本發(fā)明涉及一種雷達數(shù)據(jù)處理方法，特別是涉及一種多目標跟蹤濾波方法，適應(yīng)于密集雜波環(huán)境下雷達對多目標的跟蹤。

背景技術(shù)：

隨著現(xiàn)代科技的迅猛發(fā)展，空間技術(shù)的日新月異，目標監(jiān)控范圍已經(jīng)發(fā)展到陸、海、空、天、電磁五維空間，同時目標所處的電磁環(huán)境日益復(fù)雜，目標監(jiān)控的種類和數(shù)量也不斷增多，給雷達的探測跟蹤性能帶來了嚴峻的挑戰(zhàn)。由于噪聲、雜波以及數(shù)據(jù)關(guān)聯(lián)和檢測等的不確定性，對多目標進行跟蹤需要從個數(shù)時變的量測中估計出目標個數(shù)不確定的各目標狀態(tài)，這就要求算法能夠同時對目標個數(shù)和狀態(tài)進行估計，因此密集雜波環(huán)境下的多目標跟蹤已成為目標跟蹤領(lǐng)域的難點問題之一。如何綜合各種量測信息，實現(xiàn)密集雜波環(huán)境下雷達對多目標的有效跟蹤，對提高雷達的探測跟蹤性能具有重要意義。傳統(tǒng)的多目標跟蹤算法主要有聯(lián)合概率數(shù)據(jù)互聯(lián)(jpda)和多假設(shè)跟蹤(mht)等，其中基于jpda的多目標跟蹤方法由于具有跟蹤精度較高的優(yōu)點，在多目標跟蹤領(lǐng)域受到廣泛研究。該方法主要通過以下步驟實現(xiàn)：

(1)量測獲??；

(2)確認矩陣的拆分；

(3)聯(lián)合事件概率的計算；

(4)狀態(tài)估計和協(xié)方差的計算。

基于jpda的多目標跟蹤方法具有以下三個缺陷：(1)沒有利用目標的幅值信息，造成有用量測信息的丟失；(2)要求目標個數(shù)固定，受到實際應(yīng)用的限制；(3)計算量隨量測個數(shù)的增加而爆炸增長，從而不能適應(yīng)密集雜波環(huán)境。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提出一種結(jié)合幅值信息的phd濾波多目標跟蹤方法，解決基于jpda的多目標跟蹤方法沒有充分利用量測信息，要求目標個數(shù)固定，以及不適應(yīng)密集雜波環(huán)境等問題。

本發(fā)明提出的結(jié)合幅值信息的phd濾波多目標跟蹤方法的技術(shù)方案包括以下步驟：

步驟1：變量初始化

(1)k為總仿真時間，t表示雷達采樣間隔；

(2)γ0為目標出現(xiàn)初始數(shù)，l0為代表一個目標所需要的粒子數(shù)，jk為k時刻搜索新目標的粒子數(shù)，lk為k時刻粒子總數(shù)；

(3)為目標平均信噪比，為虛警概率，τ為虛警概率對應(yīng)的檢測門限；

(4)γk(x)為目標出現(xiàn)初始分布，κk(z)為雜波分布；

(5)為擴展單目標狀態(tài)轉(zhuǎn)移矩陣，為擴展過程噪聲控制矩陣；

(6)為擴展過程噪聲協(xié)方差，為擴展量測噪聲協(xié)方差；

步驟2：令k＝0，進行濾波器初始化

(1)對任意i∈{1,2,…,l0}，根據(jù)目標出現(xiàn)初始分布γ0(x)生成粒子根據(jù)目標平均信噪比確定其中包含目標的位置信息和速度信息為目標的信噪比信息，符號t表示轉(zhuǎn)置，

(2)對任意i∈{1,2,…,l0}，令對進行擴維，得到新粒子并賦予該粒子權(quán)重得到初始粒子集

步驟3：令k＝k+1，獲得k時刻的雷達量測

將雷達接收到的信號進行a/d變換，得到k時刻的雷達擴展量測集送雷達數(shù)據(jù)處理計算機，其中為k時刻雷達獲得的第i個擴展量測，包含目標的位置信息zk和幅值信息ak，nk為k時刻的量測個數(shù)；

步驟4：粒子集預(yù)測

(1)對任意i∈{1,2,…,lk-1}，根據(jù)k-1時刻粒子狀態(tài)和擴展單目標狀態(tài)轉(zhuǎn)移矩陣進行一步預(yù)測，得到粒子

并賦予該粒子權(quán)重得到粒子集其中為零均值的高斯白噪聲，其協(xié)方差為

(2)對任意i∈{lk-1+1,lk-1+2,…,lk-1+jk}，根據(jù)目標出現(xiàn)初始分布γk(x)采樣粒子并根據(jù)目標信噪比采樣然后令并賦予該粒子權(quán)重得到粒子集

(3)將粒子集和粒子集合并得到新的粒子集

步驟5：粒子集更新

(1)對任意i∈{1,2,…,lk-1+jk}，根據(jù)預(yù)測的粒子狀態(tài)和量測方程hk(x)獲得預(yù)測的量測

(2)對任意i∈{1,2,…,lk-1+jk}，利用k時刻的擴展量測集計算粒子權(quán)重

其中

以及

其中rk為量測誤差協(xié)方差；

(2)計算所有粒子的權(quán)重和

并取與最接近的整數(shù)得到目標個數(shù)估計

(3)令對粒子集進行重采樣得到新的粒子集步驟6：多目標狀態(tài)估計

(1)對粒子集進行聚類分析，將其分成個粒子群；

(2)對任意令

得到第j個目標的狀態(tài)估計，其中表示屬于第j個粒子群中的第i個粒子，nj表示屬于該粒子群的粒子個數(shù)；

步驟7：重復(fù)步驟3～步驟6，直至雷達關(guān)機。

和背景技術(shù)相比，本發(fā)明提出的結(jié)合幅值信息的phd濾波多目標跟蹤方法的有益效果說明：

(1)本發(fā)明提出的方法有效利用了目標的幅值，解決了jpda方法沒有充分利用量測信息的問題，有效提高了多目標的跟蹤性能；(2)本發(fā)明提出的方法適應(yīng)于目標個數(shù)時變且未知的情況，解決了jpda方法要求目標數(shù)固定的問題；(3)本發(fā)明提出的方法計算量隨量測個數(shù)的增加線性增長，解決jpda方法計算量隨量測個數(shù)的增加爆炸增長的問題，尤其適應(yīng)于密集雜波環(huán)境下的多目標跟蹤。

附圖說明

附圖1是本發(fā)明的結(jié)合幅值信息的phd濾波多目標跟蹤方法的整體流程圖，附圖中各符號的含義與發(fā)明內(nèi)容部分相應(yīng)符號的含義相同；

附圖2是未結(jié)合幅值信息的phd濾波方法估計的多目標狀態(tài)與真實值以及量測值對比，其中圖(a)和圖(b)分別為x坐標值對比和y坐標值對比；

附圖3是本發(fā)明實施例中結(jié)合幅值信息的phd濾波多目標跟蹤方法估計的多目標狀態(tài)與真實值以及量測值對比，其中圖(a)和圖(b)分別為x坐標值對比和y坐標值對比。

具體實施方式

下面結(jié)合附圖對本發(fā)明的結(jié)合幅值信息的phd濾波多目標跟蹤方法進行詳細描述。

不失一般性，假設(shè)在任意時刻，目標都在s＝[-200,200]×[-200,200]的二維觀測區(qū)域內(nèi)運動，且目標可以在該區(qū)域隨機的出現(xiàn)和消失，總仿真時間為k＝50s，采樣間隔t＝1s；目標初始出現(xiàn)服從泊松模型，其密度函數(shù)γk(x)＝0.2n(x|x0,qb)，n(·|x0,qb)表示均值為x0，協(xié)方差為qb的高斯分布，其中x0＝[020-2]^t和qb＝diag([105105])，目標平均信噪比雷達位于點(0,-100)，可提供目標的距離rk、方位角θk和幅值信息ak，距離和方位角的量測噪聲標準差分別為2和0.05，量測噪聲與過程噪聲相互獨立，雜波均勻分布在[0,2π]×[0,200]的觀測空間內(nèi)，且平均每幀的噪聲點數(shù)為μ＝1000，雷達虛警概率對應(yīng)的檢測門限τ＝2.146；代表一個目標所需的粒子數(shù)n0＝800，用于搜索新目標的粒子數(shù)jk＝2000。其步驟如附圖1所示。

步驟1：根據(jù)以上仿真條件進行變量初始化

(1)總仿真時間k＝50s，采樣間隔t＝1s；

(2)目標出現(xiàn)初始數(shù)γ0＝0.2，代表一個目標所需要的粒子數(shù)l0＝800，搜索新目標的粒子數(shù)jk＝2000；

(3)目標平均信噪比虛警概率對應(yīng)的檢測門限τ＝2.146；

(4)目標出現(xiàn)初始分布γk(x)和雜波分布κk(z)分別為

γk(x)＝0.2n(x|x0,qb)

(5)擴展單目標狀態(tài)轉(zhuǎn)移矩陣和擴展過程噪聲控制矩陣分別為

(6)擴展過程噪聲協(xié)方差以及擴展量測誤差協(xié)方差分別為

步驟2：按發(fā)明內(nèi)容部分步驟2所述的方法進行濾波器初始化；

步驟3：按發(fā)明內(nèi)容部分步驟3所述的方法獲取當前時刻的量測；

步驟4：按發(fā)明內(nèi)容部分步驟4所述的方法進行粒子集預(yù)測；

步驟5：按發(fā)明內(nèi)容部分步驟5所述的方法進行粒子集更新；

步驟6：按發(fā)明內(nèi)容部分步驟6所述的方法進行目標狀態(tài)估計；

步驟7：循環(huán)執(zhí)行發(fā)明內(nèi)容部分步驟3～步驟6，直至雷達關(guān)機。

本實施例中，未結(jié)合幅值信息的phd濾波方法幾乎不能實現(xiàn)對多目標的跟蹤(見附圖2)，通過有效結(jié)合目標的幅值信息，本發(fā)明的方法可以實現(xiàn)對多目標的有效跟蹤(見附圖3)；此外，本實施例中平均每幀的噪聲點數(shù)為μ＝1000，雷達虛警概率平均每幀的雜波數(shù)λ＝μpfa＝100，屬于密集雜波的情況，同時量測個數(shù)時變，目標隨機出現(xiàn)和消失，屬于目標個數(shù)不固定的情況，在此類情況下本發(fā)明的方法在各時刻有效估計多目標狀態(tài)，說明本發(fā)明克服了jpda方法的缺陷。