一种用于海面搜索雷达的系统平台及多模型目标跟踪方法

摘要

本发明公开了一种用于海面搜索雷达的系统平台及多模型目标跟踪方法，属于雷达技术领域，所述多模型目标跟踪方法由跟踪滤波方法结合所搭载的系统平台组成，系统平台主要由天线模块，收发模块，信号处理模块，数据处理模块和终端模块组成，数据处理模块用于完成对点迹数据的凝聚、相关和滤波工作，跟踪滤波方法具体用于数据处理模块中的滤波环节。总之，本发明其优势在于根据具体的海面目标的目标特性设计模型，具有更好的针对性，并且采用三个容积卡尔曼滤波算法并行处理，具有更好的适用性和更高的跟踪精度，可用于处理海上目标的不同运动模式，可以提供更加稳定的跟踪。

说明书

技术领域

本发明涉及雷达技术领域，具体是涉及一种用于海面搜索雷达的系统平台及多模型目标跟踪方法。

背景技术

海面搜索雷达，具有对海上的运动目标或固定目标进行探测的功能，对探测到的海上运动目标进行实时而稳定的跟踪，不论是对海关边防，亦或民用导航都有着至关重要的作用。

近年来，随着计算机技术和信息技术的迅猛发展，目标跟踪领域已经逐步受到越来越多的相关研究者的关注，对其技术的深度研究，不论是在民用领域(安防监控等)，或军事领域(探测制导等)，都有着广泛的应用前景。对海上目标的跟踪，目前多采用单个目标运动模型进行处理，单个模型由于其自身的缺点和局限性，所能处理的情况有限，往往最终得到的目标跟踪精度较低，且很有可能在目标突然机动(转弯、加减速)时，不能做出实时地应变从而丢失目标，影响跟踪。

目前对于海上动目标的跟踪，多采用卡尔曼滤波算法进行实现，其弊端一是单个滤波器性能有限；二是线性滤波器只是一种假设，并不符合实际应用。对此，本发明根据海上目标特性，设计特有模型以及多模型滤波器，从而实现了一种用于海面搜索雷达的系统平台及多模型目标跟踪方法。

发明内容

本发明解决的技术问题是:为解决现有海面动目标跟踪方法的稳定性较差、适应性低和跟踪精度不足的问题，本发明提供了一种用于海面搜索雷达的系统平台及多模型目标跟踪方法。

本发明的技术方案是:一种用于海面搜索雷达的系统平台，所述系统平台主要由天线模块，收发模块，信号处理模块，数据处理模块和终端模块组成，所述天线模块用于接收由目标反射回来的回波并转至收发模块，所述信号处理模块用于将接收到的回波进行处理后转给数据处理器，所述数据处理模块用于完成对点迹数据的凝聚、相关和滤波环节，并将处理后的数据汇报至终端模块，所述终端模块用于显示处理后的目标信息。

一种用于海面搜索雷达的多模型目标跟踪方法，所述多模型目标跟踪方法具体应用在所述的系统平台中数据处理模块的滤板环节，所述多模型目标跟踪方法主要包括以下步骤:

S1:模型的建立:对于海上目标，多采用的是匀速直线运动，碰到特殊情况时可能会发生匀加速、匀减速或者转弯等运动，对于上述情况，本方法的模型采用2个匀速模型，1个匀加速模型进行实现，所述三个模型参数依次为一模型Q1、二模型Q2和三模型Q3；状态方程的过程噪声方差表征状态由此刻到下一个状态时的散布情况，因此，过程噪声方差的大小可以用来表述目标的不同程度的机动情况；海上大多数动目标的船速范围在0米/秒到50米/秒，加速度范围在0米/平方秒到10米/平方秒(再快可直接视为阶跃)，因此，根据具体的目标特性，调整三个模型的模型参数，其中一模型Q1用于负责保证较高的跟踪精度，因此理论上Q1应为0最佳，但由于CV模型和CA模型维数不同，Q1＝0时，会导致后期算法预测误差协方差阵不正定，从而无法进行cholesky分解，无法滤波；

S2:航迹起始初始值估计：由于海上目标大多数情况做的都是直线运动，因此，在大概率事件下，对初始值的估计采用直线拟合的方法进行实现，对于一组观测点(x_i,y_i)，利用多个点拟合出一条使得误差平方和最小的直线作为目标航迹，然后求出对应的速度作为初始状态向量；

f(x_i)＝α+βx_i+ε_i>

S3:输入交互:3个模型并行跟踪滤波，因此，在每一次迭代时，需对各个滤波器的滤波值进行数据的交互处理，再输入至各个滤波器进行下一步迭代；

S4:滤波:采用3个容积卡尔曼滤波算法(CKF)进行实现，相较于传统的卡尔曼滤波算法，容积卡尔曼滤波算法针对的是实际应用中的非线性问题，更符合实际，相较于其他的非线性滤波算法，容积卡尔曼滤波算法理论上的推导更加严格，要求更高，因此跟踪精度更优，其滤波思想是利用三阶容积准则，选取特定的采样点以利用这些采样点表征目前的状态概率分布，从而利用这些采样点经非线性函数传递后预测，估计，得到下一个状态的概率分布情况，不断地迭代估计；

S5:融合处理:每一个滤波器处理之后得到4个数据，状态估计值，状态误差协方差估计值，残差向量，残差协方差，残差向量服从均值为0，方差为残差协方差的二维正态分布，因此，求取残差向量在二维正态分布函数的概率密度函数上对应的概率，再将三个滤波器的残差向量对应的概率归一化处理，与上一时刻模型概率融合得到三个滤波值的更新概率，加权融合处理后得到最终的滤波估计值；

进一步地，步骤S3中输入交互采用单个滤波器和融合滤波值加权的方式实现输入交互；对其各个滤波器的输入值做如下附加设计，对于各个模型，根据一段时间内的滤波器的残差积累量，可控的控制模型输入值中单个滤波值和融合滤波值之间的权重分配，这样做可以避免跟踪性能过于灵敏时，某个假点的出现而导致三个模型集体失效的情况:

进一步地，步骤S4中滤波过程为:

1)确定初始均值和初始方差；

2)时间更新:

①通过容积规则选择能代表状态统计特性的容积点:

P_k＝S_kS_k^T>

②将容积点经过非线性状态函数传递:

③利用传递之后的容积点来近似先验均值和先验方差:

3)量测更新:

①通过容积规则选择能代表先验分布的容积点:

P_k+1k＝S_k+1kS_k+1k^T>

②将容积点经过非线性量测函数传递:

③求取互相关协方差，卡尔曼增益系数:

④利用传递后的容积点近似后验均值和后验方差:

进一步地，所述模型参数中一模型Q1、二模型Q2、三模型Q3的参数优选为:Q1＝0.0000001、Q2＝0.015、Q3＝0.1，但不仅限于这一数值，理论上Q1应为0最佳，但由于CV模型和CA模型维数不同，Q1＝0时，会导致后期算法预测误差协方差阵不正定，从而无法进行cholesky分解，无法滤波。

本发明的有益效果是:本发明的提出用于与某型海面搜索雷达配套，以实现对海面动目标的稳定跟踪。与以往技术相比，其优势在于根据具体的海面目标的目标特性设计模型，其模型具有更好的针对性，并且采用三个容积卡尔曼滤波算法(CKF)并行处理，CKF算法相较其他滤波算法具有更好的适用性和更高的跟踪精度，其次三个模型的CKF并行处理，可用于处理海上目标的不同运动模式，可以提供更加稳定的跟踪。

附图说明

图1是本发明搭载的系统平台结构框图。

图2是本发明滤波一次迭代的工作流程图。

图3是本发明α-β算法下(α＝0.05)时的跟踪轨迹。

图4是本发明α-β算法下(α＝0.5)时的跟踪轨迹。

图5是本发明α-β算法下(α＝0.2)时的跟踪轨迹。

图6是本发明跟踪算法的跟踪轨迹。

图7是本发明滤波值和真值的位置差。

图8是本发明滤波值和真值的方位差。

图9是本发明卡尔曼滤波算法下的跟踪轨迹。

图10是本发明跟踪算法下的跟踪轨迹。

图11是本发明滤波值和真值的位置差。

图12是本发明滤波值和真值的方位差。

图13是本发明在海面上跟踪某船只的航迹图。

具体实施方式

下面结合附图及具体的实施方式对本发明进行详细说明。

一种用于海面搜索雷达的系统平台，如图1所示，系统平台主要由天线模块，收发模块，信号处理模块，数据处理模块和终端模块组成，天线用于接收由目标反射回来的回波并转至收发模块，信号处理模块用于将接收到的回波进行处理后转给数据处理器，数据处理模块用于完成对点迹数据的凝聚、相关和滤波工作，并将处理后的数据汇报至终端模块，终端模块用于显示处理后的目标信息。

一种用于海面搜索雷达的多模型目标跟踪方法，多模型目标跟踪方法主要包括以下步骤:

S1:模型的建立:对于海上目标，多采用的是匀速直线运动，碰到特殊情况时可能会发生匀加速、匀减速或者转弯等运动，对于上述情况，本方法的模型采用2个匀速模型，1个匀加速模型进行实现，三个模型参数依次为一模型Q1、二模型Q2和三模型Q3；状态方程的过程噪声方差表征状态由此刻到下一个状态时的散布情况，因此，过程噪声方差的大小可以用来表述目标的不同程度的机动情况；海上大多数动目标的船速范围在0米/秒到50米/秒，加速度范围在0米/平方秒到10米/平方秒(再快可直接视为阶跃)，因此，根据具体的目标特性，调整三个模型的模型参数，将三个模型的分配如下：Q1＝0.0000001，Q2＝0.015，Q3＝0.1，其中一模型Q1用于负责保证较高的跟踪精度，因此理论上Q1应为0最佳，但由于CV模型和CA模型维数不同，Q1＝0时，会导致后期算法预测误差协方差阵不正定，从而无法进行cholesky分解，无法滤波；

S2:航迹起始初始值估计:由于海上目标大多数情况做的都是直线运动，因此，在大概率事件下，对初始值的估计采用直线拟合的方法进行实现，对于一组观测点(x_i,y_i)，利用多个点拟合出一条使得误差平方和最小的直线作为目标航迹，然后求出对应的速度作为初始状态向量；

f(x_i)＝α+βx_i+ε_i(1)

S3:输入交互:3个模型并行跟踪滤波，因此，在每一次迭代时，需对各个滤波器的滤波值进行数据的交互处理，再输入至各个滤波器进行下一步迭代；输入交互部分采用单个滤波器和融合滤波值加权的方式实现输入交互；对其各个滤波器的输入值做如下附加设计，对于各个模型，根据一段时间内的滤波器的残差积累量，可控的控制模型输入值中单个滤波值和融合滤波值之间的权重分配，这样做可以避免跟踪性能过于灵敏时，某个假点的出现而导致三个模型集体失效的情况:

S4:滤波:采用3个容积卡尔曼滤波算法(CKF)进行实现，相较于传统的卡尔曼滤波算法，容积卡尔曼滤波算法针对的是实际应用中的非线性问题，更符合实际，相较于其他的非线性滤波算法，容积卡尔曼滤波算法理论上的推导更加严格，要求更高，因此跟踪精度更优，其滤波思想是利用三阶容积准则，选取特定的采样点以利用这些采样点表征目前的状态概率分布，从而利用这些采样点经非线性函数传递后预测，估计，得到下一个状态的概率分布情况，不断地迭代估计，步骤S4中滤波过程为:

1)确定初始均值和初始方差；

2)时间更新:

①通过容积规则选择能代表状态统计特性的容积点:

P_k＝S_kS_k^T(8)

②将容积点经过非线性状态函数传递:

③利用传递之后的容积点来近似先验均值和先验方差:

3)量测更新:

①通过容积规则选择能代表先验分布的容积点:

P_k+1k＝S_k+1kS_k+1k^T>

②将容积点经过非线性量测函数传递:

③求取互相关协方差，卡尔曼增益系数:

④利用传递后的容积点近似后验均值和后验方差:

S5:融合处理:每一个滤波器处理之后得到4个数据，状态估计值，状态误差协方差估计值，残差向量，残差协方差。残差向量服从均值为0，方差为残差协方差的二维正态分布，因此，求取残差向量在二维正态分布函数的概率密度函数上对应的概率，再将三个滤波器的残差向量对应的概率归一化处理，与上一时刻模型概率融合得到三个滤波值的更新概率，加权融合处理后得到最终的滤波估计值；

其中，本发明多模型目标跟踪方法应用集中在数据处理器模块中的滤波环节设计实现，如图2所示，具体实现步骤如下:

(1)从信号处理模块中获取点迹数据，凝聚之后形成各个扇区的目标点迹，作为量测值；

(2)起始航迹，每扫描一圈，进行航迹的相关匹配；

(3)判断第几个点，若为第5个点，则利用直线拟合的方式对状态的初始值进行估计；若不是第5个点，则判断航迹是否进入过滤波函数，如果无，则将量测稍加处理后直接作为滤波值，进行下一次迭代，如果进入过，则进入输入交互部分；

(4)输入交互部分参照式(6)和式(7)，利用n个周期内的残差积累量可控地控制各个滤波器输入中融合值和单个滤波值所占的配比；

(5)经CKF滤波之后，由于三个CKF滤波器所采用的模型不同，会生成3个不同的滤波值以及3个不同的残差向量ε₁、ε₂、ε₃和残差协方差矩阵S₁、S₂、S₃；

(6)残差向量的二维正态概率分布已知根据其概率密度函数求取3个残差向量对应的概率密度值，归一化处理后，与上一时刻的模型概率融合后，得到三个模型的更新概率值μ_k+1；

(7)加权融合求取最终滤波估计值；

(8)若航迹数据已够一圈，则使能发送标志位，数据处理器每10秒会判断一次，若发送目标标志位置1，则将滤波处理之后的平滑航迹信息上报给终端模块，以供显示。

为进一步论证本发明方法，对本发明方法进行仿真实验，与单模型滤波算法性能对比如下:

1)转弯机动

选取w₂＝10°/s的转弯机动进行，其中0T-50T为匀速直线运动，50T-59T为转弯运动，59T-159T为匀速直线运动。单模型滤波选取了经典的α-β算法进行对比。

图3-图6表示α-β算法在α数值不同时，对同一组仿真数据的跟踪情况，可由图中看出，系数较小时如图3，虽可能可以保证平稳段的跟踪精度但很有可能会发散，更不用说机动段的跟踪；系数较大时如图4，可以保证机动段的跟踪但却难以保证平稳段的跟踪精度。此组仿真数据，α＝0.2时较为合适，权衡了平稳段跟踪精度和机动段的跟踪。

对比图5、图6，可看出本发明算法在保证机动段跟踪的前提下，平稳段的跟踪相比图5也要更为平滑。将图5、图6的滤波值和真值在位置和方位上分别做差，可得图7、图8，从图中可看出，本发明多模型算法的误差在位置和方位上，误差较单模型α-β要整体偏小，可见本发明算法性能相对来说更优些。

为了更好地对比平稳段两种滤波算法的性能，计算0T-50T、59T-159T的均方根误差(RMSE)，由于转弯运动结束后转匀速运动时有一段收敛期会影响59T-159T平稳段的跟踪精度，所以再选取90T-245T进行计算，如表1所示。通过表中数据，可看出本发明算法在保证机动段跟踪的基础上，平稳段的跟踪精度要优于α-β算法。

表1转弯机动下平稳段跟踪精度对比

2)加速机动

选取机动加速度a₂＝2m/s²的仿真数据，其中目标在0T-30T做匀速直线运动，30T-45T做匀加速直线运动，45T-245T做匀速直线运动。单模型滤波算法选取经典卡尔曼滤波算法。

图9、图10为两种滤波算法的跟踪轨迹图，图11、图12为两种滤波算法的真值和滤波值的差的对比情况。综合分析，可看出单模型滤波算法在开始0T-30T的平稳段，跟踪性能比多模型稍差一些，但基本相当，一旦发生机动，卡尔曼滤波算法跟踪发散，而本发明算法一直保持着较好的跟踪，可见，相对来说，本发明算法性能优于卡尔曼滤波算法。

同样，为了更好地对比平稳段两种滤波算法的性能，计算0T-30T，45T-245T的均方根误差(RMSE)。由于加速运动结束后转匀速运动时有一段收敛期会影响平稳段的跟踪精度，所以再选取90T-245T进行计算，如表2所示。可见，本发明算法在保证机动段跟踪的基础上，平稳段的跟踪性能较单模型更优。

表2加速机动下平稳段跟踪精度对比

同时为了更好的说明本发明的效果，本发明还将系统搭载到海边进行了实地测试，以验证方法的性能和精度，图13为在海面上跟踪某船只的航迹效果图，其中虚线为卡尔曼滤波算法的跟踪效果，带圆点标记的线为本发明的效果，可见，本发明跟踪轨迹较为平滑，精度上要优于卡尔曼滤波，能够实现对海面目标的稳定跟踪。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。