一种面向弱扩展目标的检测前跟踪方法技术

本发明专利技术属于目标检测和跟踪技术领域，具体公开了一种面向弱扩展目标的检测前跟踪方法。本发明专利技术在贝叶斯滤波框架下，利用粒子近似手段递归预测和更新目标状态，从而实现弱扩展目标的检测与跟踪，其中在更新步骤中，通过粒子完成对目标所占据分辨单元的强度测量数据积累，当积累长度达到设定值后，估计目标所占据各分辨单元的功率，以此作为似然函数的参数对粒子权重进行更新。该方法可以在没有目标先验信息的情况下实现弱扩展目标的检测与跟踪，避免了传统方法复杂非线性参数估计过程，同时对强度测量数据类型没有特定要求，可广泛应用于视频监控系统、机器人导航系统、军事目标检测跟踪系统等各类民用和军用系统中，具有广阔的市场前景和应用价值。

A Pre-detection Tracking Method for Weak Extended Targets

【技术实现步骤摘要】
一种面向弱扩展目标的检测前跟踪方法
本专利技术涉及目标检测和跟踪
，更具体地说，涉及一种面向弱扩展目标的检测前跟踪方法。
技术介绍
在民用监控与军事侦察需求日益深化的背景下，要求传感器具有对弱扩展目标的快速检测与稳健跟踪能力。在低信噪比条件下，与传统先检测后跟踪(TAD)技术相比，检测前跟踪(TBD)技术能够更有效地实现目标的联合检测与跟踪。TBD技术最早由Maybeck于1983年首先应用于红外图像序列的目标检测，此后广泛应用于雷达探测领域。TBD技术的基本思想是做检测判决之前，通过在目标运动轨迹上的回波信号能量积累，从而提高了目标检测信噪比，实现弱目标的联合检测与跟踪。由于TBD技术直接应用传感器输出的各分辨单元强度测量数据，避免了阈值处理给回波信息造成的损失。目前对TBD技术的实现方法大致上可分为两类：一类是以三维匹配滤波、动态规划、哈弗变换、多阶假设检验等方法为代表的批处理方法，难以保证实时性；另一类是以递归贝叶斯滤波为代表的递归处理方法，其中粒子滤波近似在非线性应用中的成功，无疑提高了该方法的应用价值。对于单目标TBD技术的研究，大多数成果仍是基于点目标假设。随着高分辨传感器的广泛应用，点目标假设已经难以满足工程应用需求。针对弱扩展目标，现有研究仍以TAD技术思路为主，而基于强度测量数据实现联合检测与跟踪的TBD技术成果不多。本专利技术着眼于面向弱扩展目标的检测前跟踪方法。现有为数不多的弱扩展目标TBD算法，在贝叶斯滤波框架下做更新时，均假设目标功率参数是先验已知，或者测量集信噪比是已知的。由于探测目标往往具有非合作性，这类假设通常难以满足。因此有学者引入参数估计思想，通过最大似然估计(MLE)的方法对目标和噪声功率进行估计，但该估计算法中至少存在以下两个问题：一是在目标强度服从莱斯分布的条件下，参数估计需要求解一组高度非线性方程；二是在目标强度服从指数分布的条件下，该估计算法完全失效。
技术实现思路
本专利技术要解决的技术问题是目标先验信息未知条件下的弱扩展目标联合检测与跟踪。为克服现有方法中的不足与缺点，本专利技术提供一种面向弱扩展目标的检测前跟踪方法，该方法将多帧传感器强度测量数据进行积累，以强度测量的平均值作为目标功率估计，能够有效适配不同模型分布条件下的传感器数据，保证检测与跟踪的自适应能力，实现弱扩展目标的快速检测与稳定跟踪。本专利技术是通过以下技术方案实现的：一种面向弱扩展目标的检测前跟踪方法，该方法包括下列步骤：步骤1初始化滤波器：包括确定系统的模型和参数，以及设定系统的先验信息，基于以下步骤：(1.1)定义目标动态模型xk＝f(xk-1)+wk和传感器强度测量模型zk＝h(xk)+vk，其中xk是k时刻目标的状态矢量，f(·)为目标状态转移函数，wk是服从pw分布的过程噪声，假设为独立同分布的；zk是k时刻传感器的强度测量集合，h(·)描述目标状态矢量xk与强度测量zk之间的关系，vk是服从pv分布且独立于wk的测量噪声，也假设为独立同分布的。(1.2)设定系统先验信息。由于滤波器是递归处理数据的，每一次迭代都需要上一时刻的粒子状态和存活概率。因此，初始时刻目标的存活概率以及用于产生新粒子状态的分布函数都必须先验设定。先验信息的设定包括以下三个方面：a.设定初始时刻目标的存活概率为p0|0；b.将目标的存在性mk建模为二状态马尔科夫链，并设定pb和ps为恒定的常数，其中pb＝prob{mk＝1|mk-1＝0}表示k-1时刻目标不存在并且在k时刻“新生”的概率，ps＝prob{mk＝1|mk-1＝1}表示目标在k-1时刻存在并且在k时刻“幸存”的概率；c.设定两个用于产生新粒子状态的分布函数，即对应于pb的建议概率分布bk|k-1(x)和对应于ps的建议概率分布其中目标先验信息未知的条件下，bk|k-1(x)可假定为均匀分布；则由目标动态模型推导得到，为pw(xk-f(xk-1))。(1.3)确定粒子滤波的粒子数N+B与目标最大占据分辨单元数Lmax，即完成滤波器的初始化，其中N表示每一时刻“幸存”粒子数，B表示每一时刻“新生”粒子数。步骤2预测目标存活概率与粒子状态：由于滤波器在时间上是递归处理，因而将k-1时刻估计得到的目标存活概率pk-1|k-1和粒子状态传递到k时刻，表示k-1时刻第n个粒子的运动状态。根据粒子滤波器可以确定：(2.1)通过步骤1中设定的目标“新生”概率，“幸存”概率以及k-1时刻的存活概率，预测k时刻目标的存活概率为：pk|k-1＝pb(1-pk-1|k-1)+pspk-1|k-1其中，pk|k-1为k时刻目标存活概率的预测值。(2.2)通过步骤1中设定的两个建议概率分布，预测k时刻N+B个粒子的状态为：其中，表示第n个粒子的预测状态，用与粒子权重成正比的“伪权重”表示第n个粒子的预测权重。由此确定包含“新生”粒子和“幸存”粒子在内的粒子预测状态集合和目标在k时刻存活概率的预测值pk|k-1。步骤3将传感器产生的强度测量数据输入到滤波器中：在贝叶斯滤波框架下，完成步骤2提及的预测操作后，滤波器通过获取k时刻传感器的测量数据进而对粒子集的状态进行校正更新。将k时刻传感器提供的各分辨单元强度测量数据作为测量集输入滤波器，此时测量集每一个单元的数值对应于监测区域相应分辨单元的回波功率，记为其中I为传感器分辨单元总数，表示k时刻第i个分辨单元的回波功率。步骤4目标功率参数估计：对于强度测量数据，受目标影响的分辨单元同时包含了噪声及目标的功率信息。在假设噪声功率先验已知的条件下，为了得到似然函数的参数，需要从步骤3输入的测量数据中估计目标功率信息。区别于传统方法，本专利技术利用粒子状态在多次迭代后逐渐向目标真实状态收敛的特性，在设定积累帧数长度Wl后，积累粒子每次所占分辨单元的强度测量值，在积累帧数达到积累长度后，减去噪声功率后取期望，作为目标功率参数的估计值。在k时刻，由于步骤3输入所有分辨单元的强度测量信息，各个粒子将各自占据分辨单元的强度测量积累到对应的粒子测量集合中。当粒子的测量集合长度达到Wl后，对应粒子所占据各分辨单元的功率参数Pn(r)可根据下式估计得到：其中t表示测量数据所处的帧数，r为粒子n占据的第r个距离分辨单元，表示第t帧测量数据中第r个距离分辨单元的回波功率，表示粒子n占据的距离分辨单元集合，σ2是测量噪声功率，Lmax为目标最大占据分辨单元数，即为了保证该估计值有明确的物理意义，即功率数值上恒大于零，本方法加入了估计值与零之间取最大值操作。步骤5校正目标存活概率与粒子状态：在贝叶斯滤波框架中，根据步骤2得到的目标存活概率预测值和粒子预测状态，在步骤3输入滤波器的测量数据基础上，对目标存活概率与粒子状态进行校正更新。首先，对于每一个粒子状态在测量集zk的所有分辨单元上计算对应的似然比并以该比值乘以相应的粒子权重作为粒子校正后的权重，其中计算似然比值时目标功率参数由步骤4给出；其次，联合校正后所有粒子的权重以及步骤2.1得到的目标预测存活概率pklk-1，对k时刻目标存活概率pk|k进行更新；最后，对粒子的权重做归一化并估计目标k时刻的状态具体过程为：(5.1)计算各个粒子的似然比：其中，g1(·)为目标存在时的似然函数，g0(·)为仅有噪声时的本文档来自技高网...

【技术保护点】
1.一种面向弱扩展目标的检测前跟踪方法，其特征在于，该方法包括下列步骤：步骤1初始化滤波器：包括确定系统的模型和参数，以及设定系统的先验信息，基于以下步骤：(1.1)定义目标动态模型xk＝f(xk‑1)+wk和传感器强度测量模型zk＝h(xk)+vk，其中xk是k时刻目标的状态矢量，f(·)为目标状态转移函数，wk是服从pw分布的过程噪声，假设为独立同分布的；zk是k时刻传感器的强度测量集合，h(·)描述目标状态矢量xk与强度测量zk之间的关系，vk是服从pv分布且独立于wk的测量噪声，也假设为独立同分布的；(1.2)设定系统先验信息，分为以下三个方面：a.设定初始时刻目标的存活概率为p0|0；b.将目标的存在性mk建模为二状态马尔科夫链，并设定pb和ps为恒定的常数，其中pb＝prob{mk＝1|mk‑1＝0}表示k‑1时刻目标不存在并且在k时刻“新生”的概率，ps＝prob{mk＝1|mk‑1＝1}表示目标在k‑1时刻存在并且在k时刻“幸存”的概率；c.设定两个用于产生新粒子状态的分布函数，即对应于pb的建议概率分布bk|k‑1(x)和对应于ps的建议概率分布

【技术特征摘要】
1.一种面向弱扩展目标的检测前跟踪方法，其特征在于，该方法包括下列步骤：步骤1初始化滤波器：包括确定系统的模型和参数，以及设定系统的先验信息，基于以下步骤：(1.1)定义目标动态模型xk＝f(xk-1)+wk和传感器强度测量模型zk＝h(xk)+vk，其中xk是k时刻目标的状态矢量，f(·)为目标状态转移函数，wk是服从pw分布的过程噪声，假设为独立同分布的；zk是k时刻传感器的强度测量集合，h(·)描述目标状态矢量xk与强度测量zk之间的关系，vk是服从pv分布且独立于wk的测量噪声，也假设为独立同分布的；(1.2)设定系统先验信息，分为以下三个方面：a.设定初始时刻目标的存活概率为p0|0；b.将目标的存在性mk建模为二状态马尔科夫链，并设定pb和ps为恒定的常数，其中pb＝prob{mk＝1|mk-1＝0}表示k-1时刻目标不存在并且在k时刻“新生”的概率，ps＝prob{mk＝1|mk-1＝1}表示目标在k-1时刻存在并且在k时刻“幸存”的概率；c.设定两个用于产生新粒子状态的分布函数，即对应于pb的建议概率分布bk|k-1(x)和对应于ps的建议概率分布其中目标先验信息未知的条件下，bk|k-1(x)可假定为均匀分布；则由目标动态模型推导得到，为pw(xk-f(xk-1))；(1.3)确定粒子滤波的粒子数N+B与目标最大占据分辨单元数Lmax，即完成滤波器的初始化，其中N表示每一时刻“幸存”粒子数，B表示每一时刻“新生”粒子数；步骤2预测目标存活概率与粒子状态：将k-1时刻估计得到的目标存活概率pk-1|k-1和粒子状态传递到k时刻，表示k-1时刻第n个粒子的运动状态；根据粒子滤波器可以确定：(2.1)通过步骤1中设定的目标“新生”概率，“幸存”概率以及k-1时刻的存活概率，预测k时刻目标的存活概率为：pk|k-1＝pb(1-pk-1|k-1)+pspk-1|k-1其中，pk|k-1为k时刻目标存活概率的预测值；(2.2)通过步骤1中设定的两个建议概率分布，预测k时刻N+B个粒子的状态为：其中，表示第n个粒子的预测状态，用与粒子权重成正比的“伪权重”表示第n个粒子的预测权重；由此确定包含“新生”粒子和“幸存”粒子在内的粒子预测状态集合和目标在k时刻存活概率的预测值pk|k-1；步骤3将传感器产生的强度测量数据输入到滤波器中：将k时刻传感器提供的各分辨单元强度测量数据作为测量集输入滤波器，此时测量集每一个单元的数值对应于监测区域相应分辨单元的回波功率，记为其...

【专利技术属性】
技术研发人员：杨威，余若峰，付耀文，龚婷，
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