基于粒子濾波的紅外弱小目標(biāo)檢測與跟蹤方法研究.pdf

1、紅外弱小目標(biāo)檢測與跟蹤是紅外預(yù)警、精確制導(dǎo)和衛(wèi)星遙感系統(tǒng)中的一項關(guān)鍵技術(shù)。在長距離衰減和強噪聲影響下，紅外目標(biāo)信噪比極低，此時傳統(tǒng)的目標(biāo)檢測與跟蹤方法已難以滿足要求。近年來出現(xiàn)的基于遞推貝葉斯估計的檢測前跟蹤(TBD)方法為解決此問題提供了一條有效途徑。粒子濾波(PF)作為最優(yōu)貝葉斯估計的一種數(shù)值實現(xiàn)方法，近年來受到廣泛關(guān)注。
　　 本文重點針對基于粒子濾波的紅外弱小目標(biāo)檢測與跟蹤問題進行了深入的研究，取得的主要研究成果如下：<

2、br>　　 1.粒子濾波算法的改進
　　 針對傳統(tǒng)粒子濾波器的粒子退化和貧乏問題，提出一種基于快速Metropolis-Hastings(MH)變異的新型遺傳重采樣粒子濾波算法。算法將快速MH算法作為變異算子，與賭輪法選擇算子、算術(shù)相加交叉算子一起組成新型遺傳重采樣。由于快速MH算法按照狀態(tài)的后驗概率密度來產(chǎn)生新的粒子，保證了新增粒子的有效性。研究表明新型遺傳重采樣能有效的增加粒子的多樣性，提高跟蹤精度。另外，針對傳統(tǒng)粒子濾波

3、采用的蒙特卡羅(MC)采樣方法存在的非均勻性，提出了一種基于擬蒙特卡羅(QMC)的高斯和粒子濾波(GSPF)算法。算法既保留了GSPF無需重采樣的優(yōu)點，又解決了由于MC采樣形成“空隙和簇”而導(dǎo)致GSPF濾波性能下降的問題。研究表明QMC-GSPF僅需少量的粒子可以達到與PF相同的估計性能。
　　 2.基于粒子濾波的單目標(biāo)檢測
　　 針對傳統(tǒng)粒子濾波檢測前跟蹤算法的高復(fù)雜度問題，提出了一種基于Rao-Blackwelliz

4、ed粒子濾波(RBPF)的弱小目標(biāo)雙統(tǒng)計量檢測算法。算法首先對紅外弱小目標(biāo)系統(tǒng)模型進行分析，根據(jù)狀態(tài)變量與觀測的關(guān)系將狀態(tài)變量劃分為線性變量與非線性變量，用最優(yōu)卡爾曼濾波和粒子濾波分別進行處理；另外，對傳統(tǒng)的目標(biāo)出現(xiàn)與消失檢測方法進行改進，在搜索階段利用目標(biāo)存在概率進行目標(biāo)出現(xiàn)的檢測，目標(biāo)一旦出現(xiàn)，則用累積似然比差進行目標(biāo)消失的檢測。研究表明RBPF算法不僅有效利用了卡爾曼濾波，還降低了粒子濾波狀態(tài)估計的維數(shù)，能用較少的粒子實現(xiàn)檢測前跟

5、蹤的性能，雙統(tǒng)計量檢測有效減小了出現(xiàn)和消失的檢測延遲。
　　 3.基于粒子濾波的多目標(biāo)檢測
　　 針對紅外圖像中目標(biāo)數(shù)目可變的多目標(biāo)檢測問題，提出了一種基于多RBPF濾波器的多目標(biāo)檢測算法。算法用多個RBPF濾波器檢測多個弱小目標(biāo)，定義了帶約束條件的目標(biāo)初始化。研究表明，算法可以避免目標(biāo)間的相互干擾，獲得與單目標(biāo)檢測相近的檢測概率和跟蹤精度。另外，針對目標(biāo)最大數(shù)目已知時的多目標(biāo)檢測問題，提出一種基于聯(lián)合狀態(tài)的U-QMC-

6、GPF多目標(biāo)檢測算法。算法定義狀態(tài)向量為所有目標(biāo)狀態(tài)變量與模式變量的組合，對聯(lián)合狀態(tài)進行U-QMC-GPF濾波更新。研究表明相似目標(biāo)的合并操作可以減小目標(biāo)數(shù)的誤判，提高檢測概率。
　　 4.基于粒子濾波的機動目標(biāo)跟蹤
　　 針對機動目標(biāo)中的機動檢測問題，提出了一種基于QMC-GPF濾波殘差的采樣周期自適應(yīng)調(diào)整算法。算法設(shè)定采樣周期最大值可以避免采樣周期過大而造成濾波發(fā)散問題。研究表明自適應(yīng)采樣算法可以提高算法的實時性。針

7、對紅外弱小機動模型的建立問題，提出基于一種“當(dāng)前”統(tǒng)計模型的QMC-GPF自適應(yīng)跟蹤算法。研究表明所提算法比Singer模型有更高的跟蹤精度。針對機動目標(biāo)跟蹤的模型選擇問題，提出一種基于交互式多模型的QMC-GPF算法。研究表明所提算法比靜態(tài)多模型算法有更好跟蹤效果。
　　 5.克拉美-羅下界(CRLB)分析
　　 對紅外弱小單目標(biāo)和多目標(biāo)勻速運動模型的跟蹤誤差進行CRLB分析。分別研究了信噪比、傳感器模糊參數(shù)和目標(biāo)軌跡