本发明公开的一种多隶属度的目标智能匹配算法，包括：雷达跟踪目标过程中，配置以跟踪目标为中心的邻域空间；在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标进行点迹‑航迹关联；利用卡尔曼滤波模型对邻域空间中的备份目标进行点迹‑航迹关联；对邻域空间中的备份目标进行裁决，保留真实目标航迹；计算跟踪目标的检测概率且当小于等于目标检测丢失概率时，在备份目标选择最优的邻域目标作为跟踪目标，并对跟踪目标完成状态估计更新；在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标。本发明通过分析目标跟踪环境实现目标运动态势感知，对目标进行智能匹配，提高目标跟踪连续性，降低目标跟踪错误概率。
1.一种多隶属度的目标智能匹配算法，其特征在于，包括如下步骤：S1：雷达跟踪目标过程中，配置以跟踪目标 为中心的邻域空间，对跟踪目标进行环境感知；
S2：在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标 进行点迹‑航迹关联，实现跟踪目标 的跟踪和状态估计；
S3：在雷达当前扫描周期中，对邻域空间中的备份目标 ， ， 是邻域空间备份目标个数，利用卡尔曼滤波模型进行点迹‑航迹关联，实现备份目标 的跟踪和状态估计；
S4：在雷达当前扫描周期中，对邻域空间中的备份目标 进行裁决，删除虚假目标航迹和独立点航迹，保留真实目标航迹；所述S4包括：S41：计算备份目标 的跟踪滑窗长度 并与目标检测跟踪的最小滑窗长度 比较，当 时对备份目标进行裁决；
其中， 为备份目标 至 时刻的关联点迹量测集合， 表示假设备份目标来源于真实目标事件， 表示假设备份目标 来源于真实目标的归一化概率， 表示假设备份目标 来源于杂波事件， 表示假设备份目标 来源于杂波的归一化概率；
S44、对备份目标 进行裁决，裁决约束条件为： ，其中， 为真实目标存在的最小检测概率， 为真实目标存在的最小似然比，若备份目标 不满足裁决约束条件，则执行步骤S5；
S45、计算备份目标 的检测生存时间 并与备份目标最大检测跟踪时间 比较，若成立，则删除备份目标 ；
S5：计算跟踪目标 的检测概率 并与目标检测丢失概率 进行比较，当时，跟踪目标 丢失，采用时间和空间隶属度在备份目标 中选择最优的邻域目标作为跟踪目标 的匹配目标 ，根据匹配目标 对跟踪目标 完成状态估计更新；
S6：在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标 ；
2.根据权利要求1所述的多隶属度的目标智能匹配算法，其特征在于：步骤S1中邻域空间配置成以跟踪目标 为圆心的圆空间或者以跟踪目标 为中心的矩形空间，两种空间能够通过配置参数进行切换。
3.根据权利要求2所述的多隶属度的目标智能匹配算法，其特征在于：步骤S2中交互式多模型算法的模型数 ，分别为匀速运动跟踪模型和机动跟踪模型，匀速运动跟踪模型的状态转移矩阵为 ，机动跟踪模型的状态转移矩阵为 ：，
匀速运动跟踪模型和机动跟踪模型的目标量测方程为：；
匀速运动跟踪模型和机动跟踪模型的初始转移概率为：；
匀速运动跟踪模型和机动跟踪模型初始化模型概率为：；
其中，模型 ， 时代表匀速运动跟踪模型， 时代表机动跟踪模型，为X方向位置， 为X方向速度， 为X方向加速度， 为Y方向位置， 为Y方向速度， 为Y方向加速度。
4.根据权利要求3所述的多隶属度的目标智能匹配算法，其特征在于：所述交互式多模型计算流程如下：
S21： 时刻，对于交互式多模型算法模型集中的任意模型 ，由所述模型到模型 的混合概率为：式中： 为模型个数， 为模型 到模型 的转移概率， 为k‑1时刻每个滤波器的模型概率， ；
S23：模型概率更新采用似然函数更新模型概率 ，模型 的似然函数为；
5.根据权利要求4所述的多隶属度的目标智能匹配算法，其特征在于：步骤S3中卡尔曼滤波模型的计算流程如下：预测阶段：
式中， 为状态估计空间， 为状态转移矩阵，为状态协方差矩阵， 为过程噪声矩阵， 为目标预测状态， 为目标预测协方差矩阵；
为测量方程的噪声， 为卡尔曼增益矩阵， 为测量矩阵。
6.根据权利要求5所述的多隶属度的目标智能匹配算法，其特征在于：步骤S5的具体过程如下：
S51：计算跟踪目标 丢失时间和创建备份目标 的时间差 ；
S52：计算跟踪目标 丢失时，备份目标 出现概率 ，，
其中 为跟踪目标 的新息协方差， 为备份目标 的新息；
S53：若备份目标 满足 且备份目标 创建状态 ，选择出现概率最大的备份目标 作为跟踪目标 的匹配目标 ；
S54：根据匹配目标 对跟踪目标 完成状态估计更新。
7.根据权利要求6所述的多隶属度的目标智能匹配算法，其特征在于：步骤S6的具体过程如下：
S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标 的距离差 和方位差 ，并与距离保护空间范围 、方位保护空间范围 相比较，若
则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的 的状态，设置条件为：
一种多隶属度的目标智能匹配算法
技术领域
[0001] 本发明涉及雷达检测目标跟踪技术领域，具体涉及一种多隶属度的目标智能匹配算法。
背景技术
[0002] 雷达检测跟踪目标过程中，受地物遮挡、多目标遮挡或者目标高速机动等多种因素影响，易出现目标回波丢失现象，导致目标跟踪连续性和稳定性下降。传统的雷达数据处
理技术，一种方法采用调整预测协方差矩阵的方法，扩大目标波门实现目标搜索关联。在多
目标或者杂波干扰的条件下，该方法增加了目标跟踪错误或者跟踪丢失的概率；另一种多
假设关联算法可提高目标跟踪性能，但是该方法具有延迟特性，不适合实时目标跟踪阶段。
发明内容
[0003] 发明目的：本发明目的在于针对现有技术的不足，提供一种多隶属度的目标智能匹配算法，通过分析目标跟踪环境实现目标运动态势感知，以时间、空间等多隶属度参数关
系对目标进行智能匹配，在多目标、遮挡、高机动等场景下提高目标跟踪连续性，降低目标
跟踪错误概率，减少人工干预，提升了雷达跟踪系统的智能化水平。
[0004] 技术方案：本发明所述的多隶属度的目标智能匹配算法，包括如下步骤：
[0005] S1：雷达跟踪目标过程中，配置以跟踪目标 为中心的邻域空间，对跟踪目标进行环境感知；
[0006] S2：在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标 进行点迹‑航迹关联，实现目标跟踪和状态估计；
[0007] S3：在雷达当前扫描周期中，对邻域空间中的备份目标 ， ， 是邻域空间备份目标个数，利用卡尔曼滤波模型进行点迹‑航迹关联，实现目标检测跟踪和状
态估计；
[0008] S4：在雷达当前扫描周期中，对邻域空间中的备份目标 进行裁决，删除虚假目标航迹和独立点航迹，保留真实目标航迹；
[0009] S5：计算跟踪目标 的检测概率 并与目标检测丢失概率 进行比较，当时，跟踪目标 丢失，在备份目标 中选择最优的邻域目标 匹配为跟踪目标
，并对匹配后的跟踪目标 完成状态估计更新；
[0010] S6：在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标 ；
[0011] S7：重复步骤S2至 S6，直至删除跟踪目标 。
[0012] 进一步完善上述技术方案，所述步骤S1中邻域空间配置成以跟踪目标 为圆心的圆空间或者以跟踪目标 为中心的矩形空间，两种空间能够通过配置参数进行切换。
[0013] 进一步地，所述步骤S2中交互式多模型算法的模型数 ，分别为匀速运动跟踪模型和机动跟踪模型，匀速运动跟踪模型的状态转移矩阵为 ，机动跟踪模型的状态转移
矩阵为 ：
[0014] ，
[0015]
[0016] 其中， 为雷达扫描周期， 为机动常数；
[0017] 匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
[0018] ；
[0019] 匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
[0020] ；
[0021] 匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
[0022] ；
[0023] 匀速运动跟踪模型和机动跟踪模型的状态空间 为：
[0024] ；
[0025] 其中， 时代表匀速运动跟踪模型， 时代表机动跟踪模型， 为X方向位置， 为X方向速度， 为X方向加速度， 为Y方向位置， 为Y方向速度， 为Y方向加速
度。
[0026] 进一步地，所述交互式多模型计算流程如下：
[0027] S21： 时刻，对于算法模型集中的任意模型 ，由模型 到模型的混合概率为：
[0028]
[0029] 式中： 为模型个数， 为模型 到模型 的转移概率， 为k‑1时刻每个滤波器的模型概率， ；
[0030] 模型 的混合状态估计：
[0031] ；
[0032] 模型 的混合协方差估计：
[0033] ；
[0034] S22：对于模型 ，进行卡尔曼滤波
[0035] 状态预测： ；
[0036] 预测误差协方差：
[0037] ；
[0038] 残差： ；
[0039] 卡尔曼增益： ；
[0040] 状态更新： ；
[0041] 预测误差协方差更新：
[0042] ；
[0043] S23：模型概率更新
[0044] 采用似然函数更新模型概率 ，模型 的似然函数为
[0045] ；
[0046] 模型 的概率更新为 ，
[0047] 其中 ，
[0048] S24、输出融合，
[0049] 状态估计： ；
[0050] 协方差估计：
[0051]
[0052] 进一步地，所述步骤S3中卡尔曼滤波模型的计算流程如下：
[0053] 预测阶段：
[0054]
[0055] 式中， 为状态估计空间， 为状态转移矩阵，为状态协方差矩阵， 为过程噪声矩阵， 为目标预测状态， 为目标预
测协方差矩阵；
[0056] 更新阶段：
[0057] ；
[0058] 为测量方程的噪声， 为卡尔曼增益矩阵， 为测量矩阵。
[0059] 进一步地，所述步骤S4的具体过程如下：
[0060] S41：计算备份目标 的跟踪滑窗长度 并与目标检测跟踪的最小滑窗长度比较，当 时对备份目标进行裁决；
[0061] S42：计算备份目标 的检测概率 ， ；
[0062] S43：计算备份目标 的似然比 ， ；
[0063] 其中， 为备份目标 至 时刻的关联点迹量测集合， 表示假设备份目标 来源于真实目标事件， 表示假设备份目标 来源于真实目标的归一
化概率， 表示假设备份目标 来源于杂波事件， 表示假设备份目标
来源于杂波的归一化概率；
[0064] S44、对备份目标 进行裁决，裁决约束条件为： ，
[0065] 其中， 为真实目标存在的最小检测概率， 为真实目标存在的最小似然比，若备份目标 不满足裁决约束条件，则执行步骤S5；
[0066] S45、计算备份目标 的检测生存时间 并与备份目标最大检测跟踪时间 比较，若 成立，则删除备份目标 。
[0067] 进一步地，所述步骤S5中采用时间和空间隶属度在备份目标 中进行匹配。
[0068] 进一步地，所述步骤S5的具体过程如下：
[0069] S51：计算跟踪目标 丢失时间和创建备份目标 的时间差 ；
[0070] S52：计算跟踪目标 丢失时，备份目标 出现概率 ，
[0071] ，
[0072] 其中 为跟踪目标 的新息协方差， 为备份目标 的新息；
[0073] S53：若 且备份目标 创建状态 ，在满足上述条件的备份目标 中选择出现概率 最大的备份目标作为跟踪目标 的匹配目标 ；
[0074] S54：根据匹配目标 对跟踪目标 完成状态估计更新。
[0075] S51是时间约束条件，S52采用出现概率描述进行空间约束。
[0076] 进一步地，点迹只要不满足下面公式，就可以创建备份目标，所述步骤S6的具体过程如下：
[0077] S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标 的距离差 和方位差 ，并与距离保护空间范围 、方位保护空间范围
相比较，若
[0078]
[0079] 则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
[0080] S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的 的状态，设置条件为：
[0081] 。
[0082] 有益效果：与现有技术相比，本发明的优点在于：本发明通过分析目标跟踪环境实现目标运动态势感知，以时间、空间多隶属度参数关系对跟踪目标进行智能匹配，提高了目
标跟踪的连续性，与传统的调整协方差法和多假设法，降低了目标跟踪错误概率，减少了人
工干预，提高了目标跟踪实时性。
附图说明
[0083] 图1是本发明的智能匹配算法处理流程图；
[0084] 图2是本发明目标裁决处理流程图；
[0085] 图3是目标丢失匹配算法流程图；
[0086] 图4是目标跟踪滑窗的示意图；
[0087] 图5是目标丢失回波场景下的目标自动匹配示意图；
[0088] 图6是目标机动丢失回波场景下的目标自动匹配示意图。
具体实施方式
[0089] 下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
[0090] 如图1所示的多隶属度的目标智能匹配算法，包括：
[0091] S1：雷达跟踪目标过程中，建立以跟踪目标 为中心的邻域空间，实现跟踪目标环境感知；
[0092] S2：在雷达当前扫描周期中，对跟踪目标 利用交互式多模型算法进行跟踪和状态估计；
[0093] S3：在雷达当前扫描周期中，对邻域空间中的备份目标 ， ，利用卡尔曼滤波模型进行检测跟踪和状态估计， 是邻域空间备份目标个数；
[0094] S4：在雷达当前扫描周期中，对邻域空间中的备份目标 进行裁决，删除虚假目标航迹和独立点航迹，保留真实目标航迹；
[0095] S5：当跟踪目标 检测概率 （ 为目标检测丢失概率），以时间、空间等多隶属度在备份目标 中进行匹配，选择最优的邻域目标 作为跟踪目标 ，提高目标
跟踪连续性；
[0096] S6：当雷达当前扫描周期中，对邻域空间中的非目标关联点迹起始备份目标；
[0097] S7：重复S2 S6。~
[0098] 具体地，步骤S1：邻域空间可设置成以跟踪目标为圆心的圆空间或者以跟踪目标为中心的矩形空间，可利用配置参数进行切换。
[0099] 定义邻域空间参数NbSpaceCfg数据结构如下：
[0100] NbSpaceCfg.Type; //目标邻域空间类别: 1表示圆空间，2表示矩形空间
[0101] NbSpaceCfg.radius; //圆空间半径距离
[0102] NbSpaceCfg.xMaxDis; //在笛卡尔系下，矩形空间到跟踪目标中心的X方向最大距离
[0103] NbSpaceCfg.yMaxDis; //在笛卡尔系下，矩形空间到跟踪目标中心的Y方向最大距离。
[0104] 步骤S2：本发明中，跟踪目标 采用交互式多模型方法，模型数 ，一种为匀速运动跟踪模型，一种为机动跟踪模型，其状态转移矩阵分别为
[0105]
[0106]
[0107] 其中， 为雷达扫描周期， 为机动常数；
[0108] 匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
[0109]
[0110] 匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
[0111]
[0112] 匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
[0113]
[0114] 匀速运动跟踪模型和机动跟踪模型的状态空间 为：
[0115]
[0116] 其中， 时代表匀速运动跟踪模型， 时代表机动跟踪模型， 为X方向位置， 为X方向速度， 为X方向加速度， 为Y方向位置， 为Y方向速度， 为Y方向加速
度。
[0117] 交互式多模型计算流程包括如下步骤：
[0118] S21： 时刻，对于算法模型集中的任意模型 ，由模型 到模型 的混合概率为：
[0119] ；
[0120] 式中： 为模型个数， 为模型 到模型 的转移概率， 为k‑1时刻每个滤波器的模型概率， ；
[0121] 模型 的混合状态估计：
[0122] ；
[0123] 模型 的混合协方差估计：
[0124] ；
[0125] S22：对于模型 ，进行卡尔曼滤波
[0126] 状态预测： ；
[0127] 预测误差协方差：
[0128] ；
[0129] 残差： ；
[0130] 卡尔曼增益： ；
[0131] 状态更新： ；
[0132] 预测误差协方差更新：
[0133] 。
[0134] S23：模型概率更新
[0135] 采用似然函数更新模型概率 ，模型 的似然函数为
[0136] ；
[0137] 模型 的概率更新为： ，
[0138] 其中 ，
[0139] S24、输出融合，
[0140] 状态估计： ；
[0141] 协方差估计：
[0142] 。
[0143] 在步骤S3：在雷达当前扫描周期中，对邻域空间中的备份目标利用卡尔曼滤波模型进行点迹‑航迹关联，实现目标检测跟踪和状态估计， 是邻域空间备
份目标个数；
[0144] 预测阶段：
[0145]
[0146] 式中， 为状态估计空间， 为状态转移矩阵，为状态协方差矩阵， 为过程噪声矩阵， 为目标预测状态， 为目标预
测协方差矩阵；
[0147] 更新阶段：
[0148] ；
[0149] 为测量方程的噪声， 为卡尔曼增益矩阵， 为测量矩阵。
[0150] 步骤S4：在雷达当前扫描周期中，对邻域空间中的备份目标 进行裁决，删除虚假目标航迹和独立点航迹，保留真实目标航迹。具体步骤如下：
[0151] S41：计算备份目标 的跟踪滑窗长度 并与目标检测跟踪的最小滑窗长度比较，当 时对备份目标进行裁决；
[0152] S42：计算备份目标 的检测概率 ， ；
[0153] S43：计算备份目标 的似然比 ， ；
[0154] 其中， 为备份目标 至 时刻的关联点迹量测集合， 表示假设备份目标 来源于真实目标事件， 表示假设备份目标 来源于真实目标的归一
化概率， 表示假设备份目标 来源于杂波事件， 表示假设备份目标
来源于杂波的归一化概率；
[0155] S44、对备份目标 进行裁决，裁决约束条件为：
[0156] 其中， 为真实目标存在的最小检测概率， 为真实目标存在的最小似然比，若备份目标 不满足裁决约束条件，则执行步骤S5；
[0157] S45、计算备份目标 的检测生存时间 并与备份目标最大检测跟踪时间 比较，若 成立，则删除备份目标 。
[0158] 步骤5：当跟踪目标 检测概率 时， 为目标检测丢失概率，以时间、空间等多隶属度在备份目标 中进行匹配，选择最优的邻域目标 作为跟踪目标 ，提高目
标跟踪连续性。具体步骤如下：
[0159] S51：计算跟踪目标 丢失时间和创建备份目标 的时间差 ；
[0160] S52：计算跟踪目标 丢失时，备份目标 出现概率 ，
[0161]
[0162] 其中 为跟踪目标 的新息协方差， 为备份目标 的新息；
[0163] S53：若 且备份目标 创建状态 ，在满足上述条件的备份目标 中选择出现概率 最大的备份目标作为跟踪目标 的匹配目标 ；
[0164] S54：根据匹配目标 对跟踪目标 完成状态估计更新。
[0165] S6：当雷达当前扫描周期中，对邻域空间中的非目标关联点迹进行备份目标 起始。具体步骤如下：
[0166] S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标 的距离差 和方位差 ，并与距离保护空间范围 、方位保护空间范围
相比较，若
[0167]
[0168] 则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
[0169] S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的 的状态，设置条件为：
[0170] 。
[0171] S7：重复步骤2 步骤6。~
[0172] 如图5所示，对跟踪目标采用匀速运动跟踪模型进行跟踪和状态估计，雷达量测点迹与目标轨迹在目标丢失回波场景下的目标自动匹配；如图6所示，对跟踪目标采用机动跟
踪模型，雷达量测点迹与目标轨迹在机动丢失回波场景下自动匹配。与传统的调整协方差
法和多假设法，降低了目标跟踪错误概率，减少了人工干预，提高了目标跟踪实时性。
[0173] 如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对
其在形式上和细节上作出各种变化。
