CN115015907A - 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 - Google Patents
一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 Download PDFInfo
- Publication number
- CN115015907A CN115015907A CN202210518957.XA CN202210518957A CN115015907A CN 115015907 A CN115015907 A CN 115015907A CN 202210518957 A CN202210518957 A CN 202210518957A CN 115015907 A CN115015907 A CN 115015907A
- Authority
- CN
- China
- Prior art keywords
- particle
- target
- particles
- state
- frame
- 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
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
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于稀疏表示的粒子滤波检测前跟踪方法及装置。本发明从抑制目标背景信息干扰角度出发,在粒子滤波框架中引入稀疏表示算法对量测数据进行预处理,消除部分噪声杂波的干扰。稀疏表示的量测数据对粒子滤波预测和更新过程都会产生影响。预测过程中新生粒子的产生采用稀疏表示的量测数据作为先验信息,让粒子只在超过一定门限的分辨单元产生,提高粒子利用率;更新过程中,利用稀疏表示的量测数据计算似然比更新粒子权重,获得更加准确的权值信息,从而达到提高算法跟踪精度和检测效率的目的。本发明能实现强噪声强杂波环境下弱小目标的有效检测与跟踪。
Description
技术领域
本发明涉及雷达检测前跟踪技术领域,具体而言,尤其涉及一种基于稀疏表示的粒子滤波检测前跟踪方法及装置。
背景技术
随着跟踪目标越来越趋于小型化、多样化以及隐身技术的发展,现代雷达的探测能力正面临着十分严峻挑战。检测前跟踪(track-before-detect,TBD)不同于传统的检测后跟踪,是通过利用多帧量测数据不断累积目标信息,实现对目标强度的增强,是一种在低信噪比环境下对微弱目标进行有效检测跟踪的方法。而实际环境中目标大多处于非线性背景下,粒子滤波(particle filter,PF)能够摆脱非线性滤波问题中随机变量必须满足高斯分布的制约条件,因此PF-TBD算法成为的研究弱目标检测跟踪的热点。
粒子滤波检测前跟踪方法核心思想是估计目标状态和目标存在变量的联合后验概率密度函数,从而实现对目标的检测和跟踪。但由于粒子滤波算法存在权值退化、样本枯竭问题,使得检测结果不稳定,跟踪精度不高。
发明内容
鉴于现有技术的不足,本发明提供一种基于稀疏表示的粒子滤波检测前跟踪方法及装置。本发明从抑制目标背景信息干扰角度出发,借鉴基于稀疏表示的视觉跟踪算法,在粒子滤波框架中引入稀疏表示算法对量测数据进行预处理,消除部分噪声杂波的干扰,从而影响粒子滤波预测和更新过程,达到提高粒子利用率和粒子的多样性的目的。
本发明采用的技术手段如下:
本发明公开了一种基于稀疏表示的粒子滤波检测前跟踪方法,包括:
S1、获取雷达扫描观测序列,初始化系统参数和模型参数,所述雷达扫描观测序列包括K帧,第k帧的量测数据为zn,m(k),其中1≤k≤K,所述系统参数包括雷达天线扫描周期T,目标状态的先验分布p(x0),初始目标存在的先验概率Pr(E0=1),总粒子数Ns,目标的出生概率pb和死亡概率pd,目标运动模型的状态转移矩阵F,过程噪声的协方差矩阵Q,量测噪声方差σ2以及信噪比SNR;
S2、读取雷达接收机第k帧量测数据,进行稀疏分解,得到稀疏表示的量测数据;
S3、k=0时,初始化粒子分布,对每个粒子的初始状态赋值;
S6、基于各类粒子状态和稀疏表示的量测数据,计算每个粒子的权值;
S7、对粒子权值进行归一化处理,得到每个粒子的归一化权值;
S10、如果k≤K,令k=k+1,返回S4,否则输出检测结果和估计的目标状态
本发明还公开了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序运行执行上述方法。
较现有技术相比,本发明具有以下优点:
1、本发明涉及单个点目标的检测跟踪。从抑制目标背景信息干扰角度出发,在粒子滤波框架中引入稀疏表示算法对量测数据进行预处理,消除部分噪声杂波的干扰。稀疏表示的量测数据对粒子滤波预测和更新过程都会产生影响。预测过程中新生粒子的产生采用稀疏表示的量测数据作为先验信息,让粒子只在超过一定门限的分辨单元产生,提高粒子利用率;更新过程中,利用稀疏表示的量测数据计算似然比更新粒子权重,获得更加准确的权值信息,从而达到提高算法跟踪精度和检测效率的目的。本发明能实现强噪声强杂波环境下弱小目标的有效检测与跟踪。
2、本发明在粒子滤波检测前跟踪算法基础上,引入稀疏表示算法,对传感器输出的各分辨单元强度数据进行稀疏表示,充分利用数据信息消除噪声杂波干扰;新生粒子产生上,利用稀疏采用低门限采样,避免了粒子利用率不高的问题;通过稀疏表示计算似然函数去更新粒子权重,获得了更加准确的权值信息,在不降低算法准确性的同时,减小计算量,提高跟踪精度。
3、本发明对雷达二维图像数据做了预处理,有效消除了部分噪声杂波对后续滤波算法的影响。在新生粒子产生和粒子权重更新过程,充分利用稀疏量测信息,在目标存在概率估计方面与理论值更加符合,跟踪误差更小。
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做以简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于稀疏表示的粒子滤波检测前跟踪方法流程图。
图2为本发明方法与标准PF-TBD方法检测概率对比图。
图3为本发明方法与标准PF-TBD位置均方根误差对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
如图1所示,本发明提供了一种基于稀疏表示的粒子滤波检测前跟踪方法,主要包括以下步骤:
步骤1:初始化系统参数:
初始化系统参数包括:雷达天线扫描周期T,目标状态的先验分布p(x0),初始目标存在的先验概率Pr(E0=1),总粒子数Ns,目标的出生概率pb和死亡概率pd,目标运动模型的状态转移矩阵F,过程噪声的协方差矩阵Q,量测噪声方差σ2,信噪比SNR;雷达完整扫描一圈可得到n*m个分辨单元构成的观测值序列,这个称为一帧,共观测K帧,第k帧的量测数据为zn,m(k),其中1≤k≤K。
步骤2:读取雷达接收机第k帧测量数据,进行稀疏分解。第k帧测量数据稀疏表示的过程如下:
(2)输入:重构数据y,字典矩阵A=[α1,α2,...αN],稀疏度为L;
(3)迭代过程:当迭代到l次的时候:
b.将寻找到最相关的字典元素索引加入索引集Λl=Λl-1∪{λl};
d.l=l+1,返回a,当迭代达到控制条件l=L时,迭代结束;
步骤3:k=0时,初始化粒子分布,对每个粒子的初始状态赋值。
从所有的Ns个粒子中,随机选择个粒子Pr(E0=1)*Ns个粒子,用集合Φ0表示,令集合Φ0中粒子的存在变量i表示粒子的序号,Pr(E0=1)为初始目标存在的先验概率。为了提高粒子利用率,获取雷达初始时刻的量测,设置合理的阈值,让粒子在大于门限的区域内均匀分布。再从目标状态的先验分布p(x0)中采样得到k=0时集合Φ0中每个粒子的初始状态:
第二类:满足且的粒子,命名为新出生的粒子,新出生的粒子采用集合Φb表示;对新出生的粒子,获取雷达当前时刻的量测,设置合理的阈值,让粒子在大于门限的区域内均匀分布。根据目标状态的先验分布p(x0),采样得到它的第k帧状态
步骤6:计算粒子权重。根据步骤5得到的3类粒子集和步骤2得到的第k帧重构量测值,计算每个粒子的权值:
计算得到每一个粒子的权值,μ1为有目标时的回波功率与目标能量在每个分辨单元中的分布乘积,μ0为没有目标时的噪声功率。
步骤7、权值归一化。
对步骤6得到的权值归一化:将每个粒子的权值除以全部粒子权值之和,得到每个粒子的归一化权值,即:
步骤8、重采样。
步骤10:如果k≤K,令k=k+1,返回步骤3,否则输出检测结果和估计的目标状态。k为帧数,K为总的量测帧数。
通过上面的步骤,就可以得到每一帧目标的存在概率,如果Pk>0.6则判为目标存在,否则目标不存在。
下面通过具体的应用实例,对本发明的方案和效果做进一步说明。
本实施例提供了应用本发明方法以及应用标准PF-TBD方法进行目标跟踪的结果对比。本节设计了不同信噪比条件下的SPF-TBD仿真实验,假设仿真时间为30帧,每帧由Nx×Ny=20×20个分辨单元组成,每个分辨单元大小为Δx×Δy=1×1,雷达扫描时间间隔T=1秒,模糊参数∑=0.7,目标影响分辨单元值q=3,目标运动状态噪声标准差q1=0.01,目标回波强度变化标准差q2=0.001,目标在第7秒出现,8~22秒做匀速直线运动,第23秒消失,目标信号强度I=20,观测噪声方差根据目标功率和信噪比产生。在滤波器的参数设置上,设置粒子数目为N=10000,粒子初始存在概率P0=0.15,Pb=Pd=0.15。在新生粒子产生方面,粒子分布的服从先验概率密度,即
令目标的初始状态为x0=[4.20;0.45;7.2;0.25;20],可得仿真结果如图2-3所示。图2描述了信噪比为7dB时两种方法的存在概率曲线,可以看出本方法的存在概率曲线明显高于PF-TBD,如果以0.5为检测门限,在第6s目标出现时,本方法可以快速的跟踪到目标,而PF-TBD存在概率曲线上升比较缓慢。在第17s目标消失后,本方法可以及早相应目标的消失,但PF-TBD有2s的延时。图3描述了7dB两目标的位置均方根误差,从图中可以看出,在目标刚出现时本方法的位置均方根误差明显小于PF-TBD的初始误差,随着时间的积累两种算法的位置均方根误差都逐渐收敛,但明显本方法的位置均方根误差在各个时刻都要低于PF-TBD,所以本方法的跟踪性能要由于PF-TBD方法。
本发明还公开了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序运行执行上述方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于稀疏表示的粒子滤波检测前跟踪方法,其特征在于,包括:
S1、获取雷达扫描观测序列,初始化系统参数和模型参数,所述雷达扫描观测序列包括K帧,第k帧的量测数据为zn,m(k),其中1≤k≤K,所述系统参数包括雷达天线扫描周期T,目标状态的先验分布p(x0),初始目标存在的先验概率Pr(E0=1),总粒子数Ns,目标的出生概率pb和死亡概率pd,目标运动模型的状态转移矩阵F,过程噪声的协方差矩阵Q,量测噪声方差σ2以及信噪比SNR;
S2、读取雷达接收机第k帧量测数据,进行稀疏分解,得到稀疏表示的量测数据;
S3、k=0时,初始化粒子分布,对每个粒子的初始状态赋值;
S6、基于各类粒子状态和稀疏表示的量测数据,计算每个粒子的权值;
S7、对粒子权值进行归一化处理,得到每个粒子的归一化权值;
S10、如果k≤K,令k=k+1,返回S4,否则输出检测结果和估计的目标状态。
2.根据权利要求1所述的一种基于稀疏表示的粒子滤波检测前跟踪方法,其特征在于,S2、读取雷达接收机第k帧量测数据,进行稀疏分解,包括:
(2)输入:重构数据y,字典矩阵A=[α1,α2,...αN],稀疏度为L;
(3)迭代过程:当迭代到l次的时候:
b.将寻找到最相关的字典元素索引加入索引集Λl=Λl-1∪{λl},
d.l=l+1,返回a,当迭代达到控制条件l=L时,迭代结束;
3.根据权利要求1所述的一种基于稀疏表示的粒子滤波检测前跟踪方法,其特征在于,S3、k=0时,初始化粒子分布,对每个粒子的初始状态赋值,包括:
获取雷达初始时刻的量测,根据预设阈值,使集合Φ0中的粒子在大于门限的区域内均匀分布,再从目标状态的先验分布p(x0)中采样得到k=0时集合Φ0中每个粒子的初始状态其中为第i个粒子在X-Y平面的位置,为第i个粒子在X-Y平面的速度,表示目标的回波强度;
8.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序运行执行所述权利要求1至7中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518957.XA CN115015907A (zh) | 2022-05-12 | 2022-05-12 | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518957.XA CN115015907A (zh) | 2022-05-12 | 2022-05-12 | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115015907A true CN115015907A (zh) | 2022-09-06 |
Family
ID=83069015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210518957.XA Pending CN115015907A (zh) | 2022-05-12 | 2022-05-12 | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115015907A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407299A (zh) * | 2022-09-15 | 2022-11-29 | 中国人民解放军国防科技大学 | 基于伯努利滤波器算法的弱小目标检测方法和装置 |
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
-
2022
- 2022-05-12 CN CN202210518957.XA patent/CN115015907A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407299A (zh) * | 2022-09-15 | 2022-11-29 | 中国人民解放军国防科技大学 | 基于伯努利滤波器算法的弱小目标检测方法和装置 |
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115015907A (zh) | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 | |
CN111796272B (zh) | 穿墙雷达人体图像序列的姿态实时识别方法及计算机设备 | |
CN109324315A (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
CN109859242B (zh) | 一种预测自适应学习的目标跟踪方法 | |
CN113219432B (zh) | 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 | |
CN107831473A (zh) | 基于高斯过程回归的距离‑瞬时多普勒图像序列降噪方法 | |
CN112598708A (zh) | 一种基于四特征融合和权重系数的高光谱目标跟踪方法 | |
Mao et al. | Angular superresolution of real aperture radar using online detect-before-reconstruct framework | |
CN109461127B (zh) | 一种以解译为目的的sar图像稀疏正则化特征增强方法 | |
CN116402825A (zh) | 轴承故障红外诊断方法、系统、电子设备及存储介质 | |
CN115240040A (zh) | 一种穿墙雷达人体行为特征增强方法及装置 | |
CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
Tan et al. | Angular resolution enhancement of real-beam scanning radar base on accelerated iterative shinkage/thresholding algorithm | |
CN115453527A (zh) | 一种周期性分段观测isar高分辨成像方法 | |
CN115205216A (zh) | 一种基于显著性和加权引导滤波的红外小目标检测方法 | |
CN114152918A (zh) | 基于压缩感知的抗间歇式主瓣干扰方法 | |
CN107704724B (zh) | 基于Meridian分布的贝叶斯压缩感知的参数选取方法 | |
Bose | Sequence CLEAN technique using BGA for contiguous radar target images with high sidelobes | |
CN113742916B (zh) | 基于gtd参数提取的跳频rcs重构方法 | |
Sharma et al. | Super-resolution reconstruction and denoising of 3D millimetre-wave images using a complex-valued convolutional neural network | |
CN115685081B (zh) | 基于glrt的干扰加噪声背景下距离扩展目标检测方法 | |
CN116879862B (zh) | 基于分层稀疏迭代的单快拍稀疏阵空间角度超分辨方法 | |
CN114384516A (zh) | 一种基于重建前检测的实孔径雷达实时角超分辨方法 | |
Yang et al. | Adaptive grid‐driven probability hypothesis density filter for multi‐target tracking | |
CN113093097B (zh) | 一种使用互质阵列的概率假设密度doa跟踪的方法 |
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 |