一种多普勒盲区条件下的多假设运动模型目标跟踪方法

 机载预警雷达存在不可忽略的多普勒盲区问题。在目标跟踪的过程中,该盲区容易造成目标航迹中断和重起批。针对该问题,提出了一种基于多假设运动模型的目标跟踪方法。该方法根据多普勒盲区对目标状态的约束形成多个假设运动模型,当新出现的量测值落入任何一个运动模型形成的关联波门内,则航迹关联成功。仿真结果表明,该算法在不同盲区范围条件下,针对不同机动能力的目标均具有较高的航迹关联率,有效提高了目标连续跟踪性能。     

多普勒盲区条件下的交互式多模型粒子滤波算法

机载预警雷达采用脉冲多普勒体制,具有良好的低空探测性能,但其存在不可忽略的多普勒盲区问题。在目标跟踪的过程中,该盲区容易造成目标航迹暂消和重起批甚至断批。针对多普勒盲区条件下的目标连续跟踪问题,提出了一种基于交互式多模型的盲区粒子滤波(Interacting Multiple Model-Blind Doppler Particle Filtering, IMM-BDPF)算法。该算法将多普勒盲区的先验信息并入到IMM-PF中,在模型集中的每个运动模型上分别完成盲区粒子滤波,再进行交互式处理,得到盲区内的目标状态估计值。仿真结果表明该算法对盲区内做机动的目标具有较高的状态估计精度,解决了多普勒盲区条件下的机动目标连续跟踪问题。     

一种多普勒盲区下的航迹片段关联方法

在多目标跟踪过程中,机载预警雷达固有的多普勒盲区容易引起目标航迹中断和重起批,形成大量航迹片段,从而增加雷达情报分析的难度。基于此,提出了一种改进的多普勒盲区下的航迹片段关联方法。在传统基于二维分配的关联方法基础上,将多普勒盲区和目标类别信息并入到航迹片段关联的各个环节。预处理阶段采用盲区滤波算法对“老”航迹进行预测,粗关联阶段增加径向速度作为关联信息,二维分配阶段,利用目标类别信息修正分配代价函数。仿真结果表明：在复杂多目标环境且存在多普勒盲区的条件下,该方法航迹中断数较传统方法有明显下降,航迹寿命有明显提升。     

多普勒盲区条件下空地预警雷达多目标协同跟踪方法

针对多普勒盲区条件下预警机雷达多目标跟踪问题,基于交互式多模型（IMM,Interacting Multiple Models）、联合概率数据互联（JPDA,Joint Probability Data Association）和分布式不敏卡尔曼滤波（UKF,Unscented Kalman Filter）提出了预警机雷达与地基雷达对目标进行协同跟踪的方法。该方法利用目标的状态估计和预测实时计算每部雷达的动态融合权值,预测目标的多普勒频率。当预警机雷达对目标的量测不存在且检测到目标进入预警机雷达多普勒盲区时,由预警机雷达对目标状态进行外推,以此产生虚拟量测,用虚拟量测与地基雷达协同跟踪对目标的融合估计状态进行更新;若预警机雷达对目标的量测不存在且目标不是进入多普勒盲区时, 由地基雷达单独对目标的融合估计状态进行更新。当目标飞出预警机雷达多普勒盲区后,将预警机雷达对目标的状态估计再次与地基雷达进行关联,并根据动态权值融合更新目标状态。仿真结果表明,该方法能够改善多普勒盲区内多目标航迹的连续性和跟踪精度。     

基于IMMEPF的多普勒盲区目标异类多传感器联合跟踪

对于机载脉冲多普勒雷达,多普勒盲区是不可避免的。为解决多普勒盲区内机动目标跟踪问题,提出了基于扩展卡尔曼粒子滤波(IMMEPF)的雷达和ESM联合跟踪算法。该算法融合了交互式多模型(IMM)、粒子滤波(PF)和扩展卡尔曼滤波(EKF)的优势,采用多模型结构以匹配目标的运动模型。粒子滤波能处理非线性、非高斯问题,而采用EKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。仿真结果表明,给出的算法能够显著提高对落入多普勒盲区内的目标点迹的跟踪精度。     

基于改进扩展卡尔曼滤波算法的空中目标跟踪

采用扩展卡尔曼滤波方法建立了雷达跟踪模型,对空中目标航迹进行滤波,为了减少雷达量测噪声的不稳定变化对系统跟踪性能的影响,对扩展卡尔曼滤波算法进行了改进,利用新息方差的计算来调整卡尔曼滤波器的增益。仿真结果表明,采用改进扩展卡尔曼滤波算法后,在雷达量测噪声发生大幅变化的情况下,经过滤波后的位置和速度误差仍然趋于稳定。表明该方法具有很好的滤波性能及跟踪精度,并可以提高空中目标航迹预测的精确性。     

一种临近空间高超声速目标航迹起始算法

提出一种三维空间中基于多普勒的改进修正霍夫变换快速航迹起始算法。利用传统航迹起始算法起始高超声速目标将导致目标容易丢失和虚假航迹增多,这不利于对高超声速目标的跟踪。文中提出的方法在三维空间中首先利用条件约束和多普勒信息辅助剔除部分虚假点,再利用修正霍夫变换法进行航迹起始。该算法不仅能有效起始航迹,而且极大地抑制虚假航迹。通过蒙特卡洛仿真实验表明,该算法能快速高效地起始航迹,是一种可行的临近空间高超声速目标的航迹起始算法。     

杂波环境下多被动传感器单目标跟踪算法

由于被动传感器只能获得目标的角度量测,因此杂波环境下基于被动传感器的关联问题较主动传感器更为困难。针对杂波环境下纯方位多被动传感器系统的单目标跟踪问题,提出了一种基于扩展卡尔曼滤波的模糊综合贴近度关联跟踪方法。该方法采用直角坐标系下多被动传感器系统的扩展卡尔曼滤波对目标进行跟踪。首先利用目标航迹的预测信息,针对每个传感器建立确认跟踪门;在获得候选关联组合后,直接利用角度信息建立各候选关联组合与角度预测值间的模糊综合贴近度,通过在所获得的全部模糊综合贴近度中寻求最优解完成量测到航迹的关联。仿真实验表明,该方法可以有效地解决杂波环境下多被动传感器系统的单目标跟踪问题。     

两级Hough变换航迹起始算法

密集杂波环境中低信噪比目标的航迹起始是目标跟踪面临的主要困难.考虑一类具有多普勒量测的目标跟踪问题,提出了一种两级Hough变换航迹起始算法.该算法将时间信息引入Hough变换,利用多普勒与斜距的相关性构造约束条件,将三维空间的轨迹检测转化为两个二维空间的轨迹检测问题.给出了四个描述算法特性的定理,为算法参数设计提供了依据.仿真表明算法的有效性.     

一种实用的多目标航迹跟踪算法

讨论在某试验雷达系统中多目标航迹跟踪问题,即对送入计算机的点迹进行处理,判断出这些点是否是目标点,若是目标点则要与相关的航迹进行关联,从而实现对航迹的更新.在该系统中采用多普勒-距离坐标系.在多目标的情况下,结合多普勒信息,雷达可以较方便地对目标进行区分和距离跟踪.为了快速正确地起始航迹,采用逻辑航迹起始算法来起始航迹,并用利用波门法进行航迹跟踪.最后给出了相关的实验结果.     

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。      

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing, CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter, SEKF)方法,以用于脉冲多普勒(Pulse Doppler, PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标多普勒估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果表明,本文所提出的方法和传统的SEKF方法以及已有基于压缩感知的跟踪方法相比对机动目标有更好的跟踪性能。      

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

基于光流场估计的自适应Mean-Shift目标跟踪算法

针对Mean-Shift算法在目标跟踪中出现由于目标运动速度过快或尺度明显变化以及目标遮挡时导致跟踪失败的问题,结合光流场估计,提出了一种自适应Mean-Shift跟踪算法。本文方法在基于传统均值漂移矢量法的同时,引入光流法,在目标上找寻特征点,通过特征点前后变化的信息,修正跟踪窗口中心位置和大小,再根据Bhattacharyya系数二分法分别自适应得到更为精确的窗口长宽;而针对目标被静止物体遮挡,通过色差分析观测目标被遮挡区域,利用Bhatta-charyya系数重新捕捉目标。实验结果表明,本文方法在对目标移动方向较明显或由透视变化而导致的尺度变化具有较其他算法更优异的表现。将本文方法应用到铁轨跟踪实际中,测试结果表明,结合本文方法可显著提高轨道跟踪的可靠性。     

基于多普勒耦合估计的弹道目标测距方法

反导预警与空间监视雷达通常采用高频段、大脉宽探测远距离目标,此时距离多普勒耦合对于雷达精确测距有较大影响。同时,距离多普勒耦合的准确修正是稳定跟踪目标的必要条件,然而传统的处理方法不能适用于弹道目标等高机动目标的准确处理。本文提出了基于多普勒耦合估计的弹道目标高精度测距方法：首先采用旁路速度-加速度估计方法求解目标的径向速度,对目标测量距离进行距离多普勒耦合修正,再进行IMM-UKF滤波完成目标距离估计。该方法具有以下优势：利用当前帧的测量数据,同时考虑了目标径向加速度对于耦合的影响,提高了距离和速度的估计精度;相比跟踪时增加测速波形的方法,节约了雷达的资源,同时避免了速度测量与航迹误关联的问题;距离和速度的精确估计能够提升航迹关联成功率。仿真实验中与传统的距离多普勒耦合处理方法进行了比较,实验结果显示该方法大幅提高了雷达测距的精度。     

基于自适应粒子滤波算法的对海跟踪研究

机载雷达对海面慢速运动目标跟踪时存在非高斯非线性状态估计问题,传统的卡尔曼滤波器跟踪不仅会产生目标定位偏差,而且会造成航迹起伏。文中将自适应粒子滤波算法应用到具有闪烁噪声背景下的海面目标跟踪问题中,此算法可根据预测粒子在状态空间中的分布情况自适应选择粒子数量,从而在保证跟踪精度的同时减少了算法的运算量。仿真结果表明,自适应粒子滤波器可实现对闪烁噪声背景下的慢速目标高精度定位跟踪,且跟踪性能优于标准粒子滤波器,具有工程实用价值。     

基于UPF-BP神经网络的视频跟踪研究

本文提出一种UPF粒子滤波与BP神经网络相结合方法用来跟踪运动背景下的视频多运动目标,该方法可以处理尺寸变换问题,从而可以鲁棒地跟踪目标。这种算法可以把最新的观测考虑进去,跟踪目标既可以是刚性目标,也可以是非刚性目标,并且跟踪算法可以实时实现。