![](https://csdnimg.cn/release/download_crawler_static/87192070/bg1.jpg)
雷达系统需要实时准确地跟踪“湮没”于杂波中,往往不能被完美检测到的多
个目标
[1]
。多目标跟踪算法的核心是关联问题
[2,17-20]
,关联解决了目标漏检和虚警
带来的不确定性。早期雷达分辨率低,目标尺寸远小于雷达分辨单元大小,目标
可以被视为不会扩展的点目标,所以传统跟踪方法诸如联合概率数据关联
[3]
和
多假设跟踪
[2]
都假设目标和量测“一一对应”,即一个目标最多产生一个量测,一个
量测最多与一个目标相关联,并从穷举出的量测与目标间所有可能的关联中估
计出最优关联。但由于关联假设间相互依赖,一个量测与目标的关联会影响其
他量测与该目标的关联,穷举联合假设是一个无法在多项式时间内求解的 NP-
hard(Non-deterministic Polynomial hard)问题,爆炸增加的计算量制约了 雷达
跟踪多个目标的能力,如何降低多目标跟踪算法的关联复杂度,是雷达领域关注
的焦点。
在高分辨雷达系统中,目标尺寸往往远大于分辨单元,一个目标可能产生多
个不连通的量测;这些量测点可能无法凝聚成一个量测点
[5]
,坚持“一一对应”的假
设 准 则 反 而 会 造 成 一 定 性 能 损 失
[6]
。 概 率 多 假 设 跟 踪 (Probabilistic Multi-
Hypothesis Tracker,PMHT)
[7,8,9,10]
默认一个目标可以产生多个量测,每个量测点
是对 目标 和杂 波组 成的 混合 过程 的 一次 独立 实现 ,量测 关联 假 设相 互独 立,因
此,PMHT 的关联复杂度仅随目标数目线性增加。传统 PMHT 方法采用伯努利
点过程(Binomial Point Process,BPP)为量测建模,将量测与航迹的关联状况视
为缺失信息,利用 EM 算法(Expectation Maximisation algorithm)迭代估计目标
状态。但由于伯努利点过程的负相关性质导致独立目标的混合概率不独立,每
次迭代中需要更新所有目标状态,已稳定收敛的目标被重复迭代导致大量算力
的浪费,致使实际应用中算法运行时间与传统方法相当
[6]
。文献[8]采用独立的受
伽马分布调制的混合概率减少了目标平均迭代次数,但是复杂的计算过程和严
苛 的 参 数 初 始 化 要 求 限 制 了 该 方 法 的 应 用 。 笔 者 采 用 泊 松 点 过 程 (Poisson
Point Process,PPP)
[10]
为量测模型 ,选择泊松分 布参数作为 目标和杂 波的混合
概率,利用泊松分布的独立性只迭代未收敛的目标,降低了算法运算复杂度。
PMHT 算法默认一个目标可以产生多个量测,大量虚警也被当做目标量测
加入关联滤波
[5]
,仅利用空间位置信息无法区分量测的真实来源,影响了航迹质
量。额外利用目标回波特征信息,如多普勒、目标 RCS 信息,可以在不增加运算
量的同时提升跟踪算法精度
[11,12]
。使用回波多普勒量测作为目标特征辅助跟踪,
利用虚警和目标量测在多普勒域内的区别辨识量测来源,解决了原有方法易受
评论0
最新资源