[发明专利]基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法

说明书

本发明公开了基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法，其主要思路为：确定k时刻有N_k个目标，将k时刻第p个目标的运动状态记为计算在k时刻第p个目标的运动状态条件下直角坐标系下雷达观测区域中包含的N_k个目标的运动状态x_k对应的似然函数；分别计算k时刻N_k个目标的状态均值估计和N_k个目标的协方差估计；依次计算k时刻目标数为N_k的概率和直角坐标系下的雷达观测区域内包含的目标个数N_k的估计值令k加1，从而得到1时刻直角坐标系下的雷达观测区域内包含的目标个数N₁的估计值到D时刻直角坐标系下的雷达观测区域内包含的目标个数N_D的估计值。

技术领域

本发明属于雷达目标跟踪技术领域，特别涉及一种基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法，即基于高斯粒子势概率假设密度(cardinalizedprobability hypothesis density,CPHD)滤波的目标检测前跟踪方法，适用于信噪比低或数据处理量大情况下的弱小目标跟踪。

背景技术

由于雷达反隐身和远程预警等领域的迫切需求，微弱目标探测逐渐成为目前的研究热点；当前对于微弱目标的探测使用主要使用检测前跟踪(TBD)技术，TBD技术对每次扫描不设置门限，对多帧扫描数据进行能量积累，从而对弱小目标进行检测和跟踪；TBD技术的实现方法主要有基于Hough变换方法、动态规划方法和粒子滤波方法。

随着多目标随机集研究的兴起，Mahler利用随机集PHD滤波和CPHD滤波来解决多目标跟踪问题。CPHD滤波器在传递PHD函数的同时也传递目标的势分布函数，因此比PHD滤波保留了更完整的目标数量信息，实现对目标个数的较准确估计，从而提高跟踪性能。Vo给出其序贯蒙特卡罗实现(Sequential Monte Carlo PHD，SMC-CPHD)方法。

Punithakmar K,Kirubarajan T,Sinha A.等人在其发表的A sequential MonteCarlo probability hypothesis density algorithm for multi-target track-before-detect[C].Proc.of the Signal Data Processing Small Target,2005,5913:1-8中将SMC-PHD滤波器用于红外图像多目标TBD问题中，构建了多目标状态模型和传感器量测模型，林再平，周一宇，安玮在其发表的基于势概率假设密度滤波的检测前跟踪新算法[J].红外与毫米波学报,2013,32(5):437-443中提出CPHD-TBD滤波器来增强跟踪鲁棒性。上述两种算法均采用蒙特卡洛实现，复杂环境下粒子支撑集大，导致复杂度很高。Jayesh H.K,Petar M.D.在其发表的Gaussian particle filtering[J].IEEE Trans.on Aerospaceand Electronic Systems,2001:429-432中提出高斯粒子滤波器(Gaussian particlefilter，GPF)，将未知状态变量的后验分布近似为高斯函数，迭代存储目标状态的均值与协方差，可以显著降低运算的复杂度，但在目标数估计上改善有限。

目前在检测和跟踪未知数目的弱小目标时面临的问题和挑战有下述问题：一方面，目标状态需要通过计算复杂的聚类方法获得，信号较弱时跟踪精度下降，另一方面，由于粒子滤波存在粒子退化、采样枯竭等问题，虽可扩大粒子支撑集以解决，但却以牺牲时间为代价，导致在实际应用中受限较大，在低信噪比下目标数的估计精度不理想。

发明内容