多重搜索粒子概率假設(shè)密度濾波的多目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種雷達(dá)數(shù)據(jù)處理方法，特別是涉及一種低檢測(cè)概率情況下雷達(dá)對(duì)多 目標(biāo)的跟蹤方法。
【背景技術(shù)】
[0002] 粒子概率假設(shè)密度濾波（Particle probability hypothesis density filter，PPHDF)是一種密集雜波環(huán)境下對(duì)多目標(biāo)進(jìn)行跟蹤的有效方法。PPHDF通過(guò)將量測(cè) 和目標(biāo)狀態(tài)建模為隨機(jī)集，可以非常方便的從個(gè)數(shù)時(shí)變的量測(cè)中估計(jì)出個(gè)數(shù)時(shí)變且未知的 目標(biāo)狀態(tài)，即可同時(shí)對(duì)目標(biāo)個(gè)數(shù)和目標(biāo)狀態(tài)進(jìn)行估計(jì)；同時(shí)，PPHDF可以避免目標(biāo)和量測(cè)之 間的關(guān)聯(lián)問(wèn)題，極大的降低了多目標(biāo)跟蹤算法的復(fù)雜性和計(jì)算量。因此，PPHDF在多目標(biāo)跟 蹤領(lǐng)域得到了廣泛的關(guān)注和研究。該方法主要通過(guò)以下步驟實(shí)現(xiàn)：
[0003] (1)初始化，得到初始粒子集；
[0004] (2)對(duì)已存在的粒子集進(jìn)行一步預(yù)測(cè)得到預(yù)測(cè)粒子集，并生成用于搜索新目標(biāo)的 搜索粒子集，將預(yù)測(cè)粒子集和搜索粒子集合成新的預(yù)測(cè)粒子集；
[0005] (3)利用新量測(cè)對(duì)預(yù)測(cè)粒子集粒子權(quán)重進(jìn)行更新；
[0006] (4)對(duì)權(quán)重更新后的粒子集進(jìn)行重采樣，并得到目標(biāo)個(gè)數(shù)和各目標(biāo)狀態(tài)估計(jì)。
[0007] 基于PPHDF的多目標(biāo)跟蹤方法存在一個(gè)明顯的缺陷，即當(dāng)目標(biāo)出現(xiàn)漏檢時(shí)，重采 樣會(huì)造成粒子多樣性的迅速退化，進(jìn)而造成目標(biāo)丟失的現(xiàn)象，因此該算法難以適應(yīng)目標(biāo)檢 測(cè)概率較低時(shí)的多目標(biāo)跟蹤。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的是提出一種多重搜索粒子概率假設(shè)密度濾波（MS-PPHDF)的多目標(biāo) 跟蹤方法，解決一般的PPHDF方法在目標(biāo)檢測(cè)概率較低的情況下容易出現(xiàn)目標(biāo)丟失的問(wèn) 題。
[0009] 本發(fā)明提出的MS-PPHDF方法的技術(shù)方案包括以下步驟：
[0010] 步驟1 :變量初始化
[0011] K是雷達(dá)關(guān)機(jī)時(shí)刻；
[0012] T是雷達(dá)掃描周期；
[0013] L。為代表1個(gè)目標(biāo)的粒子數(shù)；
[0014] D。為目標(biāo)出現(xiàn)的初始分布；
[0015] Jk為搜索新目標(biāo)的粒子數(shù)；
[0016] &表示搜索1個(gè)消失目標(biāo)的粒子數(shù)；
[0017] LkS k時(shí)刻濾波器采用的粒子總數(shù)；
[0018] "為平均目標(biāo)出現(xiàn)概率；
[0019] PD為目標(biāo)檢測(cè)概率；
[0020] λ k為平均每幀的雜波個(gè)數(shù)；
[0021] Fk為狀態(tài)轉(zhuǎn)移矩陣；
[0022] GkS過(guò)程噪聲分布矩陣；
[0023] Qk為過(guò)程噪聲協(xié)方差；
[0024] Rk為量測(cè)噪聲協(xié)方差；
[0025] 步驟2 :令k = 0,初始化粒子集
[0026] 對(duì)任意p e {1，2,…，L。}，從初始分布D。中米樣粒子4，.并賦予該粒子權(quán)重
_.得到初始粒子集
|其中，
表示粒子代表的目標(biāo)狀 態(tài)，包含了目標(biāo)的位置(.<，<)和速度(卻,.<)信息；
[0027] 步驟3 :令k = k+Ι，獲得k時(shí)刻的雷達(dá)量測(cè)
[0028] 將雷達(dá)接收到的信號(hào)進(jìn)行A/D變換，得到k時(shí)刻的雷達(dá)量測(cè)集
，送雷達(dá)數(shù)據(jù)處理計(jì)算機(jī)，其中
'表示k時(shí)刻雷達(dá)得 到的第q個(gè)量測(cè)，包含了目標(biāo)的距離量測(cè)^?、多普勒速度量測(cè)4以及方位量測(cè)繆等信息， 而Mk則表示k時(shí)刻雷達(dá)得到的量測(cè)個(gè)數(shù)；
[0029] 步驟4 :預(yù)測(cè)
[0030] (1)若k彡2,令I(lǐng)k= 0,直接轉(zhuǎn)（4)，否則定義集合
[0032] 其中，表示k-2時(shí)刻存在而k-Ι時(shí)刻消失的第η個(gè)目標(biāo)的狀態(tài)，Ndls, k i表示 消失的目標(biāo)數(shù)；
[0033] (2)若 Xdlsp =0，令 Ik= 0,直接轉(zhuǎn)（4)，否則令 I k= N dls,k Λ，對(duì)任意
，根據(jù)狀態(tài)轉(zhuǎn)移方程
[0035] 進(jìn)行一步預(yù)測(cè)，其中
[0037] (3)對(duì)任意 n
e {1，2,…，Ndis.k和任意 p e {Lk i+Oi-DSk+l，…，Lk i+nSk}，根據(jù)
[0039] 采樣粒子，并賦予該粒子權(quán)重^，^ = )，其中
[0041] 為過(guò)程噪聲分布矩陣，vk為過(guò)程噪聲，其噪聲協(xié)方差為Qk;
[0042] (4)對(duì)任意p e {Lk i+Ik+l，…，Lk片以以，根據(jù)初始分布D。采樣"新生"粒子4-,， 并賦予該粒子權(quán)重
[0043] (5)對(duì)任意 p e {1，2,…，Lk J，根據(jù)
[0045] 采樣粒子·^4，并賦予該粒子權(quán)重
[0046] 步驟5 :更新
[0047] 對(duì)任意p e {1，2,…，Lk flk+JJ，利用量測(cè)集Zk對(duì)粒子權(quán)重進(jìn)行更新
[0049] 其中
[0052] gk (z | X)為量測(cè)似然函數(shù)；
[0053] 步驟6 :重采樣
[0054] (1)計(jì)算所有粒子的權(quán)重和
[0056] (2)對(duì)粒子集
進(jìn)行重采樣，得到新的粒子集

為k時(shí)刻估計(jì)的目標(biāo)數(shù)， Round (X)表示 取與X最接近的整數(shù)；步驟7 :目標(biāo)狀態(tài)估計(jì)
[0057] 若/^ = 0，:直接轉(zhuǎn)步驟8,否則采用K-均值聚類分析的方法將粒子集{<1·^劃分 為&個(gè)類
，Lkin表示第η個(gè)類包含的粒子數(shù)，滿 足
：.，.則估計(jì)的目標(biāo)狀態(tài)為
[0059] 步驟8 :重復(fù)步驟3~步驟8,直至雷達(dá)關(guān)機(jī)。
[0060] 和【背景技術(shù)】相比，本發(fā)明的有益效果說(shuō)明：
[0061 ] 本發(fā)明提出的MS-PPHDF多目標(biāo)跟蹤方法，可以解決一般的PPHDF方法在目標(biāo)檢測(cè) 概率較低的情況下容易出現(xiàn)目標(biāo)丟失的問(wèn)題，提高了 PPHDF算法的適應(yīng)范圍。
【附圖說(shuō)明】
[0062] 附圖1是本發(fā)明提出的MS-PPHDF多目標(biāo)跟蹤方法的整體流程圖；
[0063] 附圖2是本發(fā)明實(shí)施例中MS-PPHDF方法跟蹤多目標(biāo)的效果展示，附圖中星號(hào) 表示目標(biāo)的真實(shí)位置，圓圈" Ο "表示估計(jì)的目標(biāo)狀態(tài)；
[0064] 附圖3是本發(fā)明實(shí)施例中一般的PPHDF方法跟蹤多目標(biāo)的效果展示，附圖中星號(hào) " "表示目標(biāo)的真實(shí)位置，圓圈" 〇 "表示估計(jì)的目標(biāo)狀態(tài)。
【具體實(shí)施方式】
[0065] 下面結(jié)合附圖對(duì)本發(fā)明提出的MS-PPHDF方法進(jìn)行詳細(xì)描述。
[0066] 不失一般性，設(shè)置一個(gè)二維的仿真場(chǎng)景，監(jiān)測(cè)區(qū)域S =
[_60km，60km] X [_60km，60km]，總仿真時(shí)間K = 50s。假設(shè)目標(biāo)可在監(jiān)測(cè)區(qū)域內(nèi)隨機(jī)出現(xiàn) 和消失，平均目標(biāo)出現(xiàn)概率γ k= 〇. 2,目標(biāo)出現(xiàn)的初始分布D。服從均值為X。和協(xié)方差為Q b的正態(tài)分布，這里取x〇= [30km 0.2km/s 0.5km/s lkm 0. 5km/s])，x方向和y方向過(guò)程噪聲的標(biāo)準(zhǔn)差均為0. 01km，目標(biāo)持續(xù)存在的概率為ek|k i = 0. 95且與目標(biāo)狀態(tài)無(wú)關(guān)。雷達(dá)位于點(diǎn)（0km，-10km)，檢測(cè)概率為PD= 0. 75,平均每幀的雜 波個(gè)數(shù)為Ak= 4,且在整個(gè)監(jiān)測(cè)區(qū)域內(nèi)均勻分布，距離量測(cè)誤差標(biāo)準(zhǔn)差、多普勒速度量測(cè)誤 差標(biāo)準(zhǔn)差和方位角量測(cè)誤差標(biāo)準(zhǔn)差分別為0. 2km、0. 04km/s和0. 0087rad，雷達(dá)采樣間隔T =Is ;代表1個(gè)目標(biāo)的粒子數(shù)LQ= 3000,搜索新目標(biāo)的粒子數(shù)J k= 4000,搜索1個(gè)消失目 標(biāo)的粒子數(shù)sk= 1000。
[0067] 其步驟如附圖1所示。
[0068] (1)根據(jù)以上仿真條件進(jìn)行變量初始化
[0069] 由以上仿真條件可知
[0071] 雷達(dá)量測(cè)方程為
[0073] 其中Wk為相互獨(dú)立的零均值高斯白噪聲，其協(xié)方差為
[0075] (2)按
【發(fā)明內(nèi)容】
部分步驟2所述的方法進(jìn)行粒子集初始化，得到初始粒子集；
[0076] (3)按
【發(fā)明內(nèi)容】
部分步驟3所述的方法獲得當(dāng)前時(shí)刻雷達(dá)量測(cè)；
[0077] (4)按
【發(fā)明內(nèi)容】
部分步驟4所述的方法對(duì)粒子集進(jìn)行一步預(yù)測(cè)，得到預(yù)測(cè)的粒子 集；
[0078] (5)按
【發(fā)明內(nèi)容】
部分步驟5所述的方法對(duì)預(yù)測(cè)的粒子集的權(quán)重進(jìn)行更新；
[0079] (6)按
【發(fā)明內(nèi)容】
部分步驟6所述的方法對(duì)權(quán)重更新后的粒子集進(jìn)行重采樣；
[0080] (7)按
【發(fā)明內(nèi)容】
部分步驟7所述的方法得到目標(biāo)的狀態(tài)估計(jì)；
[0081] (8)循環(huán)執(zhí)行
【發(fā)明內(nèi)容】
部分步驟3~步驟8,直至雷達(dá)關(guān)機(jī)。
[0082] 實(shí)施例條件中，在目標(biāo)檢測(cè)概率PD= 0. 75的情況下，本發(fā)明提出的MS-PPHDF方法 仍能實(shí)現(xiàn)雜波環(huán)境下對(duì)多目標(biāo)的有效跟蹤（見(jiàn)附圖2)，而一般的PPHDF方法在目標(biāo)出現(xiàn)漏 檢時(shí)出現(xiàn)了目標(biāo)的丟失的情況（見(jiàn)附圖3)，因此本發(fā)明方法可以有效的改善一般PPHDF方 法在目標(biāo)檢測(cè)概率較低情況下的多目標(biāo)跟蹤性能（附圖2和附圖3對(duì)比）。
【主權(quán)項(xiàng)】
1.多重搜索粒子概率假設(shè)密度濾波的多目標(biāo)跟蹤方法，其特征包括以下步驟： 步驟1 :變量初始化 K是雷達(dá)關(guān)機(jī)時(shí)刻； T是雷達(dá)掃描周期； L。為代表1個(gè)目標(biāo)的粒子數(shù)； D。為目標(biāo)出現(xiàn)的初始分布； Jk為搜索新目標(biāo)的粒子數(shù)； &表示搜索1個(gè)消失目標(biāo)的粒子數(shù)； LkS k時(shí)刻濾波器采用的粒子總數(shù)； YkS平均目標(biāo)出現(xiàn)概率； Pd為目標(biāo)檢測(cè)概率； Xk為平均每幀的雜波個(gè)數(shù)； Fk為狀態(tài)轉(zhuǎn)移矩陣； GkS過(guò)程噪聲分布矩陣； Qk為過(guò)程噪聲協(xié)方差； Rk為量測(cè)噪聲協(xié)方差； 步驟2 :令k = 0,初始化粒子集 對(duì)任意P e {1，2,…，L。}，從初始分布D。中米樣粒子碟，并賦予該粒子權(quán)重得到初始粒子集其中表示粒子代表的目標(biāo)狀 態(tài)，包含了目標(biāo)的位置(<，<)和速度(冗，咒）信息； 步驟3 :令k = k+Ι，獲得k時(shí)刻的雷達(dá)量測(cè) 將雷達(dá)接收到的信號(hào)進(jìn)行A/D變換，得到k時(shí)刻的雷達(dá)量測(cè)_送雷達(dá)數(shù)據(jù)處理計(jì)算機(jī)，其中表示k時(shí)刻雷達(dá)得到的第q個(gè)量測(cè)，包含了目 標(biāo)的距離量測(cè)<、多普勒速度量測(cè)爾以及方位量測(cè)頌等信息，而Mk則表示k時(shí)刻雷達(dá)得到 的量測(cè)個(gè)數(shù)； 步驟4 :預(yù)測(cè) (1)若k < 2,令I(lǐng)k= 0,直接轉(zhuǎn)（4)，否則定義集合其中，：表示k-2時(shí)刻存在而k-Ι時(shí)刻消失的第η個(gè)目標(biāo)的狀態(tài)，N dlsik i表示消失 的目標(biāo)數(shù)； ⑵若直接轉(zhuǎn)（4)，否則令I(lǐng) k= Ndls,k ^，對(duì)任意根據(jù)狀態(tài)轉(zhuǎn)移方程進(jìn)行一步預(yù)測(cè)，其中(3) 對(duì)任意 n e {1，2, · · ·，Ndis,k J 和任意 p e {Lk !+(n-DSk+l，···，Lk i+nSk}，根據(jù)采樣粒子，并賦予該粒子權(quán)重其中為過(guò)程噪聲分布矩陣，vk為過(guò)程噪聲，其噪聲協(xié)方差為Q k; (4) 對(duì)任意根據(jù)初始分布D。采樣"新生"粒子并 賦予該粒子權(quán)重(5) 對(duì)任意p e {1，2,…，Lk J，根據(jù)采樣粒子并賦予該粒子權(quán)重步驟5 :更新 對(duì)任意P e {1，2,…，Lk Mk+Jj，利用量測(cè)集Zk對(duì)粒子權(quán)重進(jìn)行更新gk (z I X)為量測(cè)似然函數(shù)； 步驟6 :重采樣 (1) 計(jì)算所有粒子的權(quán)重和(2) 對(duì)粒子集：:進(jìn)行重采樣，得到新的粒子集其 中為k時(shí)刻估計(jì)的目標(biāo)數(shù)，表示取與X最接近的整 數(shù)；步驟7:目標(biāo)狀態(tài)估計(jì) 若< =O，直接轉(zhuǎn)步驟8,否則采用K-均值聚類分析的方法將粒子集劃分為& 個(gè)類表示第η個(gè)類包含的粒子數(shù)，滿足則估計(jì)的目標(biāo)狀態(tài)為步驟8 :重復(fù)步驟3~步驟8,直至雷達(dá)關(guān)機(jī)。
【專利摘要】本發(fā)明公開(kāi)了一種多重搜索粒子概率假設(shè)密度濾波的多目標(biāo)跟蹤方法，屬于雷達(dá)數(shù)據(jù)處理領(lǐng)域。基于粒子概率假設(shè)密度濾波的多目標(biāo)跟蹤方法存在一個(gè)明顯的缺陷，即當(dāng)目標(biāo)出現(xiàn)漏檢時(shí)，重采樣會(huì)造成粒子多樣性的迅速退化，進(jìn)而造成目標(biāo)丟失的現(xiàn)象，因此該算法難以適應(yīng)目標(biāo)檢測(cè)概率較低時(shí)的多目標(biāo)跟蹤。本發(fā)明提出的多重搜索粒子概率假設(shè)密度濾波即立足于解決此類問(wèn)題。本發(fā)明具有結(jié)構(gòu)簡(jiǎn)單，計(jì)算快速，易于硬件實(shí)現(xiàn)，同時(shí)克服了基于一般的粒子概率假設(shè)密度濾波方法應(yīng)用的局限性，對(duì)非線性非高斯系統(tǒng)具有較強(qiáng)的適應(yīng)性，因此具有較強(qiáng)的工程應(yīng)用價(jià)值和推廣前景。
【IPC分類】G01S13/66, G01S7/02, G01S13/56
【公開(kāi)號(hào)】CN105353353
【申請(qǐng)?zhí)枴緾N201510791334
【發(fā)明人】譚順成, 王國(guó)宏, 吳巍, 于洪波
【申請(qǐng)人】中國(guó)人民解放軍海軍航空工程學(xué)院
【公開(kāi)日】2016年2月24日
【申請(qǐng)日】2015年11月17日