[发明专利]一种基于机动检测的目标轨迹快速提取方法

说明书

本发明公开了一种基于机动检测的目标轨迹快速提取方法，本发明在传统交互式多模型算法基础上增加了量测确认。本发明增加的量测确认可以在目标机动明显时，通过机动检测获得目标轨迹的关键拐点，实现目标轨迹快速提取。本发明的方法步骤分为五步：状态估计的交互输出、量测确认、模型可能性计算、模型概率更新和模型交互输出。本发明在量测确认步骤中引入机动因子，增加机动检测，获得目标轨迹的机动点，从而形成机动轨迹，达到目标轨迹快速提取。本发明解决了在战场环境中提取目标所有轨迹点，数据量巨大，查询缓慢的问题。

技术领域

本发明涉及一种基于机动检测的目标轨迹快速提取方法。

背景技术

现代态势处理日益复杂，因区域中目标多存在机动，态势处理过程中要监控的目标轨迹情况复杂多变，观测目标轨迹点的数据量巨大。面对海量原始目标轨迹数据，在需要快速查看某一目标历史轨迹时，如何获得目标机动轨迹拐点，用尽量少的机动点迹完整描述其运动状态，提升态势处理时效性，显得越来越迫切。

目标经常在不同运动状态间转换以实现其运动意图，故而单一的运动模型跟踪算法很难精确描述其运动状态。针对机动目标跟踪问题，当前较成熟的算法是交互式多模型算法(Interacting Multiple Model Algorithm，IMM)。该算法采用多个运动模型滤波器并行工作，各模型之间以转移概率矩阵进行转换。通过多模型的交互作用，得到目标的状态估计。相比较单一运动模型滤波器，交互式多模型在机动目标跟踪中有明显的优势。

然而IMM算法是不进行机动检测的自适应跟踪算法，对机动明显的目标，当机动特性的先验假设与实际不符时，其跟踪效果很差。Yaakov Bar-Shalom等介绍的机动检测方法，以滤波新息建立的检测统计量为依据，通过设定阈值来判断目标是否发生机动。范红旗等分析说明了由于滤波器Q效应的约束，基于跟踪滤波器信息的机动检测无法同时获得快速的机动检测性能和良好的机动检测概率。

发明内容

发明目的：为避免Q效应对机动检测的影响，本发明利用观测位置和状态估计值获得观测窗内距离变化率的累积做机动检测。引入机动因子，可在跟踪效果不佳时对滤波器初始化。另外，机动因子的设置影响机动发生条件，通过修改机动因子，控制算法机动程度。现实环境中目标数量繁多，态势展现中想要提取目标所有轨迹点，数据量巨大，查询缓慢。本发明针对该问题，提出了一种基于机动检测的目标轨迹快速提取的方法。

为实现上述目的，本发明在传统IMM算法增加了量测确认。在量测确认时，进行观测空间窗内的速度信息检测，通过调整机动因子，获得目标轨迹的机动点，从而形成机动轨迹。本发明在目标轨迹快速提取中具有较大的实用价值。

本发明包括如下步骤：

步骤1，选择匀速CV模型和常加速CA模型作为IMM算法的滤波器，对各个滤波器的状态估计进行状态估计的交互输出；

步骤2，利用量测值和交互输出后的状态估计值获得观测窗口内速度变化率的累积，做机动检测，进行量测确认；

步骤3，滤波器分别进行滤波，并计算模型可能性；

步骤4，对模型概率进行更新；

步骤5，模型交互，输出IMM算法的滤波值。