[发明专利]一种空中目标跟踪方法

说明书

本发明提供一种空中目标跟踪方法，涉及目标跟踪技术领域。本方法引入多种目标动力学模型；然后将目标的运动状态分别分解到三个坐标轴上，让目标在每个坐标轴的运动状态分别进行模型匹配，模型间的转换服从时间相关的马尔科夫过程，将匹配的结果输出，通过将空中目标的机动状态分为线性机动、非线性机动和非线性强机动三种，给出三类滤波器，分别为卡尔曼滤波器、扩展卡尔曼滤波器和无迹卡尔曼滤波器；接下来，通过目标机动状态检测，使目标在每个时刻都能自适应地从滤波器集合中选择合适的滤波器进行滤波处理，输出状态估计结果，最后将滤波的结果重新分解到三维坐标轴上，进行模型概率的更新，通过迭代此过程完成对目标的跟踪。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种空中目标跟踪方法。

背景技术

目标跟踪系统是一个对复杂数据处理要求很高的实时系统，这种数据的复杂性体现在雷达信息探测过程中的不确定性，大多数的目标的运动状态都是未知的，目标的数量也是不确定的，雷达对数据的采样时间并非是等间隔的时间序列，这期间还存在各种干扰和抗干扰手段导致的观测噪声的非高斯性都有可能对最终的跟踪精度造成影响。因此，选择灵活准确的动力学模型、能够有效过滤噪声的滤波方法和实时可靠的跟踪算法是完成对复杂环境下高机动目标轨迹估计的关键。

在目标跟踪领域，IMM目标跟踪算法已经得到了广泛的应用，IMM算法将目标的每一种机动状态都用与之对应的模型来描述，然后再用各自的模型来构建不同的滤波器，通过滤波与预测算法将这些状态模型进行综合处理，最后输出目标的状态等信息。由此可见，IMM算法的模块分工明确，具有很强的层次性，在混合系统中的跟踪效果较好。

在IMM多模型算法中，各个模型间使用一阶马尔科夫过程对模型转移概率矩阵进行误差修正，通过加权融合假定上一时刻的滤波结果都是对目标运动的准确估计，然后进行迭代计算。但是，IMM算法与普通多模型算法一样，其所使用的模型集很大程度上决定了算法的跟踪性能，为了提高对目标状态估计的精度，就不得不通过增加模型的数量来匹配目标更多的运动状态，这样就会大大增加系统的运算量，甚至会对整个跟踪系统的性能造成影响。另外，当目标机动状态为弱机动或者非机动时，采用IMM算法也会造成系统资源的浪费。

通常情况下，IMM算法中滤波器与目标运动模型是一一对应的，每个模型都会预先定义好一个滤波器与之匹配，而使用最多的滤波器往往是卡尔曼滤波器，这就很容易造成滤波器的冗余。如果一个系统中存在过多的同样功能的滤波器，那么系统的开销就会增大，从而使系统负载加重。

发明内容

针对现有技术存在的问题，本发明提供一种空中目标跟踪方法，针对IMM算法中模型集固定、模型数量有限而不能覆盖机动目标所有的运动形式的问题和算法中滤波器的选取没有一定的规则，滤波器数量具有不确定性等可能造成的滤波器单一、复杂或滤波器与跟踪系统线性化程度不匹配的情况，提出了适用于三维空间的目标跟踪方法。

本发明的技术方案为，一种空中目标跟踪方法，包括以下步骤：

步骤1：分析空中目标的运动情况，建立目标动力学模型；

设目标有n种运动状态，对应有n个运动模型，则第j个运动模型表示的目标状态方程为：

X^j(k+1)＝F^j(k)X^j(k)+G^j(k)W^j(k)

观测方程为：

Z^j(k)＝H^j(k)X^j(k)+V^j(k)

其中，F^j(k)表示k时刻目标的状态转移矩阵，X^j(k)表示k时刻目标的状态矩阵，