CN117192537A - 一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法 - Google Patents
一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法 Download PDFInfo
- Publication number
- CN117192537A CN117192537A CN202310635187.1A CN202310635187A CN117192537A CN 117192537 A CN117192537 A CN 117192537A CN 202310635187 A CN202310635187 A CN 202310635187A CN 117192537 A CN117192537 A CN 117192537A
- Authority
- CN
- China
- Prior art keywords
- speed moving
- target
- moving target
- tracking
- speed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000005516 engineering process Methods 0.000 title claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 39
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 230000007704 transition Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 21
- 238000005311 autocorrelation function Methods 0.000 claims description 20
- 230000006835 compression Effects 0.000 claims description 17
- 238000007906 compression Methods 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000013461 design Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于高速运动目标变点检测跟踪技术领域,公开了一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法。本发明通过确定目标运动速度方法设置具有重叠天线的超宽带雷达,针对该天线设计并根据子天线峰值高速运动目标数据及多普勒通道的值计算得到超宽带雷达的角度与速度的方法,有效提高了目标速度及目标角度解算的准确度;通过变点检测方法,可以有效检测高速运动目标的加速度变化点,提供更准确和可靠的目标信息。根据高速运动目标机动特性的变化对模型的参数进行调整,实现实时自适应的高速运动目标跟踪更新,实现了高精度高速运动目标跟踪,提高超宽带雷达识别精度。此外,本发明引入了多传感器数据融合等技术,通过整合超宽带雷达和其他传感器的数据,可以提高目标跟踪的准确性和稳定性。
Description
技术领域
本发明属于高速运动目标变点检测跟踪技术领域,尤其涉及一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法。
背景技术
雷达是一种电子设备,利用发射的电磁波照射目标并接收其回波,通过分析回波数据来确定目标的位置和运动状态。它通过测量回波的时间延迟和频率变化来确定目标与雷达的距离和径向速度。随着微电子等领域的不断进步,雷达技术的研究不断演进,其内容和应用领域也得到了广泛的拓展。现代雷达已经实现了多种光学探测手段的融合和协同工作,包括红外光、紫外光和激光等。这种综合利用不同探测手段的方式使得现代雷达具备了更多功能。通过这些功能的结合,雷达系统能够更好地满足军事需求,并为战场指挥决策提供重要的支持。
然而,现有雷达技术仍存在一些问题和缺陷。其中一个问题是现有的超宽带雷达目标检测方法对目标速度检测准确率不够高。针对这个问题,可以采用多普勒雷达技术和机器学习算法来处理雷达回波信号,从而提高目标速度检测的准确率。另一个问题是对目标追踪精度不高。为了解决这个问题,可以采用跟踪滤波算法、变点检测技术、多传感器数据融合技术和自适应控制算法等技术手段,通过使用跟踪滤波算法,可以对目标运动轨迹进行实时估计和预测,并实现目标的连续跟踪。变点检测技术能够识别目标运动状态的突变,进而对目标轨迹进行调整和更新。多传感器数据融合技术将来自不同传感器的信息进行整合,提供更全面和准确的目标状态估计。同时,自适应控制算法能够根据实时反馈信息,自动调整参数和策略,以适应不同环境和目标的追踪需求。综合运用这些技术手段,可以显著提升雷达目标追踪的精度和效能。
综上所述,通过采用多种技术手段,可以进一步优化雷达技术,提高目标速度检测准确率和目标追踪的精度,为雷达在军事、民用等多个领域的应用提供更加强大的支持。
发明内容
针对现有技术存在的问题,本发明提供了一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法。
本发明是这样实现的,一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法包括:
步骤一,配置超宽带雷达检测参数;向目标发射电波;针对目标雷达反射信号,首先进行脉冲压缩操作,然后运用快速傅里叶变换(FFT)将回波信号转换为距离频域-慢时间域;
步骤二,在距离频域构建距离频域自相关函数,根据距离频域自相关函数确定目标距离;并确定目标运动速度;
步骤三,对高速运动的目标进行跟踪。
进一步,所述确定目标运动速度方法如下:
(1)建立目标资料库,将获取的目标数据储存至目标资料库中;获取超宽带雷达的各个接收通道接收到的高速运动目标数据,并根据超宽带雷达的各个接收通道接收到的高速运动目标数据确定超宽带雷达的各个接收通道内的峰值高速运动目标数据及目标所在的多普勒通道的值;
(2)根据超宽带雷达的各个接收通道内的峰值高速运动目标数据确定所述目标的角度;根据所述多普勒通道的值确定所述目标的速度。
进一步,所述根据超宽带雷达的各个接收通道内的峰值高速运动目标数据确定所述目标的角度,包括:
对超宽带雷达的各个接收通道内的峰值高速运动目标数据分别进行幅相一致性校准,得到各个校准后的峰值高速运动目标数据;
对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列;
去除所述第一高速运动目标数据序列中的冗余高速运动目标数据,形成第二高速运动目标数据序列;
根据所述第二高速运动目标数据序列确定所述目标的角度。
进一步,所述对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列,包括:
根据各个校准后的峰值高速运动目标数据确定重叠接收通道的相位差,根据所述重叠接收通道的相位差对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到所述各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列。
进一步,所述根据所述第二高速运动目标数据序列确定所述目标的角度,包括:
获取预设的角度维傅里叶变换的点数,并根据所述预设的角度维傅里叶变换的点数对所述第二高速运动目标数据序列进行角度维傅里叶变换,获得角度维傅里叶变换结果;
确定所述角度维傅里叶变换结果中幅值最大的点对应的点数值;
根据所述幅值最大的点对应的点数值确定所述目标的角度。
进一步,所述对高速运动目标进行追踪方法如下:
1)建立超宽带雷达高速运动目标跟踪模型库,所述模型库中含有至少一种高速运动目标跟踪模型;初始化高速运动目标跟踪模型,并初始化模型的组合策略,得到初始化了的组合高速运动目标跟踪模型;k(k=1 ,2……)时刻获取超宽带雷达检测到的高速运动目标信息,所述高速运动目标信息包括高速运动目标的运动速度、高速运动目标距超宽带雷达的位置、高速运动目标的运动加速度中的一个或多个;
2)根据获取的超宽带雷达检测到的k(k=2 ,3……)时刻的高速运动目标信息、外部控制信息、k时刻的组合高速运动目标跟踪模型,估计k+1时刻跟踪高速运动目标信息,得到k+1时刻跟踪高速运动目标信息预测值和k+1时刻的组合高速运动目标跟踪预测模型;根据获取的超宽带雷达检测到的k(k=2 ,3……)时刻的高速运动目标信息、k时刻的组合高速运动目标跟踪模型,计算联合跟踪门;
3)判断k+1时刻跟踪高速运动目标信息预测值是否落入联合跟踪门中,若有跟踪高速运动目标信息预测值落入联合跟踪门中,则对落入联合跟踪门中的高速运动目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪高速运动目标信息预测值、k+1时刻的组合高速运动目标跟踪预测模型,得到k+1时刻跟踪高速运动目标信息优化值和k+1时刻的组合高速运动目标跟踪优化模型;若无跟踪高速运动目标信息落入波门中,则返回上步骤重新获取超宽带雷达检测到的高速运动目标信息;
所述高速运动目标跟踪模型主要由状态转移矩阵、过程噪声分布矩阵、输入控制项矩阵组成。
进一步,所述得到k+1时刻跟踪高速运动目标信息预测值和k+1时刻的组合高速运动目标跟踪预测模型具体为:
由k时刻所述组合高速运动目标跟踪模型中各个跟踪模型的状态估计状态协方差阵/>;根据模型i转移到模型j的模型的转移概率/>计算得到k时刻各模型的交互估计值/>;k时刻各模型的交互估计值的协方差;
根据k时刻不同模型之间的交互估计值以及各模型交互估计值的协方差/>,计算得到k+1时刻各个高速运动目标跟踪模型的状态预测值、状态预测误差协方差、测量残差和协方差矩阵,从而得到k+1时刻的组合高速运动目标跟踪预测模型;
更新高速运动目标跟踪模型;
计算k+1时刻跟踪高速运动目标信息预测值,所述跟踪高速运动目标信息预测值表现为综合预测值;
利用状态转移矩阵来更新高速运动目标跟踪模型;
判断高速运动目标是否发生强机动,若发生强机动,则更新高速运动目标跟踪模型的状态转移矩阵;在未发生强机动的情况下,不对高速运动目标跟踪模型的状态转移矩阵进行更新;
所述更新高速运动目标跟踪模型的状态转移矩阵的具体方法为:
将目标的运动速度与变点检测相结合,判别高速运动目标的运动状态,可以实现对目标的变点检测和追踪,具体步骤如下:
(1)根据步骤二中得到的目标速度、方位和距离信息,可计算目标k时刻位置;
(2)对于目标的k时刻位置和(k-1)时刻位置之间的差异,可计算目标k时刻的速度;计算目标k时刻与(k-1)时刻的速度变化率,即得到目标k时刻的加速度;对目标的加速度进行时间序列分析,即对其进行时间序列变点检测。变点检测可以采用各种经典的算法,如贝叶斯在线变点检测算法;
(3)如果检测到目标k时刻加速度变化,即存在变点,则更新目标状态转移矩阵,并重新预测目标的下一时刻位置;
(4)如果未检测到变点,则无需更新状态转移矩阵。
进一步,所述在更新高速运动目标跟踪模型后还包括:
更新过程噪声协方差矩阵;
所述通过判别高速运动目标的运动状态来更新状态转移矩阵;
进一步,更新过程噪声协方差矩阵的具体方法如下:首先判断高速运动目标是否发生强机动,如果发生了强机动,则进行过程噪声协方差矩阵的更新;如果未发生强机动,则不对过程噪声协方差矩阵进行更新;
所述更新高速运动目标跟踪模型的过程噪声协方差矩阵的具体方法与状态转移矩阵的具体方法雷同。
进一步,步骤三中,进一步包括:
1) 优化雷达检测参数;根据不同的目标特性和环境条件来选择合适的雷达检测参数;
2)采用基于机器学习的变点检测算法;使用支持向量机(SVM)算法,对雷达数据进行分析和处理,以检测出目标的变点;
3)引入多传感器数据融合技术;使用惯性导航系统传感器、GPS系统传感器,将它们的数据信息与超宽带雷达技术的数据进行融合,以获得更加准确的目标位置和速度信息;
4) 采用自适应控制算法;根据目标运动状态的变化,实时调整雷达的参数和控制策略;利用自适应卡尔曼滤波算法,在目标运动状态变化的基础上,实时调整卡尔曼滤波器的状态方程和观测方程,以获得更精确的目标位置和速度信息。
本发明通过确定目标运动速度方法设置具有重叠天线的超宽带雷达,并针对这种天线设置设计分别根据峰值高速运动目标数据及多普勒通道的值计算得到超宽带雷达的角度与速度的方法,规避了目标速度的测量与目标角度的解算之间的耦合关系,使得目标速度的测量不准确不会对目标角度的解算产生影响,增强了目标速度和目标角度计算的准确性;同时,通过对高速运动目标进行跟踪方法可以根据高速运动目标机动特性的变化对模型的参数进行调整,实现了实时自适应的高速运动目标跟踪更新,实现了高精度高速运动目标跟踪,提高超宽带雷达识别精度。
本发明通过变点检测方法,可以有效检测高速运动目标的变化点,即目标的距离和运动速度。这对于实时监测和跟踪高速运动目标具有重要意义,可以提供更准确和可靠的目标信息。此外,本发明引入了多传感器数据融合技术,通过整合超宽带雷达和其他传感器的数据,可以提高目标跟踪的准确性和稳定性。不同传感器的数据互相补充和协同,可以克服单一传感器的局限性,提供更全面的目标信息。同时,本发明采用自适应控制算法来优化雷达检测性能。通过实时分析和调整超宽带雷达的参数设置,例如发射功率、接收增益和波形设计等,可以最大程度地提升雷达系统的性能,以适应不同场景和目标运动特性的变化。本发明还结合了目标跟踪技术,对高速运动目标进行连续跟踪。通过使用跟踪算法,可以准确预测目标的位置和运动轨迹,并及时更新目标的状态信息。这对于监测和追踪高速运动目标具有重要意义,例如在军事、安全、交通等领域中的应用。
总之,本发明提供的超宽带雷达高速运动目标变点检测跟踪方法结合了脉冲压缩、傅里叶变换、自相关函数分析、多传感器数据融合、自适应控制和目标跟踪等关键技术,实现了对高速运动目标的实时监测和跟踪。这项技术具有较高的准确性、灵敏度和稳定性,可在各种复杂环境和应用场景中发挥重要作用。
附图说明
图 1 是本发明实施例提供的基于超宽带雷达技术的高速运动目标变点检测跟踪方法流程图。
图2是本发明实施例提供的确定目标运动方位、速度方法流程图。
图3是本发明实施例提供的对高速运动目标进行追踪方法流程图。
实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法包括以下步骤:
S101,配置超宽带雷达检测参数;向目标发射电波;针对目标雷达反射信号,首先进行脉冲压缩操作,然后运用快速傅里叶变换(FFT)将回波信号转换为距离频域-慢时间域;
S102,在距离频域构建距离频域自相关函数,根据距离频域自相关函数确定目标距离;并确定目标运动速度;
S103,对高速运动的目标进行跟踪。
本发明实施例的技术方案基于超宽带雷达技术,用于高速运动目标变点检测跟踪。该方案包括以下步骤:
1. 配置超宽带雷达检测参数,向目标发射电波。
超宽带雷达是一种使用高带宽、短脉冲的电波来探测目标的雷达技术。在S101步骤中,需要针对目标类型、环境条件、目标速度和距离等因素,配置适当的雷达检测参数,以获得足够的信号强度和距离分辨率。然后向目标发射电波,等待雷达反射信号。
2. 进行脉冲压缩操作,并进行FFT变换。
当雷达接收到目标的反射信号后,在S101步骤中,需要对信号进行脉冲压缩操作。脉冲压缩可以将长时间的脉冲压缩成短时间的脉冲,从而提高距离分辨率。接着,可以使用快速傅里叶变换(FFT)将回波信号转换为距离频域-慢时间域。该步骤可以提高信号处理的效率和准确性。
3. 构建距离频域自相关函数,确定目标距离和速度。
在S102步骤中,需要在距离频域中构建距离频域自相关函数,以确定目标距离和速度。距离频域自相关函数可以描述回波信号的周期性和相位信息,从而确定目标的距离和速度信息。这一步骤是检测和跟踪目标的关键步骤。
4. 对高速运动目标进行跟踪。
在S103步骤中,需要对高速运动目标进行跟踪。该步骤涉及运动模型和测量误差模型的建立、目标状态的预测和更新等过程。通过跟踪算法,可以实时更新目标位置和速度信息,从而实现对高速运动目标的准确跟踪。
总的来说,该技术方案利用超宽带雷达技术,通过脉冲压缩、FFT变换、距离频域自相关函数构建和跟踪算法等步骤,实现高速运动目标的检测与跟踪。该方案具有高分辨率、高精度、实时性强等优点,可以应用于军事、安防、交通等领域中对高速运动目标的监测和跟踪。
作为本发明实施例的技术方案优化,具体如下:
1) 优化雷达检测参数的配置:不同的目标可能需要不同的雷达检测参数,因此,可以通过实验或者模拟来优化雷达检测参数的配置,以获得更好的检测性能。
2) 优化脉冲压缩操作:脉冲压缩可以提高雷达的距离分辨率和信噪比,因此,可以通过优化脉冲压缩算法来提高目标检测的准确性和稳定性。
3) 优化FFT算法:FFT算法可以将回波信号从距离域转换到频域,因此,可以通过优化FFT算法来提高信号处理的效率和准确性。
4) 优化距离频域自相关函数的构建:距离频域自相关函数可以用于确定目标距离和速度,因此,可以通过优化自相关函数的构建算法来提高目标跟踪的准确性和稳定性。
5) 引入多个雷达:通过引入多个雷达,可以获得更多的目标信息,提高目标检测和跟踪的准确性和稳定性。
6) 引入机器学习算法:可以利用机器学习算法对雷达回波信号进行分类和识别,从而提高目标检测和跟踪的准确性和稳定性。
7) 优化跟踪算法:通过优化目标跟踪算法,可以提高跟踪的准确性和稳定性,并且可以处理目标运动变化的情况。
8) 引入其他传感器:可以将超宽带雷达技术与其他传感器技术相结合,例如摄像头、惯性导航系统等,以提高目标检测和跟踪的准确性和稳定性。
9) 优化硬件设计:通过优化硬件设计,例如改进天线设计、增加雷达功率等方式,可以提高雷达的性能和检测范围,进一步提高目标检测和跟踪的准确性和稳定性。
10) 实时性优化:对于高速运动目标的检测和跟踪,实时性非常重要。因此,可以优化算法和硬件设计,以实现更快的数据处理和计算速度,从而实现更高的实时性。
11) 数据处理优化:超宽带雷达技术产生的数据量非常大,因此,可以通过优化数据处理算法,例如使用并行计算、压缩算法等方式,来提高数据处理效率和存储空间利用率。
12) 环境适应性优化:超宽带雷达技术在不同环境下的性能表现可能会有所差异。因此,可以针对不同的环境进行优化,例如在复杂环境下采用多路径抑制技术、在噪声较大的环境下采用降噪算法等方式,来提高目标检测和跟踪的准确性和稳定性。此外,可以利用环境信息,例如地形、建筑物等,来优化雷达参数的配置和目标检测算法,以适应不同环境下的目标检测和跟踪需求。
针对基于超宽带雷达技术的高速运动目标变点检测跟踪方法,本发明可以采用以下优化方案:
1. 优化雷达检测参数
配置合适的雷达检测参数对于实现高速运动目标的检测和追踪非常重要。可以根据不同的目标特性和环境条件来选择合适的雷达检测参数,例如雷达发射功率、带宽、脉宽、采样率等,以获得更好的检测效果。
2. 采用先进的变点检测算法
在变点检测过程中,运用先进的变点探测算法可以进一步增强检测的精确性和稳健性。例如,可以采用基于机器学习的变点检测算法,如支持向量机、随机森林等,以提高目标检测的准确率和鲁棒性。
3. 引入多传感器数据融合技术
通过引入多传感器数据融合技术,可以综合多个传感器的数据信息,进一步提高目标的追踪精度和准确率。例如,可以使用惯性导航系统、GPS系统等传感器,将它们的数据信息与超宽带雷达技术的数据进行融合,以获得更加准确的目标位置和速度信息。
4. 采用自适应控制算法
自适应控制算法可以根据目标运动状态的变化,实时调整雷达的参数和控制策略,从而提高目标的追踪精度和鲁棒性。例如,可以采用自适应卡尔曼滤波算法,根据目标动态状况的改变,实时调整卡尔曼滤波器的状态公式和观测公式。以获得更加准确的目标位置和速度信息。
综上所述,通过优化雷达检测参数、采用先进的变点检测算法、引入多传感器数据融合技术和采用自适应控制算法,可以进一步提高基于超宽带雷达技术的高速运动目标变点检测方法的精度和准确率,为其在军事、民用等领域的应用提供更加强大的支持。
结合变点检测,可以将变点检测方法应用于该超宽带雷达技术中,进一步优化该技术方案。具体来说,可以在步骤三中添加变点检测的过程,以提高对高速运动目标的追踪精度和准确率。
作为本发明的一个优化方案,具体实现方法如下:
步骤一和步骤二与原来的方法一致,即对雷达回波信号进行脉冲压缩处理,将回波信号转换到距离频域-慢时间域,并在距离频域构建距离频域自相关函数,根据自相关函数确定目标距离和速度。
在步骤三中,将目标的运动速度与变点检测相结合,可以实现对目标的变点检测和追踪。具体步骤如下:
(1)根据步骤二中得到的目标速度、方位和距离信息,可计算目标k时刻位置;
(2)对于目标的k时刻位置和(k-1)时刻位置之间的差异,可计算目标k时刻的速度;计算目标k时刻与(k-1)时刻的速度变化率,即得到目标k时刻的加速度;对目标的加速度进行时间序列分析,即对其进行时间序列变点检测。变点检测可以采用各种经典的算法,如贝叶斯在线变点检测算法;
(3)如果检测到目标k时刻加速度变化,即存在变点,则更新目标状态转移矩阵,并重新预测目标的下一时刻位置;
(4)如果未检测到变点,则继续使用步骤三中的预测结果追踪目标。
如图2所示,本发明提供的确定目标运动速度方法如下:
S201,建立目标资料库,将获取的目标数据储存至目标资料库中;获取超宽带雷达的各个接收通道接收到的高速运动目标数据,并根据超宽带雷达的各个接收通道接收到的高速运动目标数据确定超宽带雷达的各个接收通道内的峰值高速运动目标数据及目标所在的多普勒通道的值;
S202,根据超宽带雷达的各个接收通道内的峰值高速运动目标数据确定所述目标的角度;根据所述多普勒通道的值确定所述目标的速度。
本发明提供的根据超宽带雷达的各个接收通道内的峰值高速运动目标数据确定所述目标的角度,包括:
对超宽带雷达的各个接收通道内的峰值高速运动目标数据分别进行幅相一致性校准,得到各个校准后的峰值高速运动目标数据;
对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列;
去除所述第一高速运动目标数据序列中的冗余高速运动目标数据,形成第二高速运动目标数据序列;
根据所述第二高速运动目标数据序列确定所述目标的角度。
本发明提供的对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列,包括:
根据各个校准后的峰值高速运动目标数据确定重叠接收通道的相位差,根据所述重叠接收通道的相位差对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到所述各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列。
本发明提供的根据所述第二高速运动目标数据序列确定所述目标的角度,包括:
获取预设的角度维傅里叶变换的点数,并根据所述预设的角度维傅里叶变换的点数对所述第二高速运动目标数据序列进行角度维傅里叶变换,获得角度维傅里叶变换结果;
确定所述角度维傅里叶变换结果中幅值最大的点对应的点数值;
根据所述幅值最大的点对应的点数值确定所述目标的角度。
如图3所示,本发明提供的对高速运动目标进行追踪方法如下:
S301,建立超宽带雷达高速运动目标跟踪模型库,所述模型库中含有至少一种高速运动目标跟踪模型;初始化高速运动目标跟踪模型,并初始化模型的组合策略,得到初始化了的组合高速运动目标跟踪模型;k(k=1 ,2……)时刻获取超宽带雷达检测到的高速运动目标信息,所述高速运动目标信息包括高速运动目标的运动速度、高速运动目标距超宽带雷达的位置、高速运动目标的运动加速度中的一个或多个;
S302,根据获取的超宽带雷达检测到的k(k=2 ,3……)时刻的高速运动目标信息、外部控制信息、k时刻的组合高速运动目标跟踪模型,估计k+1时刻跟踪高速运动目标信息,得到k+1时刻跟踪高速运动目标信息预测值和k+1时刻的组合高速运动目标跟踪预测模型;根据获取的超宽带雷达检测到的k(k=2 ,3……)时刻的高速运动目标信息、k时刻的组合高速运动目标跟踪模型,计算联合跟踪门;
S303,判断k+1时刻跟踪高速运动目标信息预测值是否落入联合跟踪门中,若有跟踪高速运动目标信息预测值落入联合跟踪门中,则对落入联合跟踪门中的高速运动目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪高速运动目标信息预测值、k+1时刻的组合高速运动目标跟踪预测模型,得到k+1时刻跟踪高速运动目标信息优化值和k+1时刻的组合高速运动目标跟踪优化模型;若无跟踪高速运动目标信息落入波门中,则返回上步骤重新获取超宽带雷达检测到的高速运动目标信息;
所述高速运动目标跟踪模型主要由状态转移矩阵、过程噪声分布矩阵、输入控制项矩阵组成。
本发明提供的得到k+1时刻跟踪高速运动目标信息预测值和k+1时刻的组合高速运动目标跟踪预测模型具体为:
由k时刻所述组合高速运动目标跟踪模型中各个跟踪模型的状态估计状态协方差阵/>;根据模型i转移到模型j的模型的转移概率/>计算得到k时刻各模型的交互估计值/>;k时刻各模型的交互估计值的协方差;
根据k时刻不同模型之间的交互估计值以及各模型交互估计值的协方差/>,计算得到k+1时刻各个高速运动目标跟踪模型的状态预测值、状态预测误差协方差、测量残差和协方差矩阵,从而得到k+1时刻的组合高速运动目标跟踪预测模型;
更新高速运动目标跟踪模型;
计算k+1时刻跟踪高速运动目标信息预测值,所述跟踪高速运动目标信息预测值表现为综合预测值;
利用状态转移矩阵来更新高速运动目标跟踪模型;
判断高速运动目标是否发生强机动,若发生强机动,则更新高速运动目标跟踪模型的状态转移矩阵;在未发生强机动的情况下,不对高速运动目标跟踪模型的状态转移矩阵进行更新;
所述更新高速运动目标跟踪模型的状态转移矩阵的具体方法为:
将目标的运动速度与变点检测相结合,判别高速运动目标的运动状态,可以实现对目标的变点检测和追踪,具体步骤如下:
(1)根据步骤二中得到的目标速度、方位和距离信息,可计算目标k时刻位置;
(2)对于目标的k时刻位置和(k-1)时刻位置之间的差异,可计算目标k时刻的速度;计算目标k时刻与(k-1)时刻的速度变化率,即得到目标k时刻的加速度;对目标的加速度进行时间序列分析,即对其进行时间序列变点检测。变点检测可以采用各种经典的算法,如贝叶斯在线变点检测算法;
(3)如果检测到目标k时刻加速度变化,即存在变点,则更新目标状态转移矩阵,并重新预测目标的下一时刻位置;
(4)如果未检测到变点,则无需更新状态转移矩阵。
进一步,所述在更新高速运动目标跟踪模型后还包括:
更新过程噪声协方差矩阵;
所述通过判别高速运动目标的运动状态来更新状态转移矩阵;
进一步,更新过程噪声协方差矩阵的具体方法如下:首先判断高速运动目标是否发生强机动,如果发生了强机动,则进行过程噪声协方差矩阵的更新;如果未发生强机动,则不对过程噪声协方差矩阵进行更新。
所述更新高速运动目标跟踪模型的过程噪声协方差矩阵的具体方法与状态转移矩阵的具体方法雷同。
本发明应用实施例通过确定目标运动速度方法设置具有重叠天线的超宽带雷达,并针对这种天线设置设计分别根据峰值高速运动目标数据及多普勒通道的值计算得到超宽带雷达的角度与速度的方法,规避了目标速度的测量与目标角度的解算之间的耦合关系,使得目标速度的测量不准确不会对目标角度的解算产生影响,增强了目标速度和目标角度计算的准确性;同时,通过对高速运动目标进行跟踪方法可以根据高速运动目标机动特性的变化对模型的参数进行调整,实现了实时自适应的高速运动目标跟踪更新,实现了高精度高速运动目标跟踪,提高超宽带雷达识别精度。
此外,本发明应用实施例通过变点检测方法,可以有效检测高速运动目标的变化点,即目标的距离和运动速度。这对于实时监测和跟踪高速运动目标具有重要意义,可以提供更准确和可靠的目标信息。此外,本发明引入了多传感器数据融合技术,通过整合超宽带雷达和其他传感器的数据,可以提高目标跟踪的准确性和稳定性。不同传感器的数据互相补充和协同,可以克服单一传感器的局限性,提供更全面的目标信息。同时,本发明采用自适应控制算法来优化雷达检测性能。通过实时分析和调整超宽带雷达的参数设置,例如发射功率、接收增益和波形设计等,可以最大程度地提升雷达系统的性能,以适应不同场景和目标运动特性的变化。本发明还结合了目标跟踪技术,对高速运动目标进行连续跟踪。通过使用跟踪算法,可以准确预测目标的位置和运动轨迹,并及时更新目标的状态信息。这对于监测和追踪高速运动目标具有重要意义,例如在军事、安全、交通等领域中的应用。
总之,本发明提供的超宽带雷达高速运动目标变点检测跟踪方法结合了脉冲压缩、傅里叶变换、自相关函数分析、多传感器数据融合、自适应控制和目标跟踪等关键技术,实现了对高速运动目标的实时监测和跟踪。这项技术具有较高的准确性、灵敏度和稳定性,可在各种复杂环境和应用场景中发挥重要作用。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
本发明通过确定目标运动速度方法设置具有重叠天线的超宽带雷达,并针对这种天线设置设计分别根据峰值高速运动目标数据及多普勒通道的值计算得到超宽带雷达的角度与速度的方法,规避了目标速度的测量与目标角度的解算之间的耦合关系,使得目标速度的测量不准确不会对目标角度的解算产生影响,有效提高了目标速度及目标角度解算的准确度;同时,通过对高速运动目标进行追踪方法可以根据高速运动目标机动特性的变化对模型的参数进行调整,实现了实时自适应的高速运动目标跟踪更新,实现了高精度高速运动目标跟踪,提高超宽带雷达识别精度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,包括以下步骤:
步骤一,配置超宽带雷达检测参数;向目标发射电波;针对目标雷达反射信号,首先进行脉冲压缩操作,然后运用FFT将回波信号转换为距离频域-慢时间域;
步骤二,在距离频域构建距离频域自相关函数,根据距离频域自相关函数确定目标距离;并确定目标运动速度;
步骤三,对高速运动的目标进行跟踪。
2.如权利要求1所述基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,该技术方案基于超宽带雷达技术,用于高速运动目标变点检测跟踪。该方案包括以下步骤:
1) 配置超宽带雷达检测参数,向目标发射电波;
在S101步骤中,需要针对目标类型、环境条件、目标速度和距离等因素,配置适当的雷达检测参数,以获得足够的信号强度和距离分辨率;然后向目标发射电波,等待雷达反射信号;
2) 进行脉冲压缩操作,并进行FFT变换;
当雷达接收到目标的反射信号后,在S101步骤中,需要对信号进行脉冲压缩操作;脉冲压缩可以将长时间的脉冲压缩成短时间的脉冲,从而提高距离分辨率。接着,可以使用快速傅里叶变换(FFT)将回波信号转换为距离频域-慢时间域;该步骤可以提高信号处理的效率和准确性;
3)构建距离频域自相关函数,确定目标距离和速度;
在S102步骤中,需要在距离频域中构建距离频域自相关函数,以确定目标距离和速度;距离频域自相关函数可以描述回波信号的周期性和相位信息,从而确定目标的距离和速度信息;
4) 对高速运动目标进行跟踪;
在S103步骤中,需要对高速运动目标进行跟踪;该步骤涉及运动模型和测量误差模型的建立、目标状态的预测和更新等过程;通过跟踪算法,可以实时更新目标位置和速度信息,从而实现对高速运动目标的准确跟踪。
3.如权利要求1所述基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,所述确定目标运动速度方法如下:
(1)建立目标资料库,将获取的目标数据储存至目标资料库中;获取超宽带雷达的各个接收通道接收到的高速运动目标数据,并根据超宽带雷达的各个接收通道接收到的高速运动目标数据确定超宽带雷达的各个接收通道内的峰值高速运动目标数据及目标所在的多普勒通道的值;
(2)根据超宽带雷达的各个接收通道内的峰值高速运动目标数据确定所述目标的角度;根据所述多普勒通道的值确定所述目标的速度。
4.如权利要求3所述基于超宽带雷达技术的高速运动目标检测方法,其特征在于,所述根据超宽带雷达的各个接收通道内的峰值高速运动目标数据确定所述目标的角度,包括:
对超宽带雷达的各个接收通道内的峰值高速运动目标数据分别进行幅相一致性校准,得到各个校准后的峰值高速运动目标数据;
对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列;
去除所述第一高速运动目标数据序列中的冗余高速运动目标数据,形成第二高速运动目标数据序列;
根据所述第二高速运动目标数据序列确定所述目标的角度。
5.如权利要求3所述基于超宽带雷达技术的高速运动目标检测方法,其特征在于,所述根据超宽带雷达的各个接收通道内的峰值高速运动目标数据确定所述目标的角度,包括:
对超宽带雷达的各个接收通道内的峰值高速运动目标数据分别进行幅相一致性校准,得到各个校准后的峰值高速运动目标数据;
对所述各个校准后的峰值高速运动目标数据分别进行相位补偿,得到各个相位补偿后的峰值高速运动目标数据,所述各个相位补偿后的峰值高速运动目标数据形成第一高速运动目标数据序列;
去除所述第一高速运动目标数据序列中的冗余高速运动目标数据,形成第二高速运动目标数据序列;
根据所述第二高速运动目标数据序列确定所述目标的角度。
6.如权利要求3所述基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,所述根据所述第二高速运动目标数据序列确定所述目标的角度,包括:
获取预设的角度维傅里叶变换的点数,并根据所述预设的角度维傅里叶变换的点数对所述第二高速运动目标数据序列进行角度维傅里叶变换,获得角度维傅里叶变换结果;
确定所述角度维傅里叶变换结果中幅值最大的点对应的点数值;
根据所述幅值最大的点对应的点数值确定所述目标的角度。
7.如权利要求1所述基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,所述对高速运动目标进行追踪方法如下:
1)建立超宽带雷达高速运动目标跟踪模型库,所述模型库中含有至少一种高速运动目标跟踪模型;初始化高速运动目标跟踪模型,并初始化模型的组合策略,得到初始化了的组合高速运动目标跟踪模型;k(k=1 ,2……)时刻获取超宽带雷达检测到的高速运动目标信息,所述高速运动目标信息包括高速运动目标的运动速度、高速运动目标距超宽带雷达的位置、高速运动目标的运动加速度中的一个或多个;
2)根据获取的超宽带雷达检测到的k(k=2 ,3……)时刻的高速运动目标信息、外部控制信息、k时刻的组合高速运动目标跟踪模型,估计k+1时刻跟踪高速运动目标信息,得到k+1时刻跟踪高速运动目标信息预测值和k+1时刻的组合高速运动目标跟踪预测模型;根据获取的超宽带雷达检测到的k(k=2 ,3……)时刻的高速运动目标信息、k时刻的组合高速运动目标跟踪模型,计算联合跟踪门;
3)判断k+1时刻跟踪高速运动目标信息预测值是否落入联合跟踪门中,若有跟踪高速运动目标信息预测值落入联合跟踪门中,则对落入联合跟踪门中的高速运动目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪高速运动目标信息预测值、k+1时刻的组合高速运动目标跟踪预测模型,得到k+1时刻跟踪高速运动目标信息优化值和k+1时刻的组合高速运动目标跟踪优化模型;若无跟踪高速运动目标信息落入波门中,则返回上步骤重新获取超宽带雷达检测到的高速运动目标信息;
所述高速运动目标跟踪模型主要由状态转移矩阵、过程噪声分布矩阵、输入控制项矩阵组成。
8.如权利要求7所述基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,所述得到k+1时刻跟踪高速运动目标信息预测值和k+1时刻的组合高速运动目标跟踪预测模型具体为:
由k时刻所述组合高速运动目标跟踪模型中各个跟踪模型的状态估计状态协方差阵/>;根据模型i转移到模型j的模型的转移概率/>计算得到k时刻各模型的交互估计值/>;k时刻各模型的交互估计值的协方差
9.根据k时刻不同模型之间的交互估计值以及各模型交互估计值的协方差,计算得到k+1时刻各个高速运动目标跟踪模型的状态预测值、状态预测误差协方差、测量残差和协方差矩阵,从而得到k+1时刻的组合高速运动目标跟踪预测模型;:
更新高速运动目标跟踪模型;
计算k+1时刻跟踪高速运动目标信息预测值,所述跟踪高速运动目标信息预测值表现为综合预测值;
利用状态转移矩阵来更新高速运动目标跟踪模型;
判断高速运动目标是否发生强机动,若发生强机动,则更新高速运动目标跟踪模型的状态转移矩阵;在未发生强机动的情况下,不对高速运动目标跟踪模型的状态转移矩阵进行更新;
所述更新高速运动目标跟踪模型的状态转移矩阵的具体方法为:
将目标的运动速度与变点检测相结合,判别高速运动目标的运动状态,可以实现对目标的变点检测和追踪,具体步骤如下:
(1)根据步骤二中得到的目标速度、方位和距离信息,可计算目标k时刻位置;
(2)对于目标的k时刻位置和(k-1)时刻位置之间的差异,可计算目标k时刻的速度;计算目标k时刻与(k-1)时刻的速度变化率,即得到目标k时刻的加速度;对目标的加速度进行时间序列分析,即对其进行时间序列变点检测。变点检测可以采用各种经典的算法,如贝叶斯在线变点检测算法;
(3)如果检测到目标k时刻加速度变化,即存在变点,则更新目标状态转移矩阵,并重新预测目标的下一时刻位置;
(4)如果未检测到变点,则无需更新状态转移矩阵。
10.如权利要求8所述基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,所述在更新高速运动目标跟踪模型后还包括:
更新过程噪声协方差矩阵;
所述通过判别高速运动目标的运动状态来更新状态转移矩阵;
更新过程噪声协方差矩阵的具体方法如下:首先判断高速运动目标是否发生强机动,如果发生了强机动,则进行过程噪声协方差矩阵的更新;如果未发生强机动,则不对过程噪声协方差矩阵进行更新;
所述更新高速运动目标跟踪模型的过程噪声协方差矩阵的具体方法与状态转移矩阵的具体方法雷同。
11.如权利要求9所述基于超宽带雷达技术的高速运动目标变点检测跟踪方法,其特征在于,步骤三中,进一步包括:
1) 优化雷达检测参数;根据不同的目标特性和环境条件来选择合适的雷达检测参数;
2)采用基于机器学习的变点检测算法;使用支持向量机(SVM)算法,对雷达数据进行分析和处理,以检测出目标的变点;
3)引入多传感器数据融合技术;使用惯性导航系统传感器、GPS系统传感器,将它们的数据信息与超宽带雷达技术的数据进行融合,以获得更加准确的目标位置和速度信息;
4) 采用自适应控制算法;根据目标运动状态的变化,实时调整雷达的参数和控制策略;利用自适应卡尔曼滤波算法,在目标运动状态变化的基础上,实时调整卡尔曼滤波器的状态方程和观测方程,以获得更精确的目标位置和速度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635187.1A CN117192537A (zh) | 2023-05-31 | 2023-05-31 | 一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635187.1A CN117192537A (zh) | 2023-05-31 | 2023-05-31 | 一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117192537A true CN117192537A (zh) | 2023-12-08 |
Family
ID=88982496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310635187.1A Pending CN117192537A (zh) | 2023-05-31 | 2023-05-31 | 一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117192537A (zh) |
-
2023
- 2023-05-31 CN CN202310635187.1A patent/CN117192537A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boers et al. | Track-before-detect algorithm for tracking extended targets | |
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 | |
CN106405511A (zh) | 用于自动车辆的雷达信号处理 | |
EP3943970A1 (en) | Methods and systems for detection of objects in a vicinity of a vehicle | |
KR101628154B1 (ko) | 수신 신호 세기를 이용한 다중 표적 추적 방법 | |
CN103885057A (zh) | 自适应变滑窗多目标跟踪方法 | |
Zhou et al. | Pseudo-spectrum based speed square filter for track-before-detect in range-Doppler domain | |
US20210239825A1 (en) | Object tracking apparatus | |
Su et al. | Rao–Blackwellised particle filter based track-before-detect algorithm | |
EP4024077A1 (en) | Methods and system for compressing radar data | |
CN114019498A (zh) | 一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 | |
KR20150140236A (ko) | 레이더 신호 처리를 위한 방법, 디바이스 및 시스템 | |
KR20200071289A (ko) | Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법 | |
JP2009236720A (ja) | 移動目標検出装置 | |
CN112485783A (zh) | 目标探测方法、装置、计算机设备和存储介质 | |
CN113885006A (zh) | 一种机动转弯目标相参积累检测方法 | |
KR102069100B1 (ko) | 뉴럴 네트워크 기반 FMCW LiDAR 신호처리 시스템 및 방법 | |
CN117192537A (zh) | 一种基于超宽带雷达技术的高速运动目标变点检测跟踪方法 | |
CN113280821B (zh) | 基于斜率约束和回溯搜索的水下多目标跟踪方法 | |
CN116718989A (zh) | 一种大尺度天线外辐射源雷达杂波对消与目标检测方法 | |
JP2004219300A (ja) | 目標追尾装置 | |
JPH10246778A (ja) | 目標探知追尾装置 | |
CN114355324A (zh) | 一种航迹生成方法 | |
KR20140088683A (ko) | 차량용 레이더를 이용한 물체 감지 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
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 |