CN117233745A - 一种在非平稳平台的对海机动目标跟踪方法 - Google Patents
一种在非平稳平台的对海机动目标跟踪方法 Download PDFInfo
- Publication number
- CN117233745A CN117233745A CN202311521216.8A CN202311521216A CN117233745A CN 117233745 A CN117233745 A CN 117233745A CN 202311521216 A CN202311521216 A CN 202311521216A CN 117233745 A CN117233745 A CN 117233745A
- Authority
- CN
- China
- Prior art keywords
- time
- track
- state
- target
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000002452 interceptive effect Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 27
- 238000001228 spectrum Methods 0.000 claims description 26
- 239000000203 mixture Substances 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 241001391944 Commicarpus scandens Species 0.000 abstract description 2
- 244000141353 Prunus domestica Species 0.000 abstract 1
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种在非平稳平台的对海机动目标跟踪方法,涉及对海观测领域。本发明是为了解决海上非平稳平台对周围机动目标跟踪时,容易出现目标航迹断裂、丢失数据的问题。本发明使用FMCW雷达进行目标跟踪,基于目标特征进行航迹滤波,根据目标特征对航迹假设树进行评分剪枝,使用交互式多模型实时配准目标的复杂运动状态,针对航迹丢失的问题采用补点的方法维持航迹,达到保护长航迹的目的。针对航迹断裂的问题采用航迹片段关联的方法,对航迹中断前后的数据进行训练学习,基于训练模型对中断航迹进行预测,实现航迹接续。
Description
技术领域
本发明属于对海观测领域,尤其涉及对海机动目标跟踪中的毫米波雷达数据处理技术。
背景技术
毫米波雷达具有波长短、探测距离远、精度高、穿透性强、受天气干扰小、器件小巧的优势,在对海观测领域发挥着越来越重要的作用。可以广泛应用于海上非平稳平台例如浮标、各类船只上,探测并跟踪周围的机动目标,获取周围海域船只的全天候实时数据。要实现对机动目标的跟踪,必须对雷达的原始回波进行数据处理、杂波滤除、目标状态预测和航迹关联,从而实现目标的实时跟踪。
在海上非平稳平台上对周围机动目标跟踪时,由于海浪起伏导致的角度变化,雷达可能会随机性的丢失目标的回波,从而在实时跟踪过程中丢失数据,造成目标航迹断裂。并且由于机动目标相对船体的不同姿态对应的RCS(雷达散射截面)相差很大,当目标径向运动时可能会由于回波幅度小而丢失大量数据;海杂波的空时特性复杂,非平稳非高斯的特点导致难以用固定模型对其时域分布特性进行拟合,并且海杂波形成的海尖峰极易被雷达误检为真实目标,对目标跟踪过程产生极大干扰。
发明内容
本发明是为了解决海上非平稳平台对周围机动目标跟踪时,容易出现目标航迹断裂、丢失数据的问题,还存在海杂波干扰的问题,现提供一种在非平稳平台的对海机动目标跟踪方法。
一种在非平稳平台的对海机动目标跟踪方法,包括以下步骤:
步骤一:采集机动目标在不同时间点下的状态量测值;
步骤二:基于随机有限集理论的高斯混合概率密度算法对所述状态量测值进行滤波,获得机动目标的状态预测值;
步骤三:基于所述状态预测值使用交互式多模型对机动目标的运动状态进行估计,获得机动目标的状态估计结果;
步骤四:根据MHT的思想将所述状态估计结果生成假设树,并根据所述状态估计结果和所述状态量测值的匹配程度对假设树中每条航迹分支进行打分,对得分低于预设阈值的航迹分支进行剪枝,获得最优航迹;
步骤五:对最优航迹中断裂的状态向量进行预测,使得机动目标的航迹得到续接,完成对海机动目标跟踪。
进一步的,步骤一所述采集机动目标在不同时间点下的状态量测值,包括:
对调频连续波雷达工作过程中产生的个啁啾信号进行/>个时间点采样,得到二维复中频信号矩阵;
在所述二维复中频信号矩阵中按行对复中频信号进行快速傅里叶变换得到每行信号的频率谱,利用恒虚警率检测技术对所述每行信号的频率谱进行去噪,利用去噪后谱峰处的频率值计算各时间点下机动目标至非平稳平台的距离/>;
在所述二维复中频信号矩阵中按列对复中频信号进行快速傅里叶变换得到每列信号的频率谱,每行信号的频率谱与每列信号的频率谱构成二维结果图,利用该二维结果图中每个交点处的相位差计算各时间点下机动目标的速度和角度/>;
利用各时间点下机动目标至非平稳平台的距离、机动目标的速度/>和机动目标的角度/>构建机动目标在不同时间点下的状态量测值。
进一步的,根据下式计算各时间点下机动目标至非平稳平台的距离:
,
其中,为线性调频时间,/>为扫频带宽,/>为光速;
根据下式计算各时间点下机动目标的速度:
,
其中,为二维结果图中第/>个交点处每行对应的频率谱与每列对应的频率谱的相位差,/>为载波信号频率,/>为啁啾信号的索引值,/>为一个啁啾信号的周期;
根据下式计算各时间点下机动目标的角度:
,
其中,为雷达波长,/>为调频连续波雷达相邻两个接收天线之间的间隔;
机动目标在时刻下的状态量测值/>表达式为:
,
,
其中,和/>分别为机动目标相对调频连续波雷达的切向距离和径向距离,/>和分别为机动目标相对调频连续波雷达的切向速度和径向速度。
进一步的,步骤二中所述基于随机有限集理论的高斯混合概率密度算法对所述状态量测值进行滤波,包括:
通过所述状态量测值递归地更新目标状态的后验概率,递归流程表达式如下:
,
其中,和/>分别表示/>时刻和/>时刻机动目标的高斯混合后验概率密度函数,/>表示由/>预测的/>时刻机动目标的高斯混合后验概率密度函数,/>和/>分别为/>时刻和/>时刻下的状态预测值,/>和/>分别为前/>个时刻和/>个时刻的状态量测值。
进一步的,时刻机动目标的高斯混合后验概率密度函数/>表达式如下:
,
其中,为/>时刻机动目标个数,/>,/>为第/>个机动目标在/>时刻的高斯分量权值,/>表示高斯概率密度函数,/>为/>时刻第/>个机动目标的高斯分布均值函数,/>为/>时刻第/>个机动目标的协方差矩阵;
所述由预测的/>时刻机动目标的高斯混合后验概率密度函数/>表达式如下:
,
其中,为机动目标的状态向量量测值从/>时刻保持到/>时刻的概率,为/>时刻第/>个机动目标状态值的高斯分布均值预测量,/>为/>时刻第/>个机动目标状态值的协方差矩阵预测量;
所述时刻机动目标的高斯混合后验概率密度函数/>表达式如下:
,
其中,为/>时刻下机动目标的状态向量量测值能够在/>时刻产生状态向量量测值的概率,/>为/>时刻第/>个机动目标状态值的高斯分布均值函数,/>为/>时刻第/>个机动目标状态值的协方差矩阵,/>为/>时刻机动目标个数,为/>时刻第/>个机动目标的高斯分量权值。
进一步的,步骤三所述基于所述状态预测值使用交互式多模型方法对机动目标的运动状态进行估计,包括:
分别采用每个模型的滤波器对机动目标的状态预测值进行滤波,获得各模型滤波器的滤波结果;
使用卡尔曼滤波方法对所述各模型滤波器的滤波结果进行滤波,获得各模型的初步预测值;
对各模型的概率进行更新;
利用模型更新后的概率和初步预测值获得机动目标最终的状态估计结果。
进一步的,各模型滤波器的滤波结果包括各时间点下各模型的状态输出均值和状态输出协方差,表达式如下:
,
,
其中,和/>分别为/>时刻第/>个模型的状态输出均值和状态输出协方差,/>为/>时刻第/>个模型的状态输出均值,/>为/>时刻第/>个模型的卡尔曼滤波输出值,/>为/>时刻第/>个模型与第/>个模型的交互概率,/>为/>时刻第/>个模型的卡尔曼滤波输出协方差,/>为交互式多模型方法中模型总数,/>;
所述各模型的初步预测值包括各时间点下各模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,表达式如下:
,
,
其中,和/>分别为/>时刻第/>个模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,/>和/>分别为/>时刻第/>个模型的状态预测值和协方差预测值,/>和/>分别为/>时刻第/>个模型的滤波增益和残差, />为单位矩阵,/>为第/>个模型的量测增益矩阵;
更新后各模型的概率表达式如下:
,
其中,为/>时刻第/>个模型的概率,/>为/>时刻第/>个模型的似然值,/>为所有模型的概率加权和,/>;
所述机动目标最终的状态估计结果包括各时间点下卡尔曼滤波输出值和卡尔曼滤波输出协方差,具体表达式如下:
,
,
其中,和/>分别为/>时刻机动目标最终的卡尔曼滤波输出值和卡尔曼滤波输出协方差,/>和/>分别为/>时刻第/>个模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,
。
进一步的,时刻第/>个模型的似然值/>表达式如下:
,
其中,和/>分别为第/>个模型的残差和残差协方差。
进一步的,每条航迹分支的得分表达式如下:
,
其中,和/>分别为旧航迹得分和其得分系数,/>和/>分别为联合特征航迹得分和其得分系数,且满足/>。
进一步的,步骤五所述对最优航迹中断裂的状态向量进行预测,包括:
以最优航迹中断区间的中间时间点作为分割点,将最优航迹分割为旧航迹和新航迹,
分别建立旧航迹运动模型和新航迹运动模型,
利用旧航迹中的已知状态向量对旧航迹运动模型进行训练,并利用训练好的旧航迹运动模型预测旧航迹中缺失的状态向量,
利用新航迹中的已知状态向量对新航迹运动模型进行训练,并利用训练好的新航迹运动模型预测新航迹中缺失的状态向量。
本发明使用FMCW雷达完成对海机动目标跟踪,首先对雷达回波进行2D-FFT从而提取出目标的距离、速度、方位角信息,随后使用CA-CFAR恒虚警检测滤除雷达接收机产生的噪声,用于MHT算法的航迹得分修正和航迹关联;使用交互式多模型实时配准目标的复杂运动状态,使用卡尔曼滤波对丢失的航迹点进行预测;使用航迹得分的方式,为了保护长航迹,对持续跟踪到的航迹进行奖励,容忍其一定次数内的航迹丢失并进行补点;采用航迹片段关联的方法,对航迹中断前后的数据进行训练学习,基于训练模型对中断航迹进行预测,实现航迹接续。
附图说明
图1为对海目标跟踪算法的总体流程图;
图2为距离速度参数联合估计示意图;
图3为CA-CFAR恒虚警检测示意图;
图4为交互式多模型算法流程图;
图5为MHT算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
参照图1至图5具体说明本实施方式,本实施方式所述的一种在非平稳平台的对海机动目标跟踪方法,包括以下步骤:
步骤一、对调频连续波雷达工作过程中产生的个啁啾信号进行/>点采样,得到复中频信号组成的二维矩阵,该二维矩阵中元素表示为/>,/>,,并对该二维矩阵进行二维快速傅里叶变换(2D-FFT)。具体的如图2所示,首先,按行对复中频信号进行快速傅里叶变换得到每行信号的频率谱,利用通过恒虚警率检测技术对所述每行信号的频率谱进行去噪,利用去噪后谱峰处的频率值/>计算各时间点下机动目标至非平稳平台的距离/>:
,
其中,为线性调频时间,/>为扫频带宽,/>为光速。
随后按列对复中频信号进行快速傅里叶变换得到每列信号的频率谱,每行信号的频率谱与每列信号的频率谱构成二维结果图,利用该二维结果图中每个交点处的相位差计算各时间点下机动目标的速度和角度/>:
,
,
其中,为二维结果图中第/>个交点处每行对应的频率谱与每列对应的频率谱的相位差,/>为载波信号频率,/>为啁啾信号的索引值,/>为一个啁啾信号的周期,/>为雷达波长,/>为调频连续波雷达相邻两个接收天线之间的间隔。
通过恒虚警率检测技术(CFAR)来过滤信号经过接收机产生的噪声。如图3所示,通过CA-CFAR对检测单元周围的训练单元进行处理,根据距离谱幅值和阈值系数/>计算阈值门限/>,并将该阈值门限/>应用于检测单元。当检测单元对应的幅值大于阈值门限/>时,判决为信号,反之则为噪声。为了防止目标落到周围的训练单元中对阈值的计算造成影响,在检测单元周围设置保护单元,计算训练单元幅值的算术平均值/>作为参考值。门限/>的数学表达式为:
,
阈值系数在门限的计算中发挥着关键性的作用,/>的取值直接影响到漏警率和虚警率的大小。根据先验数据调整阈值系数/>,通过已知的目标位置来调整/>的大小,直至在距离幅度谱上能够有效地分离出目标位置所在的谱峰并抑制雷达接收机产生的杂波。
经过杂波抑制得到了时刻下的状态量测值/>:
,
,
其中,和/>分别为机动目标相对调频连续波雷达的切向距离和径向距离,/>和分别为机动目标相对调频连续波雷达的切向速度和径向速度。
步骤二、针对海上伪目标点多、分布不均匀的问题,使用基于随机有限集理论(RFS)的高斯混合概率密度算法(GM-PHD)对量测数据进行滤波,获得机动目标的状态预测值,为之后基于多假设跟踪技术(MHT)的航迹关联提供数据支撑。建立基于GM-PHD的多目标测量模型,核心思想是利用贝叶斯迭代滤波,通过当前的目标状态,递归地更新目标状态的后验概率,达到滤波的目的。递归流程如下:
,
其中,和/>分别表示/>时刻和/>时刻机动目标的高斯混合后验概率密度函数,/>表示由/>预测的/>时刻机动目标的高斯混合后验概率密度函数,/>和/>分别为/>时刻和/>时刻下的状态预测值,/>和/>分别为前/>个时刻和/>个时刻的状态量测值。
而概率假设密度(PHD)是RFS的一阶矩密度,由于其计算简单,多用于计算贝叶斯迭代滤波的近似解。假设为PHD函数,则/>时刻机动目标的高斯混合后验概率密度函数为:
,
其中,为/>时刻机动目标个数,/>,/>为第/>个机动目标在/>时刻的高斯分量权值,/>表示高斯概率密度函数,/>为/>时刻第/>个机动目标的高斯分布均值函数,/>为/>时刻第/>个机动目标的协方差矩阵。
经过时间更新后,对时刻的预测PHD函数/>的数学表达式如下:
,
其中,为机动目标的状态向量量测值从/>时刻保持到/>时刻的概率,为/>时刻第/>个机动目标状态值的高斯分布均值预测量,/>为/>时刻第/>个机动目标状态值的协方差矩阵预测量。
随后完成迭代状态的更新,得到时刻机动目标的高斯混合后验概率密度函数:
,
其中,为/>时刻下机动目标的状态向量量测值能够在/>时刻产生状态向量量测值的概率,/> />时刻第/>个机动目标状态值的高斯分布均值函数,/> 时刻第/>个机动目标状态值的协方差矩阵,/>为/>时刻机动目标个数,/>为/>时刻第/>个机动目标的高斯分量权值。
时刻第/>个机动目标的高斯分量权值/>是判断目标状态的关键参数,决定着量测目标的生存概率,/>的数学表达式如下:
,
其中,为/>时刻第/>个机动目标的高斯分量权值预测值,/>为/>时刻第个机动目标测量值的高斯分布均值预测量,/>为/>时刻第/>个机动目标测量值的协方差矩阵预测量,/>为杂波密度,/>为/>时刻第/>个机动目标的高斯分量权值预测值,/>为/>时刻第/>个机动目标测量值的高斯分布均值预测量,/>为/>时刻第/>个机动目标测量值的协方差矩阵预测量,/>为新生机动目标的初始高斯分量权值。
步骤三、基于所述状态预测值使用交互式多模型对机动目标的运动状态进行估计,获得机动目标的状态估计结果。使用匀速模型、匀加速模型、协同转弯模型、Singer模型、当前统计模型5个模型作为模型集,实时配准目标的运动状态。根据模型的预测值与雷达量测值的匹配程度计算各个模型的概率,并将各模型的滤波结果交互输出。具体分为状态估计、并行滤波、模型概率更新、结果交互输出四个步骤:
(1)状态估计,分别采用每个模型的滤波器对机动目标的状态预测值进行滤波,获得各模型滤波器的滤波结果。
假定时刻第/>个模型与第/>个模型的转移概率为/>,计算/>时刻第/>个模型与第/>个模型的交互概率/>:
,
其中,,/>为/>时刻第/>个模型的概率,/>为所有模型的概率加权和。
随后计算各模型滤波器的滤波结果包括各时间点下各模型的状态输出均值和状态输出协方差:
,
,
其中,和/>分别为/>时刻第/>个模型的状态输出均值和状态输出协方差,/>为/>时刻第/>个模型的状态输出均值,/>为/>时刻第/>个模型的卡尔曼滤波输出值,/>为/>时刻第/>个模型的卡尔曼滤波输出协方差。
(2)并行滤波,使用卡尔曼滤波方法对所述各模型滤波器的滤波结果进行滤波,获得各模型的初步预测值,各模型的初步预测值包括各时间点下各模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,具体过程如下:
假设时刻第/>个模型的状态方程和量测方程分别为:
,
其中,和/>分别为/>时刻第/>个模型的状态转移向量和量测向量,和/>分别为第/>个模型的状态转移矩阵和量测增益矩阵,/>和/>分别为第/>个模型的状态噪声和量测噪声。
随后进行状态预测,时刻第/>个模型的状态预测值/>和协方差预测值/>表达式如下:
,
。
随后计算时刻第/>个模型的残差/>和第/>个模型的残差和残差协方差:
,
其中,为第/>个模型量测噪声的协方差矩阵。
计算第个模型的滤波增益/>,从而得到/>时刻第/>个模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差:
,
,
,
其中,和/>分别为/>时刻第/>个模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,/>和/>分别为/>时刻第/>个模型的滤波增益和残差,/>为单位矩阵,/>为第/>个模型的量测增益矩阵。
(3)对各模型的概率进行更新。
首先根据模型预测值与量测值计算时刻第/>个模型的似然值/>:
其中,和/>分别为第/>个模型的残差和残差协方差,具体表达式如下:
,
其中,为/>时刻下的状态量测值,/>第/>个模型的量测增益矩阵,/>和分别为/>时刻第/>个模型的状态预测值和协方差预测值,/>为量测噪声的协方差矩阵。
随后对模型概率进行更新,时刻第/>个模型的概率:
,
。
(4)结果交互输出,利用模型更新后的概率和初步预测值获得机动目标最终的状态估计结果。机动目标最终的状态估计结果包括各时间点下卡尔曼滤波输出值和卡尔曼滤波输出协方差:
,
,
其中,和/>分别为/>时刻机动目标最终的卡尔曼滤波输出值和卡尔曼滤波输出协方差,/>和/>分别为/>时刻第/>个模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,
。
步骤四、根据MHT的思想将所述状态估计结果生成假设树,并根据所述状态估计结果和所述状态量测值的匹配程度对假设树中每条航迹分支进行打分,对得分低于预设阈值的航迹分支进行航迹剪枝,获得最优航迹。
为了解决随着量测值的增多假设树庞大的问题,采用N-SCAN方法根据航迹分数对假设树进行剪枝,如图4所示。每条航迹分支的得分表达式如下:
,
其中,和/>分别为旧航迹得分和其得分系数,/>和/>分别为联合特征航迹得分和其得分系数,且满足/>。
设是传统航迹得分,表示包含/>个量测的航迹/>的航迹评分。假设量测在零假设的情况下条件独立,可将假设概率写成连乘的形式。/>的数学表达式如下:
,
上式分子的单帧条件假设服从高斯分布,分母的零假设服从参数为量测区域大小的均匀分布。因此/>的数学表达式更新如下:
,
其中,高斯均值和协方差/>是通过量测值/>通过卡尔曼滤波计算得出。传统方法依据卡尔曼滤波的结果将预测值和状态值进行量化对比,从而生成航迹得分,实现航迹的判断。本文在此基础上,添加了频域和时频域上的特征量,使用前后帧目标所在距离单元对应的距离谱幅值差/>和脊积分幅值差/>之积/>作为联合特征参与到航迹打分中。/>的数学表达式如下:
,
,
,
通过对轨迹T的所有航迹点对应距离单元的距离谱幅值前后对比并累加,实现了频域特征量的获取,刻画出了每条航迹上目标的匹配程度。并且通过对每条航迹上前后相邻航迹点的脊积分的对比并累加,提取时频域特征/>。二者相乘得到联合特征,与传统特征/>共同完成航迹打分。
MHT的核心思想是将当前无法进行数据关联的量测进行保留,随着量测数的增多,假设树也会不断膨胀,造成了计算效率的下降。因此采用N-SCAN方法,如图5所示,设定回溯数N,根据航迹得分对m-N时刻的假设树进行剪枝,删除得分小于得分阈值的航迹,选出最优航迹树。
针对由于海浪起伏可能导致的航迹断裂问题,采用补点的方式,使用交互式多模型实时估计目标复杂的运动状态,通过卡尔曼滤波对目标进行状态预测,根据预测值对丢失的量测点的航迹进行补充,并且根据补点的个数对航迹得分进行减分。并且由于长航迹的航迹点数多,较大,航迹得分多,即使出现了航迹断裂问题进行了补点,得分也不会迅速降到得分阈值/>以下,从而使长航迹断裂的问题得到解决,达到了保护长航迹的效果。
步骤五、针对目标航迹断裂的问题,使用高斯过程对最优航迹中断裂前后的数据进行训练学习,根据训练好的模型对中断航迹的状态向量进行预测,使得机动目标的航迹得到续接,完成对海机动目标跟踪。
首先以最优航迹中断区间的中间时间点作为分割点,将最优航迹分割为旧航迹和新航迹,旧航迹起始时刻/>至断裂起始时刻/>为旧航迹训练区间,断裂起始时刻/>至中间时间点/>为旧航迹预测区间,中间时间点/>至断裂结束时刻/>为新航迹回溯区间,断裂结束时刻/>至新航迹结束时刻/>为新航迹训练区间。
分别建立旧航迹运动模型和新航迹运动模型:
,
,
其中,、/>、/>和/>均为高斯白噪声,/>、/>为旧航迹的运动转移函数,/>、是新航迹的运动转移函数,对其运动状态进行高斯建模,具体表达式如下:
,
,
如图5所示,对旧航迹进行训练,并完成时间段的航迹预测;对新航迹进行训练,并完成时间段/>的航迹回溯,最终实现航迹接续的效果。具体步骤如下:
(1)基于旧航迹的航迹预测
首先对旧航迹的运动转移函数和/>进行学习,选定用于训练的航迹数据,对时间段的旧航迹进行训练学习,首先对切向距离向量x进行训练,训练集输入为,输出为/>,具体表达式如下:
,
。
使用高斯过程对模型进行回归,测试集输入为。可以得到一步预测的切向位置/>及方差/>为:/>
,
,
其中,是元素为/>的核函数矩阵,具体表达式如下:
,
和/>表示/>和/>对应的协方差核函数。同理可得径向方向的一步预测距离向量/>和协方差/>。通过对t的取值不断递推,最终得到时刻的航迹预测值。
(2)基于新航迹的航迹回溯
对新航迹的运动转移函数和/>进行学习,选定/>时间段的新航迹数据用于训练,同样对切向距离分量x进行训练,训练集输入/>和输出/>分别为:
,
。
测试集输入为,通过对新航迹的回溯,可以得到一步回溯的切向位置/>及方差/>为:
,
。
同理可得径向方向的一步回溯距离向量和协方差/>。通过对时间t的取值不断递推,最终得到时刻/>的航迹预测值。对新航迹的回溯结果与旧航迹的预测结果相结合,可得中断区间的最终航迹缝合结果。
本实施方式所述的一种在非平稳平台上的对海机动目标跟踪方法,使用FMCW雷达进行目标跟踪,采用CA-CFAR恒虚警检测滤除回波噪声,采用GM-PHD方法基于目标特征进行航迹滤波,根据目标特征利用MHT方法对航迹假设树进行评分,使用N-Scan方法对假设树进行剪枝,并使用交互式多模型实时配准目标的复杂运动状态。针对航迹丢失的问题采用补点的方法维持航迹,并根据补点数对相应航迹得分进行减分,达到保护长航迹的目的。针对航迹断裂的问题采用航迹片段关联的方法,对航迹中断前后的数据进行训练学习,基于训练模型对中断航迹进行预测,实现航迹接续。本实施方式能够从多维度分辨真实目标和海杂波,并且有效解决了跟踪过程中航迹断裂的问题。
Claims (10)
1.一种在非平稳平台的对海机动目标跟踪方法,其特征在于,包括以下步骤:
步骤一:采集机动目标在不同时间点下的状态量测值;
步骤二:基于随机有限集理论的高斯混合概率密度算法对所述状态量测值进行滤波,获得机动目标的状态预测值;
步骤三:基于所述状态预测值使用交互式多模型对机动目标的运动状态进行估计,获得机动目标的状态估计结果;
步骤四:根据MHT的思想将所述状态估计结果生成假设树,并根据所述状态估计结果和所述状态量测值的匹配程度对假设树中每条航迹分支进行打分,对得分低于预设阈值的航迹分支进行剪枝,获得最优航迹;
步骤五:对最优航迹中断裂的状态向量进行预测,使得机动目标的航迹得到续接,完成对海机动目标跟踪。
2.根据权利要求1所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,步骤一所述采集机动目标在不同时间点下的状态量测值,包括:
对调频连续波雷达工作过程中产生的个啁啾信号进行/>个时间点采样,得到二维复中频信号矩阵;
在所述二维复中频信号矩阵中按行对复中频信号进行快速傅里叶变换得到每行信号的频率谱,利用恒虚警率检测技术对所述每行信号的频率谱进行去噪,利用去噪后谱峰处的频率值计算各时间点下机动目标至非平稳平台的距离/>;
在所述二维复中频信号矩阵中按列对复中频信号进行快速傅里叶变换得到每列信号的频率谱,每行信号的频率谱与每列信号的频率谱构成二维结果图,利用该二维结果图中每个交点处的相位差计算各时间点下机动目标的速度和角度/>;
利用各时间点下机动目标至非平稳平台的距离、机动目标的速度/>和机动目标的角度/>构建机动目标在不同时间点下的状态量测值。
3.根据权利要求2所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,
根据下式计算各时间点下机动目标至非平稳平台的距离:
;
其中,为线性调频时间,/>为扫频带宽,/>为光速;
根据下式计算各时间点下机动目标的速度:
;
其中,为二维结果图中第/>个交点处每行对应的频率谱与每列对应的频率谱的相位差,/>为载波信号频率,/>为啁啾信号的索引值,/>为一个啁啾信号的周期;
根据下式计算各时间点下机动目标的角度:
;
其中,为雷达波长,/>为调频连续波雷达相邻两个接收天线之间的间隔;
机动目标在时刻下的状态量测值/>表达式为:
;
;
其中,和/>分别为机动目标相对调频连续波雷达的切向距离和径向距离,/>和/>分别为机动目标相对调频连续波雷达的切向速度和径向速度。
4.根据权利要求1所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,步骤二中所述基于随机有限集理论的高斯混合概率密度算法对所述状态量测值进行滤波,包括:
通过所述状态量测值递归地更新目标状态的后验概率,递归流程表达式如下:
;
其中,和/>分别表示/>时刻和/>时刻机动目标的高斯混合后验概率密度函数,/>表示由/>预测的/>时刻机动目标的高斯混合后验概率密度函数,/>和分别为/>时刻和/>时刻下的状态预测值,/>和/>分别为前/>个时刻和/>个时刻的状态量测值。
5.根据权利要求4所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,所述时刻机动目标的高斯混合后验概率密度函数/>表达式如下:
;
其中,为/>时刻机动目标个数,/>,/>为第/>个机动目标在/>时刻的高斯分量权值,/>表示高斯概率密度函数,/>为/>时刻第/>个机动目标的高斯分布均值函数,/>为/>时刻第/>个机动目标的协方差矩阵;
所述由预测的/>时刻机动目标的高斯混合后验概率密度函数/>表达式如下:
;
其中,为机动目标的状态向量量测值从/>时刻保持到/>时刻的概率,/>为时刻第/>个机动目标状态值的高斯分布均值预测量,/>为/>时刻第/>个机动目标状态值的协方差矩阵预测量;
所述时刻机动目标的高斯混合后验概率密度函数/>表达式如下:
;
其中,为/>时刻下机动目标的状态向量量测值能够在/>时刻产生状态向量量测值的概率,/>为/>时刻第/>个机动目标状态值的高斯分布均值函数,/>为/>时刻第/>个机动目标状态值的协方差矩阵,/>为/>时刻机动目标个数,/>为时刻第/>个机动目标的高斯分量权值。
6.根据权利要求1所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,步骤三所述基于所述状态预测值使用交互式多模型方法对机动目标的运动状态进行估计,包括:
分别采用每个模型的滤波器对机动目标的状态预测值进行滤波,获得各模型滤波器的滤波结果;
使用卡尔曼滤波方法对所述各模型滤波器的滤波结果进行滤波,获得各模型的初步预测值;
对各模型的概率进行更新;
利用模型更新后的概率和初步预测值获得机动目标最终的状态估计结果。
7.根据权利要求6所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,
所述各模型滤波器的滤波结果包括各时间点下各模型的状态输出均值和状态输出协方差,表达式如下:
;
;
其中,和/>分别为/>时刻第/>个模型的状态输出均值和状态输出协方差,为/>时刻第/>个模型的状态输出均值,/>为/>时刻第/>个模型的卡尔曼滤波输出值,/>为/>时刻第/>个模型与第/>个模型的交互概率,/>为/>时刻第/>个模型的卡尔曼滤波输出协方差,/>为交互式多模型方法中模型总数,/>;
所述各模型的初步预测值包括各时间点下各模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,表达式如下:
;
;
其中,和/>分别为/>时刻第/>个模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差,/>和/>分别为/>时刻第/>个模型的状态预测值和协方差预测值,/>和/>分别为/>时刻第/>个模型的滤波增益和残差,为单位矩阵,/>为第/>个模型的量测增益矩阵;
更新后各模型的概率表达式如下:
;
其中,为/>时刻第/>个模型的概率,/>为/>时刻第/>个模型的似然值,/>为所有模型的概率加权和,/>;
所述机动目标最终的状态估计结果包括各时间点下卡尔曼滤波输出值和卡尔曼滤波输出协方差,具体表达式如下:
;
;
其中,和/>分别为/>时刻机动目标最终的卡尔曼滤波输出值和卡尔曼滤波输出协方差,/>和/>分别为/>时刻第/>个模型的卡尔曼滤波输出值和卡尔曼滤波输出协方差;
。
8.根据权利要求7所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,
所述时刻第/>个模型的似然值/>表达式如下:
;
其中,和/>分别为第/>个模型的残差和残差协方差。
9.根据权利要求1所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,所述每条航迹分支的得分表达式如下:
;
其中,和/>分别为旧航迹得分和其得分系数,/>和/>分别为联合特征航迹得分和其得分系数,且满足/>。
10.根据权利要求1所述的一种在非平稳平台的对海机动目标跟踪方法,其特征在于,步骤五所述对最优航迹中断裂的状态向量进行预测,包括:
以最优航迹中断区间的中间时间点作为分割点,将最优航迹分割为旧航迹和新航迹;
分别建立旧航迹运动模型和新航迹运动模型;
利用旧航迹中的已知状态向量对旧航迹运动模型进行训练,并利用训练好的旧航迹运动模型预测旧航迹中缺失的状态向量;
利用新航迹中的已知状态向量对新航迹运动模型进行训练,并利用训练好的新航迹运动模型预测新航迹中缺失的状态向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521216.8A CN117233745B (zh) | 2023-11-15 | 2023-11-15 | 一种在非平稳平台的对海机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521216.8A CN117233745B (zh) | 2023-11-15 | 2023-11-15 | 一种在非平稳平台的对海机动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233745A true CN117233745A (zh) | 2023-12-15 |
CN117233745B CN117233745B (zh) | 2024-02-09 |
Family
ID=89083020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311521216.8A Active CN117233745B (zh) | 2023-11-15 | 2023-11-15 | 一种在非平稳平台的对海机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233745B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890903A (zh) * | 2024-03-15 | 2024-04-16 | 哈尔滨工业大学(威海) | 一种基于雷视匹配的无人艇航迹修正方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003315451A (ja) * | 2002-04-19 | 2003-11-06 | Mitsubishi Electric Corp | 目標追尾装置及び方法 |
JP2004205371A (ja) * | 2002-12-25 | 2004-07-22 | Mitsubishi Electric Corp | レーダ追尾装置及びレーダ追尾処理方法 |
JP2005331248A (ja) * | 2004-05-18 | 2005-12-02 | Nec Corp | 目標追尾装置及び目標追尾方法 |
CN106767832A (zh) * | 2017-01-17 | 2017-05-31 | 哈尔滨工业大学 | 一种基于动态多维分配的被动多源多目标跟踪方法 |
CN106980114A (zh) * | 2017-03-31 | 2017-07-25 | 电子科技大学 | 无源雷达目标跟踪方法 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
CN111289965A (zh) * | 2019-12-04 | 2020-06-16 | 南京长峰航天电子科技有限公司 | 一种多目标雷达快速跟踪方法及*** |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
CN116500602A (zh) * | 2023-05-17 | 2023-07-28 | 深圳华创电科技术有限公司 | 一种基于无源分布式雷达***的多目标跟踪航迹管理方法 |
CN116953692A (zh) * | 2023-08-24 | 2023-10-27 | 西安电子科技大学 | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 |
-
2023
- 2023-11-15 CN CN202311521216.8A patent/CN117233745B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003315451A (ja) * | 2002-04-19 | 2003-11-06 | Mitsubishi Electric Corp | 目標追尾装置及び方法 |
JP2004205371A (ja) * | 2002-12-25 | 2004-07-22 | Mitsubishi Electric Corp | レーダ追尾装置及びレーダ追尾処理方法 |
JP2005331248A (ja) * | 2004-05-18 | 2005-12-02 | Nec Corp | 目標追尾装置及び目標追尾方法 |
CN106767832A (zh) * | 2017-01-17 | 2017-05-31 | 哈尔滨工业大学 | 一种基于动态多维分配的被动多源多目标跟踪方法 |
CN106980114A (zh) * | 2017-03-31 | 2017-07-25 | 电子科技大学 | 无源雷达目标跟踪方法 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
CN111289965A (zh) * | 2019-12-04 | 2020-06-16 | 南京长峰航天电子科技有限公司 | 一种多目标雷达快速跟踪方法及*** |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
CN116500602A (zh) * | 2023-05-17 | 2023-07-28 | 深圳华创电科技术有限公司 | 一种基于无源分布式雷达***的多目标跟踪航迹管理方法 |
CN116953692A (zh) * | 2023-08-24 | 2023-10-27 | 西安电子科技大学 | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 |
Non-Patent Citations (2)
Title |
---|
刘勇等: "基于改进MHT的卫星电子信息舰船目标跟踪", ***工程与电子技术, vol. 39, no. 6, pages 1189 - 1196 * |
郑润高;陈金来;梁东坡;: "基于航迹似然性的一体化目标跟踪算法研究", 舰船电子工程, no. 11, pages 42 - 44 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890903A (zh) * | 2024-03-15 | 2024-04-16 | 哈尔滨工业大学(威海) | 一种基于雷视匹配的无人艇航迹修正方法 |
CN117890903B (zh) * | 2024-03-15 | 2024-06-07 | 哈尔滨工业大学(威海) | 一种基于雷视匹配的无人艇航迹修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117233745B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Wind et al. | Dataware: Sea clutter and small boat radar reflectivity databases [best of the web] | |
CN117233745B (zh) | 一种在非平稳平台的对海机动目标跟踪方法 | |
US5940523A (en) | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time | |
CN111899568B (zh) | 桥梁防撞预警***、方法、装置和存储介质 | |
CN104898115B (zh) | 一种穿墙雷达成像后多目标跟踪方法 | |
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 | |
JP2005520160A (ja) | レーダのスペクトル発生のためのシステムおよび方法 | |
CN111856406B (zh) | 一种基于fmcw雷达回波的目标检测方法及装置 | |
CN105403864A (zh) | 基于改进斜投影的二维船载高频地波雷达海杂波抑制方法 | |
Chen et al. | LFM signal detection and estimation based on deep convolutional neural network | |
CN113009473B (zh) | 一种多波束凝视雷达低仰角目标测高方法、装置及介质 | |
Fang et al. | E 2 DTF: An End-to-End Detection and Tracking Framework for Multiple Micro-UAVs With FMCW-MIMO Radar | |
CN111708015B (zh) | 一种多径效应下的低空目标跟踪滤波方法 | |
CN111796288B (zh) | 一种基于杂波频谱补偿技术的三坐标雷达动目标处理方法 | |
CN104914421A (zh) | 基于和差波束的低空风切变风速估计方法 | |
CN109581366B (zh) | 一种基于目标导向矢量失配的离散旁瓣杂波识别方法 | |
CN114488104A (zh) | 基于交互一致性的天波超视距雷达目标跟踪方法 | |
CN102426357B (zh) | 一种具有图像确认的多目标跟踪方法 | |
Mertens et al. | Doppler blind zone analysis for ground target tracking with bistatic airborne GMTI radar | |
JP2004347540A (ja) | ウィンドプロファイラにおける信号処理方法及びそのプログラムと装置 | |
CN117890903B (zh) | 一种基于雷视匹配的无人艇航迹修正方法 | |
Wang et al. | Robust Multi-Target Tracking Algorithm Based on Automotive Millimeter-Wave Radar | |
Barlow et al. | New Bayesian track-before-detect design and performance study | |
McDonald et al. | Continuous-discrete filtering for dim manoeuvring maritime targets | |
CN118209953A (zh) | 基于空间连续约束的场景杂波分割与分治检测方法及装置 |
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 |