[发明专利]强杂波复杂背景高机动弱小目标的跟踪方法

说明书

本发明公开一种强杂波复杂背景高机动小目标的跟踪方法，计算速度快、计算量少、雷达时间资源利用率高；本发明通过下述技术方案实现：雷达信号处理单元对接收到的回波信号采用三路并行处理对目标信号进行检测，再经角度解算形成目标点迹后发送至雷达数据处理单元，航迹处理软件对接收到的目标点迹进行二次加工处理，形成目标航迹；目标航迹成功起始后以滑窗方式进入航迹拟合模块，对目标航迹信息在直角坐标系进行一维二阶拟合，目标拟合模块解算目标机动加速度方差后发送至航迹滤波模块，持续实时解算目标运动参数并估计下一时刻目标运动状态参数，完成滤波器增益系数的迭代更新，自适应地实现对强杂波复杂背景高机动目标稳定跟踪。

技术领域

本发明涉及雷达数据处理技术领域，适用于强杂波背景下的高机动目标的实时跟踪。

背景技术

高机动弱小目标的探测是雷达经常面临且亟待解决的关键问题之一，如固定翼无人机、小型多旋翼无人机等航空器。多旋翼无人机飞行高度低、雷达反射面积小、飞行速度慢是典型的“低小慢”目标；在运动过程中由于人为操控或随机干扰等因素，多旋翼无人机又具有速度、高度、航向变化较快的高机动特性。多旋翼无人机价格低廉、易于操控、机动性强，由于缺乏有效管制，导致了“黑飞”事件频发，给公共安全造成了极大的隐患，对此类无人机的监视与管控成为城市安保的难题。对此类高机动小目标的探测与跟踪，雷达仍然是目前探测技术的主流传感器。在干扰强、噪声高的城市复杂背景下，雷达系统对无人机目标的回波信号弱、信噪比低、威力范围小，导致探测效能降低。因此，对此类检测概率较低的高机动弱小目标实时持续稳定跟踪成为雷达跟踪技术领域的难点。

雷达在对高机动目标的跟踪过程中最关键问题在于利用目标测量信息对目标下一时刻运动状态的实时估计，实质则是一类参数估计算法的问题。雷达实现目标的跟踪是利用雷达回波信号获取目标当前时刻的测量信息如：距离、俯仰、方位、速度等，并利用测量信息和数据关联法则最大程度将受到环境噪声影响和非合作目标干扰的虚假信息剔除，得到目标的真实测量值，建立适合目标运动特性的运动模型及滤波系统计算目标的运动特征参数并估计目标运动状态，用航迹关联法则形成目标航迹，最终实现对目标的跟踪。雷达对高机动目标跟踪主要包括目标的运动特性建模和滤波器的设计，目标的运动模型建模是用运动方程的形式来描述目标的运动状态，滤波是采用某种策略对目标状态估计值和状态观测值进行加权处理获取目标状态的滤波值。对目标跟踪性能评估指标主要有跟踪精度、跟踪计算量(实时性)、跟踪稳定性(航迹寿命)等。复杂背景中小目标的检测与跟踪一直是监视和告警系统的重要组成部分，为获取更充裕的预警时间，对高机动小目标的跟踪实时性具有较高的要求，在实际工程实现时主要关注跟踪方法的复杂度及硬件搭载平台的运算效率等问题，在跟踪实时性、稳定性及跟踪精度如何平衡成为工程应用上一个现实问题。在确保跟踪精度的前提下具有极强实时性的跟踪方法成为雷达数据处理面临关键问题之一。

目前用于高机动目标运动模型有：Singer模型、Jerk模型、“当前”统计(CS)模型、交互式多模型(IMM)等。Singer模型算法目标加速度协方差为σ²＝a_m/3(1+4p_m-p₀)，其中、a_m、p_m和p₀分别为估计目标最大加速度、最大加速度概率、加速度为零时的概率；这就要求对目标最大加速度、匀加速和最大加速度概率估计准确，限制了其适用性。Jerk模型算法在目标加速度模型基础上增加到四维，估值无时间滞后，但需要对目标的机动特性做出合乎实际的先验假设，适用性受限。交互式多模型算法(IMM)是应用较为普遍的一种算法，对过程噪声设定为不同等级，针对每个模型分别建立滤波器，IMM滤波器具有良好的估计性能，但计算量偏大，不能满足对目标的快速跟踪。

为提高雷达时间资源利用率，提高目标跟踪实时性，获取更充裕的预警时间，需要一种计算量少，适用性高、稳定性强、持续时间长的目标跟踪方法。

发明内容

为了克服上述问题，本发明的目的是针对高机动小目标特性和现有技术不足之处，提供一种计算速度快，计算量少、雷达时间资源利用率高、跟踪实时性好稳定性强的目标跟踪方法。