本发明公开了一种目标智能跟踪方法通用设计框架，属于雷达多目标跟踪领域，主要解决现有目标跟踪方法模型简单、复杂度低、通适性差且无法学习的问题。该系统首先对多种场景下的雷达探测数据和目标真实数据进行收集，构建原始训练样本数据库。然后针对航迹预测、点航关联、航迹滤波等通用框架技术环节，进行数据提取、预处理以及特征提取处理，生成相应的训练数据集。最后把各环节对应为时间序列预测问题、分类判决问题以及模型参数学习问题，采用人工智能技术，利用训练数据集，经过初步训练和多次联合训练，生成与具体雷达相适应的目标智能跟踪算法。该系统自动训练生成目标跟踪算法，具有适用范围广、适配场景多、实用效果好等优点。
1.一种目标智能跟踪方法通用设计框架，其特征在于，包括以下步骤：
步骤1：目标智能跟踪方法通用设计框架包括三个技术环节，分别为航迹预测、点航关联和航迹滤波；
步骤2：对多种场景下的雷达探测数据和目标高精度真实数据进行收集，同时利用专业数据分析软件，采用自动计算与人工判定相结合的方式，建立雷达探测数据与目标真实位置数据间对应关系，构建雷达目标跟踪原始训练样本数据库，简称跟踪原始训练库；
步骤3：针对航迹预测、点航关联、航迹滤波三个技术环节，基于跟踪原始训练库，分别进行相关数据提取、数据预处理以及特征提取处理，依次生成航迹预测训练数据集、点航关联训练数据集以及航迹滤波训练数据集；
步骤4：借鉴人工智能领域中的方法，利用时间序列预测的方法解决航迹预测问题，利用分类判决的方法解决点航关联问题，利用模型参数学习的方法解决航迹滤波的问题，进而分别采用时间序列处理、分类判决和模型参数学习不同类别机器学习和深度学习技术与模型，利用三种训练数据集，训练生成各环节初步实现方法；
步骤5：按照航迹预测、点航关联以及航迹滤波技术环节的先后顺序，顺序串联各环节初步实现方法，进一步对各环节实现方法进行训练调优，经过多次训练调优，生成与具体雷达相适应的目标智能跟踪算法。
2.如权利要求1所述的一种目标智能跟踪方法通用设计框架，其特征在于，所述步骤1具体包括以下子步骤：步骤1.1：航迹预测环节主要是利用前一段时间目标的已知位置信息或已求得状态信息，对目标当前可能的位置进行预测；
步骤1.2：点航关联环节主要是根据航迹预测结果，基于雷达当前量测数据集，找出源于目标的雷达量测点；
步骤1.3：航迹滤波环节主要是利用点航关联得到的当前时刻目标相关量测点，并结合前一段时间已知目标位置信息或已求得目标状态信息，得到目标在当前时刻状态估计。
3.如权利要求1所述的一种目标智能跟踪方法通用设计框架，其特征在于，所述步骤2具体包括以下子步骤：步骤2.1：收集雷达对周边民用船舶或民用飞机非合作目标探测数据，同时借助AIS设备或ADS设备，收集同一区域同一时间相关民船或民航目标自报位数据作为非合作目标的真实位置数据，构建民用目标探测数据库；
步骤2.2：根据雷达肩负任务，从目标类型、目标运动模式、目标密集程度以及目标编队类型不同方面，设置不同实验场景，进行合作目标雷达探测实验，收集雷达探测数据和目标真实位置数据，构建典型目标探测数据库；
步骤2.3：典型目标探测数据库和民用目标探测数据库统称为雷达目标探测数据库，基于雷达目标探测数据库，利用专业数据分析软件，采用自动计算与人工判定相结合的方式，建立雷达探测数据与目标真实位置数据间对应关系，得到映射函数mk(i)，其中k表示时刻，i表示目标编号，mk(i)表示k时刻源于目标i的雷达量测点序号；
步骤2.4：雷达探测数据和目标真实位置数据，连同它们间对应关系mk(i)，一起构成雷达目标跟踪原始训练样本数据库。
4.如权利要求1所述的一种目标智能跟踪方法通用设计框架，其特征在于，所述步骤3具体包括以下子步骤：步骤3.1：基于跟踪原始训练库，提取与目标相关的雷达量测数据集，在此基础上，进行数据预处理和特征提取，生成无标签航迹预测训练数据集；
步骤3.2：基于跟踪原始训练库，提取目标真实位置数据集，并根据目标真实位置，计算查找相同时刻目标周边一定区域内雷达量测，得到目标周边量测数据集，在此基础上，进行数据预处理和基于目标真实位置数据与雷达量测数据间差异的特征提取，并根据雷达量测数据是否源于目标，给数据添加{1,0}或{1,-1}标签，生成有标签点航关联训练数据集；
步骤3.3：基于跟踪原始训练库，提取目标真实位置数据和与目标相关的雷达量测数据集，并以雷达量测数据为模型输入，目标真实位置数据为模型期望输出，生成航迹滤波训练数据集。
5.如权利要求1所述的一种目标智能跟踪方法通用设计框架，其特征在于，所述步骤4，具体包括以下子步骤：步骤4.1：把航迹预测对应为人工智能领域中的时间序列预测问题，采用深度学习领域中的循环神经网络，利用航迹预测训练数据集，训练生成初步的航迹预测方法；
步骤4.2：把点航关联对应为人工智能领域中的分类判决问题，采用机器学习领域中的二元分类学习模型，利用航迹预测训练数据集，训练生成初步的点航关联方法；
步骤4.3：把航迹滤波对应为人工智能领域中的模型参数学习问题，采用机器学习领域中的模型参数学习方法，利用航迹滤波训练数据集，对常用滤波方法的超级参数进行初步学习。
6.如权利要求1所述的一种目标智能跟踪方法通用设计框架，其特征在于：
步骤3.1：基于跟踪原始训练库，提取与目标相关的雷达量测数据集，在此基础上，进行数据预处理和特征提取，生成无标签航迹预测训练数据集；
步骤3.2：基于跟踪原始训练库，提取目标真实位置数据集，并根据目标真实位置，计算查找相同时刻目标周边一定区域内雷达量测，得到目标周边量测数据集，在此基础上，进行数据预处理和基于目标真实位置数据与雷达量测数据间差异的特征提取，并根据雷达量测数据是否源于目标，给数据添加{1,0}或{1,-1}标签，生成有标签点航关联训练数据集；
步骤3.3：基于跟踪原始训练库，提取目标真实位置数据和与目标相关的雷达量测数据集，并以雷达量测数据为模型输入，目标真实位置数据为模型期望输出，生成航迹滤波训练数据集；
步骤4.1：把航迹预测对应为人工智能领域中的时间序列预测问题，采用深度学习领域中的循环神经网络，利用航迹预测训练数据集，训练生成初步的航迹预测方法；
步骤4.2：把点航关联对应为人工智能领域中的分类判决问题，采用机器学习领域中的二元分类学习模型，利用航迹预测训练数据集，训练生成初步的点航关联方法；
步骤4.3：把航迹滤波对应为人工智能领域中的模型参数学习问题，采用机器学习领域中的模型参数学习方法，利用航迹滤波训练数据集，对常用滤波方法的超级参数进行初步学习；
步骤5.1：以当前航迹滤波方法的输出，替代步骤3.1中的目标相关雷达量测数据集，并按照步骤3.1，生成新的无标签航迹预测训练数据集，然后基于新的航迹预测训练数据集，按照步骤4.1对当前航迹预测方法进行训练优化，同时记录航迹预测方法的输出；
步骤5.2：以步骤5.1记录的航迹预测方法输出，替代步骤3.2中目标真实位置数据集，并按照步骤3.2，生成新的有标签点航关联训练数据集，然后基于新的点航关联训练数据集，按照步骤4.2对当前点航关联方法进行训练优化，同时记录点航关联方法的输出；
步骤5.3：以步骤5.2记录的点航关联方法输出，替代步骤3.3中目标相关的雷达量测数据集，并按照步骤3.3，生成新的航迹滤波训练数据集，然后基于新的航迹滤波训练数据集，按照步骤4.3对当前滤波方法的超级参数进行进一步学习，同时记录航迹滤波方法的输出；
步骤5.4：重复步骤5.1～步骤5.3，直到N次或直到目标跟踪达到满意效果为止；
步骤5.5：经过多次训练调优，最终生成与具体雷达相适应的目标智能跟踪算法。
一种目标智能跟踪方法通用设计框架
技术领域
[0001] 本发明隶属于雷达多目标跟踪领域，提供一种目标智能跟踪方法通用设计框架，涉及目标跟踪方法的构建、学习与生成，适用于雷达数据处理系统。
背景技术
[0002] 目标跟踪是雷达数据处理的核心关键技术，其具体定义为建立雷达每帧量测数据与不同真实目标间的对应关系，并通过滤波估计，进一步得到目标的运动轨迹和运动参数，最终实现目标个体实时连续掌握。从1955年雷达目标跟踪概念提出至今，经过多年的发展，雷达目标跟踪技术已形成较为完整的体系和方法，包括航迹起始、航迹滤波、点航关联等多个技术环节，每个环节同时又包括多种实现方法，譬如航迹起始的实现方法包括直观法、逻辑法和Hough变换法等，航迹滤波包括卡尔曼滤波、不敏卡尔曼、粒子滤波等，点航关联包括最近领域法、概率数据互联法和联合概率数据互联等。现有的目标跟踪技术和方法在简单或单一的目标跟踪场景中取得了良好的效果，实现了目标精确连续的跟踪掌握。然而在面对微弱、密集、编队等多类复杂跟踪场景时，或多种单一类场景构成的混合跟踪场景时，由于现有方法模型简单、能力有限、泛化性不足，其跟踪效果时常不稳定，时好时坏，难以在各种情况下、整个场景中均取得稳定、良好的跟踪效果，仅能解决与模型相匹配、特定情况下、局部场景中的目标跟踪问题。与此同时，现有目标跟踪方法还存在参数无法确定的问题，需要人工进行反复的修改和调试，将耗费大量时间和精力，并且调试后的跟踪效果也难以达到最优。综上所述，现有的目标跟踪方法存在模型简单、复杂度低、通适性差的问题，同时缺乏学习能力，难以根本整体上解决目标跟踪问题。
发明内容
[0003] 本发明的目的是提出一种目标智能跟踪方法通用设计框架，旨在解决现有目标跟踪方法模型简单、复杂度低、通适性差且无法学习的问题。
[0004] 本发明所述的一种目标智能跟踪方法通用设计框架，具体包括以下技术措施：首先对多种场景下的雷达探测数据和目标高精度真实数据进行收集，同时利用专业数据分析软件，采用自动计算与人工判定相结合的方式，建立雷达探测数据与目标真实位置数据间对应关系，构建雷达目标跟踪原始训练样本数据库，简称跟踪原始训练库。然后针对航迹预测、点航关联、航迹滤波等目标智能跟踪通用框架的所有三个技术环节，基于跟踪原始训练库，分别进行相关数据提取、数据预处理以及特征提取处理，并依次生成航迹预测训练数据集、点航关联训练数据集以及航迹滤波训练数据集。再然后，把航迹预测转换为人工智能领域中的时间序列预测问题，点航关联转换为分类判决问题，航迹滤波转换为模型参数学习问题，进而采用相关的机器学习和深度学习技术与模型，利用三种训练数据集，分别训练生成各环节初步实现方法。最后，按照航迹预测、点航关联以及航迹滤波等三个技术环节的先后顺序，串联各环节初步实现方法，进一步对各环节实现方法进行训练调优。经过多次训练调优，最终生成与具体雷达相适应的目标智能跟踪算法。
[0005] 本发明提出的目标智能跟踪方法通用设计框架，可基于雷达实际探测数据，训练生成与雷达相匹配的目标跟踪方法，具有适用范围广、适配场景多、实用效果好等优点，所生成的目标跟踪方法可无需调试直接应用于相应雷达中，进行实际目标的跟踪。
附图说明
[0006] 图1是目标智能跟踪方法通用设计框架图。
具体实施方式
[0007] 本发明提出的一种目标智能跟踪方法通用设计框架技术方案包括以下步骤：
[0008] 步骤1：目标智能跟踪方法通用设计框架包括三个技术环节，分别为航迹预测、点航关联和航迹滤波；传统的目标跟踪技术框架包括航迹起始、航迹滤波、点航关联等三个技术环节，不同于传统的目标跟踪技术框架，目标智能跟踪通用设计框架归并航迹起始环节到点航关联环节，并新增航迹预测环节；
[0009] 步骤1.1：航迹预测环节主要是利用前一段时间目标i的已知位置信息{z(mk-1(i),k-1),k＝1,2,…,t}或已求得状态信息{X(i,k-1),k＝1,2,…,t}，对目标i当前可能的位置进行预测；其中z(mk-1(i),k-1)表示k-1时刻源于目标i的雷达量测点位置信息，为二维平面位置，或三维空间位置，mk-1(i)表示k-1时刻源于目标i的雷达量测点序号，X(i,k-1)表示经过航迹滤波后得到的目标状态估计，包含目标位置和速度估计信息；
[0010] 航迹预测是目标跟踪的核心关键环节，目标位置预测准确，点航关联和航迹滤波环节的技术实现将会变得简单，性能也能得到保证；在传统的目标跟踪技术框架中，航迹预测环节隐含在航迹滤波环节中，基于滤波模型进行简单的一步预测，但预测能力存在严重不足；
[0011] 步骤1.2：点航关联环节主要是根据航迹预测结果 基于雷达当前量测数据集{z(i,k),i＝1,2,…,n(k)}，找出源于目标的雷达量测点z(mk(i),k)；点航关联环节是目标跟踪的另一重要环节，只有正确找到源于目标的量测点，才能正确地跟踪到目标，才能确保目标跟踪不发散；
[0012] 步骤1.3：航迹滤波环节主要是利用点航关联环节得到的目标i在k时刻的相关量测点z(mk(i),k)，并结合前一段时间已知目标位置信息{z(mk-1(i),k-1),k＝1,2,…,t}或已求得目标状态信息{X(i,k-1),k＝1,2,…,t}，得到目标i在k时刻状态估计X(i,k)；航迹滤波主要起降噪平滑作用，能减小雷达量测误差对目标跟踪的影响，以得到更加准确的目标状态估计；同时稳定精确的目标状态估计可以作为航迹预测的输入，以提高航迹预测的准确性。
[0013] 步骤2：对多种场景下的雷达探测数据和目标高精度真实数据进行收集，同时利用专业数据分析软件，采用自动计算与人工判定相结合的方式，建立雷达探测数据与目标真实位置数据间对应关系，构建雷达目标跟踪原始训练样本数据库，简称跟踪原始训练库；
[0014] 步骤2.1：收集雷达对周边民用船舶或民用飞机等非合作目探测数据，同时借助AIS设备(船舶自动识别系统)或ADS设备(民航广播式自动相关监视)，收集同一区域同一时间相关民船或民航目标自报位数据作为非合作目标的真实位置数据，构建民用目标探测数据库；
[0015] 步骤2.2：根据雷达肩负任务，从目标类型、目标运动模式、目标密集程度以及目标编队类型不同方面，设置不同实验场景，进行合作目标雷达探测实验，收集雷达探测数据和目标真实位置数据，构建典型目标探测数据库；
[0016] 与民用目标探测数据库相比，典型目标探测数据库规模较小，但包含的场景丰富，也更符合雷达日常应用，除此之外，两种数据库在训练集生成、算法训练、算法验证等方面不存在任何区别，因此可统称为雷达目标探测数据库；另外，为获得更好的效果，在算法训练时，可以先采用民用目标探测数据库相关数据进行预先训练，达到一定效果后，再利用典型目标探测数据库相关数据进行迁移学习训练；
[0017] 步骤2.3：基于雷达目标探测数据库，利用专业数据分析软件，采用自动计算与人工判定相结合的方式，建立雷达探测数据与目标真实位置数据间对应关系，得到映射函数mk(i)；
[0018] 步骤2.4：雷达探测数据和目标真实位置数据，连同它们间对应关系mk(i)，一起构成雷达目标跟踪原始训练样本数据库。
[0019] 步骤3：针对航迹预测、点航关联、航迹滤波等目标智能跟踪通用框架的所有三个技术环节，基于跟踪原始训练库，分别进行相关数据提取、数据预处理以及特征提取处理，并依次生成航迹预测训练数据集、点航关联训练数据集以及航迹滤波训练数据集；在进行数据提取时，需从目标类型、目标运动模式、目标密集程度以及目标编队类型多个方面保证训练样本的多样性和典型性；
[0020] 步骤3.1：基于跟踪原始训练库，提取与目标相关的雷达量测数据集{z(mk(i),k),k＝1,2,…,t,i＝1,2,…,l}，在此基础上，进行数据预处理和特征提取，生成无标签航迹预测训练数据集{φp[z(mk(i),k)],k＝1,2,…,t,i＝1,2,…,l}，其中函数φp表示航迹预测训练数据集生成环节的数据预处理和特征提取处理操作；
[0021] 步骤3.2：基于跟踪原始训练库，提取目标真实位置数据集{c(i,k),k＝1,2,…,t；i＝1,2,…,l}，并根据目标真实位置，计算查找相同时刻目标周边一定区域内雷达量测，得到目标周边量测数据集{z(rk(i),k),rk(i)∈O[c(i,k)]}；在此基础上，进行数据预处理和基于c(i,k)与z(rk(i),k)间差异的特征提取，并根据z(rk(i),k)是否源于目标，给数据添加{1,0}或{1,-1}标签，生成有标签点航关联训练数据集{φA[z(rk(i),k),c(i,k)],k＝1,
2,…,t；i＝1,2,…,l；rk(i)∈O[c(i,k)]}；其中O[c(i,k)]表示目标周边一定区域内雷达量测数据编号集合，函数φA表示点航关联训练数据集生成环节的数据预处理和特征提取处理操作；
[0022] 步骤3.3：基于跟踪原始训练库，提取目标真实位置数据{c(i,k),k＝1,2,…,t；i＝1,2,…,l}和与目标相关的雷达量测数据集{z(mk(i),k),k＝1,2,…,t,i＝1,2,…,l}，并以z(mk(i),k)为模型输入，c(i,k)为模型期望输出，生成航迹滤波训练数据集{z(mk(i),k),c(i,k),k＝1,2,…,t；i＝1,2,…,l}。
[0023] 步骤4：借鉴人工智能领域中的方法，利用时间序列预测的方法解决航迹预测问题，利用分类判决的方法解决点航关联问题，利用模型参数学习的方法解决航迹滤波的问题，进而采用相关的机器学习和深度学习技术与模型，利用三种训练数据集，分别训练生成各环节初步实现方法；
[0024] 步骤4.1：把航迹预测对应为人工智能领域中的时间序列预测问题，采用深度学习领域中的循环神经网络，利用航迹预测训练数据集，训练生成初步的航迹预测方法；所有具体的循环神经网络(RNNs)，均可作为航迹预测模型，其中典型的循环神经网络包括简单循环神经网络(SRNs)、门限循环神经网络(GRUs)以及长短记忆循环神经网络(LSTM)；
[0025] 步骤4.2：把点航关联对应为人工智能领域中的分类判决问题，采用机器学习领域中的二元分类学习模型，利用航迹预测训练数据集，训练生成初步的点航关联方法；典型的二元分类学习模型包括朴素贝叶斯、K近邻、混合高斯模型、感知机、逻辑回归、CART决策树、支持向量机、神经网络等学习算法以及Boosting、Baging和随机森林集成学习方法；
[0026] 步骤4.3：把航迹滤波对应为人工智能领域中的模型参数学习问题，采用机器学习领域中的模型参数学习方法，利用航迹滤波训练数据集，对常用滤波方法的超级参数进行初步学习；模型参数学习方法主要包括最大后验概率、期望最大化的方法，常用滤波方法则包括卡尔曼滤波方法、粒子滤波方法、交互式多模型。
[0027] 步骤5：按照航迹预测、点航关联以及航迹滤波等三个技术环节的先后顺序，顺序串联各环节初步实现方法，进一步对各环节实现方法进行训练调优；经过多次训练调优，最终生成与具体雷达相适应的目标智能跟踪算法；
[0028] 步骤5.1：以当前航迹滤波方法的输出，替代步骤3.1中的目标相关雷达量测数据集{z(mk(i),k),k＝1,2,…,t,i＝1,2,…,l}，并按照步骤3.1，生成新的无标签航迹预测训练数据集；然后基于新的航迹预测训练数据集，按照步骤4.1对当前航迹预测方法进行训练优化，同时记录航迹预测方法的输出；
[0029] 步骤5.2：以步骤5.1记录的航迹预测方法输出，替代步骤3.2中目标真实位置数据集{c(i,k),k＝1,2,…,t；i＝1,2,…,l}，并按照步骤3.2，生成新的有标签点航关联训练数据集；然后基于新的点航关联训练数据集，按照步骤4.2对当前点航关联方法进行训练优化，同时记录点航关联方法的输出；
[0030] 步骤5.3：以步骤5.2记录的点航关联方法输出，替代步骤3.3中目标相关的雷达量测数据集{z(mk(i),k),k＝1,2,…,t,i＝1,2,…,l}，并按照步骤3.3，生成新的航迹滤波训练数据集；然后基于新的航迹滤波训练数据集，按照步骤4.3对当前滤波方法的超级参数进行进一步学习，同时记录航迹滤波方法的输出；
[0031] 步骤5.4：重复步骤5.1～步骤5.3，直到N次或直到目标跟踪达到满意效果为止；
[0032] 步骤5.5：经过多次训练调优，最终生成与具体雷达相适应的目标智能跟踪算法。
