；
步骤4：动态规划值函数积累：当2≤k≤K时，进行如下步骤：
步骤4.1：利用不敏卡尔曼滤波实现下一时刻状态预测
Figure FDA0002137749370000018
Figure FDA0002137749370000019
表示目标在k-1时刻对k时刻状态预测值，x”k和y”k分别表示目标在x和y方向的距离状态，
Figure FDA00021377493700000110
和
Figure FDA00021377493700000111
分别表示目标在x和y方向的速度状态；
步骤4.2、对下一时刻状态预测值进行离散化，
Figure FDA00021377493700000112
Figure FDA00021377493700000113
和
Figure FDA00021377493700000114
分别表示目标下一时刻在x和y方向的距离状态预测值离散化后的结果，
Figure FDA00021377493700000115
和
Figure FDA00021377493700000116
分别表示目标在x和y方向的速度状态预测值离散化后的结果；
步骤4.3、计算第k-1帧和第k帧之间状态转移步长
Figure FDA00021377493700000117
步骤4.4、更新所有状态
Figure FDA00021377493700000118
对应的值函数
Figure FDA00021377493700000119
并记录状态
Figure FDA00021377493700000120
对应的上一帧状态
Figure FDA00021377493700000121
其中，
Figure FDA00021377493700000122
表示第k-1帧以
Figure FDA00021377493700000123
为转移步长的
Figure FDA00021377493700000124
可能转移到
Figure FDA00021377493700000125
的量化状态集合；
步骤5：如果k<K，令k＝k+1，返回步骤4；
步骤6：门限检测：如果k＝K，值函数积累结束，根据门限VT，找出：
Figure FDA0002137749370000021
这里采用
Figure FDA0002137749370000022
的最大值进行门限检测，
Figure FDA0002137749370000023
表示第k帧的估计状态；
步骤7：航迹回溯：
利用记录的帧间状态转移关系，恢复值函数最大值所对应的航迹，作为估计的状态序列，表示为
Figure FDA0002137749370000024
其中k＝K-1,…,1。
CN201910658669.2A 2019-07-22 2019-07-22 一种机动目标动态规划检测前跟踪方法 Active CN110376579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910658669.2A CN110376579B (zh) 2019-07-22 2019-07-22 一种机动目标动态规划检测前跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910658669.2A CN110376579B (zh) 2019-07-22 2019-07-22 一种机动目标动态规划检测前跟踪方法

Publications (2)

Publication Number Publication Date
CN110376579A CN110376579A (zh) 2019-10-25
CN110376579B true CN110376579B (zh) 2023-04-18

Family

ID=68254445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910658669.2A Active CN110376579B (zh) 2019-07-22 2019-07-22 一种机动目标动态规划检测前跟踪方法

Country Status (1)

Country Link
CN (1) CN110376579B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204891A (zh) * 2021-05-24 2021-08-03 中国人民解放军空军预警学院 基于指数平滑预测的dp-tbd算法跟踪方法及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010181272A (ja) * 2009-02-05 2010-08-19 Toshiba Corp レーダ信号処理装置とその目標判定方法
CN104714225A (zh) * 2015-03-25 2015-06-17 电子科技大学 一种基于广义似然比的动态规划检测前跟踪方法
CN104793200A (zh) * 2015-04-09 2015-07-22 电子科技大学 一种基于迭代处理的动态规划检测前跟踪方法
CN105974402A (zh) * 2016-04-29 2016-09-28 电子科技大学 适用于脉冲多普勒雷达的机动目标多帧检测前跟踪方法
CN109946671A (zh) * 2019-04-12 2019-06-28 哈尔滨工程大学 一种基于双门限判决的水下机动弱目标检测跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010181272A (ja) * 2009-02-05 2010-08-19 Toshiba Corp レーダ信号処理装置とその目標判定方法
CN104714225A (zh) * 2015-03-25 2015-06-17 电子科技大学 一种基于广义似然比的动态规划检测前跟踪方法
CN104793200A (zh) * 2015-04-09 2015-07-22 电子科技大学 一种基于迭代处理的动态规划检测前跟踪方法
CN105974402A (zh) * 2016-04-29 2016-09-28 电子科技大学 适用于脉冲多普勒雷达的机动目标多帧检测前跟踪方法
CN109946671A (zh) * 2019-04-12 2019-06-28 哈尔滨工程大学 一种基于双门限判决的水下机动弱目标检测跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Tracking Approach Based On Dynamic Programming Track-Before-Detect;Wei Yi;《IEEE》;20091231;全文 *
一种无格点动态规划检测前跟踪算法研究;何璐雅等;《现代雷达》;20190630;第41卷(第6期);全文 *

Also Published As

Publication number Publication date
CN110376579A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN103729859B (zh) 一种基于模糊聚类的概率最近邻域多目标跟踪方法
CN109946671B (zh) 一种基于双门限判决的水下机动弱目标检测跟踪方法
CN103471589B (zh) 一种室内行人行走模式识别和轨迹追踪的方法
KR101402206B1 (ko) 운동학 및 형상 정보를 활용한 다중 표적 추적 방법
CN105372659A (zh) 道路交通监控多目标探测跟踪方法及跟踪系统
CN107436434B (zh) 基于双向多普勒估计的航迹起始方法
CN103047982B (zh) 基于角度信息的目标自适应跟踪方法
CN115840221B (zh) 基于4d毫米波雷达实现目标特征提取与多目标跟踪的方法
CN110517286B (zh) 基于多智能体控制的单目标动态跟踪与围捕方法
CN104199022A (zh) 一种基于目标模态估计的临近空间高超声速目标跟踪方法
CN107576959A (zh) 一种基于区域映射解模糊的高重频雷达目标检测前跟踪方法
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN110376579B (zh) 一种机动目标动态规划检测前跟踪方法
CN109357675A (zh) 基于卡尔曼滤波的记忆跟踪算法
CN107064865A (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
CN105913080B (zh) 基于随机矩阵机动非椭圆扩展目标的联合跟踪与分类方法
CN111259332B (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
CN106291530B (zh) 一种基于最近邻法的概率数据关联优化方法
CN111832343B (zh) 跟踪方法和装置、存储介质
CN108010066A (zh) 基于红外目标灰度互相关和角度信息的多假设跟踪方法
CN106226750A (zh) 一种针对多帧联合检测的点迹序列平滑滤波方法
CN105353352B (zh) 改进搜索策略的mm‑pphdf机动多目标跟踪方法
JP4488185B2 (ja) 目標追尾装置
CN115220002B (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
Wang et al. Research on multi-maneuvering target tracking JPDA algorithm

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