本發(fā)明涉及一種雷達(dá)數(shù)據(jù)處理方法，特別是涉及一種多目標(biāo)跟蹤濾波方法，適應(yīng)于回波起伏模型下雷達(dá)對(duì)多目標(biāo)的跟蹤。

背景技術(shù)：

多目標(biāo)跟蹤是當(dāng)前雷達(dá)目標(biāo)跟蹤領(lǐng)域的難點(diǎn)問(wèn)題之一。在密集雜波的情況下，一方面，由于目標(biāo)的出現(xiàn)和消失具有隨機(jī)性，目標(biāo)的個(gè)數(shù)往往是時(shí)變且未知的；另一方面，受雜波和噪聲的干擾，數(shù)據(jù)關(guān)聯(lián)和檢測(cè)具有不確定性，量測(cè)的個(gè)數(shù)也具有隨機(jī)性。在這種情況下利用雷達(dá)對(duì)多目標(biāo)進(jìn)行跟蹤，需要從個(gè)數(shù)時(shí)變的量測(cè)中估計(jì)出目標(biāo)個(gè)數(shù)不確定的各目標(biāo)狀態(tài)，因此密集雜波環(huán)境下的多目標(biāo)跟蹤尤為困難。如何充分利用各種量測(cè)信息，實(shí)現(xiàn)密集雜波環(huán)境下雷達(dá)對(duì)多目標(biāo)的有效跟蹤，對(duì)提高雷達(dá)的探測(cè)跟蹤性能具有重要意義。目前的多目標(biāo)跟蹤算法主要有聯(lián)合概率數(shù)據(jù)互聯(lián)(JPDA)濾波、多假設(shè)跟蹤(MHT)濾波以及概率假設(shè)密度(PHD)濾波等，其中基于PHD的多目標(biāo)跟蹤方法由于算法復(fù)雜度低，計(jì)算量隨量測(cè)個(gè)數(shù)線(xiàn)性增長(zhǎng)，能夠同時(shí)對(duì)目標(biāo)個(gè)數(shù)和目標(biāo)狀態(tài)進(jìn)行估計(jì)等優(yōu)點(diǎn)，在多目標(biāo)跟蹤領(lǐng)域受到廣泛關(guān)注。該方法主要通過(guò)以下步驟實(shí)現(xiàn)：

(1)濾波器初始化；

(2)粒子集預(yù)測(cè)；

(3)粒子集更新；

(4)目標(biāo)個(gè)數(shù)和目標(biāo)狀態(tài)估計(jì)。

基于PHD濾波的多目標(biāo)跟蹤具有兩個(gè)缺陷：(1)沒(méi)有利用目標(biāo)的幅值信息，造成有用量測(cè)信息的丟失，難以適應(yīng)密集雜波環(huán)境；(2)不能對(duì)目標(biāo)的RCS進(jìn)行估計(jì)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提出一種信噪比未知條件下的AI-PHD濾波器，解決一般的PHD濾波沒(méi)有充分利用目標(biāo)量測(cè)信息，不能對(duì)目標(biāo)RCS進(jìn)行估計(jì)，以及難以適應(yīng)密集雜波環(huán)境等問(wèn)題。

本發(fā)明提出的信噪比未知條件下的AI-PHD濾波器的技術(shù)方案包括以下步驟：

步驟1：變量初始化

(1)K為總仿真時(shí)間，T為雷達(dá)采樣間隔；

(2)γ₀為目標(biāo)出現(xiàn)初始數(shù)，L₀為代表一個(gè)目標(biāo)所需要的粒子數(shù)，J₀為搜索新目標(biāo)時(shí)賦予每一個(gè)量測(cè)的粒子數(shù)；

(3)SNR_min為目標(biāo)可能的最小信噪比，SNR_max為目標(biāo)可能的最大信噪比，為虛警概率，τ為虛警概率對(duì)應(yīng)的檢測(cè)門(mén)限；

(4)γ₀(x)為目標(biāo)出現(xiàn)初始分布，κ_k(z)為雜波分布；

(5)為擴(kuò)展過(guò)程噪聲協(xié)方差，為擴(kuò)展量測(cè)噪聲協(xié)方差；

(6)C₀為群聚類(lèi)的約束值；

步驟2：令k＝0，進(jìn)行濾波器的初始化，得到初始粒子集具體為對(duì)任意i∈{1,2,…,L₀}

(1)根據(jù)目標(biāo)出現(xiàn)初始分布γ₀(x)生成粒子其中包含目標(biāo)的位置信息和速度信息符號(hào)T表示轉(zhuǎn)置；

(2)在區(qū)間[SNR_min,SNR_max]上按照均勻分布隨機(jī)生成目標(biāo)信噪比并根據(jù)

計(jì)算得到目標(biāo)的信噪比信息

(3)令對(duì)進(jìn)行擴(kuò)維，得到新粒子并賦予該粒子權(quán)重步驟3：令k＝k+1，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，獲得當(dāng)前時(shí)刻的擴(kuò)展量測(cè)集送數(shù)據(jù)處理系統(tǒng)，其中為k時(shí)刻雷達(dá)獲得的第j個(gè)擴(kuò)展量測(cè)，包含目標(biāo)的距離信息和方位信息為目標(biāo)的幅度信息，N_k為k時(shí)刻的量測(cè)個(gè)數(shù)；

步驟4：生成預(yù)測(cè)粒子集

對(duì)任意i∈{1,2,…,L_k-1}，根據(jù)狀態(tài)轉(zhuǎn)移方程對(duì)粒子進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)的粒子

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

步驟5：生成搜索新目標(biāo)粒子集

(1)對(duì)任意j∈{1,2,…,N_k}，根據(jù)量測(cè)和量測(cè)誤差協(xié)方差R_k采樣粒子然后在區(qū)間[SNR_min,SNR_max]上按照均勻分布隨機(jī)生成目標(biāo)信噪比并計(jì)算得到目標(biāo)信噪比信息最后令并賦予該粒子權(quán)重

其中i＝1,2,…,J₀，得到量測(cè)的搜索粒子集

(2)將當(dāng)前時(shí)刻所有量測(cè)對(duì)應(yīng)的搜索粒子集合并成一個(gè)搜索新目標(biāo)粒子集其中J_k＝J₀×N_k為搜索新目標(biāo)的粒子總數(shù)；

步驟6：粒子集權(quán)重更新

(1)將預(yù)測(cè)粒子集和搜索新目標(biāo)粒子集合并得到新的粒子集

(2)對(duì)任意i∈{1,2,…,L_k-1+J_k}和任意j∈{1,2,…,N_k}，計(jì)算粒子和量測(cè)之間的統(tǒng)計(jì)距離

其中

為預(yù)測(cè)量測(cè)，(x_s,y_s)為雷達(dá)的坐標(biāo)，若令粒子和量測(cè)之間的似然度否則

其中

(3)對(duì)任意j∈{1,2,…,N_k}，計(jì)算量測(cè)和粒子集的似然度

(4)對(duì)任意i∈{1,2,…,L_k-1+J_k}，計(jì)算粒子權(quán)重

其中

以及

步驟7：目標(biāo)個(gè)數(shù)估計(jì)和粒子集重采樣

(1)計(jì)算所有粒子的權(quán)重和

并取與最接近的整數(shù)得到目標(biāo)個(gè)數(shù)估計(jì)

(2)計(jì)算當(dāng)前時(shí)刻所需的粒子總數(shù)

(3)在區(qū)間[0,1]按照均勻分布生成L_k個(gè)隨機(jī)數(shù)

(4)對(duì)粒子集的權(quán)重進(jìn)行歸一化處理，得到歸一化的粒子權(quán)重

(5)計(jì)算粒子權(quán)重積累和

(6)對(duì)任意j∈{1,2,…,L_k}，若存在i∈{1,2,...,L_k-1+J_k}，使得

則令粒子

并賦予該粒子權(quán)重得到新的粒子集

步驟8：粒子集分群

(1)對(duì)任意令粒子群個(gè)數(shù)和

得到個(gè)群中心

(2)對(duì)任意i∈{1,2,...,L_k}，計(jì)算粒子和群中心的距離

然后令

將粒子分入第j個(gè)群；

(3)對(duì)任意令

得到個(gè)新的群中心然后計(jì)算新、舊群中心的距離和

令若D_k大于約束值C₀轉(zhuǎn)(2)，否則轉(zhuǎn)步驟9；

步驟9：多目標(biāo)狀態(tài)和信噪比估計(jì)

對(duì)任意取群中心的第1維到第4維得到第j個(gè)目標(biāo)的狀態(tài)估計(jì)取群中心的第5維得到第j個(gè)目標(biāo)的信噪比估計(jì)并根據(jù)RCS的信噪比的關(guān)系式推算目標(biāo)的RCS_k,j；

步驟10：重復(fù)步驟3～步驟9，直至雷達(dá)關(guān)機(jī)。

和背景技術(shù)相比，本發(fā)明提出的信噪比未知條件下的AI-PHD濾波器的有益效果說(shuō)明：

(1)解決了一般的PHD濾波器沒(méi)有充分利用量測(cè)信息的問(wèn)題，尤其適應(yīng)于密集雜波環(huán)境下和目標(biāo)回波起伏情況下的多目標(biāo)跟蹤，有效提高了雷達(dá)對(duì)多目標(biāo)的探測(cè)跟蹤性能；(2)可以在進(jìn)行目標(biāo)個(gè)數(shù)和狀態(tài)估計(jì)的同時(shí)對(duì)目標(biāo)RCS進(jìn)行估計(jì)。

附圖說(shuō)明

圖1是本發(fā)明的信噪比未知條件下的AI-PHD濾波器的整體流程圖，附圖中各符號(hào)的含義與發(fā)明內(nèi)容部分相應(yīng)符號(hào)的含義相同；

圖2是一般的PHD濾波方法估計(jì)的多目標(biāo)狀態(tài)與真實(shí)值以及量測(cè)值對(duì)比，其中圖(a)和圖(b)分別為x坐標(biāo)值對(duì)比和y坐標(biāo)值對(duì)比；

圖3是本發(fā)明實(shí)施例中信噪比未知條件下的AI-PHD濾波器估計(jì)的多目標(biāo)狀態(tài)與真實(shí)值以及量測(cè)值對(duì)比，其中圖(a)和圖(b)分別為x坐標(biāo)值對(duì)比和y坐標(biāo)值對(duì)比；

圖4是本發(fā)明實(shí)施例中信噪比未知條件下的AI-PHD濾波器估計(jì)的目標(biāo)信噪比和真實(shí)的目標(biāo)信噪比對(duì)比。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的未知條件下的AI-PHD濾波器進(jìn)行詳細(xì)描述。

不失一般性，假設(shè)在任意時(shí)刻，目標(biāo)都在S＝[-200,200]×[-200,200]的二維觀(guān)測(cè)區(qū)域內(nèi)運(yùn)動(dòng)，且目標(biāo)可以在該區(qū)域隨機(jī)的出現(xiàn)和消失，總仿真時(shí)間為K＝50s，采樣間隔T＝1s；目標(biāo)初始出現(xiàn)服從泊松模型，其密度函數(shù)γ_k(x)＝0.2N(x|x₀,Q_b)，N(·|x₀,Q_b)表示均值為x₀，協(xié)方差為Q_b的高斯分布，其中x₀＝[0 2 0 - 2]^T和Q_b＝diag([10 5 10 5])，目標(biāo)可能的最小信噪比SNR_min＝10dB，可能的最大信噪比SNR_max＝40dB，其回波服從Swerling起伏模型；雷達(dá)位于點(diǎn)(0,-100)，可提供目標(biāo)的距離R_k、方位角θ_k和幅值信息a_k，距離和方位角的量測(cè)噪聲標(biāo)準(zhǔn)差分別為2和0.05，量測(cè)噪聲與過(guò)程噪聲相互獨(dú)立，雜波均勻分布在[0,2π]×[0,200]的觀(guān)測(cè)空間內(nèi)，且平均每幀的噪聲點(diǎn)數(shù)為μ＝1000，雷達(dá)虛警概率對(duì)應(yīng)的檢測(cè)門(mén)限τ＝2.146；代表一個(gè)目標(biāo)所需的粒子數(shù)N₀＝800，搜索新目標(biāo)時(shí)賦予每一個(gè)量測(cè)的粒子數(shù)J₀＝20；群聚類(lèi)的約束值為0.01。其步驟如附圖1所示。

步驟1：根據(jù)以上仿真條件進(jìn)行變量初始化

(1)總仿真時(shí)間K＝50s，雷達(dá)采樣間隔T＝1s；

(2)目標(biāo)出現(xiàn)初始數(shù)γ₀＝0.2，代表一個(gè)目標(biāo)所需要的粒子數(shù)L₀＝800，搜索新目標(biāo)時(shí)賦予每一個(gè)量測(cè)的粒子數(shù)J₀＝20；

(3)目標(biāo)可能的最小信噪比SNR_min＝10dB，目標(biāo)可能的最大信噪比SNR_max＝40dB，虛警概率對(duì)應(yīng)的檢測(cè)門(mén)限τ＝2.146；

(4)目標(biāo)出現(xiàn)初始分布γ_k(x)和雜波分布κ_k(z)分別為

γ_k(x)＝0.2N(x|x₀,Q_b)

(5)擴(kuò)展過(guò)程噪聲協(xié)方差以及擴(kuò)展量測(cè)誤差協(xié)方差分別為

(6)群聚類(lèi)的約束值C₀＝0.01；

步驟2：按發(fā)明內(nèi)容部分步驟2所述的方法進(jìn)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(dāng)前時(shí)刻的量測(cè)；

步驟4：按發(fā)明內(nèi)容部分步驟4所述的方法生成預(yù)測(cè)粒子集；

步驟5：按發(fā)明內(nèi)容部分步驟5所述的方法生成搜索新目標(biāo)粒子集；

步驟6：按發(fā)明內(nèi)容部分步驟6所述的方法進(jìn)行粒子集權(quán)重更新；

步驟7：按發(fā)明內(nèi)容部分步驟7所述的方法進(jìn)行目標(biāo)個(gè)數(shù)估計(jì)和粒子集重采樣；

步驟8：按發(fā)明內(nèi)容部分步驟8所述的方法進(jìn)行粒子集分群；

步驟9：按發(fā)明內(nèi)容部分步驟9所述的方法進(jìn)行多目標(biāo)狀態(tài)和信噪比估計(jì)；

步驟10：循環(huán)執(zhí)行發(fā)明內(nèi)容部分步驟3～步驟9，直至雷達(dá)關(guān)機(jī)。

本實(shí)施例中平均每幀的噪聲點(diǎn)數(shù)為μ＝1000，雷達(dá)虛警概率平均每幀的雜波數(shù)λ＝μP_FA＝100，屬于密集雜波的情況，一般的PHD濾波器幾乎不能實(shí)現(xiàn)對(duì)多目標(biāo)的跟蹤(見(jiàn)附圖2)，而通過(guò)有效結(jié)合目標(biāo)的幅值信息，本發(fā)明的未知條件下的AI-PHD濾波器可以實(shí)現(xiàn)對(duì)多目標(biāo)的有效跟蹤(見(jiàn)附圖3)，說(shuō)明本發(fā)明克服了一般PHD濾波器的缺陷；此外，本發(fā)明的未知條件下的AI-PHD濾波器可以在進(jìn)行目標(biāo)個(gè)數(shù)和狀態(tài)估計(jì)的同時(shí)對(duì)目標(biāo)信噪比進(jìn)行估計(jì)(見(jiàn)附圖4)，進(jìn)而可以實(shí)現(xiàn)對(duì)目標(biāo)RCS的估計(jì)。