一种基于模型的联合跟踪与识别方法技术

本发明专利技术公开了一种基于模型的联合跟踪与识别方法，目的是提高跟踪和识别的准确率。技术方案是先对目标运动状态与传感器观测进行建模，对目标状态、目标识别概率进行初始化；根据观测数据预测目标运动状态模型和观测模型；对目标的状态和类别进行联合跟踪与识别，得到目标状态估计和目标识别概率估计值；判断目标识别概率估计值中的最大值是否大于阈值，若大于，则说明识别结果已经确定，输出跟踪和识别结果，跟踪识别结束。本发明专利技术实现了基于宽带雷达目标运动学和距离像观测的联合预测，实现了目标状态与类型的联合跟踪与识别，采用本发明专利技术可利用连续跟踪信息有效提高目标的正确识别概率和跟踪准确性，扩展联合传统目标跟踪与识别方法的适用范围。

【技术实现步骤摘要】
一种基于模型的联合跟踪与识别方法
本专利技术涉及一种运动目标的联合跟踪与识别方法，尤其是基于雷达宽带测量的弱机动目标跟踪与识别一体化处理方法。
技术介绍
在传统的运动目标跟踪与识别方法中，目标的识别和跟踪往往被视为两个独立的环节，其方法是先对目标进行识别，在此基础上对感兴趣目标维持跟踪。这种方法将识别作为一次性决策，其判断失误可能导致整个过程产生错误；同时，由于识别和跟踪环节不存在交联和反馈，识别结果也无法给跟踪环节提供有效的信息。为了提高对目标识别和跟踪的一体化处理能力，文献1：A.Donka，M.Lyudmila，“JointtargettrackingandclassificationwithparticlefilteringandmixtureKalmanfilteringusingkinematicradarinformation”，DigitalSignalProcessing，2006，16：180-204(A.Donka等人于2006年在《数字信号处理》期刊第16卷发表的论文，题目为“利用雷达运动学信息和粒子滤波/混合卡尔曼滤波进行联合目标跟踪与分类”，称为
技术介绍
1)公开了一种基于目标运动学测量信息(包括目标的距离、角度)的联合目标跟踪与识别处理方法。该方法从不同类型的空中飞机目标具有不同的机动特性(如加速度大小、速度包线等)出发，通过目标运动参数(如：位置、速度和加速度)的估计实现目标跟踪与识别的联合处理。该方法不足表现为：1)该方法中目标的识别主要通过对高速运动目标的机动模式判断来实现，在雷达探测过程中，若目标不执行机动飞行动作，识别条件无法得到满足；2)对于弱机动目标，如慢速运动大型舰船等，由于其在机动能力和速度包线等方面不存在显著的差异性，该方法不适用；3)此方法基于传统的窄带雷达，只能对应点目标，由于受分辨率条件的限制，只能获取目标的信号幅度或雷达截面积(RadarCrossSection，RCS)等简单观测，无法得到关于目标的更多细节信息；且RCS严重敏感于目标姿态，在不同的观测角度下其大小起伏变化不定，通过目标RCS进行目标识别非常困难。宽带雷达可以实现目标在纵向距离维度上的分辨力，由此得到的观测结果称为高分辨距离像(HighRangeResolutionProfile，HRRP)，相应地，此时的目标被称为扩展目标(表示目标占据多个距离分辨单元)。HRRP比RCS提供了更多关于目标的细节信息，在进行目标分类识别时可以摆脱对目标机动特性的依赖；但HRRP本身同样面临姿态敏感问题，在有多种混淆目标的条件下，不同类型目标在不同姿态下的HRRP特征可能具有高度的相似性，造成模式分类决策的模糊性，从而影响最终的目标识别效果。因此，如何充分利用目标的运动学测量与高分辨距离像测量信息，提高目标跟踪与识别精度，是雷达系统整体性能提升中面临的一个重要问题。解决该问题的一种可行思路是对扩展目标的运动状态和类型参数进行联合估计(滤波)，其中，对目标的类型估计通过目标距离像(识别特征)匹配来实现，这就要求系统在联合处理过程中具备对目标距离像的预测能力。文献2：JieminHu，WeiWang，QinglinZhai，JianpingOu，RonghuiZhan，andJunZhang，“GlobalscatteringcenterextractionforradartargetsusingamodifiedRANSACmethod”，IEEETransactionsonAntennasandPropagation，2016，64(8)：3573-3586(JieminHu等人于2016年在《天线与传播汇刊》第64卷第8期发表的论文，题目为利用修正的RANSAC方法进行雷达目标的全局散射中心提取，称为
技术介绍
2)公开了一种雷达三维散射中心模型(见第3581页图8)，该模型是目标几何实体在电磁域的抽象和等效，但没有涉及如何用三维散射中心模型进行距离像预测和目标识别。
技术实现思路
本专利技术提出一种基于模型的联合跟踪与识别方法，该方法以雷达三维散射中心模型为基础，通过对目标运动状态的预测得到目标方向角(即雷达视线与目标轴向的夹角)的估计，并以此目标方向角作为输入条件，产生距离像的预测值，将该距离像预测值与雷达实际获取的距离像测量进行匹配，得到识别结果。由于跟踪过程的连续性，随着目标运动状态估计误差的不断减小和目标类型估计不确定性的不断降低，目标的识别概率也在不断提高，最终得到稳定识别结果。本专利技术提供的基于模型的联合跟踪与识别方法主要包括以下几个步骤：第一步，对目标运动状态与传感器观测进行建模，方法是：1.1建立目标的运动状态模型：对在x-y二维平面内作近似匀速运动的目标建立如公式(1)所示的状态演化模型：xk＝Fxk-1+wk(1)式中，表示k时刻的目标状态，包含位置分量posk＝[xkyk]T和速度下标k表示采样时刻，T为转置符号；wk＝[w1kw2kw3kw4k]T为目标运动过程噪声且表示wk服从均值为0、协方差矩阵为Q的多维高斯分布，代表均值为0、协方差矩阵为Q的多维高斯函数)；F为目标的状态转移矩阵，且Q和F的具体表达式为其中，Ts为目标采样(观测时间)间隔，通常在0.5s～5s范围内取值；q为噪声强度，对于地海面目标其取值通常不大于1m/s2。1.2建立雷达传感器对目标的观测模型：1.2.1建立目标的运动学观测模型，如公式(3)所示：式中，h(xk)为xk的运动学观测方程；βk表示k时刻包含了观测噪声的目标方位，rk表示k时刻包含了观测噪声的距离信息；vk＝[v1,kv2,k]T，表示vk服从均值为0、协方差矩阵为R的多维高斯分布，R表示观测噪声协方差矩阵。1.2.2建立目标的距离像观测模型，如公式(4)所示dk＝g(φk,S)+nk＝IDFT{Ei＝E(fi,φk,γk,S),i＝0,1,2,…,I}+nk(4)式中，g(φk,S)表示距离像观测方程，φk为k时刻目标方向角(雷达视线方向与目标运动方向的夹角)，γk表示k时刻目标的俯仰角，当目标在二维平面内运动时γk≈0，S＝{an,αn,(xn,yn,zn)；n＝1,...,N}为目标的三维散射中心模型，IDFT表示逆离散傅立叶变换，E(·)为频率响应函数，Ei表示fi在E(·)中的响应结果，I为频点个数，nk为I维零均值高斯观测噪声矢量。E(fi,φk,γk,S)的具体形式可用公式(5)表示为其中fi为第i个频点对应的信号频率，fc为雷达载频，c为光速，j为虚数单位，an表示第n个散射中心的幅度，(xn,yn,zn)表示第n个散射中心在三维空间中的坐标，αn为第n个散射中心的类型参数，N为散射中心数目。对于特定的目标，其模型参数(xn,yn,zn)、an和αn在使用之前已完全确定，这些参数可通过文献2中的三维散射中心模型重构处理过程(见文献2的第3579页图6)得到。fi在[fc-B/2,fc+B/2]区间范围内，通过公式(6)来选取式中，B为信号带宽，一般在几十到几百MHz量级，I的取值范围通常在几十到几百之间。方向角φk通过公式(7)来确定由公式(3)和(4)可得到k时刻目标运动学和距离像的联合观测{zk,dk}，以及从τ＝0本文档来自技高网...

【技术保护点】
1.一种基于模型的联合跟踪与识别方法，其特征在于包括以下步骤：第一步，对目标运动状态与传感器观测进行建模，方法是：1.1建立目标的运动状态模型：对在x‑y二维平面内作近似匀速运动的目标建立如公式(1)所示的状态演化模型：xk＝Fxk‑1+wk                       (1)式中，

【技术特征摘要】
1.一种基于模型的联合跟踪与识别方法，其特征在于包括以下步骤：第一步，对目标运动状态与传感器观测进行建模，方法是：1.1建立目标的运动状态模型：对在x-y二维平面内作近似匀速运动的目标建立如公式(1)所示的状态演化模型：xk＝Fxk-1+wk(1)式中，表示k时刻的目标状态，包含位置分量posk＝[xkyk]T和速度下标k表示采样时刻，T为转置符号；wk＝[w1kw2kw3kw4k]T为目标运动过程噪声且表示wk服从均值为0、协方差矩阵为Q的多维高斯分布，代表高斯分布函数，代表均值为0、协方差矩阵为Q的多维高斯函数；F为目标的状态转移矩阵，且Q和F的具体表达式为其中，Ts为目标采样间隔，q为噪声强度；1.2建立雷达传感器对目标的观测模型：1.2.1建立目标的运动学观测模型，如公式(3)所示：式中，h(xk)为xk的运动学观测方程；βk表示k时刻包含了观测噪声的目标方位，rk表示k时刻包含了观测噪声的距离信息；vk＝[v1,kv2,k]T，表示vk服从均值为0、协方差矩阵为R的多维高斯分布，R表示观测噪声协方差矩阵；1.2.2建立目标的距离像观测模型，如公式(4)所示dk＝g(φk,S)+nk＝IDFT{Ei＝E(fi,φk,γk,S),i＝0,1,2,…,I}+nk(4)式中，g(φk,S)表示距离像观测方程，φk为k时刻目标方向角，γk表示k时刻目标的俯仰角，当目标在二维平面内运动时γk≈0，S＝{an,αn,(xn,yn,zn)；n＝1,...,N}为目标的三维散射中心模型，IDFT表示逆离散傅立叶变换，E(·)为频率响应函数，Ei表示fi在E(·)中的响应结果，I为频点个数，nk为I维零均值高斯观测噪声矢量；E(fi,φk,γk,S)的具体形式用公式(5)表示为其中fi为第i个频点对应的信号频率，fc为雷达载频，c为光速，j为虚数单位，an表示第n个散射中心的幅度，(xn,yn,zn)表示第n个散射中心在三维空间中的坐标，αn为第n个散射中心的类型参数，N为散射中心数目；fi在[fc-B/2,fc+B/2]区间范围内，通过公式(6)来选取式中，B为信号带宽，在几十到几百MHz量级，I的取值范围在几十到几百之间；方向角φk通过公式(7)来确定由公式(3)和(4)得到k时刻目标运动学和距离像的联合观测{zk,dk}，以及从τ＝0时刻到τ＝k时刻为止目标运动学和距离像的联合观测集Υk，表示由{z0,d0}，…，{zτ,dτ}…{zk,dk}组成的集合；第二步：初始化，方法为：2.1对目标状态进行初始化，方法是：采用个并行工作的粒子滤波器对目标进行联合跟踪与识别，为实际应用条件下可能出现的目标的类别数，真实出现的目标在k＝0时刻的状态为x0，每个滤波器k时刻由一组带权值的粒子组成，这组带权值的粒子即滤波器0时刻表示为k时刻的滤波器表示为每个粒子代表目标状态的一种可能假设，粒子权值的大小表示对目标状态近似贡献度；第个粒子滤波器中第个粒子在k＝0时刻通过公式(8)初始化为式中，表示第个滤波器中的粒子总数，为第个滤波器中的粒子序号，表示粒子的k＝0时刻权值大小，表示粒子从均值为x0、协方差矩阵为P0的多维高斯分布函数中进行随机采样得到，P0为k＝0时刻的对角矩阵；2.2对k＝0时刻第个粒子滤波器的目标识别概率进行...

【专利技术属性】
技术研发人员：占荣辉，胡杰民，王威，张军，欧建平，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43