[发明专利]基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法

说明书

本发明公开了一种基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法，解决的是幅度波动下目标的检测和跟踪问题，研究了swerling0,1,3三类起伏目标模型，建立了PHD‑TBD算法下复似然和幅度似然的两种跟踪模型，其中复似然的方法弥补了幅度似然在计算过程中只考虑量测的幅度信息，而忽略相位信息的缺陷，从而更好的利用目标原始信息。本发明的方法在目标幅度波动的情况下，复似然和幅度似然相比，前者在目标位置和个数的估计性能上优于后者，且计算效率更高。在低信噪比下，复似然仍然可以有效地检测并跟踪未知数量的微弱目标。

技术领域

本发明涉及雷达起伏微弱多目标检测与跟踪技术领域，尤其涉及一种基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法。

背景技术

随着现代电子信息技术的飞速发展，雷达目标探测技术面临着飞机隐身技术的威胁，隐身技术的发展使隐身目标的雷达反射横截面(RCS)较小，目标反射回波信号很弱，回波信噪比(SNR)较低。运动目标的传统检测和跟踪方法是检测后跟踪(DBT)，在该方法中，对每帧量测数据设置阈值以判断目标是否存在，通过跟踪算法获得目标的轨迹；但当回波信号的信噪比较低时，微弱目标的回波通常低于阈值，发生漏检，难以利用单帧量测数据提取目标轨迹；若降低阈值，则会产生大量的虚警，目标轨迹无法维持。

为解决上述问题，方法之一是采用检测前跟踪(TBD)算法。该算法根据空间中目标运动的连续性和连续几帧目标回波数据时间上的关联性，对多帧数据进行联合处理，并通过多帧能量累积实现目标检测和跟踪。传统的TBD方法包括动态规划、Hough变换等。但这些方法一方面计算量大、算法复杂度高，另一方面只适用于线性高斯模型。

贝叶斯框架下的粒子滤波TBD(Particle FilterT BD,PF-TBD)算法可以解决非线性和非高斯的问题，从而在微弱目标检测跟踪领域得到了快速发展。PF-TBD方法的局限在于没有对目标的出现(新生)和消失(死亡)建模，因此在处理目标数目未知且变化的时候会导致算法复杂度急剧增大，滤波器性能存在一定局限性。

发明内容

本发明的目的在于提供一种基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法，旨在解决现有技术中的不能有效跟踪微弱多目标起伏的技术问题。

为实现上述目的，本发明采用的一种基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法，所述包括如下步骤：

S1：初始化系统参数，读取雷达接收机中第k-1时刻和第k时刻的原始量测数据；

S2：划分场景，在各自的小场景内利用k-1时刻的原始量测数据自适应新生目标；

S3：针对k时刻获得的复量测和平方量测数据，分别计算三种幅度波动类型的复似然和幅度似然，给出幅度波动下PHD滤波的SMC实现；

S4：根据后验信息提取目标状态及目标数目；

S5：令k＝k+1，判断k＞K是否成立，命题成立则算法结束，若不然返回步骤二。

所述系统参数包括：

采样间隔T，当前时刻k，目标运动总时间K,雷达在极坐标中扫描区域[r_min,r_max]×[θ_min,θ_max]，雷达接收跟踪场景内的量测数据Z_k和Z_k-1，考虑在极坐标中覆盖定义区域的距离和方位监视雷达，对于距离，假设发射的脉冲是带宽B和持续时间T_ε的线性调频信号，光速c，距离分辨单元对于角度，在雷达接受端考虑N_a天线的线性相控阵，间隔为其中λ为载波频率的波长，角度分辨率为

划分场景，在各自的小场景内利用k-1时刻的原始量测数据自适应新生目标的步骤中：