阈值化量测下的多伯努利滤波弱目标检测与跟踪方法
【技术领域】
[0001] 本发明属于制导技术领域，更进一步涉及目标跟踪技术领域中的一种阈值化量测 下的多伯努利滤波弱目标检测与跟踪方法。本发明通过计算量测阈值化后的似然函数，采 用高斯粒子多伯努利检测前跟踪方法，实现对未知数目的多个弱小目标的精确检测与跟 足示。
【背景技术】
[0002] 弱小目标的检测与跟踪是红外预警系统，精确制导系统，卫星遥感系统中的一项 关键技术，在现代化高科技发展中具有重要的应用价值。传统的弱小目标检测算法采用的 是先检测后跟踪（DBT)方法，它需要对每帧数据设置固定阈值或自适应阈值，此类算法结 构简单，易于实现，在信噪比较高时有较好的效果。然而在低信噪比下，很难找到一个合适 的阈值来分割目标。近年来出现的一种检测前跟踪（TBD)方法，很好地解决了低信噪比下 的弱目标检测跟踪问题。它不对数据做单帧阈值检测，而是将未经阈值处理的数据全部输 入跟踪方法进行跟踪，待跟踪若干帧之后，目标能量积累到一定程度再做目标有无的判断。
[0003] 哈尔滨工程大学在其拥有的专利"基于粒子滤波的红外弱小目标检测与跟踪方法 及装置"（专利【申请号】2012101631401，授权公布号CN 102722706B)中公开了一种基于粒 子滤波的检测前跟踪方法来检测和跟踪弱小目标。首先，对原始图像进行背景抑制，得到含 有目标和噪声的去背景图像；其次，根据设定的阈值和初始目标出现概率，在全视场范围 内采样粒子进行目标状态的预测和更新，在状态更新过程中计算粒子权重并进行归一化； 再次，根据归一化后的粒子权重对粒子进行重采样；最后，进行目标检测，得到目标状态的 估计值。该方法存在的不足之处在于，传统的粒子滤波采样粒子容量大以及重采样带来的 粒子枯竭，导致在低信噪比情况下目标跟踪性能不理想的问题。
[0004] Cuiyun Li, Hongbing Ji, Qibing Zou, Sujun Wang 在其发表的论文 "A NOVEL MULTI-BERNOULLI FILTER FOR JOINT TARGET DETECTION AND TRACKING"（Information and Communication and Communications Technologies (IETICT2013)，IET International Conference on 2013, Pages :176-180)中公开了一种高斯粒子多伯努利检测前跟踪方法。 该方法将基于随机有限集的高斯粒子MeMBer滤波用于多个弱小目标检测与跟踪中，它是 粒子滤波多伯努利检测前跟踪方法的一种推广。首先，将目标随机集用一个多伯努利随机 集来近似；其次，进行多伯努利状态预测和状态更新，此过程不需要进行粒子重采样，只需 少量的采样粒子计算目标的状态均值和方差，降低了存储空间，提高了跟踪精度；再次，进 行伯努利项的修剪与合并；最后，进行目标状态估计值的提取。该方法的不足之处在于，传 统的弱目标检测方法需要存储和传输每帧图像的全部数据，存在计算量大，计算复杂度高 以及高存储空间占用问题，并且雷达，声呐，被动红外传感器大多是阈值传感器，使得该方 法在实际应用中还存在缺陷。
【发明内容】
[0005] 本发明的目的在于针对上述现有技术的不足，提出了一种阈值化量测下的多伯努 利滤波弱目标检测与跟踪方法。
[0006] 实现本发明的基本思路是：首先，利用虚警概率，对灰度图像数据设定量测阈值； 其次，利用设置的量测阈值，提取每帧灰度图像数据中超过阈值的像素点的索引，并将提取 的索引集作为量测集进行存储；再次，利用设置的量测阈值，计算每帧灰度图像中各个像素 点的检测概率；最后，根据存储的量测集和像素点的检测概率，计算量测似然，使用多伯努 利滤波对目标进行检测与跟踪。
[0007] 实现本发明的具体步骤如下：
[0008] (1)初始化目标状态：
[0009] (Ia)根据目标运动场景，设定初始时刻存在目标的状态参数，包括目标个数、位 置、速度、强度、存在概率以及目标的运动状态方差；
[0010] (Ib)用上述设定的参数作为目标的初始分布，并用高斯粒子多伯努利随机集的参 数集形式表示；
[0011] ⑵预测目标状态：
[0012] (2a)利用前一时刻目标多伯努利随机集的后验分布和状态方程，预测当前时刻存 活目标的多伯努利随机集；
[0013] (2b)根据目标运动场景，设定新生目标的个数、位置、速度、强度、存在概率以及目 标的运动状态方差；
[0014] (2c)用上述设定的参数作为当前时刻新生目标的预测分布，并用高斯粒子多伯努 利随机集的参数集形式表示；
[0015] (3)更新目标状态：
[0016] (3a)根据像素点的虚警概率设定量测阈值，利用当前时刻的灰度图像数据，提取 所有强度超过量测阈值的像素点的索引，并将索引集作为当前时刻的量测集；
[0017] (3b)根据量测方程，计算当前时刻灰度图像中每个像素点强度的概率分布，利用 设定的量测阈值，计算每个像素点强度超过量测阈值的概率，作为当前时刻灰度图像中像 素点的检测概率；
[0018] (3c)利用当前时刻的量测集和当前时刻灰度图像中每个像素点的检测概率，计算 当前时刻目标随机集的量测似然值；
[0019] (3d)利用当前时刻目标随机集的量测似然值，更新当前时刻预测完成的目标多伯 努利随机集，得到当前时刻目标多伯努利随机集的后验分布；
[0020] (4)修剪与合并：
[0021] (4a)剔除当前时刻更新后的目标多伯努利随机集中存在概率低于0. 001的目标；
[0022] (4b)合并当前时刻更新后的目标多伯努利随机集中，欧氏距离小于2倍的目标影 响邻域参数的目标，合并之后在（〇，1)之间重新设置目标的存在概率；
[0023] (5)状态提取：
[0024] (5a)利用当前时刻修剪与合并之后的目标多伯努利随机集，统计所有存在概率大 于0. 5的目标数目，将统计结果作为当前时刻的真实目标数；
[0025] (5b)利用当前时刻修剪与合并之后的目标多伯努利随机集，提取所有存在概率大 于0. 5的目标状态均值，将提取结果作为当前时刻真实存在的目标状态；
[0026] (6)判断所有灰度图像是否处理完毕，若是，执行步骤（7)，否则，执行步骤（2)，处 理下一帧图像；
[0027] (7)结束。
[0028] 本发明与现有技术相比，具有以下优点：
[0029] 第一，由于本发明采用了对灰度图像数据设定量测阈值，提取所有强度超过阈值 的像素点的索引，并将索引集作为当前时刻的量测集，克服了现有技术中计算量大，计算复 杂度高以及高存储空间占用问题，使得本发明具有低信噪比情况下弱小目标跟踪效率高的 优点。
[0030] 第二，由于本发明采用了高斯粒子多伯努利滤波方法，用高斯分布来表示目标的 概率密度，用量测阈值化后的似然函数更新目标多伯努利随机集，克服了现有技术中粒子 滤波带来的低信噪比情况下弱目标跟踪性能不理想的问题，使得本发明检测和跟踪多个弱 小目标的精度得到提高。
[0031] 第三，由于本发明采用了对量测阈值化后的数据进行检测前跟踪，满足了雷达，声 呐，被动红外传感器大多是阈值传感器的要求，克服了现有技术不易被实际应用的问题，使 得本发明可被应用于现实的目标跟踪技术中。
【附图说明】
[0032] 图1为本发明的流程图；
[0033] 图2为本发明的仿真图。
【具体实施方式】
[0034] 下面结合附图对本发明作进一步的详细说明。
[0035] 参照附图1，本发明的具体步骤如下。
[0036] 步骤1，初始化目标状态。
[0037] 根据目标运动场景，设定初始时刻存在目标的状态参数，包括目标个数、位置、速 度、强度、存在概率以及目标的运动状态方差。用上述设定的参数作为目标的初始分布，并 用高斯粒子多伯努利随机集的参数集形式表示。
[0038] 令初始时刻k = 0,目标初始分布用高斯粒子多伯努利随机集的参数集表示形式 如下：
【主权项】
1. 一种阈值化量测下的多伯努利滤波弱目标检测与跟踪方法，包括如下步骤： (1) 初始化目标状态： (la) 根据目标运动场景，设定初始时刻存在目标的状态参数，包括目标个数、位置、速 度、强度、存在概率以及目标的运动状态方差； (lb) 用上述设定的参数作为目标的初始分布，并用高斯粒子多伯努利随机集的参数集 形式表示； (2) 预测目标状态： (2a)利用前一时刻目标多伯努利随机集的后验分布和状态方程，预测当前时刻存活目 标的多伯努利随机集； (2b)根据目标运动场景，设定新生目标的个数、位置、速度、强度、存在概率以及目标的 运动状态方差； (2c)用上述设定的参数作为当前时刻新生目标的预测分布，并用高斯粒子多伯努利随 机集的参数集形式表示； (3) 更新目标状态： (3a)根据像素点的虚警概率设定量测阈值，利用当前时刻的灰度图像数据，提取所有 强度超过量测阈值的像素点的索引，并将索引集作为当前时刻的量测集； (3b)根据量测方程，计算当前时刻灰度图像中每个像素点强度的概率分布，利用设定 的量测阈值，计算每个像素点强度超过量测阈值的概率，作为当前时刻灰度图像中像素点 的检测概率； (3c)利用当前时刻的量测集和当前时刻灰度图像中每个像素点的检测概率，计算当前 时刻目标随机集的量测似然值； (3d)利用当前时刻目标随机集的量测似然值，