[发明专利]一种穿墙探测雷达在多运动目标场景下对虚假目标实时剔除的方法

摘要

本发明提供一种穿墙探测雷达在多运动目标场景下对虚假目标实时剔除的方法。首先在分析虚假目标产生的原因基础上，获得虚假目标运动具有不连贯性的特征以及真实目标在时空上具有相关性的特征，从而确定在相邻时刻真实目标运动的恰当距离；然后通过一种基于扩展卡尔曼滤波器算法实现对目标跟踪，并快速、准确地预测各运动目标在下一时刻的最优估计位置；最后通过一种基于阈值的剔除虚假目标算法，实现在对目标跟踪的同时准确的剔除虚假目标。本发明方法简单、执行效率高，适用于便携式穿墙雷达对虚假目标的实时剔除，为穿墙雷达对各运动目标准确跟踪提供了有力的保障，可有效提高穿墙雷达的工作效率。

主权项

一种穿墙探测雷达在多运动目标场景下对虚假目标实时剔除的方法，其特征在于；包括如下步骤：步骤1、采集第一次的测量值，即包括虚假目标在内的所有目标的测量值target(n).Z(1)，其定义为$t\arg et\left(n\right).Z\left(1\right)=\left[\begin{array}{cc}{R}_{1,n}& {\mathrm{\θ}}_{1,n}\\ R_{2,n}& {\mathrm{\θ}}_{2,n}\end{array}\right],$n为目标的序号，1表示第一次测量，R_1,n和R_2,n分别是收发一体天线和接收天线到该目标的距离，θ_1,n和θ_2,n分别表示收发一体天线和接收天线与该目标之间的夹角；步骤2、进行参数初始化的设置，其实现步骤为，步骤2.1、重复使用方程组$\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$求出所有目标在笛卡尔坐标系下的坐标并存入数组[x(1，n)，y(1，n)]中；步骤2.2、设所有目标全是真实目标，即令标志位target(n)＝1，其中1代表该目标为真实目标，0代表该目标为虚假目标；同时为了消除对虚假目标的误判，设置标志位life(n)＝5；步骤2.3、令第一次测量后获得的最优估计状态矩阵arget(n).X_est(1)＝[x(1，n),v_x(1,n),y(1,n),v_y(1,n)]，其中v_x(1,n)和v_y(1,n)分别表示第n个目标在第一次测量时在x轴方向和y轴方向的运动速度；步骤2.4、令第一次测量后获得的最优估计状态的协方差$t\arg et\left(n\right).P\_est\left(1\right)=\left[\begin{array}{cccc}0.1& 0& 0& 0\\ 0& 0.05& 0& 0\\ 0& 0& 0.1& 0\\ 0& 0& 0& 0.05\end{array}\right];$步骤3、从第2次采集测量值开始，将当前采集的测量值，假设为第k次采集的测量值；任选其中一个目标，设目标序号为n₀，判断标志位target(n₀)是否为0，若是则该目标为虚假目标，直接剔除不做任何处理转到步骤7；否则为真实目标，执行步骤4‑7；步骤4、利用卡尔曼滤波器基于第k‑1次的状态和当前的测量值预测当前状态，和在第k次的误差协方差矩阵，其实现步骤为，步骤4.1、基于第k‑1次的最优估计状态矩阵target(n₀).X_est(k‑1)，利用公式target(n₀).X_pre(k)＝F×target(n₀).X_est(k‑1)预测出当前目标在第k次的状态矩阵target(n₀).X_pre，其中target(n₀).X_pre为当前状态预测矩阵，F为状态转换矩阵；步骤4.2、利用公式target(n₀).P_pre(k)＝F×target(n₀).P_est(k‑1)×F^T＋Q计算出该目标的当前状态预测矩阵的协方差target(n₀).P_pre，其中Q为系统过程的协方差，target(n₀).P_est(k‑1)为第k‑1次的最优估计状态的协方差；步骤5、在第k次采集的所有观测值中找出目标n₀在该时刻所对应的目标，其实现步骤为，步骤5.1、重复使用方程组$\left\{\begin{array}{c}{x}^2+y^2=R_{1,n}\\ \sqrt{x^2+y^2}+\sqrt{{(x-c)}^2+y^2}=R_{1,n}+R_{2,n}\end{array}\right.$求出第k次所有目标在笛卡尔坐标系下的坐标并存入数组[x(k，n)，y(k，n)]中；步骤5.2、按照在第k‑1次预测出的目标n₀在第k次的坐标[x_pre，y_pre]，计算出当前获得的所有目标的坐标和目标n₀第k次的预测坐标之间的距离$dist\left(n\right)=\sqrt{{\[x(k,n)-x\_pre\]}^2+{\[y(k,n)-y\_pre\]}^2},$并在所有的距离值中找出最小值dist_min；步骤5.3、如果dist_min＜R₀，其中R₀为阈值，则说明目标n₀存在；否则，目标n₀在当前丢失，则令标志位life(n₀)＝life(n₀)‑1；步骤5.4、如果标志位life(n₀)＝0，则说明目标n₀为假目标，即令标志位target(n₀)＝0；否则，目标n₀为真实目标；步骤6、利用卡尔曼滤波器预测更新当前状态，其实现步骤为，步骤6.1、求出第k次的测量系统的参数H，其中$H=\frac{\∂\[t\arg et\left(n_0\right).Z\left(k\right)\]}{\∂x},$target(n₀).Z(k)为目标n₀在第k次的测量值；步骤6.2、利用公式Kg＝target(n₀).P_pre(k)×H^T÷[H×target(n₀).P_pre(k)×H^T＋R]计算卡尔曼增益Kg，其中R为测量过程的协方差；步骤6.3、结合当前状态的预测值和测量值，利用公式target(n₀).X_est(k)＝target(n₀).X_pre(k)＋Kg×[target(n₀).Z(k)‑H×target(n₀).X_pre(k)]求出目标n₀第k次的最优估计状态矩阵target(n₀).X_est；步骤6.4、利用公式target(n₀).P_est(k)＝target(n₀).P_pre(k)‑Kg×H×target(n₀).P_pre(k)计算出目标n₀对应于第k次的最优估计状态矩阵target(n₀).X_est的协方差target(n₀).P_est；步骤7、对除n₀外其他目标重复步骤3到步骤6的方法判断这些目标是否为真实目标。