一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法

摘要

本发明提供一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法。首先利用卡尔曼滤波器预测出所有轨迹在当前时刻的位置和能量，并分别构造以位置和能量预测值为中心的两个邻域，将同时在两个邻域里的所有目标和对应的轨迹进行关联；再利用基于位置和能量信息的改进最近邻域法和二分图最大权匹配算法，在前面关联的目标中找出分别和各运动轨迹实现最佳匹配的目标；然后根据基于对数似然比的轨迹质量判断这些轨迹的当前状态，从而决定轨迹维持、新轨迹产生还是轨迹删除；最后利用卡尔曼滤波器对现有的轨迹平滑处理。本发明方法简单、执行效率高，适用于便携式穿墙雷达隔墙对多运动人体目标的跟踪，可有效提高穿墙雷达的工作效率。

说明书

技术领域

本发明属于穿墙雷达技术领域，特别是涉及一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法。

背景技术

穿墙雷达(Through the Wall Radar，简称TWR)作为一种能够穿透障碍物探测目标的重要设备，因其具有较强的穿透特性、较高的分辨力以及较远的探测距离等特点，广泛地应用在军事、反恐、救灾、医疗、警戒、安检等领域。其基本原理是：通过雷达发射天线发射电磁波，当电磁波穿透墙壁后，碰到与空气介电常数不同的人体等物体时，会发生反射和散射，从而形成雷达回波。该回波被接收设备接收并经相关信号处理后成像，可以很好地实现对探测空间内的人员探测、定位和跟踪。穿墙雷达自一面世就引起了社会各方的广泛关注，英国《新科学家》杂志曾经在2009年将穿墙雷达列为未来30年最有前景的十项科技发明之一，并称它的作用将如同手机、互联网等一样对现代人类生活产生巨大的影响。

对于穿墙雷达这一研究热点，其探测原理、回波信号建模和信号处理等方面都获得了实质性的进展，并有多种商业雷达面世，但在多运动目标的实时探测和跟踪等方面仍存在亟待突破的地方。导致此技术难点的主要原因在于：在多运动目标场景下,各目标的真实回波信号和多径效应下的虚假目标信号混杂在一起，导致难以识别出真实目标。而对运动目标实时跟踪是穿墙雷达的关键技术之一，它决定了穿墙雷达对各运动中的目标准确跟踪的策略，并直接影响了穿墙雷达的整体性能。

关于穿墙雷达对运动目标跟踪问题，学者也取得了一定的成效。如：某学者提出了一种针对于单个运动目标的跟踪方法，此方法先对信号进行自适应滤波处理然后再利用互相关与延迟特性从时域和频域进行脉冲频谱特征匹配，通过自适应校准后应用卡尔曼滤波器进行跟踪，并生成了相应的运动轨迹；某学者提出了一种基于超宽带短脉冲信号的穿墙雷达动目标成像方法，研究了一种MIMO天线阵列的配置方式,在修正的基尔霍夫算法基础上，引出一种适用于低速目标检测的成像步骤,并通过5Hz的图像更新速率实现跟踪；某学者提出了一种分阶段目标跟踪方法，该方法首先确定目标所在区域，再通过卡尔曼滤波估计目标位置并跟踪，通过目标区域的修正来确保目标轨迹的正确性，有良好的跟踪精度。由于多运动目标跟踪算法的优劣直接影响着穿墙雷达对运动目标跟踪的稳定性和精确度，尽管对运动目标跟踪的研究己经进行了很多年，但是它至今仍然是穿墙雷达领域的研究热点问题之一。实现一种鲁棒性好、精确度高、性能好的多运动目标跟踪方法依然是该领域一个巨大的挑战。

发明内容

针对上述问题，本发明提出一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法。

本发明提供的技术方案是：一种穿墙雷达对多运动目标实时跟踪的方法，包括如下步骤：

步骤1、对多运动目标跟踪方法进行参数初始化的设置，其实现步骤为，

步骤1.1、将第一次获得的所有目标(即观测值)的位置信息及能量信息存入指针Scan(1).T(n)＝[x(n)，y(n)，z(n)]中，其中目标在笛卡尔坐标系下的坐标分别存入x(n)和y(n)中，目标的能量信息存入z(n)中，n表示第n个目标；

步骤1.2、将第一次获得的所有目标分别假设为各运动轨迹的起始点，且令k时刻的状态矩阵Track(m).TP(k)＝[x_pre,vx,y_pre,vy,z_pre]，其中x_pre和y_pre分别表示预测出的该轨迹在k时刻的坐标，vx和vy分别表示预测出的该轨迹在x轴方向和y轴方向的运动速度，z_pre表示预测出的该轨迹在k时刻的能量信息，m表示第m个轨迹，k表示第k时刻。当k＝1时，状态矩阵Track(m).TP(1)的预测值等于1时刻的观测值。

步骤2、从第2时刻获得的所有目标信息开始，将当前采集的测量值，假设为第k次采集的测量值。采集当前时刻(即k时刻)获得所有目标的位置信息及能量信息存入指针Scan(k).T(n)＝[x(n)，y(n)，z(n)]中；

步骤3、利用卡尔曼滤波器预测所有轨迹在k时刻(即当前时刻)的状态(即位置与能量信息)和k时刻的协方差矩阵，其实现步骤为，

步骤3.1、基于k-1时刻的最优估计状态矩阵Track(m).TE(k-1)，利用公式Track(m).TP(k)＝F×Track(m).TE(k-1)预测出该轨迹在k时刻的状态矩阵Track(m).TP(k)。设最优估计状态矩阵的初值Track(m).TE(1)＝Track(m).TP(1)，F为状态转移矩阵。

步骤3.2、利用公式Track(m).P_pre(k)＝F×Track(m).P_est(k-1)×F^T+Q计算出该目标对应于当前状态的预测矩阵Track(m).TP(k)的协方差Track(m).P_pre(k)，其中Q为系统过程的协方差，Track(m).P_est(k-1)是k-1时刻的最优估计状态矩阵Track(m).TE(k)的协方差。

步骤4、由于k-1时刻和k时刻同一运动目标在时空上具有连续性以及其回波信号的能量差异小，根据这样的特性分别构造以位置和能量预测值为中心的两个邻域，在众多的k时刻观测值中找到同时在两个邻域里的所有k时刻的目标。再根据GNN算法实现将已有的轨迹和观测值进行数据关联，其实现步骤如下：

步骤4.1、根据k时刻状态矩阵Track(m).TP(k)中第m轨迹的位置信息构建一个笛卡尔坐标系下的区域，其中横坐标的范围为[x_pre-X₀,x_pre+X₀]，纵坐标的范围为[y_pre-Y₀,y_pre+Y₀]，搜索出所有落在该区域的所有k时刻的目标并记录下来。如果在该区域没有k时刻的目标，则令Track(m).dead＝1，表明该轨迹在当前时刻没有关联到目标。其中X₀＝0.3m，Y₀＝0.3m。

步骤4.2、计算出该轨迹在k时刻的预测位置与落在区域里的所有目标之间的距离设置阈值R0，如果dist(n)＜R0，则表明目标可以与该轨迹关联，并记录下满足dist(n)＜R0条件的所有目标；否则令Track(m).dead＝1，表明该轨迹在当前时刻没有关联到目标，其中R0取0.6。

步骤4.3、在该轨迹已经关联的所有k时刻的目标中，搜索能量信息满足条件z_pre-Z0<z(n)<z_pre+Z0的所有目标并记录下来，其中Z0代表能量邻域的大小，由用户自己设定。并令Track(m).life＝Track(m).life+1，Track(m).life的数值表明该轨迹在k时刻已经第Track(m).life次关联到目标，且Track(m).dead＝0，表明该轨迹在k时刻关联到目标；否则令Track(m).dead＝1，表明该轨迹在k时刻没有关联到目标。

步骤4.4、重复步骤4.1-步骤4.3，搜索并记录下所有轨迹各自关联的k时刻的目标。

步骤5、当将已有的轨迹和k时刻的目标进行关联后，有时会产生一个目标同时和几条轨迹关联或几个目标同时关联了某一条轨迹的现象，下面利用二分图最大权匹配(Munkres)算法进行任务分配从而使某一运动轨迹和当前某一目标的实现最佳匹配并将该目标的k时刻的位置信息和能量信息保存到指针Track(m).TT(k)中,其实现步骤如下：

步骤5.1、构造Munkres算法的代价矩阵其中M是k时刻轨迹的数量，N是k时刻检测出的目标数量，代价矩阵C的每个元素

步骤5.2、找出代价矩阵C各行里的最小值，并用该行的其它元素减去该行的最小值，使每行的元素中至少有一个0。如果每列有0的个数都不超过1个，则表明最佳匹配完成，例如：c_mn为0表示第m轨迹和k时刻的第n目标是最佳匹配。并将结果保存在指针Track(m).TT(k)中,且Track(m).TT(k)＝[x_n,vx,y_n,vy,z_n]，其中x_n和y_n分别是与第m轨迹在k时刻实现最佳匹配的目标在笛卡尔坐标下的横坐标和纵坐标(即位置信息)，z_n则是其能量信息。

步骤5.3、如果某列出现0的数量大于1，则需要进一步寻找这些轨迹的最佳匹配目标，其过程是：首先标记所有没有关联目标的轨迹(即代价矩阵的行)，并标记这些行中有0的列；其次在除标记列和未标记行外的其它元素中找出最小值；然后将标记行的所有元素减去该最小值，同时将标记列的所有元素加上该最小值。

步骤5.4、重复步骤5.3直到每列有0的个数都不超过1个，即所有轨迹和当前时刻的目标实现最佳匹配，并将结果保存在指针Track(m).TT(k)中。

步骤6、根据当前时刻即k时刻的所有轨迹的质量判断哪些轨迹存在，哪些消失，又有哪些新的轨迹产生，其实现步骤如下：

步骤6.1、用对数似然比(LLR-logarithm likelihood ratio)来评价k时刻所有轨迹的质量，第m轨迹在k时刻轨迹质量的评价公式为Track(m).LLR(k)＝ln[P_T/P_F]，P_T为第m轨迹截止k时刻关联到目标的概率，P_F为第m轨迹截止k时刻没有关联到目标的概率。

步骤6.2、判断轨迹质量Track(m).LLR(k)是否小于等于T₁，如果是则表明从当前时刻开始该轨迹消失，删除该轨迹，其中α是虚假轨迹认错的概率，β是删除了真实轨迹的概率，α和β根据用户需要进行设置。

步骤6.3、否则再判断轨迹质量Track(m).LLR(k)是否大于等于T₂，其中如果是则表明从k时刻开始该轨迹的存在是确定的，即有一个目标沿该轨迹运动；否则该轨迹是一个临时轨迹，需要通过以后采集的数据进一步判断该轨迹的存在是否是确定的。

步骤6.4、重复步骤6.1-步骤6.3，确认所有轨迹在k时刻的状态并做出相应处理。

步骤7、利用卡尔曼滤波器对所有轨迹进行平滑处理。

步骤7.1、利用公式K_g＝Track(m).P_pre(k)×H^T÷[H×Track(m).P_pre(k)×H^T+R]计算卡尔曼增益Kg，其中H是k时刻测量系统的参数，R为测量过程的协方差。

步骤7.2、结合k时刻的预测值和测量值，利用公式Track(m).TE(k)＝Track(m).TP(k)+Kg×[Track(m).TT(k)-H×Track(m).TP(k)]求出该目标k时刻的最优估计状态矩阵Track(m).TE(k)。

步骤7.3、利用公式Track(m).P_est(k)＝Track(m).P_pre(k)-Kg×H×Track(m).P_pre(k)计算出该目标对应于k时刻的最优估计状态矩阵Track(m).TE(k)的协方差Track(m).P_est(k)。

步骤8、对以后时刻采集的信息重复步骤2-步骤7跟踪出所有轨迹。

本发明的特点：本发明将借助航迹跟踪的思路，结合穿墙雷达回波信号的特点，将目标的回波信号能量特征融入经典的多目标跟踪算法，提出一种适用于穿墙雷达的实时多遮蔽运动目标跟踪方法。首先利用卡尔曼滤波器预测出所有轨迹在当前时刻的位置和能量，并分别构造以位置和能量预测值为中心的两个邻域，将同时在两个邻域里的所有目标和对应的轨迹进行关联；再利用基于位置和能量信息的改进最近邻域法和二分图最大权匹配算法，在前面关联的目标中找出分别和各运动轨迹实现最佳匹配的目标；然后根据基于对数似然比的轨迹质量判断这些轨迹的当前状态，从而决定轨迹维持、新轨迹产生还是轨迹删除；最后利用卡尔曼滤波器对现有的轨迹平滑处理。本发明方法简单、执行效率高，适用于便携式穿墙雷达隔墙对多运动人体目标的跟踪，可有效提高穿墙雷达的工作效率。

附图说明

图1为穿墙雷达信号处理示意图；

图2为目标跟踪算法示意图。

具体实施方式

1、理论基础

在复杂环境下，穿墙雷达的回波信号是很复杂的。首先，由于多径效应，在多目标场景下多径传播下的虚假目标回波信号和其它真实目标的回波信号混杂在一起，很难将它们分辨出来，所以雷达多径传播的回波信号特征非常复杂。其次，在实际的场景中，由于周围环境、电磁干扰等不可控因素的干扰，导致真实目标的回波信号与虚假目标回波信号和其它噪声混杂的情况更加复杂。为了使穿墙雷达实用化，穿墙雷达采集的回波信号必须通过一系列的处理才能够提取出并跟踪被遮蔽的目标，其信号处理的框图如附图1所示。在多目标的实际场景下，由于多径效应以及周围环境、电磁干扰等不可控因素的干扰，各种干扰回波信号和真实目标的回波信号混杂，这些因素导致目标检测算法很难实现完全消除多径效应等的影响从而正确的检测出所有目标。另外，按照目标定位的原理，当将多雷达接收天线的信息经定位算法处理后也会产生一些的虚假目标。而目标跟踪算法则完成将每个目标所有时刻的位置准确的关联在一起，从而形成所有目标的正确轨迹。

多目标跟踪技术广泛地应用于航迹的跟踪等领域，是一种比较成熟的技术。该技术主要是根据目标的运动特性(即同一个目标相邻时刻之间速度不可能突变)、运动目标在时空上的连续性特征(即同一个目标在相邻时刻的空间位置不能突变)来完成对目标的跟踪。而本发明将借助航迹跟踪技术的思路，并将各种虚假目标回波信号和真实目标的回波信号的能量特征融入经典的多目标跟踪算法，提出一种新的适用于复杂环境的改进的实时多遮蔽运动目标跟踪算法，不但完成对多运动目标的跟踪，同时还减少计算量。本发明采用的多运动目标跟踪算法框图如附图2所示，其中输入的观测值除了有检测出的各目标的位置信息(即通过目标定位处理后得到的各目标的笛卡尔坐标系的坐标)外，还有各目标对应的能量信息(即将穿墙雷达各天线接收到该目标的能量之和)。

首先，利用卡尔曼滤波器由k-1时刻的状态矩阵与估计矩阵预测各轨迹k时刻的位置信息和能量信息。由于k-1时刻和k时刻同一目标在时空上具有连续性以及其回波信号的能量差异小，根据这样的特性分别构造以位置和能量预测值为中心的两个邻域，在众多的当前观测值中找到同时在两个邻域里的所有k时刻的目标，实现与对应的轨迹进行关联。同时，大大减少了后面与各轨迹实现最佳匹配的目标的范围，从而减少计算量。

其次，利用改进的最近邻域法(global nearest neighbor GNN)算法进行数据关联，即将能量信息与位置信息一样，它们都作为数据关联时的判别标准，并利用Munkre(二分图最大权匹配)算法进行任务分配从而获得某一运动轨迹和当前某一观测值的最佳匹配，从而解决当一个观测值同时满足几条轨迹的阈值要求或几个观测值同时满足某条轨迹的阈值要求时如何使某一轨迹找到最佳观测值的问题。

然后，用对数似然比来评价k时刻所有轨迹的质量，按照各轨迹质量来进行轨迹的管理，即哪些轨迹维持、哪些轨迹删除以及是否有新轨迹产生。

最后，利用卡尔曼滤波器估计所有轨迹进行平滑处理。

与单纯利用目标位置信息的经典多运动目标跟踪算法相比，本发明提出的改进的多遮蔽运动目标跟踪算法则综合利用了目标的位置信息和的能量信息来实现多运动目标的跟踪，这样的改进不但更适合复杂环境下雷达多径传播回波信号特征的多遮蔽运动目标跟踪，而且降低算法的计算量。

2、实现过程

一种穿墙雷达对多运动目标实时跟踪的方法，包括如下步骤：

步骤1、对多运动目标跟踪方法进行参数初始化的设置，其实现步骤为，

步骤1.1、将第一次获得的所有目标(即观测值)的位置信息及能量信息存入指针Scan(1).T(n)＝[x(n)，y(n)，z(n)]中，其中目标在笛卡尔坐标系下的坐标分别存入x(n)和y(n)中，目标的能量信息存入z(n)中，n表示第n个目标；

步骤1.2、将第一次获得的所有目标分别假设为各运动轨迹的起始点，且令k时刻的状态矩阵Track(m).TP(k)＝[x_pre,vx,y_pre,vy,z_pre]，其中x_pre和y_pre分别表示预测出的该轨迹在k时刻的坐标，vx和vy分别表示预测出的该轨迹在x轴方向和y轴方向的运动速度，z_pre表示预测出的该轨迹在k时刻的能量信息，m表示第m个轨迹，k表示第k时刻。当k＝1时，状态矩阵Track(m).TP(1)的预测值等于1时刻的观测值。

步骤2、从第2时刻获得的所有目标信息开始，将当前采集的测量值，假设为第k次采集的测量值。采集当前时刻(即k时刻)获得所有目标的位置信息及能量信息存入指针Scan(k).T(n)＝[x(n)，y(n)，z(n)]中；

步骤3、利用卡尔曼滤波器预测所有轨迹在k时刻(即当前时刻)的状态(即位置与能量信息)和k时刻的协方差矩阵，其实现步骤为，

步骤3.1、基于k-1时刻的最优估计状态矩阵Track(m).TE(k-1)，利用公式Track(m).TP(k)＝F×Track(m).TE(k-1)预测出该轨迹在k时刻的状态矩阵Track(m).TP(k)。设最优估计状态矩阵的初值Track(m).TE(1)＝Track(m).TP(1)，F为状态转移矩阵。

步骤3.2、利用公式Track(m).P_pre(k)＝F×Track(m).P_est(k-1)×F^T+Q计算出该目标对应于当前状态的预测矩阵Track(m).TP(k)的协方差Track(m).P_pre(k)，其中Q为系统过程的协方差，Track(m).P_est(k-1)是k-1时刻的最优估计状态矩阵Track(m).TE(k)的协方差。

步骤4、由于k-1时刻和k时刻同一运动目标在时空上具有连续性以及其回波信号的能量差异小，根据这样的特性分别构造以位置和能量预测值为中心的两个邻域，在众多的k时刻观测值中找到同时在两个邻域里的所有k时刻的目标。再根据GNN算法实现将已有的轨迹和观测值进行数据关联，其实现步骤如下：

步骤4.1、根据k时刻状态矩阵Track(m).TP(k)中第m轨迹的位置信息构建一个笛卡尔坐标系下的区域，其中横坐标的范围为[x_pre-X₀,x_pre+X₀]，纵坐标的范围为[y_pre-Y₀,y_pre+Y₀]，搜索出所有落在该区域的所有k时刻的目标并记录下来。如果在该区域没有k时刻的目标，则令Track(m).dead＝1，表明该轨迹在当前时刻没有关联到目标。其中X₀＝0.3m，Y₀＝0.3m。

步骤4.2、计算出该轨迹在k时刻的预测位置与落在区域里的所有目标之间的距离设置阈值R0，如果dist(n)＜R0，则表明目标可以与该轨迹关联，并记录下满足dist(n)＜R0条件的所有目标；否则令Track(m).dead＝1，表明该轨迹在当前时刻没有关联到目标，其中R0取0.6。

步骤4.3、在该轨迹已经关联的所有k时刻的目标中，搜索能量信息满足条件z_pre-Z0<z(n)<z_pre+Z0的所有目标并记录下来，其中Z0代表能量邻域的大小，由用户自己设定。并令Track(m).life＝Track(m).life+1，Track(m).life的数值表明该轨迹在k时刻已经第Track(m).life次关联到目标，且Track(m).dead＝0，表明该轨迹在k时刻关联到目标；否则令Track(m).dead＝1，表明该轨迹在k时刻没有关联到目标。

步骤4.4、重复步骤4.1-步骤4.3，搜索并记录下所有轨迹各自关联的k时刻的目标。

步骤5、当将已有的轨迹和k时刻的目标进行关联后，有时会产生一个目标同时和几条轨迹关联或几个目标同时关联了某一条轨迹的现象，下面利用二分图最大权匹配(Munkres)算法进行任务分配从而使某一运动轨迹和当前某一目标的实现最佳匹配并将该目标的k时刻的位置信息和能量信息保存到指针Track(m).TT(k)中,其实现步骤如下：

步骤5.1、构造Munkres算法的代价矩阵其中M是k时刻轨迹的数量，N是k时刻检测出的目标数量，代价矩阵C的每个元素

步骤5.2、找出代价矩阵C各行里的最小值，并用该行的其它元素减去该行的最小值，使每行的元素中至少有一个0。如果每列有0的个数都不超过1个，则表明最佳匹配完成，例如：c_mn为0表示第m轨迹和k时刻的第n目标是最佳匹配。并将结果保存在指针Track(m).TT(k)中,且Track(m).TT(k)＝[x_n,vx,y_n,vy,z_n]，其中x_n和y_n分别是与第m轨迹在k时刻实现最佳匹配的目标在笛卡尔坐标下的横坐标和纵坐标(即位置信息)，z_n则是其能量信息。

步骤5.3、如果某列出现0的数量大于1，则需要进一步寻找这些轨迹的最佳匹配目标，其过程是：首先标记所有没有关联目标的轨迹(即代价矩阵的行)，并标记这些行中有0的列；其次在除标记列和未标记行外的其它元素中找出最小值；然后将标记行的所有元素减去该最小值，同时将标记列的所有元素加上该最小值。

步骤5.4、重复步骤5.3直到每列有0的个数都不超过1个，即所有轨迹和当前时刻的目标实现最佳匹配，并将结果保存在指针Track(m).TT(k)中。

步骤6、根据当前时刻即k时刻的所有轨迹的质量判断哪些轨迹存在，哪些消失，又有哪些新的轨迹产生，其实现步骤如下：

步骤6.1、用对数似然比(LLR-logarithm likelihood ratio)来评价k时刻所有轨迹的质量，第m轨迹在k时刻轨迹质量的评价公式为Track(m).LLR(k)＝ln[P_T/P_F]，P_T为第m轨迹截止k时刻关联到目标的概率，P_F为第m轨迹截止k时刻没有关联到目标的概率。

步骤6.2、判断轨迹质量Track(m).LLR(k)是否小于等于T₁，如果是则表明从当前时刻开始该轨迹消失，删除该轨迹，其中α是虚假轨迹认错的概率，β是删除了真实轨迹的概率，α和β根据用户需要进行设置。

步骤6.3、否则再判断轨迹质量Track(m).LLR(k)是否大于等于T₂，其中如果是则表明从k时刻开始该轨迹的存在是确定的，即有一个目标沿该轨迹运动；否则该轨迹是一个临时轨迹，需要通过以后采集的数据进一步判断该轨迹的存在是否是确定的。

步骤6.4、重复步骤6.1-步骤6.3，确认所有轨迹在k时刻的状态并做出相应处理。

步骤7、利用卡尔曼滤波器对所有轨迹进行平滑处理。

步骤7.1、利用公式K_g＝Track(m).P_pre(k)×H^T÷[H×Track(m).P_pre(k)×H^T+R]计算卡尔曼增益Kg，其中H是k时刻测量系统的参数，R为测量过程的协方差。

步骤7.2、结合k时刻的预测值和测量值，利用公式Track(m).TE(k)＝Track(m).TP(k)+Kg×[Track(m).TT(k)-H×Track(m).TP(k)]求出该目标k时刻的最优估计状态矩阵Track(m).TE(k)。

步骤7.3、利用公式Track(m).P_est(k)＝Track(m).P_pre(k)-Kg×H×Track(m).P_pre(k)计算出该目标对应于k时刻的最优估计状态矩阵Track(m).TE(k)的协方差Track(m).P_est(k)。

步骤8、对以后时刻采集的信息重复步骤2-步骤7跟踪出所有轨迹。