[发明专利]一种基于信息积累的弱目标检测前跟踪方法

说明书

本发明公开属于雷达跟踪目标与检测前技术领域的一种基于信息积累的弱目标检测前跟踪方法。具体步骤：(1)将状态空间离散、网格化，(2)初始化离散格点的概率取值；(3)观测数据得到当前信息传递矩阵；(4)根据信息传递矩阵预测目标状态分布；(5)从观测数据获得信息目标状态分布的预测结果，(6)计算第k帧的信息熵；(7)按照选定阈值对信息熵进行门限检测，得到的目标状态分布估计目标状态；(8)重复第(4)步至第(7)步的方法进行处理；(9)输出目标检测和状态估计结果。本发明能够实现对于弱目标的检测与跟踪；运算复杂度低且可并行化实现；鲁棒性强，对于匀速目标和具有一定机动性的目标都有较好的检测性能。

技术领域

本发明属于雷达跟踪目标与检测前技术领域，特别涉及一种基于信息积累的弱目标检测前跟踪方法。

背景技术

随着电子信息技术的不断进步，传统的雷达系统不仅面临着无人机、隐身飞机、反辐射导弹等先进军事设备带来的重大威胁，还需要面对超低空突防、综合电子干扰等高超作战手段的严峻挑战。无人机、隐身飞机等军事设备在不断地发展，这些军事目标的散射截面积(RCS)通常比较小，回波的信噪比(SNR)比较低，利用传统的检测后跟踪(Track-After-Detect,TAD)算法难以对这些信噪比低的弱目标获得稳定、可靠的检测效果，对传统的雷达系统构成了极大的威胁。

为了有效地对低信噪比的弱目标进行检测，形成了一类检测前跟踪(Track-Before-Detect,TBD)算法。这类算法并不直接对单帧数据进行阈值判决形成点迹，而是利用目标的运动特征沿着可能的运动轨迹进行多帧回波信号的能量积累，在此基础上实现微弱目标的检测和跟踪。传统的TBD算法主要包括霍夫变换、动态规划和粒子滤波等方法。基于动态规划和基于霍夫变换的弱目标检测算法是批处理算法，需要等待多帧观测数据才能开始处理，实时性较差。而基于递推实现的粒子滤波算法则需要大量的粒子来保证其滤波性能，导致算法的计算复杂度较高，运行时间较长，难以保证雷达系统中目标检测较高的实时性需求。

发明内容

本发明的目的是提出一种基于信息积累的弱目标检测前跟踪方法，其特征在于，所述弱目标检测前跟踪方法是基于递推贝叶斯原理，按照以下步骤来实现：

第一步：将目标状态空间离散化，设置目标状态空间的离散化网格；

第二步：初始化目标状态在各个离散格点的概率取值；

第三步：第k帧数据到来时，若k＝1，设置初始化信息传递矩阵；若k≠1，设置从上的第k-1帧到当前帧第k帧的信息传递矩阵；

第四步：若k＝1，根据第二步中的初始化目标状态分布以及第三步中的初始化信息传递矩阵预测第1帧的目标状态分布；若k≠1，则根据第五步计算得到的第k-1帧的目标状态分布以及第三步中的从上的第k-1帧，到当前帧第k帧的信息传递矩阵来预测第k帧的目标状态分布。

第五步：根据第k帧的观测数据和第四步得到的目标状态分布的预测结果更新计算最终第k帧的目标状态分布；

第六步：根据第五步得到的目标状态分布计算信息熵；

第七步：选定阈值对第六步得到的信息熵进行门限判决得到目标检测结果；具体是若判断当前第k帧存在目标，则根据第五步得到的目标状态的分布，利用最大后验估计准则来估计目标状态；

第八步：依次类推处理，在第k+1帧的数据到来时，重复第四步至第七步的方法进行处理；

第九步：输出目标的检测和状态估计结果。

所述第一步将连续的目标状态空间离散化为网格点，目标状态转移服从一阶马尔科夫过程，目标状态从当前格点向其他格点的转移概率由第三步中设置的信息传递矩阵来确定，通过信息传递矩阵实现多帧观测数据之间的信息积累。