[发明专利]一种低可观测高杂波条件下的多目标检测与跟踪方法

权利要求书

1.一种低可观测高杂波条件下的多目标检测与跟踪方法,该方法包括:

步骤1：初始化；

1a.初始化观测环境各项参数包括：倾斜距离方差，方位方差，多普勒方差，虚警概率，检测概率，杂波密度λ，采样间隔，校验门限，监控空间V；

1b.导入观测信息：包括共有T帧数据，每次滑动窗内有N_w帧数据，该滑动窗内量测数据集合第i帧量测数据集合Z(i)，第i帧量测集合数量m_i和L种传播路径到达接收器的量测模型；

步骤2：构造联合最大似然-多径-概率多假设跟踪算法的计算公式：

2a.假设是任何量测z_j(i)∈Z(i)最多由一个目标通过一种传播路径产生，且一个目标能通过一种传播路径产生任何数量的量测；

2b.假定有K个目标x^K＝[x₁,x₂,...,x_K]，然后定义先验概率表示一个量测来源于某个目标的某个传播路径的可能性，其计算公式通常为：

其中为目标x_k通过路径l产生量测的检测概率；

2c.LLR值的计算公式为：

其中p_l(z_j(i)|x_k)表示目标x_k通过路径l产生量测z_j(i)的似然函数：

其中x^t为发射机状态，x^r为接收机状态，h^l(·)为第l种路径所对应的量测模型，R^l(i)为第l种路径所对应量测模型的协方差矩阵；

步骤3：初始化滑动窗内的N_w帧数据和量测数据集合已知有K个目标存在；当K＝0时，直接执行步骤8；否则执行下一步；

步骤4：已存在的K个目标分组；目的是将距离近的目标聚集到一块，将距离远的目标分隔；其分组规则为χ²检验：

(x_m-x_n)^T(C_m+C_n)^-1(x_m-x_n)≤γ

其中C_m、C_n分别表示目标x_m、x_n的状态协方差，γ为预定义的门限；

步骤5：每个分组内的多目标状态以联合最大似然-多径-概率多假设跟踪算法的LLR公式进行局部优化；

步骤6：对每个目标进行存在性校验：

6a.初始化变量k＝K

6b.选定目标x_k，其他目标集合为x^K-1＝[x₁,...,x_k-1,x_k+1,...,x_K]

6c.有K-1个其他已存在目标状态，滑动窗内有完整的量测数据集合定义帧序号变量i＝1；

6d.在第i帧量测数据中，计算量测z_j(i)来源于目标x_k和路径l的后验关联概率

由此可得到一个三维概率矩阵[L,K-1,m_i]；

6e.取概率矩阵中的最大元素值如果超过了一个给定的概率门限，则将三维矩阵中第三维等于的所有元素即二维矩阵和第一维等于l^*且第二维度等于k^*的所有元素即一维矩阵[l^*,k^*,:]置为0，记录该量测序号反复执行该步骤，直到没有概率值大于概率门限；

6f.剔除这些大于概率门限所对应的量测数据，判断i＝N_w是否成立，如果成立，则执行下一步；否则i＝i+1，返回执行步骤6d；

6g.剩下的量测形成新的量测集合然后计算只有目标x_k的联合最大似然-多径-概率多假设跟踪算法的LLR公式；如果该LLR值大于校验门限，则目标x_k存在；否则目标x_k不存在，删除该目标，且K＝K-1；

6h.如果k＝1，则执行下一步；否则k＝k-1，返回执行步骤6b；

步骤7：假定有K^*个目标通过了存在性校验，令K＝K^*，即存在K个目标；

步骤8：搜索新目标；

令K^*＝K+1，采用多径-直接子空间搜索方法求解联合最大似然-多径-概率多假设跟踪算法的LLR公式的全局最大解，其全局最大解所对应的状态参数即为估计的新目标初始化状态；

步骤9：对新目标进行门限校验，验证其是否真实存在：

9a.有K个已存在目标状态，滑动窗内有完整的量测数据集合定义帧序号变量i＝1；

9b.在第i帧量测数据中，计算量测z_j(i)来源于目标x_k和路径l的后验关联概率得到一个三维概率矩阵[L,K,m_i]；

9c.取概率矩阵中的最大元素值如果超过了一个给定的概率门限，则将三维矩阵中第三维等于的所有元素即二维矩阵和第一维等于l^*且第二维度等于k^*的所有元素即一维矩阵[l^*,k^*,:]置为0，记录该量测序号反复执行该步骤，直到没有概率值大于概率门限；

9d.剔除这些大于概率门限所对应的量测数据，判断i＝N_w是否成立，如果成立，则执行下一步；否则i＝i+1，返回执行步骤9b；

9e.剩下的量测形成新的量测集合然后计算只有新目标的联合最大似然-多径-概率多假设跟踪算法的LLR公式；如果该LLR值大于校验门限，则新目标存在，令K＝K^*，返回步骤8继续搜寻新目标；否则新目标验证不存在，执行下一步；

步骤10判断滑动窗是否包含数据集最后N_w帧数据，如果没有，滑动窗向前滑动一定采样间隔，形成新的窗内N_w帧数据和量测数据集合返回执行步骤3；否则方法结束。

2.如权利要求1所述的一种低可观测高杂波条件下的多目标检测与跟踪方法，其特征在于所述步骤8的具体方法为：

8a.设置自由参数网格；

状态参数空间中，[ρ(i)b(i)]表示地面坐标下的径向距离和角度，表示径向距离变化率以及角度变化率；而量测空间[Rg RrAz]分别表示观测量：倾斜距离，多普勒，倾斜角度；从量测空间映射到参数空间只能确定三个参数，所以称为自由参数；在参数空间中，将自由参数划分成网格，每一个网格点对应一个参数；同时定义帧序号变量i＝1；

8b.将第i帧数据的每个量测z_j(i)都通过L种观测模型逆变换到参数空间；

状态参数通过第l种量测模型到量测的转换是通过h^l(·)量测方程，则量测逆变换到状态参数需要对第l种量测方程逆变换为h^l(·)^-1；由于有m_i个量测数据和L种量测模型，则量测逆变换到参数空间的数目是m_iL个值；

8c.基于距离信息，将这m_iL个位置点进行聚类，选取最多位置点的聚类；如果最大聚类中只有一个元素，则跳过该步骤直接执行步骤8e，因为这帧数据很可能是由杂波产生的，没有目标信息，故忽略可以减少计算量；否则求最大聚类的均值

8d.将均值位置点联合步骤8a设置的自由参数网格点，形成完整的状态参数网格点再结合已经发现的K个目标状态，代入预测有K^*个目标的JML-MP-PMHT LLR公式中计算LLR值；

8e.判断i＝N_w是否成立，如果成立，则执行下一步；否则i＝i+1，返回执行步骤8b；

8f.取所有LLR值中的最大值，将其所对应的状态参数传给局部优化程序进行优化，得解。