一种机载预警雷达多目标跟踪方法与流程

本发明涉及雷达信号处理领域，尤其涉及一种机载预警雷达多目标跟踪方法。

背景技术：

机载预警雷达因其平台升空而具有视距远、低空性能好的特点，受到军事领域的广泛关注。但因低空严重的地、海杂波以及平台运动对杂波的谱调制，目标检测处理后出现大量杂波剩余，并造成虚警，增加了雷达信号处理量测信息的不确定性，严重影响多目标跟踪性能。此外，在多目标场景下，由于新生目标的出现、暂消及其衍生过程，目标数目时刻都可能发生变化，给目标跟踪带来更大困难。在复杂杂波背景下，如何实时、有效、可靠地跟踪数目不定的多个目标，一直是学术界和工程应用领域的研究热点和难点。此外，由于预警机的姿态变化、机体遮蔽和波束盲区，特别是机载多普勒体制雷达固有的多普勒盲区(也称径向速度盲区)等各种盲区的存在，系统对目标漏检时有发生，这些问题导致目标航迹跟踪不连续，一批目标出现多个批号，零星短小航迹出现的概率增加，不仅增加了操作员的工作量，而且给指挥员的决策造成困难。

传统的多目标跟踪常采用数据关联方法，多基于随机变量建模有限、时变数量的状态变量，多目标跟踪常被分解为相互独立的子过程(如航迹起始、维持、管理、终止)处理。但由于数据关联所固有的组合特征，算法存在计算量庞大的瓶颈。

鉴于此，为克服上述技术缺陷，提供一种机载预警雷达多目标跟踪方法成为本领域亟待解决的问题。

技术实现要素：

本发明的目的在于克服现有技术的缺点，提供一种机载预警雷达多目标跟踪方法，有效处理机载预警雷达多普勒盲区存在下密集杂波多目标跟踪的问题。

为解决以上技术问题，本发明的技术方案为：一种机载预警雷达多目标跟踪方法，其不同之处在于，其步骤包括：

s1、机载雷达获取当前时刻目标和杂波的位置量测；

s2、筛选出可能对应新生目标的剩余量测，并计算得到当前时刻的均值和协方差；

s3、计算新生目标以粒子形式表示的概率密度；对每个新生目标分配唯一的航迹标签；对每个新生目标赋以初始存在概率；

s4、预测存活目标下一时刻以粒子形式表示的概率密度；对每个存活目标，继承其前一时刻的航迹标签；对每个存活目标，利用存活概率预测其存在概率；

s5、更新每个预测目标漏检时以粒子形式表示的概率密度；对每个漏检的预测目标，继承其前一时刻的航迹标签；对每个预测目标漏检情况，更新其存在概率；

s6、根据当前时刻检测到的每个量测，更新每个检测项对应的概率密度；对每个检测项，继承其前一时刻贡献最大的航迹标签；更新每个检测项的存在概率；

s7、对于下一时刻新获得的量测，重复执行上述步骤。

按以上方案，所述步骤s1中，具体步骤为：

s11、获取当前时刻极角坐标系下的斜距、方位和多普勒量测；

s12、将极角坐标系下的斜距、方位量测转换成直角坐标系下位置量测。

按以上方案，所述步骤s2中，计算得到当前时刻的均值和协方差的具体步骤为：

s21、根据当前时刻估计的多目标状态集合附近的量测对应新生目标的可能性很小的原则，筛选出可能对应新生目标的剩余量测；

s22、根据筛选出的量测计算前一时刻新生目标重要性采样分布所需的均值和协方差；

s23、对前一时刻得到的均值和协方差通过卡尔曼预测得到当前时刻的均值和协方差。

按以上方案，步骤s4中，预测存活目标下一时刻以粒子形式表示的概率密度是结合了仿真条件中的近似匀速直线运动模型。

按以上方案，步骤s5中，是利用与多普勒盲区宽度有关的最小可检测速度信息，来更新每个预测目标漏检时以粒子形式表示的概率密度。

按以上方案，步骤s5中，对每个预测目标漏检情况，是利用与多普勒盲区宽度有关的最小可检测速度信息，来更新其存在概率。

按以上方案，步骤s6中，根据当前时刻检测到的每个量测，利用与多普勒盲区宽度有关的最小可检测速度信息和多普勒量测信息，更新每个检测项对应的概率密度。

按以上方案，步骤s6中，利用与多普勒盲区宽度有关的最小可检测速度信息和多普勒量测信息，更新每个检测项的存在概率。

对比现有技术，本发明的有益特点为：

(1)能够提供机载预警雷达航迹自动起始、克服多普勒盲区导致的重启批问题的一整套多目标跟踪解决方案；

(2)能够有效改善机载预警雷达多普勒盲区存在条件下的密集杂波多目标跟踪性能；

(3)利用随机集框架下的多伯努利滤波器，包括存在概率和概率分布元素，且并入了航迹标签信息以区别不同目标的跟踪航迹；

(4)利用粒子实现，以解决机载预警雷达的量测和多普勒盲区限制的强非线性问题。

附图说明

图1为本发明实施例的实现流程框图；

图2为本发明实施例的单次跟踪结果示意图；

图3为本发明实施例中并入标签误差的最优子模式分配(ospa-l)总误差性能比较示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在下文中，将参考附图来更好地理解本发明的许多方面。附图中的部件未必按照比例绘制。替代地，重点在于清楚地说明本发明的部件。此外，在附图中的若干视图中，相同的附图标记指示相对应零件。

如本文所用的词语“示例性”或“说明性”表示用作示例、例子或说明。在本文中描述为“示例性”或“说明性”的任何实施方式未必理解为相对于其它实施方式是优选的或有利的。下文所描述的所有实施方式是示例性实施方式，提供这些示例性实施方式是为了使得本领域技术人员做出和使用本公开的实施例并且预期并不限制本公开的范围，本公开的范围由权利要求限定。在其它实施方式中，详细地描述了熟知的特征和方法以便不混淆本发明。出于本文描述的目的，术语“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”和其衍生词将与如图1定向的发明有关。而且，并无意图受到前文的技术领域、背景技术、发明内容或下文的详细描述中给出的任何明示或暗示的理论限制。还应了解在附图中示出和在下文的说明书中描述的具体装置和过程是在所附权利要求中限定的发明构思的简单示例性实施例。因此，与本文所公开的实施例相关的具体尺寸和其他物理特征不应被理解为限制性的，除非权利要求书另作明确地陈述。

参照图1，本发明具体步骤如下：

步骤1，获取k时刻极角坐标系下的jk个斜距方位和多普勒量测

步骤2，结合传感器的位置信息将极角坐标系下的斜距、方位量测转换直角坐标系下的位置量测

其中，对应的位置分量协方差为具体表达式为

式中，

步骤3，筛选出可能来自于新生目标的量测。

假设k-1时刻估计的多目标状态集合|·|表示集合元素的数量，转换后的量测集合其中，记则与之间的欧氏距离为为转换量测矩阵。当前估计状态附近的量测对应下一时刻新生目标的可能性很小，将这部分量测剔除，筛选出可能来自于新生目标的量测，具体计算过程为

forfor

ifthen

end；end

其中，距离阈值τ设置为这样被剔除的量测和以最大的概率来自k-1时刻的目标。因此，量测集合和其对应的位置量测集合可以用于计算k时刻新生目标多伯努利rfs的概率密度。

步骤4，根据筛选出的转换量测计算前一时刻新生目标重要性采样分布所需的均值和协方差。

利用和中的元素和计算新生目标多伯努利rfs的概率密度和其中，

式中，

其中，的位置分量对应的位置分量协方差pγ，p由公式(2)给出；的速度分量和速度分量协方差pγ，v计算如下。

多普勒速度量测方程为

其中，hv＝[cosak-1，sinak-1]；和分别为目标和传感器的速度分量，且多普勒速度量测噪声利用线性最小均方误差准则，可估计均值的速度分量和速度分量协方差pγ，v分别为

其中，

p11＝1-βcos²ak-1

p12＝-βsinak-1cosak-1

p22＝1-βsin²ak-1

步骤5，对前一时刻均值和协方差进行卡尔曼预测，获得当前k时刻新生目标重要性分布的均值和协方差

步骤6，根据得到的新生目标重要性分布计算新生目标以粒子形式表示的概率密度其为等权重的粒子表示，即

其中，

步骤7，对每个新生目标赋予唯一的航迹标签。利用标签索引号(k，i)可以唯一表示k时刻第i个新生目标多伯努利rfs的标签即

步骤8，对每个新生目标赋以初始存在概率。可以赋以较小的初值，如

步骤9，结合运动模型预测存活目标下一时刻以粒子形式表示的概率密度。

设k-1时刻多目标后验概率密度为其中，每个由一组加权样本组成，即则下一时刻以粒子形式表示的预测存活目标的概率密度为

其中，

步骤10，对每个存活目标，继承其前一时刻的航迹标签

步骤11，对每个存活目标，利用存活概率ps，k(·)预测其存在概率；

根据上述步骤2至步骤11，可得到k时刻预测的多目标后验概率密度为其中则更新后的多目标后验概率密度可表示为具体步骤如下。

步骤12，利用与多普勒盲区宽度有关的最小可检测速度信息，更新每个目标漏检时以粒子形式表示的概率密度

其中，

式中，其中，为目标相对传感器的多普勒速度

因而，检测概率表达式为pd，k(x)＝pd，k(1-1dbz(x))。

步骤13，对每个预测目标漏检情况，继承其前一时刻的航迹标签；

漏检部分的标签继承了预测多伯努利rfs的标签

步骤14，对每个预测目标漏检情况，利用与多普勒盲区宽度有关的最小可检测速度信息，更新其存在概率

其中，

步骤15，根据当前时刻检测到的每个量测，利用与多普勒盲区宽度有关的最小可检测速度信息和多普勒信息，更新每个检测项对应的概率密度

其中，

步骤16，对每个检测项，继承其前一时刻贡献最大的航迹标签

其中，

步骤17，利用与多普勒盲区宽度有关的最小可检测速度信息和多普勒信息，更新每个检测项的存在概率

其中，

根据上述步骤12至步骤17，可得到k时刻更新的多目标后验概率密度为

其中作为下次递归的输入。

步骤18，对于下一时刻新获得的量测，重复执行上述步骤，若跟踪过程结束，则终止程序。

本发明的效果可以通过以下仿真实验进一步说明：

仿真条件：表1给出了两目标的初始时刻、终止时刻和初始状态。传感器观测噪声标准差分别为σr＝10m、σa＝1°和σd＝0.5m/s，目标先验速度标准差为σs＝17m/s；目标假定做近似匀速直线运动。

表1两目标起止时间和初始状态

将本发明提出的方法简记为smc-cbmember-d-mdv-l-ati，图2给出了mdv＝2m/s，每帧平均50个杂波条件下的单次跟踪结果。由图2可知，本发明方法成功的跟踪了多普勒盲区下密集杂波环境中的多目标，且有效避免了航迹重启批问题，图2中针对两目标进行跟踪，上面航迹为同批号航迹，下面航迹为另一批号航迹。

将现有文献(lixingwei，weihuawu，heminsun，etal.gm-cbmember-basedmulti-targettrackinginthepresenceofdopplerblindzone[c]//ieeeinternationalconferenceoninformationfusion，2017.)方法扩展成可自动航迹起始以及传递航迹标签，并将得到的滤波器简记为gm-cbmember-d-mdv-l-ati，利用带标签误差的最优子模式分配ospa-l性能指标，比较本发明方法(smc-cbmember-d-mdv-l-ati滤波器)和gm-cbmember-d-mdv-l-ati滤波器的跟踪性能。

图3为mdv＝2m/s条件下两个滤波器500次蒙特卡洛仿真得到的平均ospa-l性能。从图可直观看出，本发明方法性能显著优于现有技术，这主要得益于：相比高斯混合(gm)实现方法，序贯蒙特卡洛实现方法更适用于非线性条件下。

本发明实施例中，基于随机有限集的多目标跟踪算法将多目标状态和多目标观测建模为随机有限集，相比传统多目标跟踪算法，无需进行复杂的数据关联，且自然并入航迹起始和终止机制，可同时估计目标数量及其状态。因此，本发明利用随机有限集框架下的多伯努利滤波器解决机载预警雷达多目标跟踪问题。利用随机集框架下的势平衡多目标多伯努利(cbmember)滤波器，考虑到机载预警雷达量测信息，特别是多普勒盲区限制的强非线性问题，充分利用斜距、方位和多普勒等量测信息，以及与多普勒盲区宽度有关的最小可检测速度(mdv)信息，根据转换后的位置量测和多普勒量测进行量测驱动自适应航迹起始，并通过引入航迹标签信息来克服重启批问题，从而实现有效处理机载预警雷达多普勒盲区存在下密集杂波多目标跟踪难题。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。