一种基于似然函数近似的分布式多传感器检测前跟踪方法

摘要

本发明公开了一种基于似然函数近似的分布式多传感器检测前跟踪方法，属于目标检测领域，特别设计了多传感器分布式融合和微弱目标检测跟踪技术领域。首先，每个本地传感器利用当前时刻回波数据计算似然函数；然后，通过多项式加权方法对似然函数进行近似并将相应近似参数传递至融合中心；最后，融合中心利用各传感器传递的近似参数对本地似然函数进行恢复，并利用恢复得到近似似然函数完成动态规划检测前跟踪算法值函数积累，实现目标检测。一方面，该方法采用分布式处理方法，本地传感器分担了一部分算法计算量降低了融合中心的计算负担。另一方面，该方法利用似然函数近似的方法解决了多传感器动态规划分布式处理中传输代价大的问题。

说明书

技术领域

本发明属于目标检测领域，特别设计了多传感器分布式融合和微弱目标检测跟踪技术领域。

背景技术

由于不同传感器间的信息共享和互补，多传感器系统和传统单传感器系统相比具有更高的目标航迹估计精度、更好的容错性能等多种优势，近年来被广泛应用和研究。在多传感器系统中，目前常用的目标检测跟踪方式多为单帧检测结合后续滤波算法的模式，即：在每个时刻先对回波数据进行门限检测然后采用卡尔曼滤波等方法利用检测后的点迹数据对目标航迹进行跟踪。当目标信噪比比较高时，这种处理方法能够较好的恢复目标航迹，但当目标信噪比比较低时，由于目标往往无法在单帧检测时通过检测门限，该方法导致目标航迹断裂、目标漏检等情况。这导致系统的检测跟踪性能大大下降，即使利用多传感器系统的平台优势也无法很好的补偿。

动态规划检测前跟踪算法是近年来新提出的一种目标检测算法。它不在每个时刻对回波数据进行检测，而是直接联合处理多个扫描周期内的回波数据，避免了目标的信息损失，具有很好的微弱目标检测跟踪能力。目前，该方法也逐渐被应用的多传感器系统中，进一步提升多传感器系统的性能。多传感器动态规划检测前跟踪方法有两种实现方式：集中式和分布式。但这两种方式都存在着一定的不足。在集中式处理中，融合中心需要联合处理所有传感器多个扫描周期未门限检测的原始数据，承担严重的计算负担。在分布式处理中，各传感器首先计算本地似然函数，然后传递到融合中心进行处理，这虽然分担了一部分融合中心的计算负担，但传递所有状态似然函数至融合中心导致系统所需传输代价大大增加。

发明内容

本发明所要解决的技术问题是，提供一种能够高效实现的多传感器动态规划检测前跟踪算法。

本发明为解决上述技术问题所采用的技术方案是，一种基于似然函数近似的分布式多传感器检测前跟踪方法，包括以下步骤：

步骤1:初始化系统参数；

初始化系统参数，包括：系统包含的传感器数目M，各传感器位置P_m，m＝1,…,M，传感器回波数据平面大小N_x×N_y，系统噪声分布为瑞利分布，算法联合处理周期数K，似然函数近似阶数R；初始化变量k＝1；

步骤2：接收回波数据；

第m个传感器接收第k帧回波数据z_k,m，并传递融合中心；其中m＝1,…,M,Z_k,m＝{z_k,m(x,y),x＝1…N_x,y＝1…N_y}为k时刻第m个传感器所有分辨单元的量测值集合，z_k,m(x,y)表示第(x,y)个分辨单元的量测值；

步骤3：计算传感器m，k时刻本地似然函数；

利用回波数据Z_k,m计算当前时刻状态空间每个离散状态j＝1,…,J的本地似然函数：

其中，x_k,y_k表示k时刻状态的x,y方向上的位置，表示对应的速度，表示第j个离散状态中的第i个元素，J表示离散状态的总个数；分别表示(x,y)单元存在目标和不存在目标时量测的概率分布，由系统量测模型确定；

步骤4：本地似然函数近似参数计算；

在第m个传感器本地计算每个离散状态的似然函数近似参数：

α_k,m＝(φ′_mφ_m)^-1φ′_mA_m

其中，为瑞利分布参数，r＝1,…,R为一组预先定义的的基础函数，R为似然函数的近似阶数，α_k,m＝(α_k,m,0,…,α_k,m,R)′，A_m表示各离散状态对应的目标反射能量；

步骤5：传递本地似然函数近似参数c(Z_k,m)，b(z_k,m(x,y))，α_k,m，σ_k,m至融合中心；

步骤6：融合中心似然函数恢复；

融合中心利用下式估计本地似然函数值函数：

步骤7：融合中心动态规划积累；

如果k＝1，对于所有离散状态初始化值函数为：

如果1<k<K，对于所有离散状态更新他们的值函数：

其中，为所有能够转移到的k-1时刻状态集合；

步骤8：迭代处理；

k＝k+1；如果k≤K，执行步骤2，否则，执行步骤9；

步骤9：值函数检测；

将K时刻每个离散状态j＝1…J的值函数与预先给定的检测门限进行比较，如果值函数超过检测门限，则认为是目标；否则，认为是噪声。

本发明的优点是采用分布式处理降低了多传感器动态规划检测前跟踪算法中融合中心计算复杂度，同时通过似然函数近似解决了分布式多传感器动态规划检测前跟踪算法中传输代价大的问题，在保证多传感器动态规划检测前跟踪算法检测跟踪性能几乎不受影响的同时，提高了算法实现效率降低了算法实现代价。本发明可以用于组网雷达协同探测、多基地雷达探测、MIMO雷达检测、阵列声呐等多个领域。

附图说明

图1为本发明的流程图。

图2为本发明与集中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的传输代价和融合中心计算消耗的CPU时间对比。

图3为本发明与与集中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的检测概率对比。

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-R2012b上验证确认。具体实施步骤如下：

步骤1)初始化系统参数：

初始化系统参数，包括：系统包含的传感器数目M＝3，各传感器分别位于第(-40,0)，(-30,-30)和(0,-35)分辨单元处，传感器回波数据平面大小N_x×N_y＝80×80分辨单元，系统噪声分布为瑞利分布参数σ_k,m＝1，算法联合处理周期数K＝10，似然函数近似阶数R＝2；初始化变量k＝1。执行步骤2)。

步骤2)接收回波数据

第m(m＝1,…,M)个传感器接收第k帧回波数据z_k,m，并传递融合中心，执行步骤3)。

步骤3)计算传感器m(m＝1,…,M)k时刻本地似然函数

利用回波数据z_k,m计算当前时刻状态空间每个离散状态j＝1,…,J的本地似然函数：

其中，x_k,y_k表示k时刻状态的x,y方向上的位置，表示对应的速度，表示中的第i个元素。p(z_k,m(x,y)|H₀)分别表示(x,y)单元存在目标和不存在目标时量测的概率分布，服从瑞利分布。

步骤4)本地似然函数近似参数计算

在第m(m＝1,…,M)个传感器本地计算每个离散状态的似然函数近似参数：

α_k,m＝(φ′_mφ_m)^-1φ′_mA_m

其中，r＝1,…,R。

步骤5)传递本地似然函数近似参数c(Z_k,m)，b(z_k,m(x,y))，α_k,m，σ_k,m至融合中心。

步骤6)融合中心似然函数恢复

融合中心利用下式估计本地似然函数值函数：

步骤7)融合中心动态规划积累

如果k＝1，对于所有离散状态j＝1,…,J初始化它们的值函数为：

如果1<k<K，对于所有离散状态j＝1,…,J更新他们的值函数：

其中，为所有能够转移到的k-1时刻状态集合。

执行步骤8)

步骤8)迭代处理

k＝k+1；如果k≤K，执行步骤2)，否则，执行步骤9)。

步骤9)值函数检测

将K时刻每个离散状态j＝1…J的值函数与预先给定的检测门限进行比较，如果值函数超过检测门限，则认为是目标；否则，认为是噪声。

从图2中可以看出，在该仿真条件下本发明与所需传输代价与集中式多传感器动态规划检测前跟踪算法基本相同，但融合中心计算量大大降低；和未采用似然函数近似的分布式动态规划检测前跟踪算法，本发明的传输代价明显减小，而融合中心计算时间有少量增加。综上所述，本发明是集中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的一种折中，平衡了二者的传输代价和融合中心计算代价，具有更高的实现效率。

图3中方法1为集中式集中式多传感器动态规划检测前跟踪算法，方法2为未采用似然函数近似的分布式动态规划检测前跟踪算法。为从图3中可以看出，本发明的检测概率与中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的检测概率基本相同，证明本发明所提算法实现代价的降低导致的性能损失十分有限，可以忽略不计。