CN104199022A - 一种基于目标模态估计的临近空间高超声速目标跟踪方法 - Google Patents

Abstract

本发明提供一种基于目标模态估计的临近空间高超声速目标跟踪方法，利用交互多模型跟踪算法跟踪目标，并实时动态估计目标运动模态，通过统计目标特性判断目标运动模态；最后，根据所估计的目标运动模态转入相应的单模匹配跟踪，避免了多模型间的竞争，解决了现有临近空间高超声速跟踪算法存在计算复杂，模型竞争大导致跟踪精度低等问题。本发明具有计算量小和跟踪精度高，有效的提升了跟踪***的整体性能。

Description

一种基于目标模态估计的临近空间高超声速目标跟踪方法

技术领域

本发明属于雷达信号处理技术，特别涉及对临近空间高超声速典型运动目标的跟踪技术。

背景技术

临近空间指距离地面20～100Km高的空域，临近空间高超声速飞行器速度可达4～20马赫。目前，临近空间高超声速目标跟踪是跟踪领域的一个热点。临近空间机动目标运动的复杂性和运行环境的多变性，造成难以对此类目标建立准确跟踪模型，隐身技术的发展更加大了对临近空间高超声速目标跟踪的难度。

目前，基于交互式多模型(IMM)结构跟踪算法，是一种公认最有效临近空间高超声速目标的跟踪算法。在文献“Research of Method for Tracking High Speed and Highly ManeuveringTarget,International Conference on ITS Telecommunications Proceedings,1236-1239,2006”中，提出基于交互多模结构的跟踪算法，该算法利用多个不同机动模型交互对临近空间高超声速目标进行跟踪，相较于单模跟踪具有较广的覆盖范围，有较大的机动适应性；但该算法模型间相互竞争导致跟踪精度较差，且计算量较大。

发明内容

本发明所要解决的技术问题是，提供一种跟踪精度较高，且计算量较小的临近空间高超声速目标跟踪方法。

本发明为解决上述技术问题采用的技术方案是，一种基于目标模态估计的临近空间高超声速目标跟踪方法，包括以下步骤：

步骤1、将雷达采集到的量测数据进行目标航迹起始；

步骤2、利用交互多模跟踪IMM算法估计匀速运动模型、匀加速运动模型和拐弯运动模型所对应的下一帧目标状态、状态协方差矩阵以及相应的模型转移概率；所述目标状态包括目标位置、速度与加速度；当连续统计L帧下匀速运动模型、匀加速运动模型和拐弯运动模型对应的转移概率、目标速度和加速度后能够确定目标当前所处的运动模态，则进入步骤3，否则返回步骤2；

若在L帧时间内，匀速模型转移概率u_cv一直保持最大，速度变化量△v_k≤τ_v，加速度变化量△a_k≤τ_a，则判断目标为匀速运动阶段；

若在L帧时间内，匀加速模型转移概率u_ca一直保持最大，速度变化量△v_k≥τ_v，加速度变化量△a_k≤τ_a，则判断目标为匀速运动阶段；

若在L帧时间内，匀加速模型转移概率u_ct一直保持最大，速度变化量△v_k≥τ_v，加速度△a_k≥τ_a，则判断目标处于跳跃运动阶段；

其中，τ_v表示速度波动门限，τ_a表示加速度波动门限；

步骤3、单模匹配跟踪：

3-1确定目标运动模态后，转入单模匹配跟踪；初始化单模参数、目标初始状态；

3-2利用单模匹配跟踪算法估计下一帧目标状态；

3-3计算当前时刻k的归一化残差平方ε_v为：v_x为当前量测残差，S_x表示当前残差协方差矩阵，下标x表示与目标真实运动相匹配的运动模型，即x∈{CV,CA,CT}，CV表示匀速运动，CA表示匀加速运动，CT表示跳跃运动，(·)^T表示矩阵转置；当归一化残差平方ε_v小于等于门限τ时，认为目标运动状态不变，返回步骤3-2，当归一化残差平方ε_v大于门限τ时，认为目标运动状态发生改变，返回到步骤2。

本发明利用交互多模型跟踪算法跟踪目标，并实时动态估计目标运动模态，通过统计目标特性判断目标运动模态；最后，根据所估计的目标运动模态转入相应的单模匹配跟踪，避免了多模型间的竞争，解决了现有临近空间高超声速跟踪算法存在计算复杂，模型竞争大导致跟踪精度低等问题。

本发明的有益效果是，具有计算量小和跟踪精度高，有效的提升了跟踪***的整体性能。

附图说明

图1基于交互多模型和目标运动模态动态估计的跟踪算法流程图。

图2新跟踪算法和交互多模跟踪算法跟踪误差曲线图。

图3新跟踪算法和交互多模跟踪算法在不同检测概率下跟踪成功概率曲线。

图4新跟踪算法和交互多模跟踪算法在不同采样率下跟踪成功概率曲线。

具体实施方式

采用计算机仿真的方法进行验证本发明效果，通过MATLAB-R2010b，实施步骤如图1所示：

步骤1、雷达数据转换

被跟踪目标进入地基雷达扫描区域，雷达所采集到数据为量测数据和目标的多普勒信息(Doppler)f_d，r表示目标距离、θ表示目标方位、表示目标俯仰角。利用修正量测无偏转换法MUCMKF将极坐标系量测数据转换到直角坐标系下，得到转换后的量测数据其中分别表示转换后量测在直角坐标系下目标位置；

$x_m^u={\mathrm{\λ}}_{\mathrm{\θ}}{\mathrm{\λ}}_{\mathrm{\ϵ}}{\mathrm{\γ}}_m\cos {\mathrm{\θ}}_m\cos {\mathrm{\ϵ}}_m$

$y_m^u={\mathrm{\λ}}_{\mathrm{\θ}}{\mathrm{\λ}}_{\mathrm{\ϵ}}{\mathrm{\γ}}_m\sin {\mathrm{\θ}}_m\cos {\mathrm{\ϵ}}_m$

$z_m^u={\mathrm{\λ}}_{\mathrm{\ϵ}}{\mathrm{\γ}}_m\sin {\mathrm{\ϵ}}_m$

其中，补偿因子分别表示方位角和俯仰角度的均方差，θ_m,ε_m分别表示方位角和俯仰角。

步骤2、目标航迹起始

2.1储存3帧转换后的量测数据，第k时刻数据Z(k)＝{z₁(k),z₂(k),z₃(k),...z_m1(k)}，第k+1时刻得到的数据集为Z(k+1)＝{z₁(k+1),z₂(k+1),z₃(k+1),...z_m2(k+1)}，第k+2时刻得到的数据集为Z(k+2)＝{z₁(k+2),z₂(k+2),z₃(k+2),...z_m3(k+2)}，遍历关联连续三帧数据，利用高度约束h_min<h<h_max和速度约束v_min<v<v_max和Doppler信息f_d剔除部分杂波点迹。其中，z_i(k)表示第k时刻第i个量测，m1,m2,m3分别表示3个时刻的量测个数，h_min,h_max分别表示最低和最高飞行高度，v_min,v_max为最小和最大飞行速度。

2.2将余下的连续3帧数据投影到两个平面(x-z和y-z平面)，再将两平面数据变换到参数空间，ρ＝xcosθ+ysinθ，其中，(θ,ρ)为参数空间中的坐标，(x,y)为直角坐标系下观测数据；再利用修正霍夫Hough变换算分别对两平面量测数据进行航迹起始，对比关联两平面起始的航迹，进而确定目标航迹起始。为了尽可能抑制虚假航迹，这里优选使用修正霍夫Hough变换。本领域其它的航迹起始方法对临近空间目标航迹起始会导致虚假航迹增多，不利于目标跟踪，比如直接航迹起始、修正逻辑法。

步骤3、利用交互多模跟踪IMM算法跟踪目标

3.1目标航迹起始后，首先初始化目标状态 $X={\left[\begin{array}{ccccccccc}x& \stackrel{\&CenterDot;}{x}& \stackrel{\&CenterDot;\&CenterDot;}{x}& y& \stackrel{\&CenterDot;}{y}& \stackrel{\&CenterDot;\&CenterDot;}{y}& z& \stackrel{\&CenterDot;}{z}& \stackrel{\&CenterDot;\&CenterDot;}{z}\end{array}\right]}^{\&prime;}.$ 各模型转移概率u＝[u_cv u_ca u_ct]和各模型状态协方差矩阵P_cv,P_ca,P_ct。假设前3个时刻的量测值分别为Z(1),Z(2),Z(3)，且Z(i)＝[x(i),y(i),z(i)]^T，观察噪声协方差矩阵R；

其中，R通过量测转换方程直求得；

***状态初始化：

$X=\left[\begin{array}{c}x\left(3\right)\\ (x\left(3\right)-x\left(2\right))/T\\ ((x\left(3\right)-x\left(2\right))/T-(x\left(2\right)-x\left(1\right))/T)/T\\ y\left(3\right)\\ (y\left(3\right)-y\left(2\right))/T\\ ((y\left(3\right)-y\left(2\right))/T-(y\left(2\right)-\left(1\right))/T)/T\\ z\left(3\right)\\ (z\left(3\right)-z\left(2\right))/T\\ ((z\left(3\right)-z\left(2\right))/T-(z\left(2\right)-z\left(1\right)))\end{array}\right]$

其中， ${\left[\begin{array}{ccccccccc}x& \stackrel{\&CenterDot;}{x}& \stackrel{\&CenterDot;\&CenterDot;}{x}& y& \stackrel{\&CenterDot;}{y}& \stackrel{\&CenterDot;\&CenterDot;}{y}& z& \stackrel{\&CenterDot;}{z}& \stackrel{\&CenterDot;\&CenterDot;}{z}\end{array}\right]}^{\&prime;}$ 分别表示x轴、y轴和z轴上的位置、速度和加速度；[u_cv,u_ca,u_ct],[P_cv,P_ca,P_ct]分别为匀速模型、匀加速模型和拐弯模型所对应的模型概率和状态协方差矩阵，且u_cv+u_ca+u_ct＝1；

3.2利用交互多模型跟踪算法，预测匀速运动CV模型、匀加速运动CA模型和拐弯运动CT模型所对应的下一帧目标状态分别为相应的状态协方差矩阵为

3.3利用预测值估计各个模型所对应的目标状态目标状态协方差矩阵以及更新各模型的转移概率

各模型状态更新：

各模型状态协方差更新：

估计各个模型的转移概率：

$C_j=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{u}_i(k-1)$

${\mathrm{\&Lambda;}}^x=\frac{1}{\sqrt{2\mathrm{\&pi;}\left|S_x\right|}}{e}^{-\frac{1}{2}{v}_x^T{S}_x^{-1}{v}_x}$

$c=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&Lambda;}}_j{C}_j$

${\hat{u}}_x=\frac{1}{c}{\mathrm{\&Lambda;}}^x{C}_x$

其中，N表示交互模型个数，u_i(k-1)表示上一帧模型i的转移概率，p为已知的模型转移概率矩阵，K_i、v_i和S_i分别表示模型i对应的卡尔曼滤波器的增益、残差和残差协方差矩阵，且下标i∈{CV,CA,CT}；

3.4根据模型转移概率 $u=\left[\begin{array}{ccc}{\hat{u}}_{\mathrm{cv}}& {\hat{u}}_{\mathrm{ca}}& {\hat{u}}_{\mathrm{ct}}\end{array}\right]$ 和各模型所估计目标状态交互输出估计目标状态X。

$X={\hat{X}}_{\mathrm{cv}}\&CenterDot;{\hat{u}}_{\mathrm{cv}}+{\hat{X}}_{\mathrm{ca}}\&CenterDot;{\hat{u}}_{\mathrm{ca}}+{\hat{X}}_{\mathrm{ct}}\&CenterDot;{\hat{u}}_{\mathrm{ct}}$

步骤4、目标运动模态估计

在利用交互多模跟踪算法跟踪目标的同时，假设第k时刻的模型转移概率和目标状态分别为u(k)＝[u_cv(k) u_ca(k) u_ct(k)]和 ${\hat{X}}_k={\left[\begin{array}{ccccccccc}x& \stackrel{\&CenterDot;}{x}& \stackrel{\&CenterDot;\&CenterDot;}{x}& y& \stackrel{\&CenterDot;}{y}& \stackrel{\&CenterDot;\&CenterDot;}{y}& z& \stackrel{\&CenterDot;}{z}& \stackrel{\&CenterDot;\&CenterDot;}{z}\end{array}\right]}^{\&prime;},$ 速度和加速度分别为v_k,a_k；统计连续L帧模型转移概率u、目标速度和加速度信息，在L帧时间内对目标运动特性的统计，判断目标当前所处的运动模态：

目标运动模态识别方法：

若在L帧时间内，匀速模型概率u_cv一直保持最大，速度变化量△v_k≤τ_v，加速度变化量△a_k≤τ_a，则判断目标为匀速运动阶段。

若在L帧时间内，匀加速模型概率u_ca一直保持最大，速度变化量△v_k≥τ_v，加速度变化量△a_k≤τ_a，则判断目标为匀速运动阶段。

若在L帧时间内，匀加速模型概率u_ct一直保持最大，速度变化量△v_k≥τ_v，加速度△a_k≥τ_a，则判断目标处于跳跃运动阶段。

其中，τ_v表示速度波动门限，τ_a表示加速度波动门限。

步骤5、单模匹配跟踪算法

5.1确定目标运动模态后，转入单模匹配跟踪；初始化单模参数，目标初始状态 $X={\left[\begin{array}{ccccccccc}x& \stackrel{\&CenterDot;}{x}& \stackrel{\&CenterDot;\&CenterDot;}{x}& y& \stackrel{\&CenterDot;}{y}& \stackrel{\&CenterDot;\&CenterDot;}{y}& z& \stackrel{\&CenterDot;}{z}& \stackrel{\&CenterDot;\&CenterDot;}{z}\end{array}\right]}^{\&prime;}$ 和目标转移概率矩阵P_o。

5.2利用单模匹配跟踪算法预测目标下一帧状态和相应的误差协方差矩阵

其中，下标x表示与目标真实运动相匹配的运动模型，即x∈{CV,CA,CT}。CV表示匀速运动；CA表示匀加速运动；CT表示拐弯运动。

5.3利用预测值估计目标状态和相应的状态协方差矩阵：

其中，K_x为卡尔曼滤波器增益，v_x为量测残差，S_x表示残差协方差矩阵。

5.4对目标每一时刻所估计状态的残差和残差协方差进行评估，第k时刻归一化残差平方为：

${\mathrm{\&epsiv;}}_v={v_x}^T\left(k\right)S_x^{-1}\left(k\right)v_x\left(k\right)$

其中，ε_v服从具有自由度为n_z的χ²分布，n_z表示量测维数。

当ε_v超过门限τ时，认为目标运动状态发生改变，返回到步骤3。

仿真结果如图2、图3、图4所示，本发明跟踪算法和现有IMM算法跟踪相比，计算量更小和跟踪精度更高，在不同检测概率下跟踪成功概率更高，在不同采样率下跟踪成功概率更高，使跟踪整体得到性能提升。

Claims (2)

1.一种基于目标模态估计的临近空间高超声速目标跟踪方法，其特征在于，包括以下步骤：

步骤1、将雷达采集到的量测数据进行目标航迹起始；

步骤2、利用交互多模跟踪IMM算法估计匀速运动模型、匀加速运动模型和拐弯运动模型所对应的下一帧的模型转移概率以及目标状态；所述目标状态包括目标位置、速度与加速度；当连续统计L帧下匀速运动模型、匀加速运动模型和拐弯运动模型对应的转移概率、目标速度和加速度后能够确定目标当前所处的运动模态，则进入步骤3，否则返回步骤2；

若在L帧时间内，匀速模型转移概率u_cv一直保持最大，速度变化量△v_k≤τ_v，加速度变化量△a_k≤τ_a，则判断目标为匀速运动阶段；

若在L帧时间内，匀加速模型转移概率u_ca一直保持最大，速度变化量△v_k≥τ_v，加速度变化量△a_k≤τ_a，则判断目标为匀速运动阶段；

若在L帧时间内，拐弯模型转移概率u_ct一直保持最大，速度变化量△v_k≥τ_v，加速度△a_k≥τ_a，则判断目标处于跳跃运动阶段；

其中，τ_v表示速度波动门限，τ_a表示加速度波动门限；

步骤3、单模匹配跟踪：

3-1确定目标运动模态后，转入单模匹配跟踪；初始化单模参数、目标初始状态；

3-2利用单模匹配跟踪算法预测下一帧目标状态；

3-3计算当前时刻k的归一化残差平方ε_v为：v_x为当前量测残差，S_x表示当前残差协方差矩阵，下标x表示与目标真实运动相匹配的运动模型，即x∈{CV,CA,CT}，CV表示匀速运动，CA表示匀加速运动，CT表示跳跃运动，(·)^T表示矩阵转置；当归一化残差平方ε_v小于等于门限τ时，认为目标运动状态不变，返回步骤3-2，当归一化残差平方ε_v大于门限τ时，认为目标运动状态发生改变，返回到步骤2。

2.如权利要求1所述一种基于目标模态估计的临近空间高超声速目标跟踪方法，其特征在于，利用交互多模跟踪IMM算法估计匀速运动模型、匀加速运动模型和拐弯运动模型所对应的下一帧的目标状态的具体方法为：利用交互多模跟踪IMM算法得到下一帧匀速运动模型、匀加速运动模型以及拐弯运动模型下目标预测状态值以及对应的状态协方差矩阵然后更新各模型对应的目标状态和相应的协方差矩阵再估计各个模型转移概率矩阵最后输出目标估计状态X：

单模匹配跟踪算法估计下一帧目标状态的具体方法为：利用单模匹配跟踪算法得到下一帧目标预测状态值和状态协方差矩阵再更新目标状态和状态协方差矩阵 K_x、v_x和S_x分别表示模型x对应的卡尔曼滤波器的增益、残差和残差协方差矩阵，且下标x∈{CV,CA,CT}。