[发明专利]一种基于直方图概率多假设跟踪的微多普勒曲线提取方法

说明书

本发明公开了一种基于直方图概率多假设跟踪的微多普勒曲线提取方法，包括建立目标分量的传感器模型，将微多普勒时频图看作平稳随机过程的观测直方图，计算目标分量的单元概率和微多普勒时频图的整体分辨单元概率，根据目标分量的传感器模型和时频图整体分辨单元概率计算预期测量值；根据目标分量单元概率和目标分量的参数模型计算单元质心，得到合成向量和相应的合成协方差矩阵，以及混合过程协方差矩阵；确定更新的混合概率系数，根据更新的混合概率系数计算信号强度估计值；最后通过递归的扩展卡尔曼平滑滤波估计状态，得到目标参数的估计结果。本发明能够实现低信噪比条件下对多分量微多普勒曲线的提取，且运算量较小。

技术领域

本发明涉及雷达技术领域，尤其涉及一种基于直方图概率多假设跟踪的微多普勒曲线提取方法。

背景技术

在雷达目标识别中，微动(Micro-motion)作为运动目标精细特征的表现，是特定受力作用下目标结构“独一无二”的表现形式，可以作为目标识别的重要依据。在雷达目标的探测中，除了目标质心的平动之外，通常还存在着目标本身或其部分结构的微动，包括振动、转动、翻滚或进动之类的小幅运动，这种现象叫做雷达目标的微多普勒效应。雷达目标的微多普勒特征是目标运动的一种独特特征，它为目标的运动提供了精细的描述。因此，自从雷达目标的微多普勒效应被发现以来，目标的微动特性逐渐广泛地应用于目标识别、检测和分类等领域，雷达目标微动信号的检测、分离、参数估计以及特征提取等技术已成为雷达学术界的研究热点。

对于微多普勒曲线的提取问题，近几年已经有了大量的研究成果，但是现有的雷达目标微多普勒曲线的提取方法，包括Hough变换和逆Radon变换等，都存在着运算量较大的问题。另外，在低信噪比的情况下，如何对雷达弱目标进行微动特征的提取一直是研究中的一个难点，传统的基于时频变换的微多普勒曲线提取与参数估计方法在低信噪比的情况下通常无法得到比较好的结果。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于直方图概率多假设跟踪的微多普勒曲线提取方法，能够实现对低信噪比条件下多分量目标微多普勒曲线的提取，且运算量较小。

为达到上述目的，本发明采用以下技术方案予以实现。

一种基于直方图概率多假设跟踪的微多普勒曲线提取方法，包括以下步骤：

步骤1，根据已知的微多普勒曲线的时频图建立目标分量的传感器模型；

步骤2，将微多普勒时频图看作平稳随机过程的观测直方图，计算强度模型；

步骤3，计算目标分量单元概率和微多普勒时频图的整体分辨单元概率；

步骤4，根据目标分量的传感器模型和微多普勒时频图的整体分辨单元概率，计算微多普勒时频图的预期测量值；

步骤5，根据目标分量单元概率和目标分量的参数模型计算单元质心；

步骤6，根据单元质心计算合成向量和相应的合成协方差矩阵，以及混合过程协方差矩阵；

步骤7，确定更新的混合概率系数；

步骤8，通过递归的卡尔曼滤波估计状态，得到目标分量的估计结果；

步骤9，重复步骤3-8直到收敛；

步骤10，根据更新的混合概率系数，计算信号强度估计值。

本发明提供的基于直方图概率多假设跟踪的微多普勒曲线提取方法，首先根据已知的微多普勒曲线的时频图建立目标分量的传感器模型，然后将目标分量微多普勒时频图看作平稳随机过程的观测直方图，对整个时频图中的观测点用离散多项式分布建模，将所有分辨单元内的总观测点数与目标分量和杂波模型进行概率关联分配，然后用EM算法实现多目标分量模型参数的最大似然估计，最后通过卡尔曼滤波实现对多条微多普勒曲线状态参数的提取。