The invention discloses a trajectory filtering method for low and slow small targets based on interactive multi-model Kalman filter, which includes: step 1: obtaining the initial state estimation value X0 and the initial state estimation covariance matrix P through the track initiation algorithm; step 2: setting the target motion model set and obtaining the corresponding state transition matrix and radar measurement matrix according to the motion characteristics; step 3: calculating the trajectory filtering method for low and slow small targets based on the interactive multi-model Kalman filter; Calculate the predictive probability and the mixed probability of the model corresponding to the K time; Step 4: Calculate the mixed state and the mixed covariance at the K time; Step 5: Calculate the one-step predictive value and the predictive covariance matrix and the one-step predictive value and predictive covariance matrix of the mixed state of each model at the K + 1 time; Step 6: Calculate the estimated value and the estimated covariance matrix of the target state at the K + 1 time, and Calculate the likelihood function and model probability; add the K value to 1, and then perform step 3 again. The invention improves the success rate of dot correlation and ultimately improves the radar detection accuracy.
【技术实现步骤摘要】
一种低慢小目标轨迹滤波方法及装置
本专利技术属于雷达
,特别涉及一种基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法及装置。
技术介绍
传统雷达通常探测高空快速大目标(简称高大快目标),而对低空慢速小目标(简称低慢小目标)无法进行有效探测,随着低空开放与无人机技术的蓬勃发展,传统雷达已无法对低空安全做出有效防范。鉴于此,低慢小目标探测雷达应运而生,其可以在一定范围内及时发现低慢小飞行目标并且采取相应的处置手段。但是在低空对无人机进行探测时,目标关联结果会受到各类杂波与干扰的影响,尤其对靠近地面的目标进行探测时,由于雷达自身的探测误差与较强的地杂波目标在俯仰向的测角精度会大大收到影响,从而噪声俯仰角精度的急剧恶化,造成俯仰误差的倍增,并最终对关联结果产生较大影响,从而导致航迹出现较大不规则性,最终影响雷达的探测精度以及跟踪精度。综上所述,现有技术存在以下缺点:传统雷达无法对低空慢速小目标进行有效探测,现有的低慢小目标探测雷达的探测精度以及跟踪精度较差。
技术实现思路
为解决上述技术问题,本专利技术提出了一种基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法及装置。一种基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法,所述低慢小目标轨迹滤波方法包括以下步骤:步骤1:通过航迹起始算法得到目标初始状态估计值X0和初始状态估计协方差矩阵P0;步骤2:设定目标运动模型集,根据目标运动状态得到对应的状态转移矩阵、雷达量测矩阵;步骤3:计算第k时刻对应的目标运动模型预测概率以及混合概率;步骤4:计算第k时刻对应的目标运动模型混合状态、混合协方差;步骤5:计算第k+1 ...
【技术保护点】
1.一种基于交互多模型‑卡尔曼滤波的低慢小目标轨迹滤波方法,其特征在于,所述低慢小目标轨迹滤波方法包括以下步骤:步骤1:通过航迹起始算法得到目标初始状态估计值X0和初始状态估计协方差矩阵P0;步骤2:设定目标运动模型集,根据目标运动状态得到对应的状态转移矩阵、雷达量测矩阵;步骤3:计算第k时刻对应的目标运动模型预测概率以及混合概率;步骤4:计算第k时刻对应的目标运动模型混合状态、混合协方差;步骤5:计算第k+1时刻每个目标运动模型混合状态的一步预测值和预测协方差矩阵与量测的一步预测值和预测协方差矩阵;步骤6:计算第k+1时刻目标状态估计值与估计协方差矩阵,并计算似然函数与目标运动模型概率;将k值加1,然后再次执行步骤3。
【技术特征摘要】
1.一种基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法,其特征在于,所述低慢小目标轨迹滤波方法包括以下步骤:步骤1:通过航迹起始算法得到目标初始状态估计值X0和初始状态估计协方差矩阵P0;步骤2:设定目标运动模型集,根据目标运动状态得到对应的状态转移矩阵、雷达量测矩阵;步骤3:计算第k时刻对应的目标运动模型预测概率以及混合概率;步骤4:计算第k时刻对应的目标运动模型混合状态、混合协方差;步骤5:计算第k+1时刻每个目标运动模型混合状态的一步预测值和预测协方差矩阵与量测的一步预测值和预测协方差矩阵;步骤6:计算第k+1时刻目标状态估计值与估计协方差矩阵,并计算似然函数与目标运动模型概率;将k值加1,然后再次执行步骤3。2.如权利要求1所述的基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法,其特征在于,所述航迹起始算法包括:逻辑航迹起始算法或者基于Hough变换的航迹起始算法;其中,雷达检波器的检波形式包括:平方率检波或线性检波。3.如权利要求2所述的基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法,其特征在于,所述目标运动模型集被定义为[M1,M2,…,Mn],所述对应的状态转移矩阵被定义为[F1,F2,…,Fn],所述雷达量测矩阵被定义为[H1,H2,…,Hn],其中,n表示目标运动模型集内目标运动模型的个数,所述目标运动模型集是根据目标不同运动状态与运动特性得到的目标运动模型集合,目标运动模型包括匀速直线运动模型、匀加速直线运动模型以及协同转弯模型,其中Mi代表第i个目标运动模型,Fi表示第i个目标运动模型对应的状态转移矩阵,Hi表示第i个目标运动模型对应的雷达量测矩阵,i为大于等于1的正整数。4.如权利要求3所述的基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法,其特征在于,所述目标运动模型预测概率以及混合概率是通过以下步骤计算得到的:3a)其中目标运动模型预测概率表示目标从k时刻到k+1时刻第i个目标运动模型出现的概率,表示在第k时刻第j个目标运动模型出现的概率,利用下式计算目标运动模型预测概率其中,Γi|j=Pr{rk+1=i|rk=j},其中,所述Γi|j表示目标运动时由目标运动模型j转换到目标运动模型i的概率,其中,rk、rk+1分别表示目标在第k时刻与第k+1时刻的目标运动模型,Pr{·}表示求事件发生的概率,∑表示求和操作;3b)其中混合概率表示目标运动时从k时刻到k+1时刻从第i个目标运动模型转移到第j个目标运动模型的概率,利用步骤3a)得到的结果与下式计算混合概率其中c表示归一化常数,c的大小与计算结果有关,k代表第k时刻,k为大于等于1的正整数。5.如权利要求4所述的基于交互多模型-卡尔曼滤波的低慢小目标轨迹滤波方法,其特征在于,通过以下步骤得到...
【专利技术属性】
技术研发人员:鲁瑞莲,胥秋,金敏,汪宗福,邹江波,
申请(专利权)人:成都汇蓉国科微系统技术有限公司,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。