一种基于粒子滤波的多异步传感器单目标检测前跟踪方法与流程

技术背景

本发明属于多传感器单目标跟踪领域，涉及一种基于粒子滤波的多异步传感器检测前跟踪方法，用于解决弱目标检测跟踪情况的多异步传感器信息融合，达到提高目标跟踪精度和目标正确发现概率。

背景技术：

在低信噪比的复杂环境下，雷达探测系统对弱目标的检测跟踪问题一直都是一项技术难题。检测前跟踪(trackingbeforedetection，tbd)是一种可以在低信噪比环境下提高传感器检测概率的方法，它在进行检测的过程中加入跟踪的思想，并且降低对目标的检测门限，然后再通过对目标原始能量的积累来进行目标检测，常用于对微弱目标信号的检测。目前的tbd方法主要有hough变换、动态规划(dynamicprogramming，dp)及粒子滤波(particlefilter,pf)。

现在已有的关于粒子滤波检测前跟踪的算法主要研究的问题是关于单传感器方面的，在多雷达目标检测跟踪方面的研究非常少。但是在实际情况下，一般都是通过多个传感器对目标进行联合探测，然后根据各个传感器之间的探测信息的互补性来提高目标正确发现概率和跟踪效果。但是当融合多个传感器的信息的时候，因为雷达采样时刻不同，多部传感器对相同目标的量测并不是目标处于同一位置的量测，如果直接将这些量测信息进行融合，最后得到的结果会有很大的误差。因此提出一种基于粒子滤波的多异步传感器检测前跟踪算法，提高目标跟踪精度和目标正确发现概率。

技术实现要素：

本发明针对弱目标低信噪比环境下，多异步传感器将获得的不同时刻目标量测信息进行融合问题，本发明提出了一种基于粒子滤波的多异步传感器单目标检测前跟踪方法。

为了实现上述目的，本发明的技术方案的步骤为：

步骤1:设置粒子集初始分布；

步骤2：对粒子集的权重和粒子数进行初始化；

步骤3：构建多传感器单目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；

步骤4：粒子状态转移。将粒子的出现概率跟马尔科夫概率转移设定参数比较判断是否状态转移。

步骤5：权值计算。将存在的粒子根据方位和距离信息计算出对应的权重值，通过内插外推的空时校准方法将各传感器同一时刻的权重值进行数据融合；

其中通过内插外推的空时校准方法将各传感器同一时刻的权重值进行数据融合；具体包括如下步骤：

将其中一个雷达作为基准雷达，将其他雷达量测到的某一时刻的粒子的状态信息通过内插外推法，将该时刻的粒子状态进行时间和空间的回推，回推至基准雷达相邻的采样时刻，然后通过将同一粒子的权重相融合来实现对目标的检测跟踪获得目标航迹。

步骤6：将融合权值进行归一化。

步骤7：计算有效样本数neff，若neff＜nt，nt为阈值，则进行重采样，之后将粒子集的各个权重值重新设置为初始值，跳至步骤8，若neff＞nt，直接跳至步骤8；

步骤8：估计目标状态；将目标估计状态返回至每个传感器，用于下一时刻的传感器量测估计，重复步骤4-8。

本发明的益处是：针对低信噪比弱目标环境下多异步传感器单目标检测前跟踪问题，本发明提出了一套完整的处理方法流程，最主要的是提出了一种多异步雷达目标量测信息融合方法。本发明可以有效的提高目标正确发现概率和跟踪精度。

具体实施方式

一种基于粒子滤波的多异步传感器单目标检测前跟踪方法,该方法具体包括以下步骤：

步骤1：设置粒子集初始分布p(s0,r0)。

步骤2：粒子数初始化取为m，根据粒子集的初始分布s0^j～p(s0,r0)，j＝1,2,...,m，得到粒子集并且将i＝1,...,m各粒子的初始化权重设置为1/m。

步骤3：构建多传感器单目标跟踪场景，传感器的量测可能来自目标，也可能来自杂波，构建目标的运动模型、传感器的量测模型和杂波模型，并对它们进行初始化。

建立目标的运动模型：sk+1＝fk(tk,sk,ck,wk)

prob(ck+1＝i|ck＝j)＝[ψ(tk)]ij

式中，表示在k时刻的目标状态，其中(xk,yk)表示目标位置，表示目标速度；tk表示k时刻的采样时间；ck表示模型变量，通过这个模型变量来表示目标是否出现；ψ(tk)是马尔可夫状态转移矩阵。wk是高斯过程噪声，prob(w)是分布函数。模型之间的状态转移概率通过ψ(tk)来完成，

传感器量测建模：设有l个雷达同时检测某一个区域，这些雷达的采样周期相同但是系统误差各不相同。假设第i个雷达在k时刻产生一系列距离—方位图像，其中每帧图像包含个分辨单元，将每个分辨单元设为(m,n)，m＝1,2,...,nr，n＝1,2,...,nb对应一个矩形区域。则雷达i在时刻k的观测数据可以表示为：其中表示分辨单元(m,n)在时刻k的观测，其具体形式为：

式中，用vk,i来表示雷达i的按高斯分布的观测噪声。用p(vi)来表示它的分布函数。用δsi来表示传感器i的测量系统误差，用来表示雷达i的第(m,n)分辨单元所接受到的量测信息，其函数形式可表示为:其中，ri是与距离有关的常数，bi是与方位有关的常数，和分为为衰减常数，rk,i是目标相对应的雷达的距离信息，bk,i是相对应的雷达的方位信息。设雷达i位置坐标为(xpi,ypi)，则噪声采用复噪声形式，即：式中，和是均值为零，方差为的高斯白噪声，并且相互独立。信噪比为k传感器i获取的观测可以表示为：zk,i＝{z1,i,z2,i,...,zn,i}。式中用zk,1:l来表示在k时刻全部的雷达观测数据。

步骤4：粒子状态转移。按照噪声分布函数p(w)获取噪声样本集并依据状态转移方程式预测得到时刻k的基于状态装异的粒子集

步骤5：权值计算。由于多个雷达获得的是目标在不同位置的回波信息，这样直接计算得到的粒子j的各个权重是不能直接相乘融合的，所以需要以其中一个雷达的时刻作为基准雷达。假设以雷达1的时刻作为基准时刻，然后将其余雷达i＝2,...,n对粒子j相对应的时刻的状态通过内插外推法分别对x坐标和y坐标进行时间回推。以匀加速直线运动x轴方向回推为例，当雷达i的采样时刻tik(k＝1...n)回推到雷达1的采样时刻t1c(c＝1...m)：

目标在tik时刻的加速度为：

目标在tik时刻的速度为：

设配准时刻为t1c(tik＜t1c＜ti(k+1))，将雷达i向基准时刻配准后：

假设目标量测信息满足指数分布，则分布函数为其中当目标存在和不存在时均值分别为则当目标存在和不存在时权重的计算公式分别为为其中表示回推到基准时刻的状态然后将粒子j对应不同雷达i的权重相乘得到融合后的权重

步骤6：将融合权值进行归一化。由于各个雷达的测量精度和参数并不相同，所以需要将通过空时校准得到的融合的j粒子做归一化处理：得到

步骤7：计算有效样本数nt为阈值，若neff＜nt，则对粒子集进行重采样得到之后将粒子集的各个权重值重新设置为初始值。

步骤8：估计目标状态。估计目标状态将目标估计状态返回至每个传感器，用于下一时刻的传感器量测估计返回步骤4进行重复。