[发明专利]基于IMMPDA算法的高机动目标跟踪方法

说明书

本发明公开了一种基于IMMPDA算法的高机动目标跟踪方法，主要解决现有技术跟踪杂波环境中的高机动目标时跟踪精度低，且不能同时跟踪多个高机动目标的问题。本发明的实现步骤是：获取每个高机动目标的状态值；再对每个高机动目标的状态估计值和协方差矩阵进行交互混合；预测每个高机动目标的状态值和协方差矩阵；更新每种运动模型中每个高机动目标的状态估计值和协方差矩阵；更新每个高机动目标的状态估计值和协方差矩阵。本发明有效解决了存在杂波干扰时对多个高机动目标同时进行跟踪会出现跟踪精度下降的问题，可以实现同时跟踪杂波环境中的多个高机动目标。

技术领域

本发明属于雷达技术领域，更进一步涉及目标跟踪技术领域中的一种基于交互式多模型概率数据关联IMMPDA(Interactive multiple model probability dataassociation)算法的高机动目标跟踪方法。本发明可用于雷达对杂波环境中具有高机动性的多个目标同时进行精确跟踪。

背景技术

对高机动目标进行跟踪的方法主要考虑运动模型的建立和关联滤波两个核心步骤。目前机动目标的运动模型一般有CV模型、CA模型、CT模型、Singer模型和“当前”统计模型；常用的非线性系统滤波方法主要有扩展卡尔曼滤波、无迹卡尔曼滤波等；交互式多模型IMM方法由于其较快的计算速度和较高的滤波精度而成为当前高机动目标跟踪领域应用较为广泛的方法。在没有杂波干扰的理想环境中，对高机动目标进行跟踪已经取得了一些研究成果，并且这些方法大多是对单个高机动目标进行跟踪。但在杂波环境下，再利用理想环境中的高机动目标跟踪方法同时对多个高机动目标进行跟踪则会出现跟踪效果变差甚至跟踪丢失的问题。

电子科技大学在其申请的专利文献“一种基于LS和NEU-ECEF时空配准的高机动目标跟踪方法及系统”(专利申请号：201010576120.9，申请公布号：CN110187337A)中公开了一种将IMM算法和MSPDAF算法结合来跟踪高机动目标的方法。该方法的步骤是：首先，基于LS和NEU-ECEF对量测值进行时空配准。其次，根据IMM算法计算模型中各运动模型的概率以匹配高机动目标运动随机变化的运动状态。最后，根据MSPDAF算法对来自不同种类传感器的量测值进行加权融合，然后进行关联滤波估计高机动目标的状态值，从而实现对高机动目标的跟踪。该方法存在的不足之处是，该方法没有考虑杂波干扰时如何对高机动目标进行跟踪，如果环境中存在杂波，杂波会影响本方法中提到的量测值时空配准，并且杂波的干扰可能会导致量测值与高机动目标关联错误，从而使得高机动目标的跟踪精度下降甚至会出现跟踪丢失的问题。

阜阳师范大学在其申请的专利文献“一种基于Jerk模型的自校正Kalman高机动目标跟踪滤波器”(专利申请号：201911263289.5，申请公布号：CN112948745A)中公开了一种基于Jerk模型及Kalman滤波的高机动目标跟踪的方法。该方法的步骤是：首先，用系统辨识的方法估计出噪声统计信息。其次，用噪声统计信息的估值代入Kalman滤波器中进行滤波运算。最后，将Jerk模型产生的矩阵信息代入滤波器中，通过合理设定Jerk模型参数以获得和实际环境契合的自校正模型和高机动目标的状态估计值，从而实现对高机动目标的跟踪。该方法存在的不足之处有两点：其一，该方法的前提条件是在没有杂波干扰的理想环境中，如果环境中存在杂波，仍用本方法中的自校正Kalman滤波器对量测值直接进行滤波，这样会因为关联到杂波量测而导致跟踪精度下降；其二，该方法中使用的是自校正Kalman滤波，没有考虑数据关联，当有多个高机动目标出现时无法确定多个有效量测分别与哪个高机动目标进行关联，所以该方法不再适用于对多个高机动目标同时进行跟踪的场景。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于IMMPDA算法的高机动目标跟踪方法，旨在解决现有高机动目标跟踪方法对杂波环境中的高机动目标进行跟踪时跟踪精度低，并且不能同时对多个高机动目标进行跟踪的问题。