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，加上傳感器的檢測不確定、觀測值和目標(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集合，對時變目標(biāo)個數(shù)以及對應(yīng)的目標(biāo)狀態(tài)聯(lián)合估計。隨機(jī)有限集(RFS，Random Finite set)的貝葉斯估計方法是近年來快速發(fā)展的一類多目標(biāo)跟蹤算法。RFS類方法將各時刻多目標(biāo)狀態(tài)和觀測值表征成RFSs，利用貝葉斯框架實現(xiàn)各時刻多目標(biāo)

2、狀態(tài)的估計。相比于傳統(tǒng)的基于關(guān)聯(lián)的多目標(biāo)跟蹤算法，它避開了觀測值與目標(biāo)關(guān)聯(lián)的問題。本文基于RFS理論，對雷達(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.針對無源相參雷達(dá)系統(tǒng)背景下多個高速機(jī)動目標(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現(xiàn)方法。傳統(tǒng)的MMPHD假定新生目標(biāo)的強

3、度函數(shù)先驗已知，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，此時傳統(tǒng)方法失效。該算法基于傳統(tǒng)MMPHD濾波器，利用各時刻遠(yuǎn)離多目標(biāo)狀態(tài)估計的定位結(jié)果，自適應(yīng)初始化各時刻新出現(xiàn)的目標(biāo)，有效跟蹤多個高速機(jī)動目標(biāo)。仿真實驗驗證了所給方法的有效性。
　　2.針對標(biāo)準(zhǔn)的帶勢概率假設(shè)密度(CPHD，Cardinalized PHD)濾波器假定新生目標(biāo)的強度函數(shù)先驗已知，因而無法應(yīng)用于新生目標(biāo)在場景中任意位置出現(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)前時刻估計狀態(tài)的觀測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)強度的PHD濾波器(GM-PHD-I-DI)，所提算法對目標(biāo)個數(shù)估計的標(biāo)準(zhǔn)差降低了

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

6、布，從而使得其更新等式獨立于機(jī)動目標(biāo)的運動模型。理論分析和仿真實驗表明，相比于傳統(tǒng)的GM-MMCPHD濾波器，在機(jī)動目標(biāo)運動模型個數(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.針對傳統(tǒng)的多模型RFS類方法假定雜波統(tǒng)計特性先驗已知，不適用于未知雜波背景下的多機(jī)動目標(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)動目標(biāo)跟蹤算法。該算法對目標(biāo)和雜波分別獨立建模

7、，通過BFG估計方法對真實目標(biāo)的強度函數(shù)進(jìn)行預(yù)測，從而使多目標(biāo)強度函數(shù)獨立于機(jī)動目標(biāo)的運動模型，實現(xiàn)各時刻真實目標(biāo)的強度函數(shù)、雜波源期望個數(shù)以及真實目標(biāo)和雜波源的混合勢分布的迭代。仿真結(jié)果表明，該算法能夠有效地聯(lián)合估計多機(jī)動目標(biāo)狀態(tài)以及雜波期望個數(shù)。
　　5.針對多站無源雷達(dá)背景下多起伏目標(biāo)同時檢測和跟蹤的問題，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服從先驗的均勻分布，并對可能取值區(qū)間進(jìn)行邊緣化處理，得到一個估計的似然函數(shù)，基于該估計的似然函數(shù)，融合中心利用所有收發(fā)對的幅度觀測信息對MeMBer濾波器的各個預(yù)測分量進(jìn)行更新。仿真結(jié)果表明，該算法能夠有效地同時檢測和跟蹤多起伏