[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

说明书

该发明公开了一种低可观测高杂波条件下的多目标检测与跟踪方法，属于雷达与声纳技术领域。本发明的思路是，在处理目标‑量测之间的关联问题时，考虑通过不同传播路径到达接收器的多个量测为可能的目标量测，并把这些量测分别与已知的各多径量测函数正确关联，从而获得目标信息的积累，增强目标检测能力；然后通过滑动窗的方式进行目标跟踪。本发明利用了通过不同途径到达传感器的目标信息，并把这些量测信息分别与已知的各多径量测函数正确关联，从而获得目标信息的积累，增强目标在低可观测，高杂波环境下的检测能力，能有效减少相邻目标之间的影响。

技术领域

本发明属于雷达与声纳技术领域，主要涉及最大似然-概率多假设跟踪(ML-PMHT)的扩展方法。

技术背景

目标跟踪技术广泛应用于各领域中，特别是雷达(声纳)信号系统。而目标跟踪技术分为检测后跟踪(TAD)和检测前跟踪(TBD)两大类，相比较而言，TAD算法计算量较低，利于实时实现，但由于TAD算法依赖于前端信号处理器对目标的检测，在低信噪比(SNR)情况下跟踪性能不理想。TBD算法由于在跟踪的同时加入了目标检测，因此在低信噪比下对目标有较强的跟踪能力，但由计算量的制约导致TBD算法在工程中应用受到很多限制。

TBD算法实现目标检测的基本思想是，根据已知的观测函数，可建立量测与可能的目标状态参数所构成的似然函数。源于目标的观测值将比杂波获得更大的似然值，进而的在工程应用中，在目标跟踪算法实施之前往往需要对航迹进行初始化，以找到目标的初始状态向量，从而进一步进行跟踪，在批处理TBD算法中，最大似然-概率多假设跟踪(ML-PMHT)算法是一种有效且完备的目标检测与跟踪算法。

ML-PMHT算法最重要的基本假设：在同一帧中，量测与目标关联是互相独立的，即可以多个量测关联一个目标。基于这条假设，ML-PMHT非常容易扩展到多目标的情形，且计算量与目标数量呈线性增长。ML-PMHT基于对多帧观测数据得到的总对数似然比(LLR)进行最大化，在获得LLR表达式后基于搜索算法获取LLR最大值后输出对应的状态参数向量，常用的搜索算法有：网格搜索法(MPG)、遗传搜索算法(GA)和基于观测空间反映射到参数空间的直接子空间搜索法(DSS)。现有的基本的ML-PMHT算法采用一个固定的似然函数进行LLR计算。当环境中存在多路径，观测器在收到的一帧数据中存在多个源于同一目标而经不同路径到达的量测，显然，各源于同一目标的量测都含有目标的信息。然而，这些量测与目标状态之前的观测函数关系是不同的，用一个固定的似然函数进行计算所得的LLR不仅不能积累目标信息，还会形成虚假的目标状态参数估计值。另外，现有的基本的ML-PMHT算法对多目标采用序列检测的方式，当目标之间相互临近的时候，一个目标被搜索到，其他目标并不容易被发现。

ML-PMHT算法的目标跟踪是以滑动窗的方式执行，即每次滑动窗内都可以通过搜索算法得到一个状态估计值，然后滑动窗向前滑动一定帧数，通过局部优化算法再得到下一个状态估计。这些状态点集通过航迹管理程序就可以得到目标的跟踪航迹。

发明内容

本发明的目的在于扩展传统ML-PMHT算法在多径环境中应用的不足，提出一种利用多径观测的微弱多目标检测与跟踪系统，可正确估计多径环境中的微弱多目标运动参数该方法称为联合最大似然-多径-概率多假设跟踪(JML-MP-PMHT)算法。同时，提出一种多目标联合初始化方法，以多目标公式进行目标检测及状态初始化，能有效减少相邻目标之间的影响。

本发明的思路是，在处理目标-量测之间的关联问题时，考虑通过不同传播路径到达接收器的多个量测为可能的目标量测，并把这些量测分别与已知的各多径量测函数正确关联，从而获得目标信息的积累，增强目标检测能力。然后通过滑动窗的方式进行目标跟踪。

本发明的技术方案是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；