[发明专利]基于随机有限集的圆周SAR多目标跟踪方法

说明书

基于随机有限集的圆周SAR多目标跟踪方法，本发明涉及圆周SAR多目标跟踪方法。本发明的目的是为了解决传统基于数据关联的多目标跟踪方法计算复杂的问题。过程为：一：基于DPCA‑CFAR方法对运动目标进行初步检测，得到运动目标的量测值；二：根据运动目标量测值，建立多运动目标的状态向量集合和量测向量集合；三：对得到的量测向量进行修正，得到补偿后量测向量；四：根据补偿后量测向量，建立目标状态模型和量测模型；五：根据给出的目标状态模型和量测模型进行基于GMPHD滤波器的目标跟踪。本发明用于微波遥感技术与雷达数据处理领域。

技术领域

本发明涉及微波遥感技术与雷达数据处理领域，尤其涉及多目标跟踪算法领域。

背景技术

圆周SAR(CSAR)作为一种对地高分辨率成像方法，兼具长时间观测以及获得目标360°全向信息的优势，由于飞行平台做圆轨迹运动，在动目标处理方面，利用其长时间观测的特性，可以获得动目标在不同角度下的径向分量。在图像序列中，静止目标位置保持不变，运动目标因自身的运动其位置不断发生变化，由于径向速度引起方位向位置偏移，运动目标的成像位置并非真实位置。主要针对圆周SAR图像序列检测后的运动目标，对其进行跟踪处理，消除没有运动特征的静止杂波，提高检测性能，并获取目标的位置及运动参数。在SAR成像场景中运动目标通常为多目标，常规杂波抑制和恒虚警检测后剩余大量杂波，尤其在城市区域杂波背景较强。针对高杂波背景下多目标跟踪问题，直接采用传统的目标关联算法需要花费大量计算以解决数据关联问题，且高虚警率导致虚假航迹数量增加以及航迹跟踪错误，因此基于关联的多目标跟踪方法在计算效率和跟踪性能上都无法满足实际需求，不适用SAR图像目标检测后数据的运动目标跟踪。

根据有限集统计学理论(FISST)，将图像序列中的多目标状态和观测值分别用随机有限集(RFS)表征，利用各时刻的观测RFS，采用贝叶斯框架对各时刻的后验多目标状态RFS进行估计，从而实现对目标个数及对应的各个目标状态的联合估计。相比于传统的多目标跟踪算法，基于RFS理论的多目标跟踪算法不再单独对单个目标状态和单个观测值进行处理，而是把各时刻所有的目标状态作为一个整体、把所有的观测值作为一个整体，从而避开了复杂的数据关联问题。然而多目标贝叶斯滤波器中的积分为集值积分，通常无法求解。因此，在实际应用中寻求次优的方法来近似多目标贝叶斯滤波器。概率假设密度(PHD)滤波器则是通过迭代估计各时刻多目标状态RFS的一阶矩信息，作为一种贝叶斯滤波的次优解，不但避免了复杂的数据关联问题，同时在贝叶斯框架下解决了集值积分难解问题，具有理想的贝叶斯意义和近似效果。

发明内容

本发明的目的是为了解决传统基于数据关联的多目标跟踪方法计算复杂的问题，而提出基于随机有限集的圆周SAR多目标跟踪方法。

基于随机有限集的圆周SAR多目标跟踪方法具体过程为:

步骤一：基于DPCA-CFAR方法对运动目标进行初步检测，得到运动目标的量测值；

步骤二：根据步骤一得到的运动目标量测值，建立运动目标的状态向量和量测向量，根据运动目标的状态向量和量测向量，建立多运动目标的状态向量集合和量测向量集合；

步骤三：对步骤二得到的量测向量进行修正，得到补偿后量测向量；

步骤四：根据补偿后量测向量，建立目标状态模型和量测模型；

步骤五：根据步骤四给出的目标状态模型和量测模型进行基于GMPHD滤波器的目标跟踪；基于GMPHD滤波器的目标跟踪包括PHD预测，PHD更新，高斯分量的修剪，多目标个数和状态估计；

所述GMPHD为高斯和概率假设密度滤波；

所述多运动目标为2个及2个以上运动目标。

本发明的有益效果为：