CN114200439A - 一种基于多普勒盲区的多模式空域目标跟踪方法 - Google Patents

一种基于多普勒盲区的多模式空域目标跟踪方法 Download PDF

Info

Publication number
CN114200439A
CN114200439A CN202111498794.5A CN202111498794A CN114200439A CN 114200439 A CN114200439 A CN 114200439A CN 202111498794 A CN202111498794 A CN 202111498794A CN 114200439 A CN114200439 A CN 114200439A
Authority
CN
China
Prior art keywords
target
mode
algorithm
blind area
1isi
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.)
Pending
Application number
CN202111498794.5A
Other languages
English (en)
Inventor
国强
孙国凯
王亚妮
戚连刚
乔勒纳果勒·列昂尼德
尼古拉·卡留日内
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111498794.5A priority Critical patent/CN114200439A/zh
Publication of CN114200439A publication Critical patent/CN114200439A/zh
Pending legal-status Critical Current

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

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

本方法针对空域目标跟踪存在的多普勒盲区问题，提出了一种基于多普勒盲区的多模式空域目标跟踪方法，其工作模式可根据目标与盲区的状态关系进行平滑地切换。该方法充分利用了多普勒盲区的先验知识，结合贝叶斯滤波器的各种优势，有效提升了目标在航迹中的连续性，降低航迹重启引起的漏检、误检概率，提升了跟踪精度。

Description

一种基于多普勒盲区的多模式空域目标跟踪方法
技术领域
本发明涉及目标跟踪技术领域，尤其涉及一种基于多普勒盲区的多模式空域目标跟踪方法。
背景技术
雷达为空域目标跟踪中最为重要的传感器。目前，世界各国预警机都普遍采用机载预警雷达，如美国E-2C“鹰眼”、E-3“望楼”，俄罗斯A-50“中坚”、Ka-31，瑞典Erieye“埃里眼”等，这是由在空中目标探测与跟踪、海面目标探测与识别、战场侦察与监视、武器精确制导与控制等方面的显著作用决定的。由于机载预警雷达的核心原理为脉冲多普勒(PulseDoppler，PD)技术，存在着固有的多普勒盲区，严重降低了雷达信息质量。在实际应用环境中由于多变的外界因素以及机载平台自身运动导致多普勒盲区范围进一步被展宽。一旦跟踪目标落入多普勒盲区内，预警雷达将失去对其检测的能力，导致目标航迹点的丢失，导致漏检发生。同时，目标航迹点的连续丢失会导致机载预警雷达重新接收到量测时，机载预警雷达由于其航迹质量严重下降难以将目标航迹判定为同一目标，导致误检发生。
目前，针对多普勒盲区的应对措施主要分为地面目标以及空中目标两方面。其中，地面目标可将目标运动模型新加入“停”模式，在扩展多模型基础上实现了多普勒盲区条件下的地面目标跟踪。相较于地面目标而言，空中目标机动性高，运动模型种类多样，且对应传感器的具体工作模式也不尽相同，可通过改变其与传感器之间的相对多普勒速度落入盲区范围中从而避开雷达监视。因此，空域多普勒盲区在处理时必须同时考虑多样的运动模型以及物体的先验状态信息等条件。
当前针对多普勒盲区的研究正在起步阶段。其应对方法主要集中在利用目标状态信息中的先验知识进行虚拟量测以减少航迹点连续丢失；改进数据关联算法以增强目标航迹关联精度等。而随着近些年滤波算法的改进与提升，研究多模式滤波算法混合跟踪系统上辅以上述措施将能更好地应对多普勒盲区对目标航迹信息带来的影响。
发明内容
本发明针对解决机载预警雷达受多普勒盲区影响而导致的航迹丢失等关键科学问题，为了充分发挥跟踪滤波算法的性能优势，进一步提取跟踪目标的有用信息，提高后期数据关联算法的准确度，提出了一种基于多普勒盲区的多模式空域目标跟踪方法。该方法将均方根容积卡尔曼滤波算法和粒子滤波算法相结合，根据跟踪目标状态设置了四种不同的工作模式，旨在增强盲区中的航迹连续性与估计精度。同时，针对空域目标高机动性的特点，在滤波算法中加入了交互式多模型算法。模式一也即在无限制区域，采用交互式多模型-均方根容积卡尔曼滤波(IMM-SCKF)算法；当量测点消失时进入模式二进行无限制区域到盲区的过渡，采用IMM-SCKF算法与多模型粒子滤波(MM-PF)算法相结合；根据量测点的连续丢失或重新获得量测点，滤波器可进入模式三或返回模式一，模式三也即在盲区中将完全使用多模型-粒子滤波；模式四为盲区向无限制区域的过渡，采用IMM-SCKF和MM-PF算法同时跟踪；根据是否重新获得两侧点，滤波器可自适应地切回模式三或切换到模式一。如此往复，直到跟踪完成。具体实施步骤为：
步骤1：目标参数初始化，设定机载预警雷达和跟踪目标的运动模型，分别设置载机、目标的初始状态向量、初始协方差矩阵，设置物体运动模型、多普勒盲区位置等；
步骤2：以目标从无限制区域进入多普勒盲区到目标脱离多普勒盲区返回无限制区域为例，采用多模式滤波算法进行目标跟踪，假设跟踪目标除了受多普勒盲区影响下外皆会被传感器捕捉。无限制区域，滤波器为模式一，采用IMM-SCKF算法对目标进行跟踪，此模式下进行正常的机动目标跟踪；
步骤3：目标开始进入多普勒盲区，目标回波被主杂波区噪声所淹没，量测点开始丢失，此时滤波器切换为模式二，采用SCKF与PF算法共同跟踪目标，在这一模式下，SCKF算法中无量测点更新，仅用目标先验状态信息进行传递，此时依然保留该部分的目的为：当量测点未达到门限判定目标仍在多普勒盲区时可快速将滤波器切换为模式一，同时为保证模式三的可工作性，需借用模式一中最后一组目标状态信息与协方差矩阵激活PF算法，为滤波器切换至模式三做准备；
步骤4：当量测点持续丢失，判定目标进入多普勒盲区，滤波器切换为模式三，仅保留模式二中的PF算法跟踪目标，其作用在于：尽可能维持盲区内的航迹连续性，通过盲区的先验知识以及粒子的扩散尽可能让粒子接近量测重新出现的位置；
步骤5：当目标脱离多普勒盲区，传感器重新获得量测点时，滤波器切换为模式四，进行多普勒盲区到无限制区域的过渡，该模式下采用IMM-SCKF和PF算法同时跟踪目标，其中IMM-SCKF由模式三中PF算法的最后一组目标状态信息与协方差矩阵激活，采用新出现的量测点更新。同时与模式二类似，仍保留模式三中的PF算法作为返回模式三的有效手段；
步骤6：当量测点连续被传感器捕捉，判定目标位于无限制区域，滤波器切换为模式一，并采用模式四中的IMM-SCKF算法进行跟踪，此时返回步骤3继续跟踪过程。
进一步地，步骤1中，设定目标的运动模型为匀速运动(CV)模型、匀加速运动(CA)模型、匀速转弯(CT)模型，其中在三次匀速转弯运动时目标将短暂进入多普勒盲区。设在时刻k目标的状态信息为
Figure BDA0003401950580000031
载机的状态信息为
Figure BDA0003401950580000032
多普勒盲区门限速度为MDV，传感器检测概率pd。
进一步地，步骤2中，初始化多模式滤波器，设置初始马尔可夫概率转移矩阵pm，目标状态函数为x1IS，协方差矩阵为p1IS，下标对应第一种工作模式下的IMM-SCKF算法，同时初始化对应模型的噪声参数。具体包括如下分步骤：
步骤2-1，预测步骤，在无限制区域目标我们认为目标的运动模型由CV和CA共同构成，其预测方程为：
x1ISi(k+1|k)＝Aix1IS(k|k)+w(k) i＝1,2
Figure BDA0003401950580000033
Figure BDA0003401950580000034
其中，x1ISi为模式一中目标在第i类运动模型下的先验估计，x1IS为来自上一时刻目标状态的后验估计，Ai为对应运动模型的状态转移矩阵，w是均值为0，协方差为R的高斯白噪声。
步骤2-2，更新步骤，对所有运动模型对应量测更新，更新方程为：
z1ISi(k)＝Hix(k|k)+v(k)
其中，z1ISi为目标在第i类运动模型下的量测向量，Hi为对应运动模型的观测矩阵，v为均值为0，协方差为Q的高斯白噪声。
步骤2-3，滤波，分别计算对应运动模型下的卡尔曼增益以得到相应的后验状态估计、后验协方差矩阵。滤波过程如下：
K1ISi(k)＝p1ISi(k+1|k)HT[Hp1ISi(k+1|k)HT+R]-1
x1ISi(k+1|k+1)＝x1ISi(k+1|k)+K1ISi(k)[z1ISi(k)-H1ISi(k+1|k)]
p1ISi(k+1|k+1)＝[I-K1ISi(k)H]p1ISi(k+1|k)
其中，K1ISi为目标在第i类运动模型下的卡尔曼增益。
步骤2-4，更新马尔可夫概率转移矩阵。采用最大似然法则分别计算目标在各运动模型下和后验估计的相似程度来更新概率转移矩阵：
Figure BDA0003401950580000041
其中：
Figure BDA0003401950580000042
Figure BDA0003401950580000043
d1ISi(k+1)＝z1ISi(k+1)-Hix1ISi(k+1|k)
Figure BDA0003401950580000044
步骤2-5，数据交互，生成当前时刻最终输出，作为下一时刻的输入信息。根据每个模型单独计算的跟踪结果和模型对应的权重给出当前时刻的最终输出结果。
Figure BDA0003401950580000045
Figure BDA0003401950580000046
进一步地，步骤3中，当量测点开始丢失，说明目标转为CT模型，与机载传感器径向速度落入多普勒盲区范围，此时模式一中的IMM-SCKF转换为CT模型的SCKF算法，此时仅依靠先验估计进行迭代，在此基础上通过模式一中最后时刻的状态估计以及协方差估计激活PF算法，具体迭代过程如下：
步骤3-1，PF算法初始化。生成包括N个粒子的集合
Figure BDA0003401950580000047
其中，
Figure BDA0003401950580000048
为第i个粒子在k时刻的状态信息，
Figure BDA0003401950580000049
为其对应的权重，权重初始值为
Figure BDA00034019505800000410
后续权重由重采样更新，且满足
Figure BDA00034019505800000411
步骤3-2，PF算法预测步骤，由上一时刻的后验概率密度p(xk-1|y1:k-1)得到该时刻的先验概率密度p(xk|y1:k-1)。具体计算过程为：
p(xk|y1:k-1)＝∫p(xk|xk-1)p(xk-1|y1:k-1)dxk-1
步骤3-3，PF算法更新步骤，由于多普勒盲区的干扰，量测点丢失，因此PF算法需要在无量测的条件下向后迭代。此时生成的粒子精度降低，可通过盲区先验知识筛选出精度较高的粒子，并分配权重，实现盲区内的PF算法。设机载传感器的运动速度为Vs，设目标运动速度为V，
Figure BDA0003401950580000051
为传感器俯仰角，α和β分别为机载传感器和目标与视线方向的夹角。则目标与机载传感器的径向速度Vs为：
Figure BDA0003401950580000052
设机载传感器主杂波区域的中心频率为fd0，则目标的多普勒频率fd为：
Figure BDA0003401950580000053
其中，fdt为目标在视线方向上形成的多普勒频率，设最小检测速度MDV所对应的频率为fMDV，则目标落入多普勒盲区中的条件为：
|fdt|≤|fMDV|
即多普勒盲区范围是[-fMDV,fMDV]，对应的门限速度区间为[-MDV,MDV]。因此，盲区中的粒子滤波算法更新步骤可通过盲区先验知识进行粒子的选取，可通过设置盲区区间单边宽度的
Figure BDA0003401950580000054
作为粒子状态的候选区间。
步骤3-4，SCKF算法初始化，当滤波器进入模式二，与PF算法相同，SCKF算法开始按照模式一中最后时刻的目标状态和协方差矩阵进行迭代。
步骤3-5，SCKF算法的无量测迭代，由于该模式下缺少量测，故SCKF算法仅用先验进行更新。具体步骤如下：
x2IS(k+1)＝Actx2IS(k)+w(k)
Figure BDA0003401950580000055
其中，x2IS、p2IS分别表示模式二下的目标状态向量和协方差矩阵，Act为CT模型的状态转移矩阵。
进一步地，步骤4中，滤波器进入模式三，此时仅使用PF算法进行更新，传感器量测依然缺失，故此时PF算法递归过程与步骤3中一致，此处不再赘述。
进一步地，步骤5中，滤波器进入模式四，此时出现量测，PF算法与IMM-SCKF算法共同迭代。其中，IMM-SCKF算法以模式三中PF算法最后时刻的状态向量和协方差矩阵作为起始系统状态进行迭代，具体步骤与模式一下的IMM-SCKF算法相同，不再赘述。同时，为使量测再次丢失时滤波器可平滑过渡至模式三，保留了模式三下的PF算法，此时PF算法按量测进行更新迭代，具体过程如下：
步骤5-1，PF算法预测步骤，由上一时刻的后验概率密度p(xk-1|y1:k-1)得到该时刻的先验概率密度p(xk|y1:k-1)。具体计算过程为：
p(xk|y1:k-1)＝∫p(xk|xk-1)p(xk-1|y1:k-1)dxk-1
步骤5-2，PF算法更新步骤，由该时刻的先验概率密度p(xk|y1:k-1)得到本时刻的后验概率密度p(xk|y1:k)。具体计算过程为：
Figure BDA0003401950580000061
其中：
p(yk|y1:k-1)＝∫p(yk|xk)p(xk|y1:k-1)dxk
本发明的有益效果在于：
本方法针对空域目标跟踪存在的多普勒盲区问题，提出了一种基于多普勒盲区的多模式空域目标跟踪方法，其工作模式可根据目标与盲区的状态关系进行平滑地切换。该方法充分利用了多普勒盲区的先验知识，结合贝叶斯滤波器的各种优势，有效提升了目标在航迹中的连续性，降低航迹重启引起的漏检、误检概率，提升了跟踪精度。
附图说明
图1是本发明的整体工作流程图；
图2是本发明实施例中IMM-SCFK算法工作过程示意图；
图3是本发明实施例中PF算法工作过程示意图；
图4是本发明实施例中SCKF算法工作过程示意图；
图5是本发明实施例中的目标真实轨迹示意图；
图6是本发明实施例中的目标跟踪效果示意图；
图7是本发明实施例中相同噪声环境、相同门限速度条件下IMM-SCKF算法、PF算法与本发明方法跟踪效果对比示意图；
具体实施方式
下面结合附图和实施例对本发明所提方法进行进一步详细说明。以下实施例用于说明本申请，但不用来限制本申请的范围。
一种基于多普勒盲区的多模式空域目标跟踪方法，所述方法包括如下步骤：
步骤1中，目标参数初始化，设定机载预警雷达和跟踪目标的运动模型，分别设置载机、目标的初始状态向量、初始协方差矩阵，设置物体运动模型、多普勒盲区位置等。设定目标的运动模型为匀速运动(CV)模型、匀加速运动(CA)模型、匀速转弯(CT)模型，其中在三次匀速转弯运动时目标将短暂进入多普勒盲区。设在时刻k目标的状态信息为
Figure BDA0003401950580000071
载机的状态信息为
Figure BDA0003401950580000072
多普勒盲区门限速度为MDV，传感器检测概率pd为0.9。
步骤2：以目标从无限制区域进入多普勒盲区到目标脱离多普勒盲区返回无限制区域为例，采用多模式滤波算法进行目标跟踪，假设跟踪目标除了受多普勒盲区影响下外皆会被传感器捕捉。无限制区域，滤波器为模式一，采用IMM-SCKF算法对目标进行跟踪，此模式下进行正常的机动目标跟踪。具体包括以下分步骤：
步骤2-1，预测步骤，在无限制区域目标我们认为目标的运动模型由CV和CA共同构成，其预测方程为：
x1ISi(k+1|k)＝Aix1IS(k|k)+w(k) i＝1,2
Figure BDA0003401950580000073
Figure BDA0003401950580000074
其中，x1ISi为模式一中目标在第i类运动模型下的先验估计，x1IS为来自上一时刻目标状态的后验估计，Ai为对应运动模型的状态转移矩阵，w是均值为0，协方差为R的高斯白噪声。
步骤2-2，更新步骤，对所有运动模型对应量测更新，更新方程为：
z1ISi(k)＝Hix(k|k)+v(k)
其中，z1ISi为目标在第i类运动模型下的量测向量，Hi为对应运动模型的观测矩阵，v为均值为0，协方差为Q的高斯白噪声。
步骤2-3，滤波，分别计算对应运动模型下的卡尔曼增益以得到相应的后验状态估计、后验协方差矩阵。滤波过程如下：
K1ISi(k)＝p1ISi(k+1|k)HT[Hp1ISi(k+1|k)HT+R]-1
x1ISi(k+1|k+1)＝x1ISi(k+1|k)+K1ISi(k)[z1ISi(k)-H1ISi(k+1|k)]
p1ISi(k+1|k+1)＝[I-K1ISi(k)H]p1ISi(k+1|k)
其中，K1ISi为目标在第i类运动模型下的卡尔曼增益。
步骤2-4，更新马尔可夫概率转移矩阵。采用最大似然法则分别计算目标在各运动模型下和后验估计的相似程度来更新概率转移矩阵：
Figure BDA0003401950580000081
其中：
Figure BDA0003401950580000082
Figure BDA0003401950580000083
d1ISi(k+1)＝z1ISi(k+1)-Hix1ISi(k+1|k)
Figure BDA0003401950580000084
步骤2-5，数据交互，生成当前时刻最终输出，作为下一时刻的输入信息。根据每个模型单独计算的跟踪结果和模型对应的权重给出当前时刻的最终输出结果。
Figure BDA0003401950580000085
Figure BDA0003401950580000086
步骤3：目标开始进入多普勒盲区，目标回波被主杂波区噪声所淹没，量测点开始丢失，此时滤波器切换为模式二，采用SCKF与PF算法共同跟踪目标，在这一模式下，SCKF算法中无量测点更新，仅用目标先验状态信息进行传递，此时依然保留该部分的目的为：当量测点未达到门限判定目标仍在多普勒盲区时可快速将滤波器切换为模式一，同时为保证模式三的可工作性，需借用模式一中最后一组目标状态信息与协方差矩阵激活PF算法，为滤波器切换至模式三做准备。具体包括以下分步骤：
步骤3-1，PF算法初始化。生成包括N个粒子的集合
Figure BDA0003401950580000091
其中，
Figure BDA0003401950580000092
为第i个粒子在k时刻的状态信息，
Figure BDA0003401950580000093
为其对应的权重，权重初始值为
Figure BDA0003401950580000094
后续权重由重采样更新，且满足
Figure BDA0003401950580000095
步骤3-2，PF算法预测步骤，由上一时刻的后验概率密度p(xk-1|y1:k-1)得到该时刻的先验概率密度p(xk|y1:k-1)。具体计算过程为：
p(xk|y1:k-1)＝∫p(xk|xk-1)p(xk-1|y1:k-1)dxk-1
步骤3-3，PF算法更新步骤，由于多普勒盲区的干扰，量测点丢失，因此PF算法需要在无量测的条件下向后迭代。此时生成的粒子精度降低，可通过盲区先验知识筛选出精度较高的粒子，并分配权重，实现盲区内的PF算法。设机载传感器的运动速度为Vs，设目标运动速度为V，
Figure BDA0003401950580000096
为传感器俯仰角，α和β分别为机载传感器和目标与视线方向的夹角。则目标与机载传感器的径向速度Vr为：
Figure BDA0003401950580000097
设机载传感器主杂波区域的中心频率为fd0，则目标的多普勒频率fd为：
Figure BDA0003401950580000098
其中，fdt为目标在视线方向上形成的多普勒频率，设最小检测速度MDV所对应的频率为fMDV，则目标落入多普勒盲区中的条件为：
|fdt|≤|fMDV|
即多普勒盲区范围是[-fMDV,fMDV]，对应的门限速度区间为[-MDV,MDV]。因此，盲区中的粒子滤波算法更新步骤可通过盲区先验知识进行粒子的选取，可通过设置盲区区间单边宽度的
Figure BDA0003401950580000099
作为粒子状态的候选区间。
步骤3-4，SCKF算法初始化，当滤波器进入模式二，与PF算法相同，SCKF算法开始按照模式一中最后时刻的目标状态和协方差矩阵进行迭代。
步骤3-5，SCKF算法的无量测迭代，由于该模式下缺少量测，故SCKF算法仅用先验进行更新。具体步骤如下：
x2IS(k+1)＝Actx2IS(k)+w(k)
Figure BDA0003401950580000101
其中，x2IS、p2IS分别表示模式二下的目标状态向量和协方差矩阵，Act为CT模型的状态转移矩阵。
步骤4：当量测点持续丢失，判定目标进入多普勒盲区，滤波器切换为模式三，仅保留模式二中的PF算法跟踪目标，其作用在于：尽可能维持盲区内的航迹连续性，通过盲区的先验知识以及粒子的扩散尽可能让粒子接近量测重新出现的位置；
步骤5：当目标脱离多普勒盲区，传感器重新获得量测点时，滤波器切换为模式四，进行多普勒盲区到无限制区域的过渡，该模式下采用IMM-SCKF和PF算法同时跟踪目标，其中IMM-SCKF由模式三中PF算法的最后一组目标状态信息与协方差矩阵激活，采用新出现的量测点更新。同时与模式二类似，仍保留模式三中的PF算法作为返回模式三的有效手段。具体包括以下分步骤：
步骤5-1，PF算法预测步骤，由上一时刻的后验概率密度p(xk-1|y1:k-1)得到该时刻的先验概率密度p(xk|y1:k-1)。具体计算过程为：
p(xk|y1:k-1)＝∫p(xk|xk-1)p(xk-1|y1:k-1)dxk-1
步骤5-2，PF算法更新步骤，由该时刻的先验概率密度p(xk|y1:k-1)得到本时刻的后验概率密度p(xk|y1:k)。具体计算过程为：
Figure BDA0003401950580000102
其中：
p(yk|y1:k-1)＝∫p(yk|xk)p(xk|y1:k-1)dxk
步骤6：当量测点连续被传感器捕捉，判定目标位于无限制区域，滤波器切换为模式一，并采用模式四中的IMM-SCKF算法进行跟踪，此时返回步骤3继续跟踪过程。至此，整个算法流程结束。
本发明的效果可通过以下仿真进一步说明：
(1)仿真条件及参数
设多目标在三维平面，目标运动状态为x＝[x,y,z]，传感器运动状态为xs＝[xs,ys,zs]。获得的量测z由
其余参数设定为：扫描时间间隔Ts为1，总时长为100s。过程噪声协方差QT＝diag([1,0,1,0])，量测噪声协方差RT＝diag([102,102])，初始目标运动状态
Figure BDA0003401950580000111
初始协方差矩阵P0＝diag([2500,2500,2500,2500,0.011])，传感器检测概率Pd＝0.98。
(2)仿真条件及参数
通过仿真实验，将本发明方法与单一滤波算法进行对比实验分析。本实验的目标真实航迹图如图5所示。
图6是本发明实施例中的目标跟踪效果示意图。
图7是本发明实施例中相同噪声环境、相同门限速度条件下IMM-SCKF算法、PF算法与本发明方法跟踪效果对比示意图。可以看出本发明方法在盲区中的航迹连续性要明显高于其他两种单一滤波算法。
本实施例提出了一种基于多普勒盲区的多模式空域目标跟踪方法。所申请方法，针对多普勒盲区引起的航迹中断，根据目标与盲区的关系组合成了不同的工作模式，利用了多普勒盲区的先验知识，结合贝叶斯滤波器的各种优势，有效提升了目标在航迹中的连续性，降低航迹重启引起的漏检、误检概率，提升了跟踪精度。
本方法针对空域目标跟踪存在的多普勒盲区问题，提出了一种基于多普勒盲区的多模式空域目标跟踪方法，其工作模式可根据目标与盲区的状态关系进行平滑地切换。该方法充分利用了多普勒盲区的先验知识，结合贝叶斯滤波器的各种优势，有效提升了目标在航迹中的连续性，降低航迹重启引起的漏检、误检概率，提升了跟踪精度。
本领域技术人员可以理解，在本申请具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请具体实施方式的实施过程构成任何限定。
最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (5)

1.一种基于多普勒盲区的多模式空域目标跟踪方法，其特征在于：
步骤1：目标参数初始化，设定机载预警雷达和跟踪目标的运动模型，分别设置载机、目标的初始状态向量、初始协方差矩阵，设置物体运动模型、多普勒盲区位置等；
步骤2：以目标从无限制区域进入多普勒盲区到目标脱离多普勒盲区返回无限制区域为例，采用多模式滤波算法进行目标跟踪，假设跟踪目标除了受多普勒盲区影响下外皆会被传感器捕捉，无限制区域，滤波器为模式一，采用IMM-SCKF算法对目标进行跟踪，此模式下进行正常的机动目标跟踪；
步骤3：目标开始进入多普勒盲区，目标回波被主杂波区噪声所淹没，量测点开始丢失，此时滤波器切换为模式二，采用SCKF与PF算法共同跟踪目标，在这一模式下，SCKF算法中无量测点更新，仅用目标先验状态信息进行传递，此时依然保留该部分的目的为：当量测点未达到门限判定目标仍在多普勒盲区时可快速将滤波器切换为模式一，同时为保证模式三的可工作性，需借用模式一中最后一组目标状态信息与协方差矩阵激活PF算法，为滤波器切换至模式三做准备；
步骤4：当量测点持续丢失，判定目标进入多普勒盲区，滤波器切换为模式三，仅保留模式二中的PF算法跟踪目标，其作用在于：尽可能维持盲区内的航迹连续性，通过盲区的先验知识以及粒子的扩散尽可能让粒子接近量测重新出现的位置；
步骤5：当目标脱离多普勒盲区，传感器重新获得量测点时，滤波器切换为模式四，进行多普勒盲区到无限制区域的过渡，该模式下采用IMM-SCKF和PF算法同时跟踪目标，其中IMM-SCKF由模式三中PF算法的最后一组目标状态信息与协方差矩阵激活，采用新出现的量测点更新，同时与模式二类似，仍保留模式三中的PF算法作为返回模式三的有效手段；
步骤6：当量测点连续被传感器捕捉，判定目标位于无限制区域，滤波器切换为模式一，并采用模式四中的IMM-SCKF算法进行跟踪，此时返回步骤3继续跟踪过程。
2.根据权利要求1所述基于多普勒盲区的多模式空域目标跟踪方法，其特征在于，所述步骤1中设定初始分量集具体步骤如下：
(1.1)设定目标的运动模型为匀速运动(CV)模型、匀加速运动(CA)模型、匀速转弯(CT)模型，其中在三次匀速转弯运动时目标将短暂进入多普勒盲区；设在时刻k目标的状态信息为
Figure FDA0003401950570000021
载机的状态信息为
Figure FDA0003401950570000022
多普勒盲区门限速度为MDV，传感器检测概率pd为0.9。
3.根据权利要求1所述基于多普勒盲区的多模式空域目标跟踪方法，其特征在于，所述步骤二，具体如下：
(2.1)预测步骤，在无限制区域目标我们认为目标的运动模型由CV和CA共同构成，其预测方程为：
x1ISi(k+1|k)＝Aix1IS(k|k)+w(k)i＝1,2
Figure FDA0003401950570000023
Figure FDA0003401950570000024
其中，x1ISi为模式一中目标在第i类运动模型下的先验估计，x1IS为来自上一时刻目标状态的后验估计，Ai为对应运动模型的状态转移矩阵，w是均值为0，协方差为R的高斯白噪声；
(2.2)更新步骤，对所有运动模型对应量测更新，更新方程为：
z1ISi(k)＝Hix(k|k)+v(k)
其中，z1ISi为目标在第i类运动模型下的量测向量，Hi为对应运动模型的观测矩阵，v为均值为0，协方差为Q的高斯白噪声；
(2.3)滤波，分别计算对应运动模型下的卡尔曼增益以得到相应的后验状态估计、后验协方差矩阵；滤波过程如下：
K1ISi(k)＝p1ISi(k+1|k)HT[Hp1ISi(k+1|k)HT+R]-1
x1ISi(k+1|k+1)＝x1ISi(k+1|k)+K1ISi(k)[z1ISi(k)-H1ISi(k+1|k)]
p1ISi(k+1|k+1)＝[I-K1ISi(k)H]p1ISi(k+1|k)
其中，K1ISi为目标在第i类运动模型下的卡尔曼增益；
(2.4)更新马尔可夫概率转移矩阵；采用最大似然法则分别计算目标在各运动模型下和后验估计的相似程度来更新概率转移矩阵：
Figure FDA0003401950570000025
其中：
Figure FDA0003401950570000026
Figure FDA0003401950570000031
d1ISi(k+1)＝z1ISi(k+1)-Hix1ISi(k+1|k)
Figure FDA0003401950570000032
(2.5)数据交互，生成当前时刻最终输出，作为下一时刻的输入信息；根据每个模型单独计算的跟踪结果和模型对应的权重给出当前时刻的最终输出结果；
Figure FDA0003401950570000033
Figure FDA0003401950570000034
4.根据权利要求1所述算法，其特征在于，步骤3中，当量测点开始丢失，说明目标转为CT模型，与机载传感器径向速度落入多普勒盲区范围，此时模式一中的IMM-SCKF转换为CT模型的SCKF算法，此时仅依靠先验估计进行迭代，具体包括如下分步骤：
(3.1)PF算法初始化；生成包括N个粒子的集合
Figure FDA0003401950570000035
其中，
Figure FDA0003401950570000036
为第i个粒子在k时刻的状态信息，
Figure FDA0003401950570000037
为其对应的权重，权重初始值为
Figure FDA0003401950570000038
后续权重由重采样更新，且满足
Figure FDA0003401950570000039
(3.2)PF算法预测步骤，由上一时刻的后验概率密度p(xk-1|y1:k-1)得到该时刻的先验概率密度p(xk|y1:k-1)；具体计算过程为：
p(xk|y1:k-1)＝∫p(xk|xk-1)p(xk-1|y1:k-1)dxk-1
(3.3)PF算法更新步骤，由于多普勒盲区的干扰，量测点丢失，因此PF算法需要在无量测的条件下向后迭代；此时生成的粒子精度降低，可通过盲区先验知识筛选出精度较高的粒子，并分配权重，实现盲区内的PF算法；设机载传感器的运动速度为Vs，设目标运动速度为V，
Figure FDA00034019505700000310
为传感器俯仰角，α和β分别为机载传感器和目标与视线方向的夹角；则目标与机载传感器的径向速度Vr为：
Figure FDA00034019505700000311
设机载传感器主杂波区域的中心频率为fd0，则目标的多普勒频率fd为：
Figure FDA0003401950570000041
其中，fdt为目标在视线方向上形成的多普勒频率，设最小检测速度MDV所对应的频率为fMDV，则目标落入多普勒盲区中的条件为：
|fdt|≤|fMDV|
即多普勒盲区范围是[-fMDV,fMDV]，对应的门限速度区间为[-MDV,MDV]；因此，盲区中的粒子滤波算法更新步骤可通过盲区先验知识进行粒子的选取，可通过设置盲区区间单边宽度的
Figure FDA0003401950570000042
作为粒子状态的候选区间；
(3.4)SCKF算法初始化，当滤波器进入模式二，与PF算法相同，SCKF算法开始按照模式一中最后时刻的目标状态和协方差矩阵进行迭代；
(3.5)SCKF算法的无量测迭代，由于该模式下缺少量测，故SCKF算法仅用先验进行更新；具体步骤如下：
x2IS(k+1)＝Actx2IS(k)+w(k)
Figure FDA0003401950570000043
其中，x2IS、p2IS分别表示模式二下的目标状态向量和协方差矩阵，Act为CT模型的状态转移矩阵。
5.根据权利要求1所述算法，其特征在于，步骤5中，滤波器进入模式四，此时出现量测，PF算法与IMM-SCKF算法共同迭代，其中，IMM-SCKF算法以模式三中PF算法最后时刻的状态向量和协方差矩阵作为起始系统状态进行迭代，具体步骤与模式一下的IMM-SCKF算法相同，同时，为使量测再次丢失时滤波器可平滑过渡至模式三，保留了模式三下的PF算法，此时PF算法按量测进行更新迭代，具体包括如下分步骤：
(4.1)PF算法预测步骤，由上一时刻的后验概率密度p(xk-1|y1:k-1)得到该时刻的先验概率密度p(xk|y1:k-1)，具体计算过程为：
p(xk|y1:k-1)＝∫p(xk|xk-1)p(xk-1|y1:k-1)dxk-1
(4.2)PF算法更新步骤，由该时刻的先验概率密度p(xk|y1:k-1)得到本时刻的后验概率密度p(xk|y1:k)，具体计算过程为：
Figure FDA0003401950570000051
其中：
p(yk|y1:k-1)＝∫p(yk|xk)p(xk|y1:k-1)dxk。
CN202111498794.5A 2021-12-09 2021-12-09 一种基于多普勒盲区的多模式空域目标跟踪方法 Pending CN114200439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111498794.5A CN114200439A (zh) 2021-12-09 2021-12-09 一种基于多普勒盲区的多模式空域目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111498794.5A CN114200439A (zh) 2021-12-09 2021-12-09 一种基于多普勒盲区的多模式空域目标跟踪方法

Publications (1)

Publication Number Publication Date
CN114200439A true CN114200439A (zh) 2022-03-18

Family

ID=80651695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111498794.5A Pending CN114200439A (zh) 2021-12-09 2021-12-09 一种基于多普勒盲区的多模式空域目标跟踪方法

Country Status (1)

Country Link
CN (1) CN114200439A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758119A (zh) * 2022-04-20 2022-07-15 北京航空航天大学 一种基于仿鹰眼视觉与似物性的海面回收目标检测方法
CN114758119B (zh) * 2022-04-20 2024-06-07 北京航空航天大学 一种基于仿鹰眼视觉与似物性的海面回收目标检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758119A (zh) * 2022-04-20 2022-07-15 北京航空航天大学 一种基于仿鹰眼视觉与似物性的海面回收目标检测方法
CN114758119B (zh) * 2022-04-20 2024-06-07 北京航空航天大学 一种基于仿鹰眼视觉与似物性的海面回收目标检测方法

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
CN107192995A (zh) 一种多层次信息融合的纯方位水下目标跟踪算法
Bar-Shalom et al. The probabilistic data association filter
CN107193009A (zh) 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法
CN107817679B (zh) 基于红外与可见光融合跟踪的舰船水炮控制系统及方法
CN106683118B (zh) 一种基于分层模型的无人机目标跟踪方法
CN112505681B (zh) 一种基于tas的四面二维相控阵雷达多目标跟踪处理方法
CN108957437B (zh) 一种基于环境态势分析的雷达目标跟踪方法
CN111027692A (zh) 一种目标运动态势预测方法及装置
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
Zhai et al. Millimeter wave radar target tracking based on adaptive Kalman filter
Ruan et al. Multiple model PMHT and its application to the benchmark radar tracking problem
CN111598232B (zh) 利用深度学习卷积神经网络估计复杂微动空间锥体目标参数的方法
CN111929676A (zh) 一种基于密度聚类的x波段雷达目标检测与跟踪方法
CN114114242A (zh) 一种基于点选航迹及航迹外推的雷达目标追赶跟踪方法
CN108490429A (zh) Tws雷达多目标跟踪方法及系统
CN114200439A (zh) 一种基于多普勒盲区的多模式空域目标跟踪方法
CN110728026B (zh) 一种基于角速度量测的末端弹道目标被动跟踪方法
Yu Moving target tracking based on improved Meanshift and Kalman filter algorithm
CN114485676B (zh) 一种分布式飞行雷达平台的航迹规划方法
CN114662285A (zh) 一种高速飞行器火力控制模型的智能解算方法
Zhong et al. Vision-based 3D aerial target detection and tracking for maneuver decision in close-range air combat
Wilts et al. Enhanced state estimation based on particle filter and sensor data with non-gaussian and multimodal noise
Fang et al. A fast implementation of dynamic programming based track-before-detect for radar system
CN112379366A (zh) 一种基于粒子群滤波的雷达目标跟踪算法

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