一种自适应粒子数的多目标粒子滤波检测前跟踪方法

摘要

一种自适应粒子数的多目标粒子滤波检测前跟踪方法。该发明公开了一种自适应粒子数的粒子滤波检测前跟踪方法，属于雷达目标检测技术领域，它特别涉及了雷达对微弱目标检测前跟踪技术领域。该方法在粒子滤波检测前跟踪处理过程中用于估计目标状态的粒子数量会随着目标状态的不确定性程度变化而自适应地变化，当目标状态的不确定性大的时候增加粒子数目，当目标状态的不确定性小的时候用较小的粒子数量做跟踪。从而具有在保证检测跟踪性能的同时，采样效率高，计算量较小的效果。

说明书

技术领域

本发明属于雷达目标检测技术领域，它特别涉及了雷达对微弱目标检测前跟踪技术领域。

背景技术

粒子滤波检测前跟踪由于能解决非线性非高斯滤波问题，使其受到广泛的关注和研究，在 过去十多年来得到了快速的发展。粒子滤波检测前跟踪方法具有实现过程简单，跟踪精度可以 逼近最有估计等优点。它是一种将贝叶斯推理和蒙特卡洛方法结合的一种算法，主要通过一族 带有权值的粒子集去估计目标的后验概率密度。在获得新的观测数据后，依照贝叶斯理论进行 粒子权值的更新，并传递粒子状态，预测下一观测时刻目标的状态。当粒子数目达到足够大的 时候，真实的后验概率密度就几乎与蒙特卡洛采样估计的密度一样。

传统的粒子滤波检测前跟踪方法在整个跟踪过程中采用固定的粒子数目，这个粒子数通常 是一个经验数据，为了保证跟踪的精度，跟踪的粒子数常常会选取一个较大的数值。Boers在 文献“On the number of samples to be drawn in particle filtering,presented at the Inst.Electr.Eng. Colloquium on Target Tracking,London,U.K.,1999”中指出粒子滤波检测前跟踪方法计算的复 杂度主要取决于用来估计目标状态的粒子数量，同时也证明了粒子滤波算法的跟踪精度跟跟踪 过程所采用的粒子数目有关，并给出了一种在保证一定的跟踪精度下，尽可能选取小的跟踪粒 子数的方法，其具体实施是：选取跟踪的粒子数N确保目标的真实后验概率密度和采样近似 的概率密度之间的差异以置信度为δ的概率小于ε。这种方法主要针对单目标粒子滤波情况， 对于多目标的场景并未涉及，同时该方法虽然给出了一种降低计算量的思想，但在跟踪过程目 标的状态的不确定性是变化，意味着当目标的状态不确定性小的时候，采用这种方法选取粒子 远远超过跟踪过程所需要的粒子数，粒子滤波计算量大的问题并未被实质的解决。F在 文献“Two-layer particle filter for multiple target detection and tracking”中给出了一种多目标粒 子滤波方法，该方法采用双层粒子滤波算法，它主要解决了多目标粒子滤波算法中目标起始、 目标维持、目标终止等问题。但是该方法采用固定的跟踪粒子数，计算量非常大。

发明内容

本发明为了解决传统粒子滤波算法粒子采样效率低下的问题，设计一种自适应粒子数的粒 子滤波检测前跟踪方法，本发明采用固定的粒子权值和，在跟踪过程能根据目标环境自适应地 选择合适的粒子数去跟踪目标，从而达到在保证检测跟踪性能的同时，采样效率高，计算量较 小的目的。

本发明提供了一种自适应粒子数的粒子滤波检测前跟踪方法，该方法包括：

步骤1、初始化系统参数包括：观测间隔T、观测总帧数K、最小粒子数n_min、最大粒子 数n_max、初始粒子数n_ini、停止采样门限η、目标判决门限Δ；

步骤2、根据已知目标先验信息产生初始粒子集及其初始权值 其中表示目标i的第n₀个粒子的初始状态；

步骤3、从雷达接收机中读取第k帧量测

其中，k为帧数，表示第k帧回波数据的量测单元(m,n)中的量测；

步骤4、分别对每个目标进行新粒子的抽样、权值计算，直到当满足一定条件就停止该目 标新粒子的采样；

步骤4.1、初始跟踪参数：其中表示k时刻跟踪第i_k个目标的子层粒 子数，表示k时刻第i_k个目标的子层权值和；

步骤4.2、更新采样的粒子数目：

步骤4.3、在[1,N_k-1]范围内随机选取整数j，其中N_k-1为k-1时刻的采样粒子数；

步骤4.4、采样k时刻目标i_k的第个重采样前粒子状态：其中是高斯分布，F为状态转移矩阵，Q为噪声协方差矩阵；

步骤4.5、计算权值：p(·|·)表示求条件概率；

步骤4.6、更新权值和：

步骤4.7、进行采样终止判断：或者若满足条件转步骤 4.2，若不满足条件，则停止对当前目标的采样，开始对下一个目标做处理，直到所有目标都 进行完跟踪处理，得到粒子集

步骤5、对每个目标做判定，若认为目标已经消 失，则删除该目标；

步骤6、确定当前时刻的采样粒子数，取k时刻的采样粒子数： max(·)表示取大；

步骤7、对采样粒子数小于N_k的目标进行重采样直到获得N_k个粒子；

步骤8、对粒子集进行系统重采样，计算各粒子集的权值并记录；

步骤9、从步骤8中选择权值最大的粒子集更新目标的状态。

所述步骤2的具体步骤为：

步骤2.1、令i＝1；

步骤2.2、对于n₀从1到nini；分别表示目标i初 始时刻在X方向的位置和速度以及Y方向的位置和速度；

步骤2.3、令i＝i+1；若i≤I₀，则转步骤2.2，否则进入下一步，I₀表示初始目标数；

步骤2.4、令对于n₀从1到n_ini，是初始时刻第n₀个粒子的 状态；

步骤2.5、粒子初始权值为：

步骤2.6、初始粒子数为：N₀＝n_ini。

所述步骤7的具体步骤为：

步骤7.1、令i_k＝1；

步骤7.2、初始化累积权值：

步骤7.3、计算已有粒子的累积权值对于n从1到

步骤7.4、令p＝1，p表示已采样得到的粒子的编号；

步骤7.5、产生一个在0到1/N_k之间的随机数u₍₁₎；

步骤7.6、令q＝1，q表示重采样得到的粒子编号；

步骤7.7、判断若满足条件转步骤7.8，否则转步骤7.9；

步骤7.8、p＝p+1,转步骤7.7；

步骤7.9、令表示目标i_k重采样的第q个粒子状态；

步骤7.10、令q＝q+1；

步骤7.11、若q≤N_k，则u_(q)＝u_(q-1)+1/N_k，转步骤7.7；

步骤7.12、若i_k≤I_k，转步骤7.2。

所述步骤8的具体步骤为：

步骤8.1、构造k时刻重采样前粒子集：对于n₀从1到N_k；

步骤8.2、计算粒子集权值：对于n₀从1到N_k；

步骤8.3、初始化累积权值：C_k,0＝0；

步骤8.4、计算累积权值；

步骤8.5、对于n从1到N_k；

步骤8.6、令p＝1，p表示已采样得到的粒子集编号；

步骤8.7、产生一个在0到1/N_k之间的随机数u₍₁₎；

步骤8.8、令q＝1，q表示重采样得到的粒子集编号；

步骤8.9、判断u_(q)>C_k,p，若满足条件转步骤8.8，否则转步骤8.10；

步骤8.10、p＝p+1,转步骤8.9；

步骤8.11、$X_k^{\left(q\right)}=X_k^{\left(p\right)*};$

步骤8.12、q＝q+1；

步骤8.13、若q≤N_k，则u_(q)＝u_(q-1)+1/N_k，转步骤8.9。

本发明给出了一种自适应粒子数的粒子滤波检测前跟踪方法，该方法在粒子滤波检测前跟 踪处理过程中用于估计目标状态的粒子数量会随着目标状态的不确定性程度变化而自适应地 变化，当目标状态的不确定性大的时候增加粒子数目，当目标状态的不确定性小的时候用较小 的粒子数量做跟踪。从而具有在保证检测跟踪性能的同时，采样效率高，计算量较小的效果。

附图说明

图1为本发明一种自适应粒子数的粒子滤波检测前跟踪方法的流程图；

图2为本发明实施例中两个目标的航迹图；

图3为本发明实施例100次蒙特卡罗的检测概率曲线示意图；

图4为本发明实施例目标信噪比为9dB时100次蒙特卡罗粒子数时间的变化曲线示意图。

图2中“×”表示航迹的开始。

具体实施方式

本发明主要采用计算机仿真的方法进行验证，所有步骤、结论都在MATLAB-R2011b上验 证正确。具体实施步骤如下：

(1)、初始化系统参数：

初始化系统参数包括：观测间隔T＝1；观测总帧数K＝30；最小粒子数n_min＝450；最大粒 子数n_max＝5000；停止采样门限η＝10⁴；目标判决门限Δ＝10⁶。

(2)、按上述步骤2得到初始粒子集：

$X_0^{\left(n_0\right)}~p_0\left(X_0\right),(n_0=\mathrm{1,2},···,N_b)$

其中表示初始时刻第n₀个粒子，它是有每个目标的状态拼接而成： $X_0^{\left(n_0\right)}=[x_{\mathrm{1,0}}^{\left(n_0\right)};x_{\mathrm{2,0}}^{\left(n_0\right)};···;].x_{i,0}^{\left(n_0\right)},(t=\mathrm{1,2},···,I_0)$是第i个目标的状态，通常包含目标在X,Y轴方 向的位置和速度。

(3)、从雷达接收机中读取第k帧量测。

$Z_k=\{z_k^{(m,n)},m=1:M,n=1:N\}$

其中，m,n分别为X,Y方向量化状态，k为帧数。表示第k帧回波数据的量测单元 (m,n)中的量测值，为回波数据的幅度。

(4)、分别对每个目标进行新粒子的抽样、权值计算，直到当满足一定条件就停止该目标 新粒子的采样。

(a)初始跟踪参数：其中表示k时刻跟踪第i_k个目标的粒 子数，表示k时刻第i_k个目标的权值和

(b)更新采样的粒子数目：

(c)产生一个在[1,N_k-1]范围内的随机整数j

(d)采样k时刻目标i_k的第个重采样前粒子状态：

其中是高斯分布，F为状态转移矩阵，Q为噪声协方差 矩阵

(e)计算权值：$w_{i_k,k}^{\left(n_{i_k,k}\right)}=p\left(z_k\right|x_{i_k,k}^{\left(n_{i_k,k}\right)*})$

(f)更新权值和：${\alpha }_{i_k,k}={\alpha }_{i_k,k}+w_{i_k,k}^{\left(n_{i_k,k}\right)}$

(g)进行采样终止判断：若满足条件转(b)，若不 满足条件，则停止对当前目标的采样，开始对下一个目标做处理，直到所有目标都进行跟踪处 理

(5)、对每个目标做判定，删除消失的目标

若认为目标已经消失，则删除该目标

(6)、确定当前时刻的采样粒子数

取k时刻的采样粒子数：max(·)表示取大

(7)、对每个目标重采样到N_k个粒子

(a)令i_k＝1

(b)初始化权值累积和：

(c)计算累积权值

$c_{i_k,n}=c_{i_k,n-1}+w_{i_k,k}^{\left(n\right)},$对于n从1到

(d)令p＝1

(e)产生一个在0到1/N_k之间的随机数u₍₁₎

(f)令q＝1

(g)判断若满足条件转(h)，否则转(i)

(h)p＝p+1,转(g)

(i)令$x_{i_k,k}^{\left(q\right)}=x_{i_k,k}^{\left(p\right)*}$

表示重采样后目标i_k第q个粒子状态

(j)q＝q+1

(k)若q≤N_k，则u_(q)＝u_(q-1)+1/N_k，转(g)

(l)若i_k≤I_k，转(b)

(8)、对粒子进行系统重采样

(a)构造k时刻重采样前粒子：对于n₀从1到N_k

(b)计算粒子权值：对于n₀从1到N_k

(c)初始化权值累积和：C_k,0＝0

(d)计算累积权值

(e)$C_{k,n}=C_{k,n-1}+w_k^{\left(n\right)},$对于n从1到N_k

(f)令p＝1

(g)产生一个在0到1/N_k之间的随机数u₍₁₎

(h)令q＝1

(i)判断u_(q)>C_k,p，若满足条件转(h)，否则转(j)

(j)p＝p+1,转(i)

(k)$X_k^{\left(q\right)}=X_k^{\left(p\right)*}$

(l)q＝q+1

(m)若q≤N_k，则u_(q)＝u_(q-1)+1/N_k，转(i)

(9)、从步骤8中选择权值最大的粒子集更新目标的状态。

E(·)表示去均值。

图4为目标信噪比为8dB时100次蒙特卡罗粒子数时间的变化曲线，从该曲线可以看出， 当目标相遇时(25帧时)，平均的粒子数会急剧增加(从50增加到3000多个)以应对目标状态不 确定性的增加，提高检测概率；当目标分开后，平均的粒子数又恢复到之前的水平。从中可以 看出，本发明具有自适应选择用于估计目标状态的粒子量的大小能力，并以此来提高粒子滤波 跟踪过程的效率。