一种基于信息积累的弱目标检测前跟踪方法与流程

本发明属于雷达跟踪目标与检测前技术领域，特别涉及一种基于信息积累的弱目标检测前跟踪方法。

背景技术：

随着电子信息技术的不断进步，传统的雷达系统不仅面临着无人机、隐身飞机、反辐射导弹等先进军事设备带来的重大威胁，还需要面对超低空突防、综合电子干扰等高超作战手段的严峻挑战。无人机、隐身飞机等军事设备在不断地发展，这些军事目标的散射截面积(rcs)通常比较小，回波的信噪比(snr)比较低，利用传统的检测后跟踪(track-after-detect,tad)算法难以对这些信噪比低的弱目标获得稳定、可靠的检测效果，对传统的雷达系统构成了极大的威胁。

为了有效地对低信噪比的弱目标进行检测，形成了一类检测前跟踪(track-before-detect,tbd)算法。这类算法并不直接对单帧数据进行阈值判决形成点迹，而是利用目标的运动特征沿着可能的运动轨迹进行多帧回波信号的能量积累，在此基础上实现微弱目标的检测和跟踪。传统的tbd算法主要包括霍夫变换、动态规划和粒子滤波等方法。基于动态规划和基于霍夫变换的弱目标检测算法是批处理算法，需要等待多帧观测数据才能开始处理，实时性较差。而基于递推实现的粒子滤波算法则需要大量的粒子来保证其滤波性能，导致算法的计算复杂度较高，运行时间较长，难以保证雷达系统中目标检测较高的实时性需求。

技术实现要素：

本发明的目的是提出一种基于信息积累的弱目标检测前跟踪方法，其特征在于，所述弱目标检测前跟踪方法是基于递推贝叶斯原理，按照以下步骤来实现：

第一步：将目标状态空间离散化，设置目标状态空间的离散化网格；

第二步：初始化目标状态在各个离散格点的概率取值；

第三步：第k帧数据到来时，若k＝1，设置初始化信息传递矩阵；若k≠1，设置从上的第k-1帧到当前帧第k帧的信息传递矩阵；

第四步：若k＝1，根据第二步中的初始化目标状态分布以及第三步中的初始化信息传递矩阵预测第1帧的目标状态分布；若k≠1，则根据第五步计算得到的第k-1帧的目标状态分布以及第三步中的从上的第k-1帧，到当前帧第k帧的信息传递矩阵来预测第k帧的目标状态分布。

第五步：根据第k帧的观测数据和第四步得到的目标状态分布的预测结果更新计算最终第k帧的目标状态分布；

第六步：根据第五步得到的目标状态分布计算信息熵；

第七步：选定阈值对第六步得到的信息熵进行门限判决得到目标检测结果；具体是若判断当前第k帧存在目标，则根据第五步得到的目标状态的分布，利用最大后验估计准则来估计目标状态；

第八步：依次类推处理，在第k+1帧的数据到来时，重复第四步至第七步的方法进行处理；

第九步：输出目标的检测和状态估计结果。

所述第一步将连续的目标状态空间离散化为网格点，目标状态转移服从一阶马尔科夫过程，目标状态从当前格点向其他格点的转移概率由第三步中设置的信息传递矩阵来确定，通过信息传递矩阵实现多帧观测数据之间的信息积累。

所述将连续的目标状态空间离散化为网格点，是将回波信号经过常规的匹配滤波和相参积累处理之后得到的具有i个距离单元，j个多普勒单元的距离多普勒网格进行离散化，目标状态在如下笛卡尔积中取值，

xk∈{0,1,…,i-1}×{0,1,…,j-1}

当目标状态取值为(i,j)时，对应的位置为第i个距离单元，第j个多普勒单元。

所述步骤二的初始化目标状态在各个离散格点的概率取值具体为将初始化目标状态为均匀分布，即在各个格点的概率是相同的，概率为1/ij。

所述目标状态转移过程服从一阶马尔科夫过程，信息传递矩阵tk-1中的元素表示目标k-1时刻处于(m,n)状态，k时刻转移到状态(i,j)的概率，满足

根据信息传递矩阵进行预测，预测过程得到第k帧的目标状态预测分布p(xk|z1:k-1)，

其中符号x^i,j＝(i,j)表示目标状态格点，表示目标出现在x^i,j格点的取值概率。

所述步骤六根据目标状态分布，按照信息熵的计算公式计算熵值hk，

根据hk进行目标检测，如果hk<hthr,判定目标存在，目标状态

如果hk≥hthr，判定目标不存在。

本发明有益效果是该方法不仅在处理匀速直线运动和具有一定机动性的目标时具有良好的检测跟踪性能和较好的鲁棒性，而且具有实现简单、运算复杂度低、可并行化实现等优点。

附图说明

图1为算法流程框图；

图2为状态空间离散化网格的示意图；

图3仿真实验1中的观测数据结果图；

图4仿真实验1中的信息熵随时间变化曲线图；

图5仿真实验1中目标状态估计结果；其中(a)距离估计结果；(b)多普勒频移估计结果；

图6为仿真实验2中不同信噪比下信息熵随时间变化曲线图；

图7为仿真实验3中的信息熵随时间变化曲线图；

图8为仿真实验3中目标状态估计结果；其中(a)距离估计结果；(b)多普勒频移估计结果；

具体实施方式

本发明的目的是提出一种基于信息积累的弱目标检测前跟踪方法，为了进一步说明本发明的详细内容，兹列举以下实施例进行详细说明：

实施例1

本发明所述的基于信息积累的一种弱目标检测前跟踪方法，如图1所示，包括以下步骤：

第一步：将目标状态空间离散化，设置目标状态空间的离散网格；

考虑常规的雷达系统，回波信号经过常规的匹配滤波和相参积累处理之后，可以获得如图2所示的距离多普勒结果矩阵；距离多普勒结果矩阵共有i个距离单元，j个多普勒单元；目标状态空间将按照距离多普勒的网格划分进行离散化，目标状态在如下笛卡尔积中取值。

xk∈{0,1,…,i-1}×{0,1,…,j-1}

当目标状态取值为(i,j)时，对应的位置为第i个距离单元，第j个多普勒单元。

第二步：初始化目标状态在各个离散格点的概率取值；

简单起见，可以初始化目标状态为均匀分布，即在各个格点的概率是相同的，概率为1/ij。

第三步：第k帧数据到来时，若k＝1，设置初始化信息传递矩阵；若k≠1，设置从上一帧(第k-1帧)到当前帧(第k帧)的信息传递矩阵。

信息传递矩阵tk-1中的元素表示目标k-1时刻处于(m,n)状态，k时刻转移到(i,j)状态的概率，满足

若目标匀速运动，信息传递矩阵t可以设置为与时刻k无关的值；若目标非匀速运动，信息传递矩阵tk设置为随时刻k变化的值，反映目标运动的机动性。获取信息传递矩阵可以采取多种灵活的方式，可以根据已知的目标的先验信息预先存储，或者按照目标状态空间划分的网格设置多个通道，也可以利用跟踪的信息反馈进行实时更新。

第四步：若k＝1，根据第二步中的初始化目标状态分布以及第三步中的初始化信息传递矩阵预测第1帧的目标状态分布；若k≠1，则根据第五步计算得到的第k-1帧的目标状态分布以及第三步中的从上一帧(第k-1帧)到当前帧(第k帧)的信息传递矩阵来预测第k帧的目标状态分布。

第k-1帧的目标状态分布为p(xk-1|z1:k-1)。

其中δ函数定义为

的取值满足

根据信息传递矩阵进行预测，预测过程得到第k帧的目标状态预测分布p(xk|z1:k-1)。

第五步：根据第k帧新的观测数据和第四步得到的目标状态分布的预测结果更新计算第k帧的目标状态分布。

更新过程，k时刻得到新的观测值zk，其中的分量z^i,j是相互独立的。引入随机变量表示网格(i,j)是否存在目标。若网格(i,j)存在目标，即xk＝(i,j)，此时观测数据服从分布若网格(i,j)不存在目标，即xk≠(i,j)，此时观测数据服从分布

定义似然函数

根据更新过程的表达式

p(xk|z1:k)∝p(xk-1|z1:k-1)p(zk|xk)

∝p(xk-1|z1:k-1)l(zk|xk)

得到最终的概率密度函数p(xk|z1:k)。

第六步：根据第五步得到的目标状态分布计算信息熵；

根据目标状态分布，按照信息熵的计算公式计算熵值hk。

第七步：选定阈值对第六步得到的信息熵进行门限判决得到目标检测结果；若判断当前帧(第k帧)存在目标，则根据第五步得到的目标状态的分布，利用最大后验估计准则来估计目标状态。

假设初始时刻目标状态服从均匀分布，无任何观测数据时目标状态的不确定性最大；随着观测数据的增加，获取到更多关于目标状态的信息，目标状态的不确定性下降。目标状态的不确定性下降，熵值下降。当目标状态的确定度达到一定水平，即熵值下降到一定门限的时候，判定当前时刻存在目标。

根据hk进行目标检测，如果hk<hthr,判定目标存在，目标状态

如果hk≥hthr，判定目标不存在。

第八步：依次类推处理，在第k+1帧的数据到来时，重复第四步至第七步的方法进行处理；

第九步：输出目标的检测和状态估计结果

实验结果：

下面通过仿真实验进一步说明本发明所述方法的性能。

仿真场景1：总共观测20帧数据，对应的时间长度为10s。其中包含单个运动目标，目标第1帧开始出现，一直持续到第20帧。目标初始位置位于(50,60,1)^tkm，保持匀速直线运动，运动速度v＝(-180,-120,-2)^tm/s。目标散射截面积按照swerlingi型起伏，均值为10m²。噪声为零均值加性复高斯噪声，调整噪声功率，使得均值rcs所对应的观测数据信噪比为7db。观测数据如图3所示，共有200个距离单元，距离单元大小为1.5km，共有500个多普勒频移单元，多普勒频移单元大小为2hz。目标不确定性随时间的变化曲线如图4所示。目标距离和多普勒频移估计结果如图5(a)和图5(b)所示。

仿真场景2：调整噪声功率，改变目标的信噪比，使得观测数据的平均信噪比分别为12db,9db,7db,5db，其他场景参数与仿真场景1中保持一致。不同信噪比下目标不确定性随时间的变化曲线如图6所示。

仿真场景3：总共观测30帧数据，对应的时间长度为15s。其中包含单个运动目标，目标散射截面积按照swerlingi型起伏，均值为10m²。噪声为零均值的加性复高斯噪声，调整噪声功率，使得所对应的观测数据的平均信噪比为7db。目标初始的初始位置(50,60,1)^tkm，第1帧到第10帧保持匀速直线运动，运动速度v＝(-180,-120,-2)^tm/s。第11帧到20帧目标运动状态发生变化，做匀加速直线运动，加速度为a＝(10,-15,0)^tm/s²，第21帧到第30帧保持匀速直线运动。观测数据共有200个距离单元，距离单元大小为1.5km，共有500个多普勒频移单元，多普勒频移单元大小为2hz。目标不确定性随时间的变化曲线如图7所示。目标距离和多普勒频移估计结果如图8(a)和图8(b)所示。

可以看出，本发明所述方法不仅能准确地检测和跟踪匀速直线运动的弱目标，对于机动目标也有良好的检测性能。