[发明专利]一种基于雷达视频数据分布特征的目标长效稳定跟踪方法

说明书

本发明涉及一种基于在线学习机制的长时间雷达目标跟踪方法MM‑TLD，该跟踪方法利用目标分布直方图建立目标特征空间，利用雷达目标检测器检测雷达视频中已跟踪目标所在区域内的所有目标，利用雷达跟踪器对区域内已检测到的目标进行跟踪，利用学习器学习目标检测和跟踪的结果，并将检测器的错误检测结果反馈给检测器，重新训练检测器，检测器经训练后，对目标重新分类，结果送学习器，直到满足收敛条件，跟踪器跟踪目标失败时，检测器对跟踪器重新初始化。

技术领域

本发明属于雷达数据处理技术领域。

背景技术

雷达目标跟踪技术是雷达数据处理领域的关键技术，传统的雷达目标跟踪方法将雷达目标检测后的信息进行关联滤波，这种方法在背景杂波较少、目标信号幅度较强的情况下是非常奏效的。然而，实际的战场环境中，越来越多的复杂的气象、电磁、相似目标等干扰影响，量测集中不仅包括目标量测，还包括大量杂波及干扰信息，使得传统的目标跟踪方法想要精确跟踪目标变得尤为困难，尤其是在长时间对目标进行跟踪的任务中，稳定性越来越成为目标跟踪的难题。

跟踪-学习-检测算法(TLD)是由英国萨里大学的捷克学生Kalal提出的，它能够在较少的先验信息下，利用在线学习将目标检测部分与目标跟踪部分结合起来，同时将学习的结果用来更新检测模块与跟踪模块，来实现对目标的长时间跟踪。实验证明，TLD算法具有很强的鲁棒性，它能够在目标被遮挡或是完全消失又重新出现的情况下，对其重新进行跟踪从而实现长时间目标跟踪任务。

在2009年于东京举办的计算机视觉讨论会上，Zdenek Kalal第一次提出了跟踪-建模-检测方法，即为TLD跟踪算法的最早出现形式。随后，作者对算法进行了优化改进，提出了在线的P-N学习(Positive-Negative learning)，用以训练检测模块中的级联分类器。其中，P专家表示正约束，能够从负样本中挑选出漏检的正样本；反之，N专家表示负约束，它负责从正样本中检查出错检的负样本，并对这些样本进行正确的分类，从而实现查漏补缺的效果，并提高了跟踪模块的在线学习效率。2012年，Zdenek Kalal博士正式提出了TLD]眼踪算法。在TLD跟踪算法中，目标的长时间跟踪分为跟踪、学习、检测三个步骤。其中，跟踪模块利用前一帧与当前帧之间的连续运动信息来跟踪目标，检测模块则是逐帧检测目标，而学习模块则是在当前帧利用在线模型对检测模块的输出结果进行评估并更新检测模块。TLD算法具有很强的鲁棒性，能够解决长时间目标跟踪过程中遇到的目标失联和重新出现后的再次跟踪问题。

发明内容

本发明涉及一种基于在线学习机制的长时间雷达目标跟踪方法，包括以下步骤：

(1)计算雷达目标在距离、方位、仰角三个测量维度的统计直方图，利用目标分布直方图建立目标特征空间；

(2)利用雷达目标检测器检测雷达视频中已跟踪目标所在区域内的所有目标；

(3)利用雷达多模型跟踪器对区域内已检测到的目标进行跟踪；

(4)利用学习器学习目标检测和跟踪的结果，并将雷达目标检测器的错误检测结果反馈给检测器，重新训练检测器；

(5)雷达目标检测器经训练后，对目标重新分类，结果送学习器，重复第(4)步，直到满足收敛条件；

(6)跟踪器跟踪目标失败时，雷达目标检测器对跟踪器重新初始化。