基于隨機(jī)有限集的雷達(dá)多目標(biāo)跟蹤算法研究.pdf

1、多目標(biāo)跟蹤問題在軍用和民用方面一直受到廣泛關(guān)注，由于觀測(cè)區(qū)域中新生目標(biāo)的出現(xiàn)以及已有目標(biāo)的丟失，加上傳感器的檢測(cè)不確定、觀測(cè)值和目標(biāo)的關(guān)聯(lián)不確定以及雜波噪聲導(dǎo)致的虛警，多目標(biāo)跟蹤即是利用傳感器的觀測(cè)集合，對(duì)時(shí)變目標(biāo)個(gè)數(shù)以及對(duì)應(yīng)的目標(biāo)狀態(tài)聯(lián)合估計(jì)。隨機(jī)有限集(RFS，Random Finite set)的貝葉斯估計(jì)方法是近年來快速發(fā)展的一類多目標(biāo)跟蹤算法。RFS類方法將各時(shí)刻多目標(biāo)狀態(tài)和觀測(cè)值表征成RFSs，利用貝葉斯框架實(shí)現(xiàn)各時(shí)刻多目標(biāo)

2、狀態(tài)的估計(jì)。相比于傳統(tǒng)的基于關(guān)聯(lián)的多目標(biāo)跟蹤算法，它避開了觀測(cè)值與目標(biāo)關(guān)聯(lián)的問題。本文基于RFS理論，對(duì)雷達(dá)背景下的多目標(biāo)跟蹤問題進(jìn)行了系統(tǒng)的研究，所取得的主要研究成果為:
　　1.針對(duì)無源相參雷達(dá)系統(tǒng)背景下多個(gè)高速機(jī)動(dòng)目標(biāo)跟蹤的問題，提出一種擴(kuò)展的多模型(MM，multiple model)概率假設(shè)密度(PHD，Probability HypothesisDensity)濾波器的粒子濾波實(shí)現(xiàn)方法。傳統(tǒng)的MMPHD假定新生目標(biāo)的強(qiáng)

3、度函數(shù)先驗(yàn)已知，但是無源雷達(dá)背景下新生目標(biāo)可在監(jiān)視區(qū)域任意位置出現(xiàn)，且速度取值范圍大，此時(shí)傳統(tǒng)方法失效。該算法基于傳統(tǒng)MMPHD濾波器，利用各時(shí)刻遠(yuǎn)離多目標(biāo)狀態(tài)估計(jì)的定位結(jié)果，自適應(yīng)初始化各時(shí)刻新出現(xiàn)的目標(biāo)，有效跟蹤多個(gè)高速機(jī)動(dòng)目標(biāo)。仿真實(shí)驗(yàn)驗(yàn)證了所給方法的有效性。
　　2.針對(duì)標(biāo)準(zhǔn)的帶勢(shì)概率假設(shè)密度(CPHD，Cardinalized PHD)濾波器假定新生目標(biāo)的強(qiáng)度函數(shù)先驗(yàn)已知，因而無法應(yīng)用于新生目標(biāo)在場(chǎng)景中任意位置出現(xiàn)的環(huán)境

4、的問題，提出一種單步初始化的高斯混合CPHD(GMCPHD，Gaussian mixtureCPHD)濾波器(GM-CPHD-I-DI)。該濾波器利用位置上遠(yuǎn)離當(dāng)前時(shí)刻估計(jì)狀態(tài)的觀測(cè)值單步初始化新生目標(biāo)。此外，多普勒信息一方面被用來初始化新生目標(biāo)的速度，另一方面在濾波器更新步驟中，被用來再次更新徑向距離和角度觀測(cè)值更新的中間狀態(tài)。相比于已有的自適應(yīng)新生目標(biāo)強(qiáng)度的PHD濾波器(GM-PHD-I-DI)，所提算法對(duì)目標(biāo)個(gè)數(shù)估計(jì)的標(biāo)準(zhǔn)差降低了

5、70％以上，同時(shí)降低了聯(lián)合表征目標(biāo)個(gè)數(shù)和目標(biāo)狀態(tài)估計(jì)的優(yōu)化子模式分配(OSPA，Optimal SubPattem Assignment)誤差。
　　3.針對(duì)傳統(tǒng)的高斯混合(GM，Gaussian Mixture)多模型CPHD(MMCPHD)濾波器的計(jì)算復(fù)雜度高的問題，提出一種擴(kuò)展的高斯混合帶勢(shì)概率假設(shè)密度濾波器跟蹤機(jī)動(dòng)目標(biāo)(GM-BFGCPHD)。該擴(kuò)展濾波器基于BFG估計(jì)方法，用一單模型方式表征多機(jī)動(dòng)目標(biāo)的預(yù)測(cè)強(qiáng)度函數(shù)和勢(shì)分

6、布，從而使得其更新等式獨(dú)立于機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)模型。理論分析和仿真實(shí)驗(yàn)表明，相比于傳統(tǒng)的GM-MMCPHD濾波器，在機(jī)動(dòng)目標(biāo)運(yùn)動(dòng)模型個(gè)數(shù)為M的情況下，GM-BFGCPHD濾波器在保證性能不損失的前提下，其算法復(fù)雜度降低了O(M)。
　　4.針對(duì)傳統(tǒng)的多模型RFS類方法假定雜波統(tǒng)計(jì)特性先驗(yàn)已知，不適用于未知雜波背景下的多機(jī)動(dòng)目標(biāo)跟蹤的問題。以GMCPHD濾波器為基礎(chǔ)，提出一種未知雜波下的多機(jī)動(dòng)目標(biāo)跟蹤算法。該算法對(duì)目標(biāo)和雜波分別獨(dú)立建模

7、，通過BFG估計(jì)方法對(duì)真實(shí)目標(biāo)的強(qiáng)度函數(shù)進(jìn)行預(yù)測(cè)，從而使多目標(biāo)強(qiáng)度函數(shù)獨(dú)立于機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)模型，實(shí)現(xiàn)各時(shí)刻真實(shí)目標(biāo)的強(qiáng)度函數(shù)、雜波源期望個(gè)數(shù)以及真實(shí)目標(biāo)和雜波源的混合勢(shì)分布的迭代。仿真結(jié)果表明，該算法能夠有效地聯(lián)合估計(jì)多機(jī)動(dòng)目標(biāo)狀態(tài)以及雜波期望個(gè)數(shù)。
　　5.針對(duì)多站無源雷達(dá)背景下多起伏目標(biāo)同時(shí)檢測(cè)和跟蹤的問題，提出一種基于多目標(biāo)多伯努利(MeMBer, Multi-target Multi-Bernoulli)濾波器的多起伏目標(biāo)

8、檢測(cè)前跟蹤(TBD，Track-Before-Detect)算法。由于起伏目標(biāo)的平均信噪比(SNR,Signal-to-Noise Ratio)未知使得目標(biāo)的回波幅度似然函數(shù)不確定，假定包絡(luò)檢波器的輸出平均SNR服從先驗(yàn)的均勻分布，并對(duì)可能取值區(qū)間進(jìn)行邊緣化處理，得到一個(gè)估計(jì)的似然函數(shù)，基于該估計(jì)的似然函數(shù)，融合中心利用所有收發(fā)對(duì)的幅度觀測(cè)信息對(duì)MeMBer濾波器的各個(gè)預(yù)測(cè)分量進(jìn)行更新。仿真結(jié)果表明，該算法能夠有效地同時(shí)檢測(cè)和跟蹤多起伏