CN111948657A - 一种基于多模粒子滤波的机动弱目标检测前跟踪方法 - Google Patents
一种基于多模粒子滤波的机动弱目标检测前跟踪方法 Download PDFInfo
- Publication number
- CN111948657A CN111948657A CN202010738626.8A CN202010738626A CN111948657A CN 111948657 A CN111948657 A CN 111948657A CN 202010738626 A CN202010738626 A CN 202010738626A CN 111948657 A CN111948657 A CN 111948657A
- Authority
- CN
- China
- Prior art keywords
- target
- state
- particle
- tracking
- following formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 106
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明是一种基于多模粒子滤波的机动弱目标检测前跟踪方法。本发明属于水下目标跟踪技术领域,进行参数初始化处理,确定被动声纳阵列的接收信号;根据被动声纳阵列的接收信号,采用宽带常规波束形成算法处理得到空间谱,将空间谱作为量测数据;根据量测数据,噪声均衡判断当前时刻可疑目标;根据量测数据,进行目标状态空间分区;根据目标状态空间分区结果,采样每个目标每个粒子状态,并计算权值;对同一目标的粒子单独进行重采样;根据采样结果,估计目标的状态;当目标持续时间超过联合观测帧数时,则对目标进行联合判决,并删除没有通过判决的目标信息。本发明实现多个机动目标的实时跟踪,实现被动声纳场景下的机动弱目标的检测和跟踪。
Description
技术领域
本发明涉及水下目标跟踪技术领域,是一种基于多模粒子滤波的机动弱目标检测前跟踪方法。
背景技术
由于被动声纳自身特性,接收信号往往具有低信噪比的特点,传统的先检测再跟踪技术大多以过门限点迹方位作为量测信息,但门限处理在低信噪比情况下容易造成目标被漏检,因此低信噪比跟踪效果较差。此外,对于非合作目标,其运动状态可能随时根据作战任务而改变,具有一定的机动性,进一步增大了被动声纳检测和跟踪的难度。因此,实现被动声纳对低信噪比机动目标的有效检测和跟踪,对提高被动声纳作战效能和生存能力具有重要意义。
基于多模粒子滤波的机动弱目标检测前跟踪方法可有效实现低信噪比场景下的机动目标的检测和跟踪,但目前相关研究大多基于雷达***,并且局限于单目标场景中,而在多目标场景中,不同目标相互干扰严重,特别是当目标新生粒子采样到其它目标附近时,产生携带错误目标信息,且权值较大的粒子,对跟踪结果影响很大。
发明内容
本发明为解决被动声纳场景下低信噪比机动目标的跟踪问题,通过限制新生粒子状态空间,减弱采样时目标干扰的问题,实现被动声纳场景下多个低信噪比机动目标的有效检测和跟踪,本发明提供了一种基于多模粒子滤波的机动弱目标检测前跟踪方法,本发明提供了以下技术方案:
一种基于多模粒子滤波的机动弱目标检测前跟踪方法,包括以下步骤:
步骤1:进行参数初始化处理,确定被动声纳阵列的接收信号;
步骤2:根据被动声纳阵列的接收信号,采用宽带常规波束形成算法处理得到空间谱,将空间谱作为量测数据;
步骤3:根据量测数据,噪声均衡判断当前时刻可疑目标;
步骤4:根据量测数据,进行目标状态空间分区;
步骤5:根据目标状态空间分区结果,采样每个目标每个粒子状态,并确定权值;
步骤6:对同一目标的粒子单独进行重采样;
步骤7:根据采样结果,估计目标的状态;
步骤8:当目标持续时间超过联合观测帧数时,则对目标进行联合判决,并删除没有通过判决的目标信息;
步骤9:重复步骤2到8进行实时跟踪。
优选地,所述步骤1具体为:当仿真场景目标数为T时,通过下式表示目标的初始状态X0:
X0=[x1,x2,…,xT]
被动声纳阵型为均匀线阵列,对阵列模型进行初始化,包括阵元M、阵元间距d,对被动声纳阵列的接收信号进行初始化,包括采样频率fs、信号频带fband,通过下式表示被动声纳阵列的接收信号y(t):
y(t)=[y1(t),y2(t),…,yM(t)]T
其中,ym(t)表示阵元m的接收信号,m=1,2,…,M。
优选地,所述步骤2具体为:利用宽带常规波束形成算法处理被动声纳阵列的接收信号,将得到的空间谱作为量测数据Z=[z1,z2,…,zB],并将整个观测范围划分为[θ1,θ2,…,θB],zb为方位θb对应的空间谱能量幅值,其中b=1,2,…,B。
优选地,所述步骤3具体为:设定一个方位门限Λθ,当k时刻可疑目标与k-1时刻已存在目标的预测方位之差的绝对值小于方位门限Λθ时,判断为已存在目标,否则判断为新生目标,预测方位通过式计算,噪声均衡方法如下:
当某时刻空间谱量测为z={z(1),z(2),…,z(B)},分别对应[θ1,θ1,…,θB]的空间谱幅值,对于角度θi的量测z(i),选取一个窗长为2K+1的数据窗,窗内数据为:
{z(i-K),z(i-K+1),…,z(i),…,z(i+K-1),z(i+K)},将窗内数据从小到大排序:{v(1),v(2),…v(2K+1)},对要处理的量测值z(i)进行中值滤波,通过下式表示中值滤波后的量测值:
其中,z0(i)为滤波后,角度θi的量测值,Λz为门限值,通过下式计算门限值:
其中,α为门限调节参数,通过下式表示可疑目标存在序列:
其中,E(i)=1表示角度θi有可疑目标,E(i)=0表示角度θi无可疑目标。
优选地,所述步骤4具体为:
A=[10000]
优选地,所述步骤5具体为:
步骤5.1:根据目标j,j=1,2,…,Tk,Tk为当前时刻可疑目标个数,令j=1,当前时刻k是目标j新生时刻,则进行新生粒子状态的初始化,通过下式表示状态初始化过程:
令i=1,通过下式表示粒子方位初始化:
其中,rand表示产生一个[0,1]区间上的随机数;
进行粒子角速度初始化,通过下式表示粒子角速度初始化:
进行粒子角加速度初始化,通过下式表示粒子角加速度初始化:
根据目标初始出生概率U0进行目标存在状态变量初始化,通过下式表示目标存在状态变量初始化:
根据目标初始运动模型概率进行目标运动模型变量初始化,通过下式表示目标运动模型变量初始化:
计算粒子权值,通过下式表示粒子权值:
其中,目标和杂波的似然函数模型是通过对量测样本拟合得到,通过对不同空间谱能量幅值和所对应的似然模型参数进行拟合,得到似然函数模型参数关于空间谱能量幅值的函数,利用关于空间谱能量幅值的函数根据空间谱能量幅值调整似然函数模型参数,区分一定能量幅值范围内的目标空间谱和杂波空间谱;
令i=i+1,当i≤N,重新进行粒子状态初始化;
对当前时刻所有的粒子分两种情况考虑,当粒子为新生粒子,则重新进行粒子状态初始化;当粒子为持续存在的粒子则通过Πm和前一时刻粒子运动模型变量获取当前时刻粒子运动模型变量根据Πm设置的初始转移概率和保持当前状态的概率随机选择保持当前运动模型,并根据对应的运动方程预测当前时刻粒子状态,当模型为匀角速度运动模型,通过下式表示匀角速度运动模型的状态转移矩阵为:
当模型为匀角加速度运动模型,通过下式表示匀角加速度运动模型的状态转移矩阵为:
其中,vk为过程噪声,噪声协方差矩阵为Q;
计算粒子权值;令i=i+1,当i≤N,则重新进行粒子状态的预测。
优选地,所述步骤8具体为:
从目标起始至当前时刻,当超过联合观测帧数Nb时,则利用联合似然比对目标进行判决,通过下式表示判决过程:
其中,Λl表示似然比判决门限,Ek=1代表目标存在,Ek=0代表目标不存在,E1和E0分别表示可疑目标为真实目标和杂波的假设,即超过门限判定为目标存在,否则判定为不存在,并删除没有通过判决的目标信息;
当j<Tk,令j=j+1,并返回步骤5。
优选地,所述联合观测帧数设置3-4帧。
本发明具有以下有益效果:
本发明直接利用空间谱作为算法的量测,可充分利用数据信息。由于实际中被动声纳目标信噪比未知,因此拟合获得似然函数参数和空间谱能量幅值的函数,根据空间谱能量幅值调整似然函数模型参数使其可区分一定能量幅值范围内的目标空间谱和杂波空间谱,然后配合多模粒子滤波算法实现机动目标的跟踪,并提出状态空间分区采样方法,减弱采样到其它目标附近对跟踪结果的影响,实现多个机动目标的实时跟踪,最后通过联合似然比实现目标的起始和终止,使得算法可以在目标数目未知的情况下,实现被动声纳场景下的机动弱目标的检测和跟踪。
附图说明
图1为基于多模粒子滤波的机动弱目标检测前跟踪方法流程图;
图2为目标与基阵的运动态势图;
图3为跟踪结果图;
图4为传统跟踪方法跟踪结果图;
图5为在蒙特卡罗次数100次的条件下,不同时刻估计目标数目曲线图;
图6为在不同接收信号信噪比条件下,本方法与传统跟踪方法的检测率对比图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
根据图1所示,本发明提供一种基于多模粒子滤波的机动弱目标检测前跟踪方法,具体为:
一种基于多模粒子滤波的机动弱目标检测前跟踪方法,包括以下步骤:
步骤1:进行参数初始化处理,确定被动声纳阵列的接收信号;
所述步骤1具体为:当仿真场景目标数为T时,通过下式表示目标的初始状态X0:
X0=[x1,x2,…,xT]
被动声纳阵型为均匀线阵列,对阵列模型进行初始化,包括阵元M、阵元间距d,对被动声纳阵列的接收信号进行初始化,包括采样频率fs、信号频带fband,通过下式表示被动声纳阵列的接收信号y(t):
y(t)=[y1(t),y2(t),…,yM(t)]T
其中,ym(t)表示阵元m的接收信号,m=1,2,…,M。
步骤2:根据被动声纳阵列的接收信号,采用宽带常规波束形成算法处理得到空间谱,将空间谱作为量测数据;
所述步骤2具体为:利用宽带常规波束形成算法处理被动声纳阵列的接收信号,将得到的空间谱作为量测数据Z=[z1,z2,…,zB],并将整个观测范围划分为[θ1,θ2,…,θB],zb为方位θb对应的空间谱能量幅值,其中b=1,2,…,B。
步骤3:根据量测数据,噪声均衡判断当前时刻可疑目标;
所述步骤3具体为:设定一个方位门限Λθ,当k时刻可疑目标与k-1时刻已存在目标的预测方位之差的绝对值小于方位门限Λθ时,判断为已存在目标,否则判断为新生目标,预测方位通过式计算,噪声均衡方法如下:
当某时刻空间谱量测为z={z(1),z(2),…,z(B)},分别对应[θ1,θ1,…,θB]的空间谱幅值,对于角度θi的量测z(i),选取一个窗长为2K+1的数据窗,窗内数据为:
{z(i-K),z(i-K+1),…,z(i),…,z(i+K-1),z(i+K)},将窗内数据从小到大排序:{v(1),v(2),…v(2K+1)},对要处理的量测值z(i)进行中值滤波,通过下式表示中值滤波后的量测值:
其中,z0(i)为滤波后,角度θi的量测值,Λz为门限值,通过下式计算门限值:
其中,α为门限调节参数,通过下式表示可疑目标存在序列:
其中,E(i)=1表示角度θi有可疑目标,E(i)=0表示角度θi无可疑目标。
步骤4:根据量测数据,进行目标状态空间分区;
所述步骤4具体为:
A=[10000]
步骤4.2:以预测方位和噪声均衡筛选后的空间谱峰值信息以及目标j历史多帧幅值信息作为先验信息,实现空间谱峰值与目标相互关联,限制k时刻目标新生粒子方位的状态空间,通过下式表示在空间谱峰值附近的状态空间
步骤5:根据目标状态空间分区结果,采样每个目标每个粒子状态,并确定权值;
所述步骤5具体为:
步骤5.1:根据目标j,j=1,2,…,Tk,Tk为当前时刻可疑目标个数,令j=1,当前时刻k是目标j新生时刻,则进行新生粒子状态的初始化,通过下式表示状态初始化过程:
令i=1,通过下式表示粒子方位初始化:
其中,rand表示产生一个[0,1]区间上的随机数;
进行粒子角速度初始化,通过下式表示粒子角速度初始化:
进行粒子角加速度初始化,通过下式表示粒子角加速度初始化:
根据目标初始出生概率U0进行目标存在状态变量初始化,通过下式表示目标存在状态变量初始化:
根据目标初始运动模型概率进行目标运动模型变量初始化,通过下式表示目标运动模型变量初始化:
计算粒子权值,通过下式表示粒子权值:
其中,目标和杂波的似然函数模型是通过对量测样本拟合得到,通过对不同空间谱能量幅值和所对应的似然模型参数进行拟合,得到似然函数模型参数关于空间谱能量幅值的函数,利用关于空间谱能量幅值的函数根据空间谱能量幅值调整似然函数模型参数,区分一定能量幅值范围内的目标空间谱和杂波空间谱;
令i=i+1,当i≤N,重新进行粒子状态初始化;
对当前时刻所有的粒子分两种情况考虑,当粒子为新生粒子,则重新进行粒子状态初始化;当粒子为持续存在的粒子则通过Πm和前一时刻粒子运动模型变量获取当前时刻粒子运动模型变量根据Πm设置的初始转移概率和保持当前状态的概率随机选择保持当前运动模型或转移至其它运动模型,并根据对应的运动方程预测当前时刻粒子状态,当模型为匀角速度运动模型,通过下式表示匀角速度运动模型的状态转移矩阵为:
当模型为匀角加速度运动模型,通过下式表示匀角加速度运动模型的状态转移矩阵为:
其中,vk为过程噪声,噪声协方差矩阵为Q;
计算粒子权值;令i=i+1,当i≤N,则重新进行粒子状态的预测。
步骤6:对同一目标的粒子单独进行重采样;
步骤7:根据采样结果,估计目标的状态;
步骤8:当目标持续时间超过联合观测帧数时,则对目标进行联合判决,并删除没有通过判决的目标信息;
所述步骤8具体为:
从目标起始至当前时刻,当超过联合观测帧数Nb时,则利用联合似然比对目标进行判决,通过下式表示判决过程:
其中,Λl表示似然比判决门限,Ek=1代表目标存在,Ek=0代表目标不存在,E1和E0分别表示可疑目标为真实目标和杂波的假设,即超过门限判定为目标存在,否则判定为不存在,并删除没有通过判决的目标信息;
当j<Tk,令j=j+1,并返回步骤5。
设置联合观测帧数Nb的目的是减弱某时刻强度较大的杂波造成的虚警或目标强度变低造成的漏检的影响,但联合观测帧数太长也会令算法变得迟钝,一般设置3-4帧即可,所述联合观测帧数设置3-4帧。
步骤9:重复步骤2到8进行实时跟踪。
具体实施例二:
首先构造目标和基阵的运动轨迹,基阵和目标运动轨迹如图2所示,基阵做匀速直线运动;目标一9-14秒作匀角速度转弯运动,接着15-22秒作匀角加速度转弯运动,最后23-42秒作匀角速度转弯运动,随后消失,初始角速度ω1=2°/s,角加速度a1=0.2°/s2;目标二3-9秒作匀角速度转弯运动,接着10-17秒作匀角加速度转弯运动,最后18-28秒作匀角速度转弯运动,随后消失,初始角速度ω2=-1°/s,角加速度a2=-0.3°/s2;目标三5-7秒作匀角速度转弯运动,接着8-15秒作匀角加速度转弯运动,最后16-25秒作匀角速度转弯运动,随后消失,初始角速度ω3=2.1°/s,角加速度a3=0.05°/s2;目标四11-19秒作匀角速度转弯运动,接着20-25秒作匀角加速度转弯运动,最后26-45秒作匀角速度转弯运动,随后消失,初始角速度ω4=0°/s,角加速度a4=0.1°/s2;目标五11-25秒作匀角速度转弯运动,接着26-30秒作匀角加速度转弯运动,最后31-43秒作匀角速度转弯运动,随后消失,初始角速度ω5=-2°/s,角加速度a5=-1°/s2;整个观测时长K=50秒;观测周期dt=1秒;粒子数N=500;目标联合观测帧数Nb=4秒;目标方位最大值θmax=180°,最小值θmin=0°;角速度最大值ωmax=5°/s,最小值ωmin=-5°/s;角加速度最大值amax=3°/s2,最小值amin=-3°/s2;粒子出生概率U0=0.2;目标初始运动模型概率目标存在状态概率转移矩阵Πe=[0.8,0.2;0.2,0.8];目标运动模型概率转移矩阵Πm=[0.8,0.2;0.2,0.8];空间谱量测值所对应方位为0.5°,1°,…180°;阵元数M=40;目标接收信号信噪比SNR=-23dB;
最后分别给出了本方法和传统跟踪算法在上述条件下的跟踪结果,分别如图3和图4所示,可以看出,本方法可实现低信噪比条件下的机动目标跟踪,并且航迹完整;传统跟踪方法对机动性较弱的目标(目标1,3,4)可以实现跟踪,主要因为运动方程存在过程噪声,通过增大过程噪声,可以使粒子云更加发散,令部分粒子采样到真实目标附近,但对机动性较强的目标(目标2,5),无法实现有效跟踪,并且由于信噪比较低,门限检测容易造成目标被漏检,从而造成部分航迹缺失。图5给出了本方法在蒙特卡罗100次条件下的估计目标数目曲线。图6给出了不同接收信号信噪比条件下,本方法与传统跟踪方法的检测率对比情况,可以看出本方法具有更好的性能。
综上分析,该发明可以在目标数目未知的情况下,实现被动声纳场景下机动弱目标的检测和跟踪,且具有较好的跟踪性能。
以上所述仅是一种基于多模粒子滤波的机动弱目标检测前跟踪方法的优选实施方式,一种基于多模粒子滤波的机动弱目标检测前跟踪方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (9)
1.一种基于多模粒子滤波的机动弱目标检测前跟踪方法,其特征是:包括以下步骤:
步骤1:进行参数初始化处理,确定被动声纳阵列的接收信号;
步骤2:根据被动声纳阵列的接收信号,采用宽带常规波束形成算法处理得到空间谱,将空间谱作为量测数据;
步骤3:根据量测数据,噪声均衡判断当前时刻可疑目标;
步骤4:根据量测数据,进行目标状态空间分区;
步骤5:根据目标状态空间分区结果,采样每个目标每个粒子状态,并确定权值;
步骤6:对同一目标的粒子单独进行重采样;
步骤7:根据采样结果,估计目标的状态;
步骤8:当目标持续时间超过联合观测帧数时,则对目标进行联合判决,并删除没有通过判决的目标信息;
步骤9:重复步骤2到8进行实时跟踪。
2.根据权利要求1所述的一种基于多模粒子滤波的机动弱目标检测前跟踪方法,其特征是:所述步骤1具体为:当仿真场景目标数为T时,通过下式表示目标的初始状态X0:
X0=[x1,x2,…,xT]
被动声纳阵型为均匀线阵列,对阵列模型进行初始化,包括阵元M、阵元间距d,对被动声纳阵列的接收信号进行初始化,包括采样频率fs、信号频带fband,通过下式表示被动声纳阵列的接收信号y(t):
y(t)=[y1(t),y2(t),…,yM(t)]T
其中,ym(t)表示阵元m的接收信号,m=1,2,…,M。
3.根据权利要求1所述的一种基于多模粒子滤波的机动弱目标检测前跟踪方法,其特征是:所述步骤2具体为:利用宽带常规波束形成算法处理被动声纳阵列的接收信号,将得到的空间谱作为量测数据Z=[z1,z2,…,zB],并将整个观测范围划分为[θ1,θ2,…,θB],zb为方位θb对应的空间谱能量幅值,其中b=1,2,…,B。
4.根据权利要求1所述的一种基于多模粒子滤波的机动弱目标检测前跟踪方法,其特征是:所述步骤3具体为:设定一个方位门限Λθ,当k时刻可疑目标与k-1时刻已存在目标的预测方位之差的绝对值小于方位门限Λθ时,判断为已存在目标,否则判断为新生目标,预测方位通过式计算,噪声均衡方法如下:
当某时刻空间谱量测为z={z(1),z(2),…,z(B)},分别对应[θ1,θ1,…,θB]的空间谱幅值,对于角度θi的量测z(i),选取一个窗长为2K+1的数据窗,窗内数据为:
{z(i-K),z(i-K+1),…,z(i),…,z(i+K-1),z(i+K)},将窗内数据从小到大排序:{v(1),v(2),…v(2K+1)},对要处理的量测值z(i)进行中值滤波,通过下式表示中值滤波后的量测值:
其中,z0(i)为滤波后,角度θi的量测值,Λz为门限值,通过下式计算门限值:
其中,α为门限调节参数,通过下式表示可疑目标存在序列:
其中,E(i)=1表示角度θi有可疑目标,E(i)=0表示角度θi无可疑目标。
5.根据权利要求1所述的一种基于多模粒子滤波的机动弱目标检测前跟踪方法,其特征是:所述步骤4具体为:
A=[1 0 0 0 0]
6.根据权利要求1所述的一种基于多模粒子滤波的机动弱目标检测前跟踪方法,其特征是:所述步骤5具体为:
步骤5.1:根据目标j,j=1,2,…,Tk,Tk为当前时刻可疑目标个数,令j=1,当前时刻k是目标j新生时刻,则进行新生粒子状态的初始化,通过下式表示状态初始化过程:
令i=1,通过下式表示粒子方位初始化:
其中,rand表示产生一个[0,1]区间上的随机数;
进行粒子角速度初始化,通过下式表示粒子角速度初始化:
进行粒子角加速度初始化,通过下式表示粒子角加速度初始化:
根据目标初始出生概率U0进行目标存在状态变量初始化,通过下式表示目标存在状态变量初始化:
根据目标初始运动模型概率进行目标运动模型变量初始化,通过下式表示目标运动模型变量初始化:
计算粒子权值,通过下式表示粒子权值:
其中,目标和杂波的似然函数模型是通过对量测样本拟合得到,通过对不同空间谱能量幅值和所对应的似然模型参数进行拟合,得到似然函数模型参数关于空间谱能量幅值的函数,利用关于空间谱能量幅值的函数根据空间谱能量幅值调整似然函数模型参数,区分一定能量幅值范围内的目标空间谱和杂波空间谱;
令i=i+1,当i≤N,重新进行粒子状态初始化;
对当前时刻所有的粒子分两种情况考虑,当粒子为新生粒子,则重新进行粒子状态初始化;当粒子为持续存在的粒子则通过Πm和前一时刻粒子运动模型变量获取当前时刻粒子运动模型变量根据Πm设置的初始转移概率和保持当前状态的概率随机选择保持当前运动模型,并根据对应的运动方程预测当前时刻粒子状态,当模型为匀角速度运动模型,通过下式表示匀角速度运动模型的状态转移矩阵为:
当模型为匀角加速度运动模型,通过下式表示匀角加速度运动模型的状态转移矩阵为:
其中,vk为过程噪声,噪声协方差矩阵为Q;
计算粒子权值;令i=i+1,当i≤N,则重新进行粒子状态的预测。
9.根据权利要求8所述的一种基于多模粒子滤波的机动弱目标检测前跟踪方法,其特征是:所述联合观测帧数设置3-4帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738626.8A CN111948657B (zh) | 2020-07-28 | 2020-07-28 | 一种基于多模粒子滤波的机动弱目标检测前跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738626.8A CN111948657B (zh) | 2020-07-28 | 2020-07-28 | 一种基于多模粒子滤波的机动弱目标检测前跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111948657A true CN111948657A (zh) | 2020-11-17 |
CN111948657B CN111948657B (zh) | 2022-08-19 |
Family
ID=73338346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738626.8A Active CN111948657B (zh) | 2020-07-28 | 2020-07-28 | 一种基于多模粒子滤波的机动弱目标检测前跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948657B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630783A (zh) * | 2020-11-26 | 2021-04-09 | 海鹰企业集团有限责任公司 | 一种被动声呐目标跟踪方法 |
CN113281729A (zh) * | 2021-05-31 | 2021-08-20 | 中国科学院声学研究所 | 一种基于多帧空间谱联合处理的目标自动检测方法及*** |
CN113534164A (zh) * | 2021-05-24 | 2021-10-22 | 中船海洋探测技术研究院有限公司 | 一种基于主被动联合声纳阵列的目标路径跟踪方法 |
CN115236590A (zh) * | 2022-05-10 | 2022-10-25 | 南京航空航天大学 | 一种被动多监测站粒子滤波直接定位跟踪方法 |
CN115616602A (zh) * | 2022-10-14 | 2023-01-17 | 哈尔滨工程大学 | 基于被动声纳纯方位定位检测前跟踪算法的观测者最优机动策略 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820993A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 |
CN107202989A (zh) * | 2017-05-08 | 2017-09-26 | 电子科技大学 | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 |
WO2019071003A1 (en) * | 2017-10-06 | 2019-04-11 | Airmar Technology Corporation | SONAR ORIENTED TO THE BACK |
CN110187335A (zh) * | 2019-06-25 | 2019-08-30 | 电子科技大学 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
-
2020
- 2020-07-28 CN CN202010738626.8A patent/CN111948657B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820993A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 |
CN107202989A (zh) * | 2017-05-08 | 2017-09-26 | 电子科技大学 | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 |
WO2019071003A1 (en) * | 2017-10-06 | 2019-04-11 | Airmar Technology Corporation | SONAR ORIENTED TO THE BACK |
CN110187335A (zh) * | 2019-06-25 | 2019-08-30 | 电子科技大学 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
Non-Patent Citations (4)
Title |
---|
WEN CHEN等: "Joint Algorithm Based on Interference Suppression and Kalman Filter for Bearing-Only Weak Target Robust Tracking", 《IEEE ACCESS》 * |
徐璐霄: "基于被动阵列的水声弱目标检测前跟踪算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
胡秀华等: "一种新的可变数目机动目标联合检测与跟踪算法", 《中南大学学报(自然科学版)》 * |
苗媛媛等: "基于粒子滤波的弱目标检测前跟踪算法", 《计算机***应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630783A (zh) * | 2020-11-26 | 2021-04-09 | 海鹰企业集团有限责任公司 | 一种被动声呐目标跟踪方法 |
CN113534164A (zh) * | 2021-05-24 | 2021-10-22 | 中船海洋探测技术研究院有限公司 | 一种基于主被动联合声纳阵列的目标路径跟踪方法 |
CN113534164B (zh) * | 2021-05-24 | 2023-12-12 | 中船海洋探测技术研究院有限公司 | 一种基于主被动联合声纳阵列的目标路径跟踪方法 |
CN113281729A (zh) * | 2021-05-31 | 2021-08-20 | 中国科学院声学研究所 | 一种基于多帧空间谱联合处理的目标自动检测方法及*** |
CN115236590A (zh) * | 2022-05-10 | 2022-10-25 | 南京航空航天大学 | 一种被动多监测站粒子滤波直接定位跟踪方法 |
CN115616602A (zh) * | 2022-10-14 | 2023-01-17 | 哈尔滨工程大学 | 基于被动声纳纯方位定位检测前跟踪算法的观测者最优机动策略 |
CN115616602B (zh) * | 2022-10-14 | 2023-08-18 | 哈尔滨工程大学 | 基于被动声纳纯方位定位检测前跟踪算法的观测者最优机动策略的航向确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111948657B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111948657B (zh) | 一种基于多模粒子滤波的机动弱目标检测前跟踪方法 | |
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
CN105022057B (zh) | 基于改进Radon变换与多帧联合处理的目标检测方法 | |
CN109188385B (zh) | 杂波背景下的高速微弱目标检测方法 | |
CN107450055B (zh) | 基于离散线性调频傅立叶变换的高速机动目标检测方法 | |
CN1643398A (zh) | 用于雷达检测的自适应***和方法 | |
CN109324315B (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
CN109298414B (zh) | 雷达多运动目标实时跟踪方法 | |
CN107607916B (zh) | 一种抗自卫式速度距离联合欺骗干扰方法 | |
KR100852934B1 (ko) | 부엽제거기를 개선한 잡음 재밍신호 탐지 시스템 및 방법 | |
CN109239703B (zh) | 运动目标实时跟踪方法 | |
CN111007471B (zh) | 一种判定有源压制干扰在仿真环境中干扰效果的方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN111796266B (zh) | 一种匀加速运动目标rd平面检测前跟踪方法 | |
CN112799028A (zh) | 一种基于rcs起伏统计特性差异的虚假目标识别方法 | |
CN110988867A (zh) | 用于一发双收穿墙雷达的椭圆交叉目标定位方法 | |
CN111563914A (zh) | 一种水下定位跟踪方法、装置及可读存储介质 | |
CN110244289A (zh) | 一种自适应粒子滤波地波雷达目标一体化探测方法 | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
CN116299208A (zh) | 基于主/被动雷达复合导引头数据关联的抗干扰方法 | |
CN114325599B (zh) | 一种针对不同环境的自动门限检测方法 | |
CN110221289A (zh) | 用于三坐标有源相控阵雷达的目标检测方法 | |
CN112698295B (zh) | 一种知识辅助的雷达检测跟踪一体化方法及*** | |
CN113093174A (zh) | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 | |
CN111948613A (zh) | 基于自适应背景区选取的船载地波雷达目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |