本发明属于雷达数据处理技术领域,特别涉及了雷达微弱目标跟踪技术领域。
背景技术:
众所周知,雷达探测环境的日益复杂和目标隐身技术的日益成熟,使得雷达及时可靠地监测到淹没在强杂波中的微弱目标变得更加困难。提高雷达对微弱目标的检测跟踪性能具有重要的理论价值和实际意义。
检测前跟踪技术是一种在低信噪比环境中对微弱目标进行检测跟踪的一种技术。与传统的检测方法不同,检测前跟踪不在单帧宣布检测结果,而是对多帧数据进行处理后同时宣布目标的检测结果与航迹。实现检测前跟踪技术的方法包括有粒子滤波、动态规划、霍夫变换等。基于粒子滤波的检测前跟踪方法的航迹起始能力不如动态规划和霍夫变换等方法,并且该方法需要计算概率,计算量大。但是,动态规划等多帧检测前跟踪方法处理一次只能得到目标的短航迹,无法得到目标的完整航迹。而且,动态规划方法是在离散空间得到的状态估计结果,估计精度存在一定损失。此外,现在基于动态规划的获取目标完整航迹的方法一般是滑窗方法,这种方法每次滑动一帧,仅仅利用滑窗量测进行滤波会有大量的数据没有得到充分利用。
技术实现要素:
本发明的目的是提出一种用于处理多帧检测前跟踪得到的短航迹的滤波融合方法,提高对目标状态的估计精度,解决了多帧检测前跟踪方法无法提供目标完整航迹的问题并且充分利用了多帧信息。
本发明的针对多帧检测前跟踪短航迹的粒子滤波融合方法包括下列步骤:
步骤1、变量初始化:
初始化变量包括:总仿真时间k;一次检测前跟踪处理帧数n;目标信噪比snr;检测前跟踪处理门限vt;检测前跟踪量测可能范围γ∈{δ2;δ=1,2,3,4,...};一次多帧检测前跟踪处理第n帧的检测概率
步骤2、粒子集初始化:
初始化时间变量k=1;
粒子x方向(水平)和y方向(竖直)位置和速度状态初始化:
其中rand(1)表示按照均匀分布产生一个[0,1]区间上的随机数;
粒子权值初始化为
令
步骤3、状态预测:
如果k=1,则跳过此步骤。否则对k-1时刻的粒子集进行一步预测:
得到预测粒子集
用(1)和(3)分别区分每个粒子在x方向和y方向的粒子状态,对每个粒子状态分别进行如下处理:
若第i个粒子状态
若第i个粒子
并将当前粒子i的权值置
步骤4、多帧检测前跟踪处理:
从雷达接收机中读取第k-n+1,k-n+2,...,k帧回波数据(如果k≤n,则从雷达接收机中读取第1,2,...,n帧回波数据),进行多帧检测前跟踪处理。
若存在多帧检测前跟踪处理的检测结果;则执行步骤5;否则直接执行步骤7;
步骤5、权值更新:
令
若k>n,则检测结果
基于当前多帧检测前跟踪处理的检测结果
为了表示方便,用
当k>n时,更新粒子权值为:
当k≤n时,更新粒子权值为:
基于更新后的粒子权值,计算粒子权值和
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过步骤5,直接执行步骤7。
步骤6、重采样:
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过步骤6,并执行步骤7。否则对权值更新后的粒子集
601:初始i=1;随机产生u0,其服从
602:计算
603:计算
判断是否uj>ci,若是,则令i=i+1并执行步骤602;否则,令
重采样后的粒子集表示为
步骤7、目标状态估计和协方差估计:
对所有粒子状态
步骤8、令k=k+1,对目标状态估计结果和协方差矩阵进行滑窗迭代融合:
将一次滑窗得到的批处理数据记为
将一次滑窗后的数据记为
用γ表示α和β重叠的帧标识符,对
其中,融合后的协方差矩阵
步骤9、重复步骤3~8,直到得到k=k,得到完整航迹。
通过上述步骤可以得到目标的完整航迹并且充分利用了滑窗之间的重复的量测信息。
本发明与现有技术相比的优点在于:
(1)本发明对多帧检测前跟踪处理得到的短航迹做进一步处理,实现了对目标的长时间跟踪,解决了多帧检测前跟踪方法不能提供目标完整航迹信息的问题。
(2)本发明提出的方法可以迭代的对目标状态进行实时估计,并且没有引入过多的存储量和计算量。
(3)本发明利用多帧检测前跟踪处理得到的短航迹对目标状态进行滤波和融合处理,可以提高了对目标状态估计的精度和充分的利用迭代滑窗当中的重复但是没有得到充分利用的信息。
(4)本发明通过粒子状态预测,可以有效解决低信噪比微弱目标检测前跟踪可能出现的漏检问题,保证了航迹的连续性。
附图说明
图1为本发明的流程图。
图2为本发明实施例中目标真实航迹与应用本发明跟踪得到的目标航迹。
图3为本发明实施例中应用本发明方法估计目标状态的目标位置均方根误差。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
实施例
本发明主要采用计算机仿真的方法进行验证,所有步骤、结论都在matlab-r2010b上验证正确。参见图1,具体实施步骤如下:
步骤1、变量初始化:
初始化变量包括:总仿真时间k=20;一次检测前跟踪处理帧数n=6;目标信噪比snr=12db;检测前跟踪处理门限vt=13.2847;检测前跟踪量测可能范围γ=72;一次多帧检测前跟踪处理第第1,2,...,n帧的检测概率分别为0.876,0.892,0.918,0.910,0.908,0.838;雷达扫描周期t=1s;粒子数ns=8000;x和y方向的距离范围均为[1,150];x和y方向的速度范围均为[3.7,4.4];目标状态转移矩阵
步骤2、粒子集初始化:
初始化时间变量k=1。粒子x和y方向位置和速度状态初始化
其中rand(1)表示按照均匀分布产生一个[0,1]区间上的随机数。
粒子权值初始化为:
步骤3、状态预测:
如果k=1,则跳过此步骤。否则对k-1时刻的粒子集进行一步预测:
若第i个粒子状态
若
并将该粒子对应的权值
步骤4、多帧检测前跟踪处理:
从雷达接收机中读取第k-n+1,k-n+2,...,k帧回波数据(如果k≤n,则从雷达接收机中读取第1,2,...,n帧回波数据),进行多帧检测前跟踪处理。
步骤5、权值更新:
令
为了表示方便,用
其中,似然概率
δx和δy的取值范围均为
当k≤n时,按下式更新粒子权值:
基于更新后的粒子权值,计算粒子权值和
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过该步骤。
步骤6、重采样:
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过该步骤。否则对权值更新后的粒子集
6.1、初始化
6.2、对于所有i=2,3,...,ns,计算
6.3、随机产生u1,其服从
6.4、令i=1,对于所有j=1,2,...,ns,执行:
如果uj>ci,则循环执行i=i+1,直至uj≤ci。然后令
重采样后的粒子集表示为
步骤7、目标状态估计和协方差估计:
对所有粒子状态
步骤8、令k=k+1,进行滑窗迭代融合。
将一次滑窗得到的批处理数据记为
将一次滑窗后的数据记为
用γ表示α和β重叠的帧标识符,对
其中,融合后的协方差矩阵
步骤9、重复步骤3-8,直到得到k=k,得到完整航迹。
通过上述步骤可以得到目标的完整航迹并且充分利用了滑窗之间的重复的量测信息。图2给出了本仿真实例中对目标航迹的恢复结果,成功提供了目标的完整航迹信息,且不存在漏检问题。图3给出了本实施例中利用本发明得到的目标位置均方根误差,是200次蒙特卡罗试验的统计结果,结果表明该方法具有较高且平稳的估计精度。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。