一种基于轨迹增强的雷达目标检测前跟踪方法
【专利摘要】本发明属于雷达动目标跟踪【技术领域】，特别涉及一种基于轨迹增强的雷达目标检测前跟踪方法。其跟踪过程为：首先针对多帧原始数据进行非参数化的航迹起始批处理操作，得到目标点迹集合；然后依据实时更新的目标轨迹状态参数和量测误差设计相应的参数化轨迹增强算子；最后结合当前量测并使用参数化轨迹增强方法进行预测跟踪。本发明具有闭环反馈特点，在轨迹增强操作时能够充分利用多帧的量测和状态，能够提高检测跟踪准确度和精度，以及具有在低信噪比条件下能够实现检测跟踪一体化处理的优点，可用于雷达等监视系统对远距离，回波信号微弱的高机动目标的探测跟踪领域。
【专利说明】一种基于轨迹增强的雷达目标检测前跟踪方法
【技术领域】
[0001] 本发明属于雷达动目标跟踪【技术领域】，特别涉及一种基于轨迹增强的雷达目标检 测前跟踪方法，本发明是一种对高机动目标在低信噪比情况下进行稳定跟踪的方法，可用 于雷达等监视系统对远距离且回波信号微弱的机动目标的探测跟踪一体化处理。
【背景技术】
[0002] 高科技背景下的现代战争，对战场进行连续监视，能为势态评估、指挥等应用提供 丰富的战略和战术信息，对取得战争胜利起着关键的作用。雷达以其全天时、全天候工作特 点，一直是战场监视系统的核心。
[0003] 针对低信噪比情况下的检测跟踪问题，为避免因信噪比低而造成的目标漏检情 况，通常采用检测前跟踪（TBD :Track Before Detect)方法。TBD方法利用目标运动特性将 目标检测问题简化为轨迹检测问题，没有门限判别造成的信息损失，经过多帧积累，检测结 果与目标航迹同时得到。典型的TBD算法可分为TBD批处理算法和TBD递归算法两大类。 其中TBD批处理算法有三维匹配滤波算法、高阶相关算法、基于投影变换算法、多假设检验 算法、动态规划算法等；典型的TBD递归算法包括递归贝叶斯滤波算法、直方图概率多假设 跟踪算法等。
[0004] 下面对几个典型TBD算法进行简略介绍。
[0005] 1)三维匹配滤波算法。针对所有可能的目标轨迹设计一系列相应的三维匹配滤波 器组，挑选使输出信噪比最高的滤波器，并通过该滤波器所对应的状态确定目标在图像中 的位置和运动轨迹。然而，该方法需预知目标的速度信息，当速度未知时，会有严重的失配 损失。
[0006] 2)高阶相关算法。利用目标轨迹点的时空相关性，将轨迹点从噪声、杂波中区别开 来。其缺点是计算量大，计算复杂。
[0007] 3)基于Hough变换方法。它是基于投影变换算法的典型代表，Hough变换法对于 直线的检测和估计是很有效的，但对于复杂曲线的检测则存在计算复杂和需要大存储空间 等缺点。随机Hough变换能检测各种参数化的曲线，但该方法在参数估计精度和运算量之 间难以同时兼顾。
[0008] 4)多阶段假设检验TBD算法。它属于穷尽搜索方式，需要计算图像序列中所有可 能的轨迹，当序列帧数变长时，轨迹的数目呈爆炸式增长，运算量巨大。
[0009] 5)动态规划的TBD算法。它将针对目标轨迹的搜索转变为多阶段决策优化问题， 利用量测数据产生的值函数及设定的门限值判定是否宣布检测结果。然而在低信噪比下该 方法在给定的有限帧数情况下可能无法检测到目标。
[0010] 6)递归贝叶斯滤波的TBD算法。它是利用前一时刻目标状态的后验概率密度以及 当前时刻的最新量测估计当前时刻目标状态的后验概率密度。典型的贝叶斯滤波TBD算法 有粒子滤波算法和有限集统计的TBD算法。粒子滤波算法是利用一系列随机样本的加权和 表示所需的后验概率密度，进而得到状态估计。有限集统计的TBD算法是将多目标运动和 传感器观测模型建模为随机有限集，对于时变数目的弱目标检测与跟踪具有明显优点。然 而，递归贝叶斯滤波的TBD算法运算复杂度较高，存在粒子退化等一系列问题。
[0011] 7)直方图概率多假设跟踪算法。利用直方图分布对观测数据进行建模，此方法不 需要计算观测似然函数，运算复杂度较递归贝叶斯方法低，但该算法容易受到杂波的干扰。
【发明内容】
[0012] 本发明的目的在于提出一种基于轨迹增强的雷达目标检测前跟踪方法，能将稳定 跟踪的信噪比门限降低到较低水平（例如为6dB)，在低信噪比环境下对于机动目标可实现 检测跟踪一体化处理。
[0013] 为实现上述技术目的，本发明的技术方案是：首先进行非参数化航迹起始批处理 操作，获得目标轨迹状态的初始值；然后进行参数化轨迹增强操作，充分利用目标轨迹状态 的估计信息，实时动态设计相应的一组边缘增强算子，使用这组边缘增强算子对距离-多 普勒或距离-时间数据进行处理，将得到的结果加权求和，确定出最终的轨迹走向，即目标 运动参数。具体实现步骤包括如下：
[0014] 步骤1，利用雷达获取N帧原始回波数据，得出N帧原始回波数据的距离-多普勒 图像，N为大于1的自然数；
[0015] 步骤2,对于得出的N帧原始回波数据的距离-多普勒图像进行图像域航迹起始处 理,得出目标轨迹起始点迹集合{L};根据目标航迹起始点迹集合{L},得到对应的目标运 动参数c x ;
[0016] 步骤3,设定目标运动模型的个数为队，令m= 1，2，···；令1 = 1，2，"·，Ν1;
[0017] 当m = 1时，得出第m-1步参数化轨迹增强处理时使用每个目标运动模型时的目 标轨迹点迹集合、以及第m-Ι步参数化轨迹增强处理时使用的目标状态参数;当m = 1时，第m-1步参数化轨迹增强处理时使用每个目标运动模型时的目标轨迹点迹集合为所 述目标航迹起始点迹集合{L}，第m-Ι步参数化轨迹增强处理时使用的目标状态参数 为所述目标运动参数c x ;
[0018] 当m>l时，根据第m-ι步参数化轨迹增强处理时使用每个目标运动模型时的目标 轨迹点迹集合，确定第m-Ι步参数化轨迹增强处理时使用的目标状态参数;根据第 m-Ι步参数化轨迹增强处理时使用的目标状态参数，得出第m-Ι步参数化轨迹增强处 理时使用的每个目标运动模型的状态量、第m-Ι步参数化轨迹增强处理时使用每个目标运 动模型的状态量的协方差矩阵；
[0019] 当m = 1时，根据第m-ι步参数化轨迹增强处理时使用的目标状态参数，得 出第m-Ι步参数化轨迹增强处理时使用的第i个目标运动模型的概率μ iOn-1);
[0020] 令j = 1，2，···，队，当m彡1时，得出第m步参数化轨迹增强处理时第1个目标运 动模型对应的目标轨迹点迹预测量集合
【权利要求】
1. 一种基于轨迹增强的雷达目标检测前跟踪方法，其特征在于，包括以下步骤： 步骤1，利用雷达获取N帧原始回波数据，得出N帧原始回波数据的距离-多普勒图像， N为大于1的自然数； 步骤2,对于得出的N帧原始回波数据的距离-多普勒图像进行图像域航迹起始处理， 得出目标轨迹起始点迹集合IL};根据目标航迹起始点迹集合IL}，得到对应的目标运动参 数cx ; 步骤3,设定目标运动模型的个数为队，令m=l，2，...；令1 = 1,2，"·，Ν1; 当m = 1时，得出第m-1步参数化轨迹增强处理时使用每个目标运动模型时的目标轨 迹点迹集合、以及第m-1步参数化轨迹增强处理时使用的目标状态参数;当m = 1时， 第m-Ι步参数化轨迹增强处理时使用每个目标运动模型时的目标轨迹点迹集合为所述目 标航迹起始点迹集合IL}，第m-Ι步参数化轨迹增强处理时使用的目标状态参数为所 述目标运动参数c x ; 当m>l时，根据第m-1步参数化轨迹增强处理时使用每个目标运动模型时的目标轨迹 点迹集合，确定第m-Ι步参数化轨迹增强处理时使用的目标状态参数;根据第m-Ι步 参数化轨迹增强处理时使用的目标状态参数c x(Irt)，得出第m-Ι步参数化轨迹增强处理时使 用的每个目标运动模型的状态量、第m-Ι步参数化轨迹增强处理时使用每个目标运动模型 的状态量的协方差矩阵； 当m = 1时，根据第m-Ι步参数化轨迹增强处理时使用的目标状态参数，得出第 m-Ι步参数化轨迹增强处理时使用的第i个目标运动模型的概率μ iOn-1); 令j = 1，2,…，队，当m彡1时,得出第m步参数化轨迹增强处理时第1个目标运动 模型对应的目标轨迹点迹预测量集合
：以第m步参数化轨迹增强处理时第1 个目标运动模型对应的目标轨迹点迹预测量集合
为中心，向外扩展设定的波 门，得出第m步参数化轨迹增强处理时第j个目标运动模型的目标关联区域；然后设计队个 边缘增强算子，用设计的队个边缘增强算子分别对第m步参数化轨迹增强处理时每个目标 运动模型的目标关联区域进行边缘增强提取操作，得出第m步参数化轨迹增强处理时每个 目标运动模型对应的关联量测值，将第m步参数化轨迹增强处理时每个目标运动模型对应 的关联量测值进行加权求和，确定最终增强边缘走向g ;如果g > Y，则第m步参数化轨迹 增强处理时目标轨迹会维持，反之，如果g〈 Y，则第m步参数化轨迹增强处理时目标轨迹会 终止；然后，根据第m步参数化轨迹增强处理时每个目标运动模型对应的目标轨迹点迹预 测量集洽
、第m步参数化轨迹增强处理时每个目标运动模型对应的关联量测 值gl，利用卡尔曼滤波方法获得第m步参数化轨迹增强处理时使用的每个目标运动模型的 状态量、以及第m步参数化轨迹增强处理时使用的每个目标运动模型的状态量的协方差矩 阵； 当m>l时，得出第m步参数化轨迹增强处理时使用的每个目标运动模型的概率。
2. 如权利要求1所述的一种基于轨迹增强的雷达目标检测前跟踪方法，其特征在于， 所述步骤2的具体子步骤为： 根据N帧原始回波数据的距离-多普勒图像对应的量测数据，进行非参数化航迹批处 理操作，得出目标轨迹起始点迹集合IL}，目标轨迹起始点迹集合IL}表示为： {L} = {Xk，k' = 1，2, ...，Nini} 其中，Xk，表示第k'帧原始回波数据的距离-多普勒图像对应的目标起始点迹状态矢 量,k' = 1,2,…，Nini,Nini表示目标轨迹起始点迹集合{L}中目标轨迹起始点迹的个数,X k， =[rk，fd，k，Ak，] T，rk，表示第k'帧原始回波数据的距离-多普勒图像对应的目标起始点迹 的距离单元序号，f 4k，表示第k'帧原始回波数据的距离-多普勒图像对应的目标起始点迹 的多普勒单元序号，Ak，表示第k'帧原始回波数据的距离-多普勒图像对应的目标起始点 迹的幅度值； 然后，根据目标航迹起始点迹集合{L}，得到对应的目标运动参数Cx。
3. 如权利要求1所述的一种基于轨迹增强的雷达目标检测前跟踪方法，其特征在于， 在步骤3中，当m>l时，第m-1步参数化轨迹增强处理时使用第1个目标运动模型时的目标 轨迹点迹集合
为：
其中，1 = 1，2，…，队，丨表示第m-1步参数化轨迹增强处理时使用第1个目标 运动模型时的第（m_l)D个目标轨迹点迹，（m-l)start表示第m-1步参数化轨迹增强处理所使 用的第1个目标轨迹点迹的序号；(m-1) md表示第m-1步参数化轨迹增强处理所使用的最后 1个目标轨迹点迹的序号。
4. 如权利要求1所述的一种基于轨迹增强的雷达目标检测前跟踪方法，其特征在于， 在步骤3中，当m > 1时，第m-1步参数化轨迹增强处理时使用的第i个目标运动模型的状 态量表示为
|第m-1步参数化轨迹增强处理时使用的第i个目标运动模型 的状态量的协方差矩阵表示为
当m彡1时，设定由第m-1步参数化轨迹增强处理时使用的第i个目标运动模型转移 至第m步参数化轨迹增强处理时使用的第j个目标运动模型的概率Pij : Pij = P {1 (m) = j 11 (m-1) = i} 其中，P{·}表示求概率，1 (m-1)表示第m-1步参数化轨迹增强处理时使用的目标运动 模型的标号，l(m)表示第m步参数化轨迹增强处理时使用的目标运动模型的标号； 然后，得出第m-Ι步参数化轨迹增强处理时使用第j个目标运动模型的交互式输入状 态量
、以及第m-Ι步参数化轨迹增强处理时使用第j个目标运动模型的交 互式输入状态量的协方差矩阵
当m > 1时，第m步参数化轨迹增强处理时第1个目标运动模型对应的目标轨迹点迹 预测量集合文丨)、以及第m步参数化轨迹增强处理时的目标轨迹点迹预测量的协
其中，t表示第j个目标运动模型对应的状态转移方程，上标T表示矩阵或向量的转 置；表示第j个目标运动模型对应的过程噪声的协方差矩阵。
5. 如权利要求1所述的一种基于轨迹增强的雷达目标检测前跟踪方法，其特征在于， 在步骤3中，在队个边缘增强算子中，第1个边缘增强算子表示S 〇1(Cx，〇x，Nj ;则第m步 参数化轨迹增强处理时第1个目标运动模型对应的关联量测值gl为：
其中，
为边缘增强算子
的第a个元素 ，a = 1，2，···，ΝΜΧΝΛ，Ν"为每个边缘增强算子的宽度，ΝΛ为每个边缘增强算子的长度；f a表示 第m步参数化轨迹增强处理时第1个目标运动模型的目标关联区域内的目标轨迹点迹预测 量数据； 在步骤3中，最终增强边缘走向g为：
其中，Wi为设定的第1个目标运动模型的权重。
6. 如权利要求1所述的一种基于轨迹增强的雷达目标检测前跟踪方法，其特征在于， 在步骤3中，当m>l时，根据第m-Ι步参数化轨迹增强处理时使用的第i个目标运动模型 的概率μ i (m-Ι)，得出第m步参数化轨迹增强处理时使用的第i个目标运动模型的概率 u i (m)：
其中，AiOn)表示第m步参数化轨迹增强处理时第i个目标运动模型的似然函数。
【文档编号】G01S13/72GK104297748SQ201410558195
【公开日】2015年1月21日 申请日期:2014年10月20日 优先权日:2014年10月20日
【发明者】杨志伟, 廖桂生, 孙存光, 何嘉懿 申请人:西安电子科技大学