[发明专利]一种适用于微弱目标的多帧联合检测跟踪与分类方法

说明书

本发明公开一种适用于微弱目标的多帧联合检测跟踪与分类方法，应用于雷达目标检测跟踪与分类领域；针对传统单帧门限检测后目标联合跟踪与分类算法检测跟踪性能差、分类准确度低的问题，本发明首先，对目标特性进行多维度分析，进而建立基于目标类型的高维度特性空间；其次，利用所选目标状态空间建立多维条件类型概率函数和量测包络似然函数进而创建基于条件类型的加权似然比；然后，通过多阶段联合迭代优化找出目标状态的最优估计，实现基于目标多维特性下的多帧联合检测跟踪；最后，通过对目标估计状态已知情况下的目标类型进行联合优化，实现对目标类型的有效估计；可以有效解决复杂环境下基于目标多维特性空间的检测跟踪与分类问题。

技术领域

本发明属于雷达目标检测跟踪与分类领域，，尤其涉及复杂环境下微弱目标的多帧联合检测跟踪与分类技术。

背景技术

随着雷达探测技术的发展和当前国际军事变化多端的形势，现役雷达系统面临着更高挑战的跟踪和分类需求。但是传统的联合跟踪与分类算法是先经过单帧门限检测后形成二值化点迹，再将二值化点迹用于后续的联合跟踪与分类算法。针对复杂环境下的微弱目标，在单帧门限检测的过程中，由于目标能量过低导致该目标点迹无法通过门限，致使目标丢失，无法进行航迹关联和目标类型估计，形成航迹连续性差、目标丢失严重、无法估计目标类型等劣势。这种劣势严重制约了现役雷达满足联合跟踪与分类目标的需要。

多帧联合检测技术是一种针对弱目标的能量积累方法，其略过单帧门限检测，直接对原始的雷达量测进行多帧联合处理，通过目标和噪声(或杂波)在帧间运动相关性的差异，从而达到目标能量积累的目的。但是这种能量积累方法忽略了不同类型目标间的差异，无法实现目标区分的目的。而传统的联合跟踪与分类算法通常采用单帧门限后的二值化点迹数据进行关联滤波，同时引入模型匹配和目标特性似然函数等来辅助目标判断，以实现对目标的有效区分。例如，文献“Joint target tracking and classification withparticle filtering and mixture Kalman filtering using kinematic radarinformation,Digital Signal Processing,2006,pp,180-204.”中利用雷达运动量测实现了基于粒子滤波和混合卡尔曼滤波的联合目标跟踪与分类，该方法直接在点迹级上进行目标建模，同时考虑不同类型目标的模型约束和速度约束以提高分类性能；文献“基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类,系统工程与电子技术,2016,pp,2235-2243”提出了模型类型匹配概率假设密度滤波器，同时将其与多传感器的可转移信度模型结合，用多个运动学雷达和粒子滤波递推实现多目标的联合跟踪与分类。以上两篇文献中的方法均首先需要通过单帧门限检测，一定程度上会抑制微弱目标的点迹形成；专利“一种基于线性伪量测模型的机动目标多帧检测跟踪方法，CN202010082192.0”中利用机动目标状态转移模型对目标机动特性进行建模，之后根据建立的目标机动模型自适应调整多帧积累可能状态转移区间的大小，从而实现对微弱机动目标的状态估计。但是未考虑不同种类目标对状态转移区间和积累值函数的影响，因此无法实现对目标类型估计。因此，上述的方法均不适用于微弱目标的检测跟踪与分类。

发明内容

为解决上述技术问题，本发明提出一种适用于微弱目标的多帧联合检测跟踪与分类方法，尤其适用于低信噪比环境下的估计性能优于常规的基于单帧检测后再联合跟踪与分类。

本发明采用的技术方案为：一种适用于微弱目标的多帧联合检测跟踪与分类方法，包括：

S1、建立基于目标类型的高维度特性空间；在确定好高维度特性空间之后，才能依据此建立高维的条件类型概率函数，进而用于值函数积累中对似然比进行加权；

S2、根据不同类型目标的量测包络似然函数和条件类型概率，得到建基于条件类型的加权似然比；

S3、将该加权似然比用于值函数积累，通过多阶段联合迭代优化找出目标状态的最优估计；