转弯速率未知的机动不规则扩展目标建模方法及跟踪算法与流程

本发明属于高精度雷达目标跟踪和信息信号处理处理领域，具体的说是转弯速率未知的机动不规则扩展目标建模方法及跟踪算法。

背景技术：

随着现代传感器分辨能力的大幅提升，例如高分辨率雷达、远距离红外成像雷达等的出现，它们除了基本的运动量测，还能提供目标的部分特征信息。特别是在足够大的信噪比条件下，高距离分辨率(highrangeresolution,hrr)雷达在对目标进行探测时，可以通过解析hrr信号得到目标的特征反射在雷达视线上的纵向距离像。同样地，某些远距离红外成像雷达可以提供目标的横向距离像。在这种情况下，距离像量测下的运动体不再被认为是点目标，而通常被认为是具有一点扩展形态的扩展目标。上述这些高精度雷达不但可以通过回波获取目标的径向距离、速度以及俯仰角等运动量测信息，而且还能得到目标的宽度或大小等形状信息。事实上，利用这些信息可以有效地提高目标跟踪性能与识别精度。

然而，受制于扩展目标跟踪问题自身所具有的不规则复杂形态特征、有限的传感器分辨率以及在实际应用过程中复杂态势的影响，难以建立起合理且精确有效的机动不规则扩展目标形态模型。此外，特别对于跟踪系统来讲，典型机动过程中目标的转弯速率往往未知的，这不仅仅使得目标的运动状态演化和扩展形态方程难以建立，而且还难以处理二者之间具有的紧密耦合关系，这给高精度雷达量测下机动不规则扩展目标跟踪带来了巨大困难。因此实现本发明的过程中，发明人根据距离像的量测特征，并结合不规则目标自身具有的复杂机动模式，利用支撑函数和闵可夫斯基和对扩展目标转弯机动下的运动状态演化和扩展形态演化精确描述，建立起一种转弯速率未知的机动不规则扩展目标通用建模框架，并推导出一种高效算法以提高跟踪精度。

技术实现要素：

为了解决现有技术中的不足，本发明提供一种转弯速率未知的机动不规则扩展目标建模方法以及配套的一种跟踪算法，能够解决典型机动过程中转弯速率未知场景下不规则扩展目标运动状态随时间演化的描述问题，还可以对扩展形态的突变进行充分表征，从而能够对整个机动过程进行合理刻画。

为了实现上述目的，本发明采用的具体方案为：

转弯速率未知的机动不规则扩展目标建模方法，具体步骤包括：

步骤一、利用闵可夫斯基和将不规则扩展目标h的复杂机动演化过程分解为若干个子目标h⁽¹⁾、h⁽²⁾、...、h⁽ⁿ⁾的简单机动演化过程的组合，即h＝h⁽¹⁾+h⁽²⁾+...+h⁽ⁿ⁾；

步骤二、当机动过程中转弯速率未知时，对于每个子目标均利用转弯速率、扩展形态参数与运动状态参数共同建立通用演化模型；

步骤三、利用通用演化模型与量测方程构建通用系统模型。

用表示h的扩展形态参数，子目标h⁽¹⁾,h⁽²⁾,...,h⁽ⁿ⁾的扩展形态参数分别表示为其中k表示时刻，则有得到如下的形态演化方程：

其中f^e为不规则扩展目标h的形态转移矩阵，f^e,1,f^e,2,...,f^e,n为各个子目标h⁽¹⁾,h⁽²⁾,...,h⁽ⁿ⁾的形态转移矩阵，即f^e＝diag(f^e,1,f^e,2,...,f^e,n)，为扩展形态的过程噪声。

用表示不规则扩展目标h的运动状态参数，则h的运动状态演化方程为：

其中f^m为状态转移矩阵，为运动状态的过程噪声，各个子目标h⁽¹⁾,h⁽²⁾,...,h⁽ⁿ⁾的运动状态演化方程与不规则扩展目标h相同。

用ωk表示未知的转弯速率，转速演化方程为：

其中k表示时刻，为k-1时刻转弯速率ωk-1的过程噪声；

利用转弯速率ωk、扩展形态参数与运动状态参数共同建立通用演化模型：

其中xk表示不规则扩展目标h的联合演化状态，wk-1为综合噪声项。

将通用演化模型与量测方程联立得到通用系统模型：

其中zk表示在量测过程中得到的高精度雷达量测，包括径向距离量测、方位角量测和目标距离像量测；vk表示量测噪声。

转弯速率未知的机动不规则扩展目标的跟踪算法，应用于如权利要求5所述的通用系统模型，具体步骤如下：

步骤一、初始化不规则机动扩展目标的运动状态参数和扩展形态参数并利用转弯速率ωk得到(k-1)时刻的联合演化状态估计和初始误差协方差pk-1|k-1；

步骤二、通过对(k-1)时刻的联合演化状态估计和初始误差协方差pk-1|k-1进行非线性变换得到一步预测及一步误差协方差pk|k-1：

步骤三、利用一步预测和量测方程，通过非线性变换得到量测预测及量测误差协方差sk：

其中nc()表示非线性变换；

步骤四、利用一步预测和量测预测，在卡尔曼滤波框架内计算k时刻状态预测误差与量测预测误差之间的协方差阵

其中和分别通过对通用演化模型和量测方程进行非线性变换得到；

步骤五、利用一部预测和量测预测得到二步预测即k时刻的不规则扩展目标h的联合演化状态：

二步预测的二步误差协方差pk|k为：

pk|k＝pk|k-1-kksk(kk)^t；

其中kk是卡尔曼滤波增益阵，

步骤六、以二步预测作为新的联合演化状态估计并重复进行步骤二至步骤五，经过递推得到不规则扩展目标h最终的跟踪结果

其中跟踪为最终运动状态、为最终扩展形态、为最终转弯速率。

优选地，所述非线性变换为无迹变换、高斯厄米特积分或者平方根容积采样点。

有益效果：本发明提供一种转弯速率未知的机动不规则扩展目标建模方法以及配套的一种跟踪算法，不但能够解决典型机动过程中转弯速率未知场景下不规则扩展目标运动状态随时间演化的描述问题，还可以对扩展形态的突变进行充分表征，从而能够对整个机动过程进行合理刻画。

附图说明

图1是本发明实施方式的的流程图；

图2是本发明实施方式中机动不规则扩展目标跟踪轨迹图；

图3是本发明实施方式中机动不规则扩展目标位置的均方根误差结果；

图4是本发明实施方式中机动不规则扩展目标速度的均方根误差结果；

图5是本发明实施方式中机动不规则扩展目标形态的豪斯多夫距离对比结果图。

具体实施方式

下面根据附图具体说明本发明的实施方式。

转弯速率未知的机动不规则扩展目标建模方法，具体步骤包括：

步骤一、利用闵可夫斯基和将不规则扩展目标h的复杂机动演化过程分解为若干个子目标h⁽¹⁾、h⁽²⁾、...、h⁽ⁿ⁾的简单机动演化过程的组合，即h＝h⁽¹⁾+h⁽²⁾+...+h⁽ⁿ⁾；

步骤二、当机动过程中转弯速率未知时，对于每个子目标均利用转弯速率、扩展形态参数与运动状态参数共同建立通用演化模型；

步骤三、利用通用演化模型与量测方程构建通用系统模型。

用表示h的扩展形态参数，子目标h⁽¹⁾,h⁽²⁾,...,h⁽ⁿ⁾的扩展形态参数分别表示为其中k表示时刻，则有得到如下的形态演化方程：

其中f^e为不规则扩展目标h的形态转移矩阵，f^e,1,f^e,2,...,f^e,n为各个子目标h⁽¹⁾,h⁽²⁾,...,h⁽ⁿ⁾的形态转移矩阵，即f^e＝diag(f^e,1,f^e,2,...,f^e,n)，为扩展形态的过程噪声。

用表示不规则扩展目标h的运动状态参数，则h的运动状态演化方程为：

其中f^m为状态转移矩阵，为运动状态的过程噪声，各个子目标h⁽¹⁾,h⁽²⁾,...,h⁽ⁿ⁾的运动状态演化方程与不规则扩展目标h相同。

用ωk表示未知的转弯速率，转速演化方程为：

其中k表示时刻，为k-1时刻转弯速率ωk-1的过程噪声；

利用转弯速率ωk、扩展形态参数与运动状态参数共同建立通用演化模型：

其中xk表示不规则扩展目标h的联合演化状态，wk-1为综合噪声项。

将通用演化模型与量测方程联立得到通用系统模型：

其中zk表示在量测过程中得到的高精度雷达量测，包括径向距离量测、方位角量测和目标距离像量测；vk表示量测噪声。

转弯速率未知的机动不规则扩展目标的跟踪算法，应用于如权利要求5所述的通用系统模型，具体步骤如下：

步骤一、初始化不规则机动扩展目标的运动状态参数和扩展形态参数并利用转弯速率ωk得到(k-1)时刻的联合演化状态估计和初始误差协方差pk-1|k-1；

步骤二、通过对(k-1)时刻的联合演化状态估计和初始误差协方差pk-1|k-1进行非线性变换得到一步预测及一步误差协方差pk|k-1：

步骤三、利用一步预测和量测方程，通过非线性变换得到量测预测及量测误差协方差sk：

其中nc()表示非线性变换；

步骤四、利用一步预测和量测预测，在卡尔曼滤波框架内计算k时刻状态预测误差与量测预测误差之间的协方差阵

其中和分别通过对通用演化模型和量测方程进行非线性变换得到；

步骤五、利用一部预测和量测预测得到二步预测即k时刻的不规则扩展目标h的联合演化状态：

二步预测的二步误差协方差pk|k为：

pk|k＝pk|k-1-kksk(kk)^t；

其中kk是卡尔曼滤波增益阵，

步骤六、以二步预测作为新的联合演化状态估计并重复进行步骤二至步骤五，经过递推得到不规则扩展目标h最终的跟踪结果

其中跟踪为最终运动状态、为最终扩展形态、为最终转弯速率。

优选地，所述非线性变换为无迹变换、高斯厄米特积分或者平方根容积采样点。

考虑如下仿真场景，一个不规则机动扩展目标沿着附图2中所示的轨迹做旋转机动，对于跟踪系统来讲其真实转弯速率未知。该不规则机动扩展目标的初始运动状态为组成该不规则机动扩展目标的两个椭圆子目标长轴和短轴都分别50m和10m。高分辨率雷达观测点始终位于二维笛卡尔坐标平面的原点，它提供目标的运动量测(径向距离，方位角)，以及纵向距离像和横向距离像，采样周期t＝1s。按照如图1所示的流程进行仿真。

如图2给出了转弯速率未知场景中不规则机动扩展目标目标的跟踪轨迹，另外此场景中的扩展目标跟踪的运动状态性能对比分别如图3和图4所示。本发明中采用均方根误差(rmse)作为指标来评估机动不规则扩展目标位置与速度的估计性能，此外，本发明使用豪斯多夫距离来评价所估计不规则形态与真实形态之间的差别，豪斯多夫距离越小，表明估计出的目标形态就越接近真实目标形态。如图5如示，豪斯多夫距离的对比结果表明目标扩展形态得以精确估计。总的来说，仿真结果验证了本发明中转弯速率未知的机动不规则扩展目标建模方法及跟踪算法的有效性。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本的精神或范围的情况下，在其它实施例中实现。因此，本将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。