CN110646790A - 一种用于雷达组网失序量测集中式融合的目标跟踪方法 - Google Patents

一种用于雷达组网失序量测集中式融合的目标跟踪方法 Download PDF

Info

Publication number
CN110646790A
CN110646790A CN201910942461.3A CN201910942461A CN110646790A CN 110646790 A CN110646790 A CN 110646790A CN 201910942461 A CN201910942461 A CN 201910942461A CN 110646790 A CN110646790 A CN 110646790A
Authority
CN
China
Prior art keywords
sequence
measurement
latest
time
sequential
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
Application number
CN201910942461.3A
Other languages
English (en)
Other versions
CN110646790B (zh
Inventor
杨晓波
杨琪
刘克柱
汤窈颖
柴雷
易伟
孔令讲
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910942461.3A priority Critical patent/CN110646790B/zh
Publication of CN110646790A publication Critical patent/CN110646790A/zh
Application granted granted Critical
Publication of CN110646790B publication Critical patent/CN110646790B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种用于雷达组网失序量测集中式融合的目标跟踪方法，应用于雷达组网目标跟踪技术领域，为解决雷达组网系统中由于数据预处理和信息传输时间不同导致的失序量测问题；本发明首先判断当前量测是否是顺序量测，若是则采用标准GM‑PHD滤波算法获得顺序滤波后验强度；否则进行失序量测融合更新；即先对最新顺序滤波后验强度进行反向预测求解失序量测产生时刻的预测强度，然后联合失序量测产生时刻的预测强度和失序量测求解最新顺序时刻的失序量测更新强度，并提取多目标状态估计值，最后对失序量测更新强度和对应的状态估计值进行势补偿，获得最新顺序时刻的融合后验强度和对应的状态估计值；本发明方法相比于现有技术的跟踪精度更高。

Description

一种用于雷达组网失序量测集中式融合的目标跟踪方法
技术领域
本发明属于雷达组网目标跟踪技术领域，特别涉及一种异步雷达组网失序量测集中式融合跟踪技术。
背景技术
在现代战场环境下，由于电子干扰、反辐射导弹、低空/超低空突防和隐身技术的威胁，依靠单雷达来提供信息已经无法满足作战需求。雷达组网将不同频段、不同体质的多个雷达通过数据传输链路连接起来，形成了一个全方位、立体化、多层次的战斗体系，各雷达站点间优势互补、资源共享，有效地提高了系统的生存能力和战斗能力，已经广泛地应用于防空预警、目标跟踪等领域。特别地，在目标跟踪过程中，为了获得最佳的跟踪结果，各雷达站点往往将局部量测数据传送到融合中心，由融合中心统一处理，从而获得最优的目标状态估计结果。
然而，在各局部雷达将量测数据传送到融合中心的过程中，由于各雷达站点的信息传输速率不同，造成信息数据存在积压现象，从而导致量测数据到达融合中心时存在时间延迟；另外，各局部雷达的数据预处理时间不同，也会导致局部量测到达融合中心时存在不同程度的延迟，这些时延问题往往引发到达融合中心的量测失序，即产生失序量测问题。一种直观的方法是将历史量测进行存储，每当失序量测到达，就按照时戳顺序对量测进行重新排序重新滤波，但是在雷达组网系统中雷达站点过多，且各局部雷达采样得到的量测包含源于真实目标的量测和大量的杂波干扰，存储量过大，不适用于实时跟踪。另一种简单的方法是直接忽略失序量测，仅对顺序量测进行更新，该方法操作简单，但是在组网雷达系统中往往存在大量的失序量测，该方法会严重损失有用信息，导致跟踪性能差，甚至可能丢失目标。文献“Out-of-sequence measurement processing for particle filter:ExactBayesian solution,vol.48,no.4,pp.2818-2831,2012”提出了一种基于粒子滤波的失序量测更新融合方法，但是该方法仅考虑了单目标跟踪场景，无法扩展并应用于实际多目标跟踪场景中。文献“A Bayesian solution and its approximations to out-of-sequencemeasurement problem,Information Fusion,vol.4,no.3,pp.185-199,2003”提出了一种基于概率数据关联滤波的更新算法，该方法有效地解决了杂波环境下目标跟踪场景中的失序量测更新融合问题，但是该方法基于传统数据关联滤波算法，计算量大，且要求多个目标间无交叉，适用范围小。
发明内容
本发明提出一种用于雷达组网失序量测集中式融合的目标跟踪方法，在随机集理论框架下，利用GM-PHD滤波算法实现了失序量测的更新并对更新后的多目标后验强度和状态估计值进行了势补偿，有效地解决了雷达组网目标跟踪系统中失序量测更新融合的问题。
本发明采用的技术方案为：一种用于雷达组网失序量测集中式融合的目标跟踪方法，若当前量测为顺序量测，则采用标准GM-PHD(Gaussian Mixture-ProbabilityHypothesis Density)滤波算法获得顺序滤波后验强度；否则进行失序量测融合更新；所述失序量测融合更新具体为：对最新顺序滤波后验强度进行反向预测求解失序量测产生时刻的预测强度，然后联合失序量测产生时刻的预测强度和失序量测求解最新顺序时刻的失序量测更新强度，并提取多目标状态估计值，最后，对最新顺序时刻的失序量测更新强度和对应的状态估计值进行势补偿，获得最新顺序时刻的融合后验强度和对应的状态估计值。
进一步地，所述对失序量测更新强度和对应的状态估计值进行势补偿，具体过程为：
当失序量测产生时刻与最新顺序时刻之间没有新生目标，则采用最新顺序时刻的失序量测更新强度代替顺序滤波后验强度，作为最新顺序时刻的融合后验强度；以最新顺序时刻的失序量测更新强度对应的多目标状态估计值代替顺序滤波强度对应的多目标状态估计值，作为融合后的多目标状态估计值；
当失序量测产生时刻与最新顺序时刻之间存在新生目标，若顺序滤波强度对应的多目标状态估计值中的某个单目标状态为失序量测产生时刻与最新顺序时刻之间的新生目标状态，则将该单目标状态进行标记；根据标记得到的所有新生目标状态与最新顺序时刻的失序量测更新强度对应的多目标状态估计值，得到融合后的多目标状态估计值；根据标记得到的所有新生目标状态对应的顺序滤波后验强度与最新顺序时刻的失序量测更新强度，得到融合后的后验强度。
更进一步地，失序量测产生时刻与最新顺序时刻之间是否存在新生目标的判断过程为：
首先计算顺序滤波得到的目标数目估计值，与最新顺序时刻失序量测更新后得到的目标数目估计值；
若最新顺序时刻失序量测更新后得到的目标数目估计值与顺序滤波得到的目标数目估计值相等，则失序量测产生时刻与最新顺序时刻之间不存在新生目标；否则存在新生目标。
进一步地，判断顺序滤波强度对应的多目标状态估计值中的某个单目标状态为失序量测产生时刻与最新顺序时刻之间的新生目标状态的过程为：
若顺序滤波强度对应的多目标状态估计值中的某个单目标状态与最新顺序时刻的失序量测更新强度对应的每个目标状态估计值之间的欧几里得距离均大于预设门限，则该单目标状态为失序量测产生时刻与最新顺序时刻之间的新生目标状态；否则该单目标状态不是失序量测产生时刻与最新顺序时刻之间的新生目标状态。
进一步地，所述提取多目标状态估计值，具体为：选择最新顺序时刻的失序量测更新强度中权值大于0.5的高斯分量，组成多目标状态估计值。
进一步地，若当前量测的时戳大于或等于上一个更新时刻，则当前量测为顺序量测；否则为失序量测。
进一步地，在执行当前量测的时戳与上一个更新时刻的比较之前，还包括：判断当前两侧的时戳是否小于或等于系统观测总时间，若是，则进行当前量测的时戳与上一个更新时刻的比较；否则结束。
本发明的有益效果：本发明的方法利用GM-PHD滤波算法实现了失序量测的更新，并对更新后的多目标后验强度和状态估计值进行势补偿，首先判断当前量测是否是顺序量测，若是则利用标准GM-PHD滤波算法获得顺序滤波后验强度，否则进行失序量测融合更新，即先通过对最新顺序滤波后验强度进行反向预测求解失序量测产生时刻的“预测强度”，然后联合失序量测产生时刻的“预测强度”和失序量测求解最新顺序时刻的失序量测更新强度，并提取状态估计值，最后，对失序量测更新强度和对应的状态估计值进行势补偿，获得最新顺序时刻的融合后验强度和对应的状态估计值，有效地解决了雷达组网系统中由于各雷达站点数据预处理时间不同和信息传输延迟等原因导致的失序量测更新融合问题；并且具备以下优点：
(1)本发明的方法操作简单，只需要通过对最新顺序滤波后验强度进行反向预测，进而联合最新顺序滤波后验强度即可更新失序量测；
(2)本发明的方法基于随机集理论框架，相比于传统数据关联滤波算法，避免了数据关联过程，计算量小，适用于实时更新；
(3)本发明的方法不需要存储历史量测，也不需要存储失序量测产生时刻至最新顺序时刻之间的所有后验强度和目标状态估计值，存储要求低；
(4)本发明的方法相较于忽略失序量测方法融合精度更高。
附图说明
图1为本发明的方案流程图；
图2为本发明实施例提供的雷达组网系统布局与目标真实轨迹示意图。
图3为本发明实施例提供的各雷达站点的量测到达融合中心的时序示意图(给出了前14秒的量测时序作为时序示意图)。
图4为本发明实施例提供的方案详细流程图。
图5为本发明方法与理想时序滤波方法、忽略失序量测方法的目标跟踪误差对比图。
图6为本发明方法与理想时序滤波方法、忽略失序量测方法的目标数目估计对比图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图1-6对本发明内容进一步阐释。
如图1所示为本发明的方案流程图，本发明的一种用于雷达组网失序量测集中式融合的目标跟踪方法，先判断当前量测是否为顺序量测，若是，则采用标准GM-PHD滤波算法获得顺序滤波后验强度；否则进行失序量测融合更新；所述失序量测融合更新具体为：对最新顺序滤波后验强度进行反向预测求解失序量测产生时刻的预测强度，然后联合失序量测产生时刻的预测强度和失序量测求解最新顺序时刻的失序量测更新强度，并提取多目标状态估计值，最后，对失序量测更新强度和对应的状态估计值进行势补偿，获得最新顺序时刻的融合后验强度和对应的状态估计值。
以下结合具体数据对本发明的内容进一步阐述：
首先，初始化系统参数，包括：观测平面大小；传感器个数S；各传感器位置；观测总时间ttotal。
如图2所示，雷达组网系统由两个雷达和一个融合中心组成，S＝2部雷达对一个存在杂波的大小为[-1000,1000]km×[-1000,1000]km的二维平面区域内多个运动目标进行监视，融合中心对两部雷达的量测信息进行统一处理，跟踪总时间为ttotal＝100s。由于目标新生和死亡，目标数目是未知的。单目标状态
Figure BDA0002223287570000041
表示目标的初始位置，
Figure BDA0002223287570000042
表示目标的初始速度；单目标状态服从高斯分布
Figure BDA0002223287570000043
设新生目标强度是一个包含四个高斯分量的PHD(Probability Hypothesis Density)随机有限集，四个高斯分量的存在概率均为ωγ＝0.06，下标γ表示这些参量是对应于新生目标的量，协方差矩阵均为Pγ＝diag([100,100,100,100])，均值分别为
Figure BDA0002223287570000051
Figure BDA0002223287570000052
设上一时刻的目标在下一时刻仍然存在的概率是pS＝0.99。每个目标独立运动。
为了便于理解本发明的技术内容，本实施例假设雷达1的所有量测到达融合中心时均为顺序量测，雷达2由于数据预处理和通信传输等原因，所有量测均延迟一步，如图3所示，图3给出了前14s到达融合中心的量测时序示意图。
如图4所示，本实施例的具体实现过程包括以下步骤：
S1、融合中心初始化，初始化更新时刻tk＝0，设初始更新帧数k＝0，初始化滤波后验强度；
设第tk＝0时刻的后验强度为
Figure BDA0002223287570000053
其中，x表示单个目标的状态，是一个广义的量；xk表示tk时刻的目标状态，是特定的一个量；vk(x)表示tk时刻的多目标后验强度；Jk表示tk时刻后验强度的高斯分量个数，
Figure BDA0002223287570000054
为tk时刻后验强度的第i个高斯分量的权值；
Figure BDA0002223287570000055
表示tk时刻后验强度的第i个高斯分量，其均值为
Figure BDA0002223287570000056
协方差为
S2、新的局部量测到达融合中心，判断当前量测的时戳tz是否小于或等于系统观测总时间ttotal，若是则执行步骤S3，否则结束；
设当前到达融合中心的量测的时戳是tz，如果tz≤ttotal，则对该当前量测进行处理，即执行步骤S3，否则结束跟踪过程。
S3、判断当前量测的时戳tz是否大于或等于上一个更新时刻，若是，则将该当前量测记为Zk+1，然后执行步骤S4；否则，令τ＝tz，将该当前量测记为Z(τ)，然后执行步骤S5；
若当前量测的时戳tz大于或等于上一个更新时刻，说明该当前量测是顺序量测，那么将该当前量测记为Zk+1，执行步骤S4进行顺序量测处理，否则，说明该当前量测是失序量测，那么将该当前量测记为Z(τ)，执行步骤S5进行失序量测处理。
S4、令k＝k+1，利用标准GM-PHD滤波算法求解tk+1时刻的顺序滤波后验强度，并提取对应的目标状态估计值，然后返回步骤S2；
令k＝k+1。首先，对tk时刻的后验强度进行预测，求解tk+1时刻的预测强度，有
Figure BDA0002223287570000061
其中，
Figure BDA0002223287570000063
Figure BDA0002223287570000064
其中，νk+1|k(x)表示tk+1时刻的预测强度，
Figure BDA0002223287570000065
表示幸存目标在tk+1时刻的预测强度，即从tk时刻存在的高斯分量递推到tk+1时刻得到的预测强度的高斯分量；Fk+1|k表示状态转移矩阵，Qk+1|k为tk时刻到tk+1时刻积累的量测噪声的协方差矩阵，γk+1表示tk+1时刻的新生目标强度，Jγ,k+1为tk+1时刻新生目标强度包含的高斯分量个数，
Figure BDA0002223287570000066
表示tk+1时刻新生目标强度的第i个高斯分量的权值，
Figure BDA0002223287570000067
表示tk+1时刻新生目标强度的第i个高斯分量。
然后，利用当前量测对tk+1时刻的预测强度进行更新，求解顺序滤波后验强度vk+1(x)，有，
Figure BDA0002223287570000068
其中，
Figure BDA0002223287570000069
Figure BDA00022232875700000610
Figure BDA0002223287570000071
Figure BDA0002223287570000073
Figure BDA0002223287570000074
其中，vk+1(x)表示tk+1时刻的顺序滤波后验强度，pD为传感器的检测概率，(1-pD)vk+1|k(x)表示的漏检部分的更新强度，vD,k+1(x,z)表示量测更新部分的更新强度，
Figure BDA0002223287570000075
表示量测更新部分的强度对应的高斯分量的权值，
Figure BDA0002223287570000076
表示量测更新部分的强度对应高斯分量，κk+1为tk+1时刻的杂波强度，Hk+1为tk+1时刻的量测矩阵，Rk+1为tk+1时刻的量测噪声的协方差矩阵，I表示单位矩阵。
最后，从顺序滤波后验强度vk+1(x)中提取多目标状态估计值，即选择顺序滤波后验强度中权值大于0.5的高斯分量，组成多目标状态估计值
Figure BDA0002223287570000077
S5、对最新顺序时刻的滤波强度进行反向预测，获得τ时刻的“预测强度”，然后执行步骤S6；
设第tk时刻的顺序滤波后验强度为
Figure BDA0002223287570000078
将tk时刻的顺序滤波后验强度反向递推至当前失序量测产生时刻τ处，获得τ时刻的“预测强度”vτ|k(x)，即
其中，
Figure BDA00022232875700000710
Figure BDA00022232875700000711
Figure BDA00022232875700000712
其中，和
Figure BDA0002223287570000082
分别对应τ时刻“预测强度”vτ|k(x)的第i个高斯分量
Figure BDA0002223287570000083
的权值、均值和协方差矩阵。
S6、联合利用τ时刻的“预测强度”和失序量测对最新顺序滤波后验强度进行更新，获得最新顺序时刻的失序量测更新强度，并提取相应的目标状态估计值，然后执行步骤S7；
首先，利用当前失序量测更新最新顺序滤波后验强度，求解最新顺序时刻的失序量测更新强度vU,k|k,τ(x)，有
Figure BDA0002223287570000084
Figure BDA0002223287570000085
其中，
Figure BDA0002223287570000086
Figure BDA0002223287570000089
Figure BDA00022232875700000810
Figure BDA00022232875700000811
其中，和分别是最新顺序时刻的失序量测更新强度vU,k|k,τ(x)的第i个高斯分量
Figure BDA00022232875700000814
对应的权值、均值和协方差矩阵。
然后，从最新顺序时刻的失序量测更新强度vU,k|k,τ(x)中提取多目标状态估计值，即选择最新顺序时刻的失序量测更新强度vU,k|k,τ(x)中权值大于0.5的高斯分量，组成相应的多目标状态估计值
Figure BDA00022232875700000815
S7、对步骤S6中所得的最新顺序时刻的失序量测更新强度和对应的状态估计值进行势补偿，获得最新顺序时刻的融合后验强度和对应的目标状态估计值，然后执行步骤S8；
在多目标跟踪场景中，由于跟踪过程中目标新生和死亡，目标数目是未知的。当失序量测产生时刻τ与最新顺序时刻tk之间存在新生目标时，由于当前失序量测在τ时刻采样得到，它并不包含这些新生目标的量测信息，因此，失序量测更新对这些新生目标强度没有贡献，仅仅对τ时刻已经存在的幸存目标的强度有贡献。因而，在利用失序量测对最新顺序滤波后验强度进行更新后，还需要对最新顺序时刻的失序量测更新强度vU,k|k,τ(x)进行势补偿。
首先比较顺序滤波得到的目标数目估计值
Figure BDA0002223287570000091
和最新顺序时刻失序量测更新后得到的目标数目估计值
Figure BDA0002223287570000092
如果
Figure BDA0002223287570000093
则认为τ时刻和tk时刻之间没有新生目标，那么用最新顺序时刻的失序量测更新强度vU,k|k,τ(x)直接代替顺序滤波后验强度vk(x)作为tk时刻的融合后验强度vk|k,τ(x)，以最新顺序时刻的失序量测更新强度对应的多目标状态估计值
Figure BDA0002223287570000094
代替顺序滤波强度对应的多目标状态估计值
Figure BDA00022232875700000924
作为融合后的多目标状态估计值
Figure BDA0002223287570000095
即vk|k,τ(x)＝vU,k|k,τ(x)，
Figure BDA0002223287570000096
如果
Figure BDA0002223287570000097
对于每一个单目标状态
Figure BDA0002223287570000098
计算它与每一个
Figure BDA0002223287570000099
之间的欧几里得距离，并初始化集合其用于存储τ时刻和tk时刻之间新生目标的滤波状态估计值，其中[]表示空集。如果存在某个
Figure BDA00022232875700000911
与
Figure BDA00022232875700000912
之间的欧几里得距离小于预设门限，则认为
Figure BDA00022232875700000913
对应于
Figure BDA00022232875700000914
被当前失序量测更新后的目标状态，那么用状态估计值
Figure BDA00022232875700000915
代替
Figure BDA00022232875700000916
作为这个单目标融合后的状态估计值；如果所有与该单目标状态
Figure BDA00022232875700000918
的欧几里得距离均大于预设门限，则认为
Figure BDA00022232875700000919
是τ时刻和tk时刻之间的新生目标状态，那么将这个
Figure BDA00022232875700000920
保留，并存入
Figure BDA00022232875700000921
将
Figure BDA00022232875700000922
所包含的所有单个目标对应的顺序滤波后验强度部分记为νS,k|k,τ(x)。那么融合后的多目标状态估计值为
Figure BDA00022232875700000923
融合后的后验强度为vk|k,τ(x)＝vU,k|k,τ(x)+νS,k|k,τ(x)。
S8、以步骤S7中所得的最新顺序时刻的融合后验强度和对应的目标状态估计值代替最新顺序滤波后验强度和其对应的目标状态估计值作为最新顺序时刻的后验信息，然后返回步骤S2；
用上述步骤S7中所获得的融合后验强度vk|k,τ(x)代替tk时刻的顺序滤波后验强度vk(x)作为tk时刻的后验强度，用步骤S7中所获得的融合后的多目标状态估计值
Figure BDA0002223287570000101
代替顺序滤波得到的多目标状态估计值作为tk时刻的后验估计值，然后返回步骤2，重复循环以上步骤，直至跟踪结束。
图5给出了本发明方法与理想时序滤波方法、忽略失序量测方法的多目标跟踪误差对比图。其中，多目标跟踪误差通过最优子模式分配(OSPA,Optimal SubpatternAssignment)进行描述。由图5可以看出，理想时序滤波方法由于假设所有量测均为顺序量测，是一种理想的时序场景，因此该方法具有最优的跟踪性能，作为本发明实施例的性能下界。忽略失序量测方法由于直接忽略了失序量测，仅仅处理顺序量测，存在大量的信息损失，因此它的OSPA误差最大。而本发明方法的OSPA误差曲线非常接近于理想时序滤波方法，这说明了本发明方法可以有效地处理雷达组网目标跟踪系统中的失序量测问题，且融合跟踪精度高。
同时，图6给出了本发明方法与理想时序滤波方法、忽略失序量测方法的目标数目估计曲线图。由图6可以看出，本发明方法估计得到的目标数目非常接近于真实目标数目和理想时序滤波方法的目标估计数目，说明本发明方法在存在失序量测的雷达组网目标跟踪场景中可以正确地估计出目标数目。
综上，本申请通过综合考虑目标跟踪精度、计算复杂度以及存储需求等问题，提出的一种用于雷达组网失序量测集中式融合的目标跟踪方法相比理想时序滤波方法和忽略失序量测方法存在优势。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种用于雷达组网失序量测集中式融合的目标跟踪方法，其特征在于，若当前量测为顺序量测，则采用标准GM-PHD滤波算法获得顺序滤波后验强度；否则进行失序量测融合更新；所述失序量测融合更新具体为：对最新顺序滤波后验强度进行反向预测求解失序量测产生时刻的预测强度，然后联合失序量测产生时刻的预测强度和失序量测求解最新顺序时刻的失序量测更新强度，并提取多目标状态估计值，最后，对最新顺序时刻的失序量测更新强度和对应的状态估计值进行势补偿，获得最新顺序时刻的融合后验强度和对应的状态估计值。
2.根据权利要求1所述的一种用于雷达组网失序量测集中式融合的目标跟踪方法，其特征在于，所述对最新顺序时刻的失序量测更新强度和对应的状态估计值进行势补偿，具体过程为：
当失序量测产生时刻与最新顺序时刻之间没有新生目标，则采用最新顺序时刻的失序量测更新强度代替顺序滤波后验强度，作为最新顺序时刻的融合后验强度；以最新顺序时刻的失序量测更新强度对应的多目标状态估计值代替顺序滤波强度对应的多目标状态估计值，作为融合后的多目标状态估计值；
当失序量测产生时刻与最新顺序时刻之间存在新生目标，若顺序滤波强度对应的多目标状态估计值中的某个单目标状态为失序量测产生时刻与最新顺序时刻之间的新生目标状态，则将该单目标状态进行标记；根据标记得到的所有新生目标状态与最新顺序时刻的失序量测更新强度对应的多目标状态估计值，得到融合后的多目标状态估计值；根据标记得到的所有新生目标状态对应的顺序滤波后验强度与最新顺序时刻的失序量测更新强度，得到融合后的后验强度。
3.根据权利要求2所述的一种用于雷达组网失序量测集中式融合的目标跟踪方法，其特征在于，失序量测产生时刻与最新顺序时刻之间是否存在新生目标的判断过程为：
首先计算顺序滤波得到的目标数目估计值，与最新顺序时刻失序量测更新后得到的目标数目估计值；
若最新顺序时刻失序量测更新后得到的目标数目估计值与顺序滤波得到的目标数目估计值相等，则失序量测产生时刻与最新顺序时刻之间不存在新生目标；否则存在新生目标。
4.根据权利要求2所述的一种用于雷达组网失序量测集中式融合的目标跟踪方法，其特征在于，判断顺序滤波强度对应的多目标状态估计值中的某个单目标状态为失序量测产生时刻与最新顺序时刻之间的新生目标状态的过程为：
若顺序滤波强度对应的多目标状态估计值中的某个单目标状态与最新顺序时刻的失序量测更新强度对应的每个目标状态估计值之间的欧几里得距离均大于预设门限，则该单目标状态为失序量测产生时刻与最新顺序时刻之间的新生目标状态；否则该单目标状态不是失序量测产生时刻与最新顺序时刻之间的新生目标状态。
5.根据权利要求1所述的一种用于雷达组网失序量测集中式融合的目标跟踪方法，其特征在于，所述提取多目标状态估计值，具体为：选择最新顺序时刻的失序量测更新强度中权值大于0.5的高斯分量，组成多目标状态估计值。
6.根据权利要求1所述的一种用于雷达组网失序量测集中式融合的目标跟踪方法，其特征在于，若当前量测的时戳大于或等于上一个更新时刻，则当前量测为顺序量测；否则为失序量测。
7.根据权利要求1所述的一种用于雷达组网失序量测集中式融合的目标跟踪方法，其特征在于，在执行当前量测的时戳与上一个更新时刻的比较之前，还包括：判断当前量测的时戳是否小于或等于系统观测总时间，若是，则进行当前量测的时戳与上一个更新时刻的比较；否则结束。
CN201910942461.3A 2019-09-30 2019-09-30 一种用于雷达组网失序量测集中式融合的目标跟踪方法 Active CN110646790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910942461.3A CN110646790B (zh) 2019-09-30 2019-09-30 一种用于雷达组网失序量测集中式融合的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910942461.3A CN110646790B (zh) 2019-09-30 2019-09-30 一种用于雷达组网失序量测集中式融合的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN110646790A true CN110646790A (zh) 2020-01-03
CN110646790B CN110646790B (zh) 2021-08-03

Family

ID=68993442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910942461.3A Active CN110646790B (zh) 2019-09-30 2019-09-30 一种用于雷达组网失序量测集中式融合的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110646790B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100231439A1 (en) * 2009-03-10 2010-09-16 Lockheed Martin Corporation System and method for increasing spectral resolution
CN105652250A (zh) * 2016-01-15 2016-06-08 西北工业大学 一种基于双层期望最大化的机动目标跟踪技术
CN106896352A (zh) * 2017-04-17 2017-06-27 电子科技大学 一种基于随机集理论的多雷达异步数据分布式融合方法
CN108846427A (zh) * 2018-05-31 2018-11-20 电子科技大学 非线性系统任意延迟步数的单个失序量测集中式融合方法
CN109886305A (zh) * 2019-01-23 2019-06-14 浙江大学 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法
CN110146850A (zh) * 2019-06-20 2019-08-20 电子科技大学 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100231439A1 (en) * 2009-03-10 2010-09-16 Lockheed Martin Corporation System and method for increasing spectral resolution
CN105652250A (zh) * 2016-01-15 2016-06-08 西北工业大学 一种基于双层期望最大化的机动目标跟踪技术
CN106896352A (zh) * 2017-04-17 2017-06-27 电子科技大学 一种基于随机集理论的多雷达异步数据分布式融合方法
CN108846427A (zh) * 2018-05-31 2018-11-20 电子科技大学 非线性系统任意延迟步数的单个失序量测集中式融合方法
CN109886305A (zh) * 2019-01-23 2019-06-14 浙江大学 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法
CN110146850A (zh) * 2019-06-20 2019-08-20 电子科技大学 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUO ZHANG ET AL.: "Out-of-Sequence Measurement Processing for Particle Filter: Exact Bayesian Solution", 《IEEE TRANSACTIONS ON AEROSPACE & ELECTRONIC SYSTEMS》 *
倪龙强: "目标跟踪系统数据处理关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN110646790B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN110146850B (zh) 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法
CN109886305B (zh) 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法
CN107346020B (zh) 一种用于异步多基地雷达系统的分布式批估计融合方法
CN108363054B (zh) 用于单频网络和多路径传播的被动雷达多目标跟踪方法
CN108846427B (zh) 非线性系统任意延迟步数的单个失序量测集中式融合方法
CN110187335B (zh) 针对具有非连续特性目标的粒子滤波检测前跟踪方法
CN110187336B (zh) 一种基于分布式phd的多站雷达站址定位和联合跟踪方法
CN110376581B (zh) 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法
CN108344981B (zh) 面向杂波的多传感器异步检测tsbf多目标跟踪方法
CN108562894B (zh) 雷达波束指向与发射功率的分配方法
CN106054171B (zh) 一种基于信息熵的多雷达节点自适应选择跟踪方法
WO2019047455A1 (zh) 一种适用于闪烁噪声的多机动目标跟踪方法及系统
CN109214432B (zh) 一种多传感器多目标联合检测、跟踪与分类方法
CN105303012B (zh) 一种基于区间灰数的异步等数据率航迹关联算法
CN104133983A (zh) 基于加权负一阶rd和的多目标伯努利分布式融合方法
CN117169818B (zh) 一种面向海面机动目标跟踪的雷达波形设计方法
CN106291498A (zh) 一种基于粒子滤波的检测跟踪联合优化方法
CN105446352A (zh) 一种比例导引制导律辨识滤波方法
CN110646790B (zh) 一种用于雷达组网失序量测集中式融合的目标跟踪方法
CN105277930B (zh) 一种基于Hough变换的弱目标运动轨迹提取方法
CN113591976A (zh) 一种基于前向全近邻解相关的乱序航迹融合方法
CN105842686A (zh) 基于粒子平滑的快速tbd检测方法
Ebert et al. Deep radar sensor models for accurate and robust object tracking
CN102307041A (zh) 当前统计模型的概率假设密度粒子滤波器的设计及滤波器
CN106973364B (zh) 一种多项式参数化似然函数的分布式批估计数据融合方法

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