本发明属于雷达目标检测与跟踪技术领域，特别涉及一种高机动目标情况下的多帧联合目标检测跟踪技术。
背景技术：
现役雷达系统常面临复杂环境中对微弱目标、高机动目标的有效探测需求。传统的机动目标先单帧检测再关联跟踪算法，在单帧门限检测过程中存在信息丢失，导致后续跟踪处理结果微弱目标丢失严重、航迹连续性差、虚假航迹较多等问题，严重制约雷达系统的探测性能。
检测前跟踪技术(tbd)作为一种有效的微弱目标检测跟踪技术，已经成为当前目标检测跟踪领域的重点研究对象。与传统先检测后跟踪算法不同，tbd技术直接对多帧未经门限检测的原始数据平面进行多帧联合检测跟踪处理，通过利用目标在空-时维的相关性来提高微弱目标探测性能。然而已有的关于tbd算法的研究主要都假设目标做匀速直线运动(cv)，对于机动目标情况下tbd技术的研究任然很少。文献"theuseoftrack-before-detectinpulse-dopplerradar,ietconferenceproceedings,2002,pp.315-319."中考虑了雷达场景下的多帧检测跟踪问题，并且给出了对于存在目标机动情况，可以通过扩大搜索的转态转移区间范围来实现对机动目标的有效跟踪。但该方法会引入大量的噪声量测，导致机动目标检测跟踪性能较差。文献"amulti-frametrack-before-detectalgorithmformaneuveringtargetsinradarsystem,in2016ieeeradarconference(radarconf),2016,pp.1-6."中给出了一种机动目标多帧检测跟踪算法，引入当前统计模型(cs)来实现机动目标跟踪。但其只是给出了一种启发式的加速度计算方法，没有建立完整的理论模型，导致目标机动特性估计准确度低、算法鲁棒性差等；此外对于引入cs模型后可能状态转移区域的计算也没有具体的公式推导，同时没有考虑算法计算复杂度问题。专利"适用于脉冲多普勒雷达的机动目标多帧检测前跟踪方法,cn105974402b"中给出了一种基于cs模型的多帧检测跟踪算法；但对于加速度的估计只给出了一种经验的取值，并没有建立历史信息的估计模型，导致算法估计精度低，容易存在模型适配问题。因此上述方法都没能真正有效解决多帧联合检测跟踪算法中的机动目标问题。
技术实现要素：
为解决上述技术问题，本发明提出一种基于线性伪量测模型的机动目标多帧检测跟踪方法，有效提高了机动目标情况下多帧检测跟踪算法的探测性能。
本发明采用的技术方案为：一种基于线性伪量测模型的机动目标多帧检测跟踪方法，如图1所示，包括：
s1、粗略计算前一帧可能的目标状态转移区域；
s2、对前一帧可能的目标状态转移区域内的每一个状态都进行航迹回溯得到对应的历史状态序列；
s3、根据历史状态序列进行一步增广目标状态向量估计；
s4、根据构建的增广目标状态向量，通过引入当前统计模型来进行当前帧的增广状态向量预测估计；
s5、根据估计的前一时刻的增广状态向量来对步骤s1得到的前一帧可能的目标状态转移区域进行修正，得到修正后的目标可能状态转移区域；
s6、根据修正后的目标可能状态转移区域，进行航迹恢复。
本发明的有益效果：本发明基于多帧联合检测跟踪算法处理框架，进一步解决了实际跟踪场景中机动目标模型失配问题，给出了一种基于历史消息的目标机动特性自适应估计多帧检测跟踪算法，有效提高了机动目标情况下多帧检测跟踪算法的探测性能。另一方面，为了避免引入过高的计算复杂度，该方法给出了一步增广状态估计模型以及目标机动状态约束模型，避免了传统扩维搜索的巨大计算代价，能够实现较高机动目标检测跟踪性能的同时保证算法复杂度维持在一定的量级。
附图说明
图1为本发明的方案流程图；
图2为本发明实施例提供的本发明方案实现流程；
图3为本发明实施例提供的机动目标的运动轨迹示意图；
图4为本发明实施例提供的仿真结果；
其中，图4(a)为信噪比snr＝10db时不同算法的目标检测概率pd和运动时间关系图，图4(b)为信噪比snr＝12db时不同算法的目标检测概率pd和运动时间关系图，图4(c)为信噪比snr＝10db时不同算法的目标精确跟踪概率pd-track和运动时间关系图，图4(d)为信噪比snr＝12db时不同算法的目标精确跟踪概率pd-track和运动时间关系图。
具体实施方式
为了方便描述本发明的内容，首先对以下术语进行解释：
术语1：迭代积累
重复进行多重频多周期积累过程，每一次积累的结果作为下一次积累的初始值。
术语2：机动目标扩维搜索
对于机动目标问题，可以通过增加目标状态空间维度，来实现对机动目标运动的近似描述，这里维度越高，描述的目标运动越准确。
术语3：增广状态向量
在已有低维状态向量的基础上，通过引入更高维度的目标状态信息(例如：速度、加速度或者更高阶变量等)，所构成的新状态向量成为增广目标状态向量。
术语4：目标检测概率(pd)
某一恒定虚警率条件下，一次批处理过程中最后一帧积累值函数超过检测门限γ，且最后一帧估计的目标位置与真实目标位置误差在ε个单元格内的概率；
术语5：目标精确跟踪概率(pd-track)
最后一帧积累值函数超过检测门限γ，且每一帧估计的目标位置与真实目标位置误差在ε个单元格内的概率。
目标检测概率(pd)与目标精确跟踪概率(pd-track)为性能评价参数。
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在matlab2016b上验证正确。下面结合附图1-4对本发明的内容进行详细阐述。
如图1所示，本发明的实现过程包括以下步骤：
步骤1、系统参数初始化，
为了验证该方法对机动目标探测的有益效果，本实施例仿真一个在监视区域内做“s”转弯的机动目标场景。然后初始化系统参数：雷达最大探测距离rmax＝10km，最大探测速度为vmax＝340m/s，最大探测加速度为amax＝30m/s2。观测总帧数为35帧，帧间采样间隔t＝1s。距离分辨率δx＝15m，方位分辨率δy＝1.5°，对应的单元格数nx×ny＝100×100。
步骤2、算法模型参数初始化：
线性伪量测模型参数初始化：过程噪声向量vi,k-1的协方差矩阵为
cs机动模型参数初始化：目标机动频率α＝0.1，系数δx＝δy＝1，对应初始化矩阵qcs。
步骤3、雷达接收到的第k帧量测平面为zk：
这里nk为0均值高斯白噪声，噪声方差为σn＝1。ak表示恒定的目标幅度值，这里可以根据目标信噪比(snr)计算得到，对应关系为
步骤4、进行机动特性自适应多帧积累：
步骤4.1、如果k＝1，直接用第一帧中各个量化状态x1对应的回波数据检测统计量进行值函数初始化，即i1(x1|z1)＝λ1(x1)，ψ1(x1)＝0，ψ1(x1)表示航迹回溯函数，用于储存积累的历史状态序列信息，执行步骤4.8；否则，执行步骤4.2。
步骤4.2、基于运动界限约束粗略计算可能的状态转移区域，其中基于速度约束(kbc2)的可能状态转移区域表示为：
这里
这里
其中，
为例继续下列步骤。
步骤4.3、如果k≤3，则执行步骤4.7；否则，对选取的可能状态转移区域内的每一个状态
这里
初始量测信息需要三帧才能估计加速度信息，因此本步骤中需要判断k≤3。
本实施例中为了简化符号，直接用χi表示第i帧历史状态。
步骤4.4、对状态序列进行一步增广状态估计：
这里增广状态
χi＝hi,k-1yk-1 vi,k-1,i＝1,…,k-1,
这里hi,k-1是一个2×6的矩阵，表示为
这里t为帧间时间间隔，i2为单位矩阵。过程噪声向量vi,k-1假设为零均值高斯白噪声，它的协方差矩阵为ri,k-1。之后，用
根据建立的线性伪量测模型，结合上述公式，可以得到增广状态向量的一步估计为
其中，
对于上述的计算，具体证明如下所示：
证明：
已知
上式两边同时乘以
然后得到
yk＝pk(χ1:k-v1:k)＝pkχ1:k-pkv1:k
对于一个给定的χ1:k，上式明确给出了yk是一个多元高斯随机样本，对应均值为pkχ1:k，协方差矩阵为
步骤4.5、基于cs模型的目标状态预测：
引入cs模型，对机动目标运动过程中加速度的随机性进行建模，对应的增广状态转移密度表示为：
这里
过程噪声协方差矩阵为
α表示目标机动频率，对于不同的x和y方向的过程噪声水平，计算式如下：
对应元素的取值可以参考文献"estimationwithapplica-tionstotrackingandnavigation:theoryalgorithmsandsoftware[m],2004"。注意：cs模型中一个潜在的假设
根据贝叶斯理论，进一步可以推导得到当前帧预测状态的分布为
步骤4.6、精细化修正可能状态转移区域：根据得到的预测状态概率密度函数
γx表示x方向的统计距离，γy表示y方向的统计距离，它们的取值依赖于模型噪声方差。
这里
这里[a]i,j表示矩阵a的第(i,j)个元素(第i行，第j列)，即[ωk]1,1表示矩阵ωk中第(1,1)个元素，[ωk]4,4表示矩阵ωk中第(4,4)个元素。
步骤4.7、更新当前帧转态值函数：
步骤4.8、k＝k 1，如果k≤k，则返回步骤3；否则，执行步骤5。
步骤5、门限检测：
上式表示二元假设检测，当上式左边大于或等于γ时，取值h1，当上式左边小于γ时，取值h0，这里
步骤6、航迹恢复，输出估计的目标轨迹序列：
通过上述步骤，完成对机动目标的自适应多帧联合检测跟踪过程。
图3为机动目标仿真场景示意图。这里考虑一个做“s”转弯的机动目标，总的运动时长维35s，目标刚开始在1～7s内做匀速直线运动(cv)，然后在8～17s内进行一个突然的加速度转弯(ca)，之后18～20s内又做一个短时间的cv运动，最后21～35s内做一个长时间的协同转弯运动(ct)。
图4为根据本发明提出的方法进行处理后的结果。图4中分析了6种不同算法的跟踪性能：
(1)mf-tbd(cv)：传统cv模型下的多帧检测跟踪算法；
(2)mf-tbd(kbc2)：传统的速度约束多帧检测跟踪算法；
(3)mf-tbd
(4)mf-tbd(kbc4)：传统的加速度约束多帧检测跟踪算法；
(5)mf-tbd
(6)sfd(imm-kf)：传统先单帧检测再进行交互式多模型kalman滤波跟踪算法。
图4分析了snr＝10db，12db条件下不同算法的检测跟踪性能。图4(a)为信噪比snr＝10db时不同算法的目标检测概率pd和运动时间关系图，图4(b)为信噪比snr＝12db时不同算法的目标检测概率pd和运动时间关系图，图4(c)为信噪比snr＝10db时不同算法的目标精确跟踪概率pd-track和运动时间关系图，图4(d)为信噪比snr＝12db时不同算法的目标精确跟踪概率pd-track和运动时间关系图。可以看出所有的多帧检测跟踪算法(kbc2、
传统的基于cv的检测跟踪算法只使用与cv运动模型，对于目标机动情况会导致模型失配，降低算法检测跟踪性能。传统的基于kbc2和kbc4的多帧检测跟踪算法都能实现对机动目标的有限检测跟踪，然而这两种算法都是通过扩大目标运动约束界限来实现机动目标跟踪，对应的会引入大量的噪声或虚假量测，严重制约算法的检测跟踪性能。
如图4所示本发明所提出的基于量测指导的多帧检测跟踪算法(
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
1.一种基于线性伪量测模型的机动目标多帧检测跟踪方法，其特征在于，包括：
s1、粗略计算前一帧可能的目标状态转移区域；
s2、对前一帧可能的目标状态转移区域内的每一个状态都进行航迹回溯得到对应的历史状态序列；
s3、根据历史量测状态序列进行一步增广目标状态向量估计；
s4、根据构建的增广目标状态向量，通过引入当前统计模型来进行当前帧的增广状态向量预测估计；
s5、根据预测估计的当前帧增广状态向量结合当前帧量测构建统计模型来对步骤s1得到的前一帧可能的目标状态转移区域进行修正，剔除置信度低于某一阈值的目标可能状态向量，得到修正后的目标可能状态转移区域；
s6、根据修正后的目标可能状态转移区域，进行多帧迭代能量积累，最后输出完整目标轨迹。
2.根据权利要求1所述的一种基于线性伪量测模型的机动目标多帧检测跟踪方法，其特征在于，步骤s1具体为基于运动界限约束粗略计算得到前一帧可能的目标状态转移区域。
3.根据权利要求2所述的一种基于线性伪量测模型的机动目标多帧检测跟踪方法，其特征在于，所述运动界限约束为最大速度约束或最大加速度约束。
4.根据权利要求3所述的一种基于线性伪量测模型的机动目标多帧检测跟踪方法，其特征在于，步骤s3计算式为：
pk-1＝[(h1:k-1)t(r1:k-1)-1h1:k-1]-1
其中，
5.根据权利要求4所述的一种基于线性伪量测模型的机动目标多帧检测跟踪方法，其特征在于，步骤s4计算式为：
其中，
6.根据权利要求5所述的一种基于线性伪量测模型的机动目标多帧检测跟踪方法，其特征在于，步骤s5所述修正后的目标可能状态转移区域
其中，
7.根据权利要求6所述的一种基于线性伪量测模型的机动目标多帧检测跟踪方法，其特征在于，步骤s6具体为：根据修正后的目标可能状态转移区域，更新当前帧状态值函数，并根据所有帧的值函数积累，通过门限检测，得到目标跟踪轨迹。
技术总结