第 29 卷 第 3 期
Vol. 29 No. 3
控 制 与 决 策
Control and Decision
2014 年 3 月
Mar. 2014
混合估计多模粒子滤波的机动弱目标检测前跟踪算法
文章编号: 1001-0920 (2014) 03-0523-05 DOI: 10.13195/j.kzyjc.2012.1633
吴 瑕, 陈建文, 鲍 拯, 赵志国
(空军预警学院 雷达兵器运用工程军队重点实验室，武汉 430019)
摘 要: 针对低信噪比条件下的机动小目标实时检测与跟踪困难的问题, 提出一种基于混合估计多模粒子滤波的检
测前跟踪改进算法. 首先根据前一时刻所采用的模型状态及其转移概率等先验信息实现当前时刻的模型采样; 然后
在充分考虑当前量测下实现当前的粒子预测, 采用一种序贯重要性平滑重采样策略, 在不增加计算量的前提下, 改善
了粒子多样性衰退的问题; 最后通过新的粒子集完成对模型和状态的合理估计与目标检测. 仿真结果验证了该方法
的检测与跟踪性能优于传统的多模粒子滤波方法.
关键词: 粒子滤波；多模型；混合估计；检测前跟踪；平滑重采样
中图分类号: TP273 文献标志码: A
Track-before-detect for maneuvering weak target based on mixture
estimation of multi model particle filter algorithm
WU Xia, CHEN Jian-wen, BAO Zheng, ZHAO Zhi-guo
(Key Laboratory for Radar Application Engineering，Air Force Early Warning Academy，Wuhan 430019，China.
Correspondent：WU Xia，E-mail：moonshiner007@163.com)
Abstract: For the problem of maneuvering target detection and tracking in low signal-to-noise environment, the improved
track-before-detect algorithm based on mixture estimation of the multiple model particle filter is presented. Firstly, the current
moment model is sampled by the previous moment particle model information and the model transfer probability. Then,
the prediction for current particle is done by current measurement information, and the sequential importance resampling
smoothing way is presented, which can effectively increase particle diversity without increasing account task. Finally, the
model and state are effectively estimated by the new particle muster. Simulation results show that the proposed algorithm
has better performance of detection and tracking compared with the standard multi model particle filter.
Key words: particle filter；multiple model; mixture estimation；track-before-detect；smoothing resampling
0 引引引 言言言
对于远距离高机动的小目标, 雷达接收到的回波
信号相当微弱, 用传统的积累与检测方法不能可靠地
检测目标
[1-3]
, 而检测前跟踪 (TBD) 技术则比较适合
于低信噪比微弱目标. TBD 是将一次扫描回波做脉冲
串积累后不做门限比较 (或者与低门限比较), 从而保
留下来微弱的目标信息, 在得到多次扫描回波后, 利
用某些数据处理算法估计目标航迹, 同时沿航迹进行
扫描间积累, 在合理估计航迹的基础上判断目标是否
出现, 最后同时给出检测结果和目标航迹.
目前典型的 TBD 算法包括 Hough 变换
[1-2]
、动态
规划
[3-4]
和粒子滤波
[5-7]
等. 其中粒子滤波是基于贝叶
斯理论的算法, 它是贝叶斯滤波的近似实现, 精度可
以逼近最优估计. 而从贝叶斯理论的观点考虑, 解决
TBD 问题就是估计出当前时刻目标状态与目标出现
状态的联合后验概率密度. 与其他 TBD 算法最大的
不同之处在于, 基于粒子滤波的 TBD 算法通过目标
状态模型和量测模型真正引入了跟踪的思想和算法,
状态模型与量测模型均可以是非线性、非高斯的, 并
且不限制目标是否具有机动性.
利用粒子滤波解决机动弱小目标检测已成为当
前的热点问题, 但在已有的研究成果中
[5-9]
, 多为较简
单的单模型匀速运动或转弯, 机动性与实际贴合性不
高, 并且较少研究弱小目标做复杂机动下的粒子滤波
检测与跟踪. 另外, 对于基于多模粒子滤波的 TBD 方
法, 解决粒子多样性与降低计算量之间的平衡始终是
收稿日期: 2012-10-31；修回日期: 2013-01-15.
基金项目: 国家自然科学基金项目(61072132)；中国博士后科学基金项目(2013M542541).
作者简介: 吴瑕(1979−), 男, 讲师, 博士后, 从事智能信息处理、目标检测、目标识别等研究；陈建文(1964−), 男, 教授,
博士生导师, 从事信号处理、目标识别等研究.
资源评论
