一种适用于微弱目标的多帧联合检测跟踪与分类方法

摘要

本发明公开一种适用于微弱目标的多帧联合检测跟踪与分类方法，应用于雷达目标检测跟踪与分类领域；针对传统单帧门限检测后目标联合跟踪与分类算法检测跟踪性能差、分类准确度低的问题，本发明首先，对目标特性进行多维度分析，进而建立基于目标类型的高维度特性空间；其次，利用所选目标状态空间建立多维条件类型概率函数和量测包络似然函数进而创建基于条件类型的加权似然比；然后，通过多阶段联合迭代优化找出目标状态的最优估计，实现基于目标多维特性下的多帧联合检测跟踪；最后，通过对目标估计状态已知情况下的目标类型进行联合优化，实现对目标类型的有效估计；可以有效解决复杂环境下基于目标多维特性空间的检测跟踪与分类问题。

权利要求

1.一种适用于微弱目标的多帧联合检测跟踪与分类方法，其特征在于，包括：S1、建立基于目标类型的高维度特性空间；

S2、基于高维度特性空间，根据不同类型目标的量测包络似然函数和条件类型概率，得到基于条件类型的加权似然比；

S3、将该加权似然比用于值函数积累，通过多阶段联合迭代优化找出目标状态的最优估计；步骤S3具体包括以下分步骤：S31、值函数Ik(yk)迭代更新，迭代更新的表达式为：其中，Mr(zk|yk)表示加权似然比，yk表示目标状态，zk表示第k帧雷达回波数据，Cr(yk|yk‑1)表示基于条件类型的加权转移代价；Ψ(yk)表示用于各帧之间状态转移关系的回溯函数，Ik‑1(yk‑1)表示第k‑1次迭代的值函数；

S32、判断是否达到联合处理帧数，若是则执行步骤S32；否则返回步骤S31；

S33、判断当前值函数是否超过检测门限，若是，则进行目标宣判，并执行步骤S34，否则结束，表示没有目标；

S34、根据宣判的目标，利用回溯函数，进行目标状态回溯，得到目标状态估计序列；

S4、通过对目标估计状态已知情况下的目标类型进行联合优化，找出目标类型的估计值；步骤S4所述目标类型的有效估计具体表达式如下：其中， 表示步骤S3得到的目标状态估计， 表示不同类型目标的量测单元似然函数对数和，表示第个距离单元，表示第 个方位单元， 表示第 个俯仰单元，表示第 个多普勒单元， 表示不同类型目标的状态转移概率对数和。

2.根据权利要求1所述的一种适用于微弱目标的多帧联合检测跟踪与分类方法，其特征在于，步骤S2所述加权似然比的计算式为：其中，c表示目标类型，H0表示没有目标，

表示第c类目标在状态yk下对应量测单元 的包络似然函数； 表示没有目标下量测单元 的包络似然函数，ln(·)表示取对数，p(c|yk)表示目标多维条件类型概率。

3.根据权利要求2所述的一种适用于微弱目标的多帧联合检测跟踪与分类方法，其特征在于，步骤S31中Cr(yk|yk‑1)的计算式为：其中，p(yk|c,yk‑1)表示第c类目标从状态yk‑1转移到状态yk所对应的代价。

说明书

一种适用于微弱目标的多帧联合检测跟踪与分类方法

技术领域

[0001] 本发明属于雷达目标检测跟踪与分类领域，，尤其涉及复杂环境下微弱目标的多帧联合检测跟踪与分类技术。

背景技术

[0002] 随着雷达探测技术的发展和当前国际军事变化多端的形势，现役雷达系统面临着更高挑战的跟踪和分类需求。但是传统的联合跟踪与分类算法是先经过单帧门限检测后形成二值化点迹，再将二值化点迹用于后续的联合跟踪与分类算法。针对复杂环境下的微弱目标，在单帧门限检测的过程中，由于目标能量过低导致该目标点迹无法通过门限，致使目标丢失，无法进行航迹关联和目标类型估计，形成航迹连续性差、目标丢失严重、无法估计目标类型等劣势。这种劣势严重制约了现役雷达满足联合跟踪与分类目标的需要。

[0003] 多帧联合检测技术是一种针对弱目标的能量积累方法，其略过单帧门限检测，直接对原始的雷达量测进行多帧联合处理，通过目标和噪声(或杂波)在帧间运动相关性的差异，从而达到目标能量积累的目的。但是这种能量积累方法忽略了不同类型目标间的差异，无法实现目标区分的目的。而传统的联合跟踪与分类算法通常采用单帧门限后的二值化点迹数据进行关联滤波，同时引入模型匹配和目标特性似然函数等来辅助目标判断，以实现对目标的有效区分。例如，文献“Joint target tracking and classification with particle filtering and mixture Kalman filtering using kinematic radar information,Digital Signal Processing,2006,pp,180‑204.”中利用雷达运动量测实现了基于粒子滤波和混合卡尔曼滤波的联合目标跟踪与分类，该方法直接在点迹级上进行目标建模，同时考虑不同类型目标的模型约束和速度约束以提高分类性能；文献“基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类,系统工程与电子技术,2016,pp,2235‑2243”提出了模型类型匹配概率假设密度滤波器，同时将其与多传感器的可转移信度模型结合，用多个运动学雷达和粒子滤波递推实现多目标的联合跟踪与分类。以上两篇文献中的方法均首先需要通过单帧门限检测，一定程度上会抑制微弱目标的点迹形成；专利“一种基于线性伪量测模型的机动目标多帧检测跟踪方法，CN202010082192.0”中利用机动目标状态转移模型对目标机动特性进行建模，之后根据建立的目标机动模型自适应调整多帧积累可能状态转移区间的大小，从而实现对微弱机动目标的状态估计。但是未考虑不同种类目标对状态转移区间和积累值函数的影响，因此无法实现对目标类型估计。因此，上述的方法均不适用于微弱目标的检测跟踪与分类。

发明内容

[0004] 为解决上述技术问题，本发明提出一种适用于微弱目标的多帧联合检测跟踪与分类方法，尤其适用于低信噪比环境下的估计性能优于常规的基于单帧检测后再联合跟踪与分类。

[0005] 本发明采用的技术方案为：一种适用于微弱目标的多帧联合检测跟踪与分类方法，包括：

[0006] S1、建立基于目标类型的高维度特性空间；在确定好高维度特性空间之后，才能依据此建立高维的条件类型概率函数，进而用于值函数积累中对似然比进行加权；

[0007] S2、根据不同类型目标的量测包络似然函数和条件类型概率，得到建基于条件类型的加权似然比；

[0008] S3、将该加权似然比用于值函数积累，通过多阶段联合迭代优化找出目标状态的最优估计；

[0009] S4、通过对目标估计状态已知情况下的目标类型进行联合优化，找出目标类型的估计值。

[0010] 步骤S2所述加权似然比的计算式为：

[0011]

[0012] 其中，yk表示目标状态，zk表示第k帧雷达回波数据，c表示目标类型，H0表示没有目标，Mr(zk|yk)表示加权似然比， 表示第c类目标在状态yk下对应量测单元 的包络似然函数； 表示没有目标
下量测单元 的包络似然函数，ln(·)表示取对数，p(c|yk)表示目标多维条件类型概率。

[0013] 步骤S3具体包括以下分步骤：

[0014] S31、值函数Ik(yk)迭代更新，迭代更新的表达式为：

[0015]

[0016]

[0017] 其中，Cr(yk|yk‑1)表示基于条件类型的加权转移代价；Ψ(yk)表示用于各帧之间状态转移关系的回溯函数，Ik‑1(yk‑1)表示第k‑1次迭代的值函数；

[0018] S32、判断是否达到联合处理帧数，若是则执行步骤S32；否则返回步骤S31；

[0019] S33、判断当前值函数是否超过检测门限，若是，则进行目标宣判，并执行步骤S34，否则结束，表示没有目标；

[0020] S34、根据宣判的目标，利用回溯函数，进行目标状态回溯，得到目标状态估计序列。

[0021] 步骤S31中Cr(yk|yk‑1)的计算式为：

[0022]

[0023] 其中，p(yk|c,yk‑1)表示第c类目标从状态yk‑1转移到状态yk所对应的代价。

[0024] 步骤S4所述目标类型的有效估计具体表达式如下：

[0025]

[0026] 其中， 表示步骤S3得到的目标状态估计， 表示不同类型目标的量测单元似然函数对数和， 表示不同类型目标的
状态转移概率对数和。

[0027] 本发明的有益效果：本发明的方法通过分析目标多维度特性，建立基于目标类型的高维度特性空间，保证所选特性空间能匹配目标分类的需求；其次，建立多维条件类型概率函数和量测包络似然函数进而创建基于条件类型的加权似然比，实现在给定目标状态下根据类型的可能性大小对似然比进行定量分配；然后，通过多阶段联合迭代优化找出目标状态的最优估计；最后，通过对目标估计状态已知情况下的目标类型进行联合优化，找出目标类型的估计值；本发明的方法有效地解决了复杂环境下基于目标多维特性空间的检测跟踪与分类问题，特别是低信噪比环境下的估计性能优于常规的基于单帧检测后再联合跟踪与分类。

附图说明

[0028] 图1为本发明的流程框图；

[0029] 图2为本发明的迭代流程图；

[0030] 图3为本发明实施例提供的仿真示意图；

[0031] 图4为本发明实施例提供的与传统的基于单帧门限检测后联合跟踪与分类算法的仿真结果对比图；

[0032] 其中，图4(a)为本发明方法和传统算法的目标检测概率Pd与观测时间的结果对比图；图4(b)为本发明方法和传统算法的目标检测和正确分类概率Pdc与观测时间的结果对比图；图4(c)为本发明方法和传统算法的目标检测类型数概率Pnc与观测时间的结果对比图。

具体实施方式

[0033] 为了方便描述本发明的内容，首先对以下术语进行解释：

[0034] 术语1：迭代更新

[0035] 在一次多帧联合处理过程中，每输入一帧新的量测数据，就对值函数进行一次更新。

[0036] 术语2：目标检测概率Pd

[0037] 在一次多帧联合处理过程中，最后一帧值函数超过检测门限Vt，且最后一帧的目标位置估计与理论上目标真实位置的误差在err个单元格内的概率。

[0038] 术语3：目标检测和正确分类概率Pdc

[0039] 在一次多帧联合处理过程中，最后一帧值函数超过检测门限Vt，且最后一帧的目标位置估计与理论上目标真实位置的误差在err个单元格内以及目标分类结果与理论上目标类型一致的概率。

[0040] 术语4：目标检测类型数概率Pnc

[0041] 在一次多帧联合处理过程中，最后一帧值函数超过检测门限Vt，最后一帧的目标位置估计与理论上目标真实位置的误差均在err个单元格内时，同一类型目标估计数/同一类型目标理论总数的概率。

[0042] 目标检测概率Pd、目标检测和正确分类概率Pdc、目标检测类型数概率Pnc作为本发明的性能评价指标。

[0043] 本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在Matlab 2019b上验证正确。下面结合附图1‑3对本发明的内容进行详细阐述。

[0044] 如图1所示，本发明的实现过程包括以下步骤：

[0045] S1、建立基于目标类型的高维度特性空间；

[0046] S2、根据不同类型目标的量测包络似然函数和条件类型概率，得到建基于条件类型的加权似然比；

[0047] S3、将该加权似然比用于值函数积累，通过多阶段联合迭代优化找出目标状态的最优估计；

[0048] S4、通过对目标估计状态已知情况下的目标类型进行联合优化，找出目标类型的估计值。

[0049] 如图2所示，本发明的具体迭代过程为：

[0050] 步骤1、初始化系统参数，

[0051] 为了验证该方法对微弱目标探测和分类的有益效果，本实施例仿真了在三维空间内，某雷达对五个运动目标(具体包含2个第一类型目标，1个第二类型目标，2个第三类型目标)探测的场景，如图3所示。初始化系统参数为：目标类型总数M＝3、三类目标对应的平均2
RCS分别为[7.08,25.12,7.94]m、目标多维特性空间维数s＝6、联合处理帧数K＝6、状态转
1 2 M
移矩阵集合Q＝{L(q),L(q),...,L(q)}、检测门限Vt＝27.8061；

[0052] 步骤2、初始化变量k＝1；

[0053] 步骤3、从雷达接收机中得到第k帧雷达回波数据zk，zk的具体形式表示为：其中，量测值 为第k帧雷达回
波在量测单元(i,j,m,n)中的包络值，i表示第i个距离单元，j表示第j个方位单元，m表示第m个俯仰单元，n表示第n个多普勒单元，Nr＝185,Nθ＝15, 分别为各轴量化单元总数；这里的各轴具体指：距离轴、方位轴、俯仰轴、多普勒轴。

[0054] 步骤4、根据不同类型目标的量测包络似然函数和条件类型概率，对第k帧雷达回波数据进行伪量测更新，得到基于条件类型的加权似然比Mr(zk|yk)，用于值函数迭代积累，具体如下：

[0055]

[0056]

[0057]

[0058]

[0059] 其中，yk表示目标状态，c表示目标类型，H0表示没有目标，p(c|yk)表示目标多维条件类型概率，描述了目标状态yk已知的情况下目标类型c的可能性。 表示第c类目标在状态yk下对应量测单元 的包络似然函数； 表示没有目标c
下量测单元 的包络似然函数，ln(·)表示取对数。 σ为第c类目
标的平均RCS(Radar Cross‑Section，雷达反射截面积)，σv＝1为背景噪声的平均功率。p(vk,hk|c)表示第c类目标的联合速度和高度似然函数，在本次仿真中，假设服从二维高斯分布，其均值和协方差分别为：

[0060] 第一类目标：

[0061] 第二类目标：

[0062] 第三类目标：

[0063] 步骤5、基于目标类型进行一步状态预测，并融合所有可能的目标状态转移区域得到集合κ(yk)，用于目标在帧间的状态转移，具体如下：

[0064] κ(yk)＝κ(yk,c＝1)∪κ(yk,c＝2)∪...∪κ(yk,c＝M)

[0065] κ(yk,c)＝{yk‑1|d(yk,fc(yk‑1))≤Lc(q)}

[0066] 其中，目标状态yk的所有取值，构成了高维特性空间，κ(yk,c)表示第c类目标的状c态转移范围，f (·)为第c类目标的运动转移函数，d(·,·)＝|·‑·|为两状态之间的距c T
离，L (q)＝[q1,q2,...,qs] (qu∈{1,4,9，...}，u＝1,2,...,s)为第c类目标的状态转移范围矩阵。

[0067] 步骤6、利用不同类型目标的状态转移概率函数，对第k帧目标状态进行帧间转移代价更新，得到基于条件类型的加权转移代价Cr(yk|yk‑1)，具体如下：

[0068]

[0069]

[0070] 其中，p(yk|c,yk‑1)表示第c类目标从状态yk‑1转移到状态yk所对应的代价；表示均值为μ，协方差矩阵为Q的高斯分布。

[0071] 步骤7、值函数Ik(yk)迭代更新，具体操作如下：

[0072]

[0073]

[0074] 其中，Mr(zk|yk)表示基于条件类型的加权似然比；yk‑1∈κ(yk)表示目标在帧间的状态转移集合；Cr(yk|yk‑1)表示基于条件类型的加权转移代价；Ψ(yk)表示用于各帧之间状态转移关系的回溯函数。

[0075] 步骤8、若k

[0076] 步骤9、进行值函数域门限判别，若值函数超过检测门限Vt，则进行目标宣判并执行步骤10；反之，算法结束，宣判没有目标，执行步骤12；

[0077] 步骤10、根据宣判的目标，利用回溯函数，进行目标状态回溯，得到目标状态估计序列

[0078] 步骤11、在目标估计状态已知情况下对目标类型进行联合优化，通过对不同类型目标的量测单元似然函数计算和状态序列转移概率计算，得到目标类型的有效估计 具体表达式如下：

[0079]

[0080] 其中， 表示不同类型目标的量测单元似然函数对数和，表示不同类型目标的状态转移概率对数和。

[0081] 通过上述步骤，完成对复杂环境下多帧联合检测跟踪与分类过程。

[0082] 图4(a)为本发明所提算法(Multi‑frame joint detection,tracking and classification,MJDTC)和对比算法(Single‑frame detection then joint tracking and classification,SDJTC)的目标检测概率Pd与观测时间的结果对比图；图4(b)为所提算法和对比算法的目标检测和正确分类概率Pdc与观测时间的结果对比图；图4(c)为所提算法和对比算法的目标检测类型数概率Pnc与观测时间的结果对比图。上述仿真的err参数均为2。从图4可以看出，对于微弱目标，本发明方法的检测跟踪与分类性能均优于传统的基于单帧门限检测后联合跟踪与分类算法。

[0083] 本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。