CN112816973B - 一种跟踪信息辅助的目标检测方法 - Google Patents
一种跟踪信息辅助的目标检测方法 Download PDFInfo
- Publication number
- CN112816973B CN112816973B CN202011637653.2A CN202011637653A CN112816973B CN 112816973 B CN112816973 B CN 112816973B CN 202011637653 A CN202011637653 A CN 202011637653A CN 112816973 B CN112816973 B CN 112816973B
- Authority
- CN
- China
- Prior art keywords
- frame
- target
- target state
- matrix
- state matrix
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000007704 transition Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001094 effect on targets Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
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
本发明公开了一种跟踪信息辅助的目标检测方法，通过构建一种闭环跟踪信息反馈框架，对目标的跟踪信息进行有效地利用，可以很好地提高目标的检测概率，提高跟踪的连续性。并且具有较低的计算复杂度，有利于雷达的数据的实时处理。本发明的优点是：可以有效地提升高起伏目标的检测概率，提升跟踪的连续性。操作简单，并行化程度高。对于复杂场景适应能力强，具有一定的鲁棒性。
Description
技术领域
本发明属于雷达信号处理中的目标检测领域，尤其涉及一种跟踪信息辅助的目标检测技术。
背景技术
随着现代先进武器装备技术的不断发展，例如无人机、巡航弹、滑翔机等低可观察的“低慢小”目标给传统雷达系统带来了巨大的挑战。这些威胁军事目标表现为雷达散射截面积(RCS)较小、RCS起伏较大、低空突防机动能力强、飞行高度低，难发现、难捕捉、难处置、难应对，对重要目标的空防安全形成极大威胁。目标RCS的减小会造成目标回波信噪比低，严重影响雷达的检测性能。目标RCS起伏严重会导致检测不连续，会极大影响目标跟踪的连续性。
雷达目标检测是雷达信号处理中的基本问题。目标检测器需要确定收到的回波信号是来自目标还是来自噪声。在雷达信号处理问题中，检测问题通常被视为二元假设检验问题。有两种假设，其中H0假定信号仅包含噪声，H1假定信号包含目标回波和噪声。由于缺乏先验信息和代价函数，大多数雷达使用Neyman-Pearson准则来进行统计判决。在传统的雷达系统中，目标检测和目标跟踪通常被视为两个独立的过程。检测器在当前时间步对收到的回波数据进行检测，并将检测结果发送到下一级数据处理模块。其中最常用的算法是恒虚警检测(CFAR)算法。但这种算法由于没有利用到任何的历史检测信息以及跟踪信息，在面对低信噪比目标以及高起伏目标时，性能就会急剧下降，很难做到有效地检测。跟踪连续性也会大大降低。
发明目的
本发明得目的旨在于应对现有技术存在的不足，提出一种基于跟踪信息辅助的目标检测方法，构建了一种闭环跟踪信息反馈框架，对目标的跟踪信息进行有效地利用，可以很好地提高目标的检测概率，提高跟踪的连续性。并且具有较低的计算复杂度，有利于雷达的数据的实时处理。
发明内容
本发明提供了一种基于跟踪信息辅助的目标检测方法，包括以下步骤：
第一步：初始化目标状态矩阵；
第二步：用表示当前要处理第帧，在第帧的数据到来时，若，则表示当前正处理第1帧，此时上一帧目标状态矩阵即为第一步初始化的目标状态矩阵；若，则使用第帧的第五步更新计算后的目标状态矩阵作为上一帧的目标状态矩阵；
第三步：根据此时反馈的跟踪信息，即反馈的跟踪预测波门，建立状态转移矩阵；
第四步：根据第三步建立的状态转移矩阵去对上一帧(帧)的目标状态矩阵利用递推贝叶斯滤波原理进行迭代预测，得出预测的第帧目标状态矩阵；
第五步：根据第四步预测的第帧目标状态矩阵以及当前帧的观测数据，利用贝叶斯法则更新计算第帧的目标状态矩阵；
第六步：选定阈值对第帧目标状态矩阵进行门限处理，得到检测结果；
第七步：将检测得到的点迹结果送到跟踪模块处理，并将跟踪模块处理结果反馈至第三步；
第八步：依次类推，在第帧的数据到来时，重复第二步到第七步的方法进行处理。
优选地，在第一步建立的目标状态矩阵中，每一个元素代表在该位置有目标的概率；目标状态转移服从一阶马尔科夫过程，第帧的目标状态矩阵仅取决于第帧的目标状态矩阵。
优选地，第三步是根据此时反馈的跟踪信息，即反馈的跟踪预测波门建立状态转移矩阵，目标状态的转移概率矩阵是根据反馈信息实时建立的。
优选地，第五步的目标状态矩阵的更新过程是用当前观测数据的似然比与第四步预测的目标状态矩阵的乘积再归一化而得到的。
附图说明
图1为本发明的算法流程框图。
图2为闭环跟踪信息反馈框架示意图。
图3为目标状态矩阵示意图。
图4为由跟踪信息构建的目标状态转移图。
图5为在仿真实验中本发明的检测与跟踪结果与传统的恒虚警检测算法(CA-CFAR)的比较；(a)场景一的检测结果；(b)场景二的检测结果。
具体实施方式
为了进一步说明本发明的详细内容，兹列举以下实施例进行详细说明：
实施例1
本实施例是通过如图1所示的弱目标检测算法进行实现的，通过构建一种如图2所示的闭环跟踪信息反馈框架，对目标的跟踪信息进行有效地利用，包括以下步骤：
第一步：初始化目标状态矩阵。
初始化目标状态矩阵的过程如图3所示。考虑常规预警雷达系统，接收机在第K帧(时间步)获取M个方位单元，N个距离单元的采样数据形成一个M×N的矩阵，即接收信号
假设每个距离单元接收的信号是相互独立的。接收噪声为随机噪声。
这里假设它们是独立同分布的且分布的概率密度函数为f0(x)。
假定存在一个具有一定速度的点目标。考虑第k帧的第m方位、第n距离单元处的观测值令假设H0表示该距离单元无目标，H1表示该距离单元有目标，那么则有
H0：
H1：
对于在M×N的方位距离单元中，定义符号Xk＝xm，n表示在(m，n)单元上存在目标。于是在K-1时刻的目标状态概率密度可以由下式表示。
其中 是对应(m，n)单元上的权值，表示目标出现在(m，n)单元上的概率。
第一步就是要初始化目标状态矩阵P，
其中表示(m，n)单元上可能存在目标的初始概率。
第二步：用k表示当前要处理第k帧，在第k帧的数据到来时，若k＝1，则表示当前正处理第1帧，那么此时上一帧目标状态矩阵即为第一步初始化的目标状态矩阵，即
若k≠1，则直接使用第k-1帧处理后得到的目标状态矩阵作为上一帧的目标状态矩阵。即
第三步：根据此时的跟踪信息(反馈的跟踪预测波门)建立状态转移矩阵Tk，该步骤的示意图如图4所示；
我们定义表示K-1时刻目标处在(i，j)单元，而K时刻转移到(m，n)单元的概率。且满足下式，
在此步骤，我们要根据目标的跟踪信息建立状态转移矩阵无跟踪信息，在没有跟踪信息的情况下，即还没有发现的目标进入跟踪状态，对于无跟踪信息的情况,目标的状态转移满足下式，
有跟踪信息，在有跟踪信息的情况下，目标的状态转移矩阵应该根据跟踪信息建立，我们已知K-1时刻目标检测出的位置为(a，b)，以及第K帧目标状态的预测波门B。则可以根据上述信息构建状态转移矩阵。
当(m，n)在预测波门内p的取值和(m，n)与目标预测位置中心的距离有关，定义，
其中ζ为保证其中f(x,y)为二维高斯概率密度函数，其中均值为预测波门中心，方差为跟踪反馈方差。Ω为(m，n)单元所在区域。除此之外其他的取值和无跟踪信息的情况下保持一致。
基于上述方法，则可以建立状态转移矩阵Tk。
第四步：根据第三步建立的状态转移矩阵Tk去对上一帧(k-1帧)的目标状态矩阵利用递推贝叶斯滤波原理进行迭代预测，得出预测的此帧(第k帧)目标状态矩阵。
由系统的状态转移模型，由上一帧(k-1帧)的目标状态矩阵P(Xk-1|Z1：k-1)作为先验概率，根据递推贝叶斯算法对当前帧(第k帧)的概率密度P(Xk|Z1：k-1)做预测。假设目标状态服从一阶马尔可夫过程根据Chapman-Kolmogorov方程有
其中表示(m，n)单元经过系统转移矩阵预测的可能出现目标的概率。有，
wk|k-1＝Tk·wk-1|k-1
其中Tk代表k时刻的状态转移矩阵，状态转移矩阵是由第三步建立的。
第五步：根据第四步预测的此帧(第k帧)目标状态矩阵以及当前帧的观测数据，利用贝叶斯法则来更新计算第k帧的目标状态矩阵。
根据上一步的预测矩阵，我们在第K时间步又获得了新的观测数据Zk，其中每一个分量都是相互独立的。我们根据上一时刻预测的结果P(Xk|Z1：k-1)以及当前时刻的观测数据Zk，对当前时刻的状态的后验概率P(Xk|Z1：k)进行推导。由贝叶斯公式以及一阶马尔可夫过程的性质有，
其中P(Zk|Xk)即为似然性l(Zk|Xk)，P(Xk|Z1：k-1)为根据前K-1帧数据预测的第K帧的目标状态。下面我们定义l(Zk|Xk)。对于第K帧，单元(m，n)而言，表示单元(m，n)存在目标。/>表示单元(m，n)不存在目标。此时我们假设噪声为复高斯随机噪声，则有接收信号在H0和H1假设下，分别服从瑞丽分布和莱斯分布。
则有，
H0：
H1
于是对于第K帧，单元(m，n)而言，
其中即为似然比，下面我们建立对于单元(m，n)的目标后验概率更新过程，
然后对概率进行归一化处理，
综上所述，有
其中，
第六步：选定阈值对第k帧目标状态矩阵进行门限处理得到第k帧的点迹检测结果。并把得到的结果送到跟踪模块继续处理。
第七步：将跟踪模块处理结果反馈至第三步。
第八步：依次类推，在第k+1帧的数据到来时，重复第二步到第七步的方法进行处理；
实验结果：
下面通过仿真实验进一步说明本发明所述方法的性能。仿真实验设置三个场景，场景一为目标在第50个方位远离雷达方向做径向的匀速直线运动，速度为2格/帧，起始距离单元为10，共运行30帧。平均信噪比约为10dB。起伏模型满足SwerlingⅠ型。场景二为目标在第30个方位起始做径向匀速直线运动，目标起始速度为2格/帧远离雷达方向，起始距离单元为10，共运行30帧。信噪比随着距离的而衰减。图5为仿真实验中检测与跟踪结果与传统恒虚警检测算法的比较(CA-CFAR)。
可以看出，对不同信噪比不同机动类型的目标均有较好的检测效果，相比于传统算法，本发明可以显著提高目标的检测概率。可以显著提高目标跟踪的连续性。可以有效地扩展雷达的检测距离。
Claims (4)
1.一种跟踪信息辅助的目标检测方法，其特征在于,包括以下步骤：
第一步：初始化目标状态矩阵；
第二步：用k表示当前要处理第k帧，在第k帧的数据到来时，若k＝1，则表示当前正处理第1帧，此时上一帧目标状态矩阵即为第一步初始化的目标状态矩阵；若k≠1，则使用第k-1帧的第五步更新计算后的目标状态矩阵作为上一帧的目标状态矩阵；
第三步：根据此时反馈的跟踪信息，即反馈的跟踪预测波门，建立状态转移矩阵Tk；
第四步：根据第三步建立的状态转移矩阵Tk去对上一帧：k-1帧的目标状态矩阵利用递推贝叶斯滤波原理进行迭代预测，得出预测的第k帧目标状态矩阵；
第五步：根据第四步预测的第k帧目标状态矩阵以及当前帧的观测数据，利用贝叶斯法则更新计算第k帧的目标状态矩阵；
第六步：选定阈值对第k帧目标状态矩阵进行门限处理，得到检测结果；
第七步：将检测得到的点迹结果送到跟踪模块处理，并将跟踪模块处理结果反馈至第三步；
第八步：依次类推，在第k+1帧的数据到来时，重复第二步到第七步的方法进行处理。
2.根据权利要求1中所述的一种跟踪信息辅助的目标检测方法，其特征在于，第一步建立的目标状态矩阵中，每一个元素代表在该位置有目标的概率；目标状态转移服从一阶马尔科夫过程，第k帧的目标状态矩阵仅取决于第k-1帧的目标状态矩阵。
3.根据权利要求1中所述的一种跟踪信息辅助的目标检测方法，其特征在于，第三步是根据此时反馈的跟踪信息，即反馈的跟踪预测波门建立状态转移矩阵，目标状态的转移概率矩阵是根据反馈信息实时建立的。
4.根据权利要求1中所述的一种跟踪信息辅助的目标检测方法，其特征在于，第五步的目标状态矩阵的更新过程是用当前观测数据的似然比与第四步预测的目标状态矩阵的乘积再归一化而得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011637653.2A CN112816973B (zh) | 2020-12-31 | 2020-12-31 | 一种跟踪信息辅助的目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011637653.2A CN112816973B (zh) | 2020-12-31 | 2020-12-31 | 一种跟踪信息辅助的目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112816973A CN112816973A (zh) | 2021-05-18 |
| CN112816973B true CN112816973B (zh) | 2024-05-10 |
Family
ID=75857611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011637653.2A Active CN112816973B (zh) | 2020-12-31 | 2020-12-31 | 一种跟踪信息辅助的目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112816973B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017124299A1 (zh) * | 2016-01-19 | 2017-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
| CN110133612A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工业大学 | 一种基于跟踪反馈的扩展目标检测方法 |
| CN111352104A (zh) * | 2020-03-18 | 2020-06-30 | 清华大学 | 一种基于信息积累的弱目标检测前跟踪方法 |
-
2020
- 2020-12-31 CN CN202011637653.2A patent/CN112816973B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017124299A1 (zh) * | 2016-01-19 | 2017-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
| CN110133612A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工业大学 | 一种基于跟踪反馈的扩展目标检测方法 |
| CN111352104A (zh) * | 2020-03-18 | 2020-06-30 | 清华大学 | 一种基于信息积累的弱目标检测前跟踪方法 |
Non-Patent Citations (4)
| Title |
|---|
| Khalil Jishy 等.A Bayesian track-before-detect procedure for passive radars.《EURASIP Journal on Advances in Signal Processing》.2013,第1-15页. * |
| 交互MCMC-PF的雷达弱小目标检测与跟踪;曹晓英 等;火力与指挥控制;20130915(第09期);第62-66页 * |
| 基于递推贝叶斯的检测跟踪一体化方法;韦文 等;宇航学报;20111030(第10期);第2181-2186页 * |
| 雷达微弱目标检测前跟踪算法综述;战立晓 等;现代雷达;20130415(第04期);第45-52, 57页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112816973A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109633589A (zh) | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 | |
| 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 | |
| CN110738690A (zh) | 一种基于多目标追踪框架的无人机视频中车速校正方法 | |
| CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
| CN106526584A (zh) | 多雷达系统中目标检测跟踪联合处理方法 | |
| CN109100696B (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
| Vo et al. | An implementation of the multi-sensor generalized labeled multi-Bernoulli filter via Gibbs sampling | |
| CN110161494B (zh) | 基于速度平方滤波的rd平面弱目标检测跟踪方法及装置 | |
| CN111352104A (zh) | 一种基于信息积累的弱目标检测前跟踪方法 | |
| CN111007880B (zh) | 一种基于汽车雷达的扩展目标跟踪方法 | |
| Zhou et al. | Multiple-kernelized-correlation-filter-based track-before-detect algorithm for tracking weak and extended target in marine radar systems | |
| CN115144847A (zh) | 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 | |
| CN111796266B (zh) | 一种匀加速运动目标rd平面检测前跟踪方法 | |
| CN112816973B (zh) | 一种跟踪信息辅助的目标检测方法 | |
| CN107561506B (zh) | 一种多级虚警概率联合递推目标检测方法 | |
| CN116337071A (zh) | 一种基于高斯混合势概率假设密度滤波器的海上目标跟踪算法 | |
| CN108387879B (zh) | 基于自适应归一化匹配滤波的杂波图单元中值检测方法 | |
| Wei et al. | Multi-target joint tracking and classification using the trajectory PHD filter | |
| CN115015908A (zh) | 基于图神经网络的雷达目标数据关联方法 | |
| CN114545414A (zh) | 一种用于无人机防撞雷达的航迹管理方法 | |
| Li et al. | Moving target detection and tracking interactive algorithm based on acoustic image | |
| CN111796267A (zh) | 一种基于伪谱匹配滤波的机动转弯目标检测前跟踪方法 | |
| Dan et al. | Adaptive-Transition-Set Track Before Detect Algorithm Based on Dynamic Programming | |
| Molloy et al. | HMM relative entropy rate concepts for vision-based aircraft manoeuvre detection | |
| CN111679270A (zh) | 一种反射点不确定场景下多路径融合目标检测算法 |
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 |