一种基于自适应转移步长的动态规划检测前跟踪方法

1.本发明属于全自动化产品领域，涉及一种基于自适应转移步长的动态规划检测前跟踪方法。


背景技术：

2.传统目标检测与跟踪技术利用阈值处理对每帧图像提取一组量测点迹，然后将点迹输入跟踪器完成关联处理，且对状态进行估计并输出目标轨迹，即跟踪前检测(detect-before-track，dbt)技术。但在回波信号信噪比较低时，利用单帧图像难以提取目标点迹；若降低阈值，后续将产生众多虚假轨迹。检测前跟踪(track-before-detect，tbd)技术，对目标的轨迹能量进行积累，并对轨迹能量积累值进行门限检测，以提高对弱小目标的检测性能。在所有的检测前跟踪算法中，动态规划检测前跟踪(dp-tbd)算法有着良好的性能，dp-tbd算法的基本思想是把目标检测由一个多阶段决策过程转化为多个单个阶段问题，通过对每一阶段值函数的最优化而得到全局最优解。且算法具有结构简洁，较易实现的特点。
3.现有的常用的dp-tbd方法如，w.yi,z.fang等人针对机动目标运动提出基于dp的tbd中使用顺序统计量来检测弱波动目标，同时提出一种通用的测量导向策略来应对目标机动，通过观测数据对目标动力学进行在线研究，实现低计算复杂度和对不同目标机动的高适应性检测前跟踪算法；buzzi等人提出一种针对机载雷达弱小运动目标检测的dp-tbd算法。该方法在方位-距离-多普勒域上，采用类viterbi算法对雷达回波数据进行多帧积累处理。m.elhoshy,f.gebali使用weibull分布对杂波进行建模，并考虑了swerling类型0、1和3目标。提出一种新的用于多帧处理的扩展窗口检测前跟踪(ew-dp-tbd)技术，此方法考虑了weibull分布杂波的问题，区别于采用高斯噪声干扰的问题，但算法同样存在的计算复杂度高的问题。由于目标的多样化和环境的复杂化，使现代雷达的探测能力面临巨大的挑战，弱目标的检测问题就是其中之一。目标的rcs(雷达反射截面积)缩减一到两个数量级，目标反射回波大幅度减弱，雷达探测能力显著下降。另一方面，目标的运动速度的提高，使雷达预警时间急剧缩减。为此，需要雷达能够探测回波更微弱的远距离目标。但在回波信号信噪比较低时，利用单帧图像难以提取目标点迹；若降低阈值，后续将产生众多虚假轨迹。检测前跟踪(track-before-detect，tbd)方法，对目标的轨迹能量进行积累，并对轨迹能量积累值进行门限检测，以提高对弱小目标的检测性能。tbd方法的实质是利用时间积累来提高雷达目标信号的信噪比。
4.本方法解决的问题：问题一是固定的状态转移范围无法覆盖目标运动范围，即目标机动造成跟踪效果较差的问题；问题二是在多目标观测场景中当目标邻近运动时，观测会产生干扰，造成值函数混叠现象，干扰目标检测的问题。


技术实现要素：

5.为了解决问题一是固定的状态转移范围无法覆盖目标运动范围，即目标机动造成跟踪效果较差的问题；问题二是在多目标观测场景中当目标邻近运动时，观测会产生干扰，
造成值函数混叠现象，干扰目标检测的问题，本发明提供本发明采用的技术方案是：一种基于自适应转移步长的动态规划检测前跟踪方法，包括以下步骤：
6.s1:对用于存储目标的位置信息的数据进行初始化；
7.s2:进行雷达对目标观测帧数积累，在进行观测帧数积累的过程中利用串行目标检测方法处理多目标场景中存在的目标干扰；
8.s3:每经过一个观测帧，运行一次动态规划算法与ekf滤波算法直到达到规定的观测帧数，若未达到则返回s3继续进行运动目标观测帧数的积累，若到达规定的观测帧数则进行s4；
9.s4:设置检测门限，选择大于检测门限值的值函数的积累值作为目标运动轨迹恢复值；
10.s5:利用动态规划算法进行轨迹回溯得到整体的目标运动轨迹。
11.进一步地：所述对用于存储目标的位置信息的数据进行初始化过程如下：
12.第n个目标初始状态有:
[0013][0014][0015]
ik为第k帧的值函数，ψk为状态回溯函数，用于存储目标的位置信息，p1为8阶误差协方差矩阵。
[0016]
进一步地：所述进行目标观测帧数积累的过程如下：
[0017]
对初始目标各帧量测数据进行能量积累，对所有目标在2≤k≤k时，
[0018][0019]
qk(x,y)为转移范围，vk(x,y)表示第k帧估计状态由量测数据计算得到的中间值函数，ik(x,y)表示第k帧的中间值函数；
[0020]
观测开始时先检测目标值函数最大的目标，观测积累的过程如下：
[0021]
(1)目标运动信息从k帧到k+1帧的预测，目标转移状态预测与协方差矩阵：
[0022]
x(k+1|k)＝f(k+1|k)x(k|k)
[0023]
p(k+1|k)＝f(k+1|k)p(k|k)f
t
(k+1|k)+q(k+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0024]
x(k|k)为目标k时刻状态信息，x(k+1|k)为目标k+1时刻状态信息，f(k+1|k)为目标状态转移矩阵，f
t
(k+1|k)为目标状态转移矩阵的转置。p(k|k)，p(k+1|k)分别为k时刻与k+1时刻的误差协方差矩阵，q(k+1)为k+1时刻过程噪声的协方差矩阵；
[0025]
(2)相邻观测帧之间目标运动转移步长的计算，用预测帧的目标位置值减去当前帧目标位置值得到下一帧到当前帧的大致距离,为之后利用动态规划算法进行目标轨迹搜索缩小了范围：
[0026]
[x
k+1-xk，y
k+1-yk]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0027]
(3)值函数与回溯函数递推积累，z
k+1
(i,j)为k+1时刻值函数量测值，ψ
k+1
(x
k+1
)存储k+1时刻目标位置信息；
[0028][0029]
(4)ekf滤波增益；
[0030]
k(k+1)＝p(k+1|k)h
t
(k+1)[h(k+1)p(k+1|k)h
t
(k+1)+r(k+1)]-1
ꢀꢀꢀꢀꢀꢀ
(13)
[0031]
其中，r为观测噪声方差，h为雅克比矩阵，观测的雅可比矩阵如下：
[0032][0033]
k时刻观测矩阵形式为zk＝hk(xk)+uk，uk为观测噪声矩阵，雷达观测站o站的位置o(x0,y0),观测方程可表示为：
[0034][0035]
(5)目标运动状态更新与协方差矩阵的更新：
[0036]
x(k+1|k+1)＝x(k+1|k)+k(k+1)[z(k+1)-h
k+1
(x(k+1|k))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0037]
p(k+1|k+1)＝p(k+1|k)[i-k(k+1)h(k+1)]
[0038]
其中：i为单位矩阵；
[0039]
当达到规定的观测帧数时，结束观测并进行目标检测，d为候选目标集合，表达式如下：
[0040]
d＝{(x,y)|ik(x,y)≥vd}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0041]
并且ik(x,y)在目标存在位置范围n点内最大，n为位置(x,y)周围分辨单元的总个数；
[0042]
更新集合中的观测数据，在观测数据中删除已经检测到的目标数据，并将踢除的目标数据存入提前定义的集合中；为对每一帧在已经检测出的目标所在的位置减去该目标的幅度，从而得到新的观测数据；而后重复(1)步骤，直到集合中无目标数据。
[0043]
进一步地：所述进行目标运动轨迹的回溯的过程通过回溯函数记录了目标位置信息，ψ为回溯函数，记录了每一观测帧所选出的位置信息：
[0044]
xk＝ψ
k+1
(x
k+1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0045]
可得，{x
1:k
＝xk,x
k-1
,...,x1}，根据目标数目进行回溯，检测到几个目标则回溯几次。
[0046]
本发明提供的一种基于自适应转移步长的动态规划检测前跟踪方法，在本次实验中选择使用动态规划检测前跟踪(dp-tbd)方法，采用自适应转移步长(as-dp-tbd)的方法，利用ekf滤波的方法进行目标运动状态更新，实现目标转移步长的动态变化，从而实现较好的跟踪性能；在所有的检测前跟踪算法中，动态规划检测前跟踪(dp-tbd)算法有着良好的
性能，算法流程简洁，较易实现；利用目标的速度变化与加速度的变化以及利用多帧观测之间的运动关系结合自适应滤波方法，以实现目标转移步长的动态改变来适配目标运动轨迹。以使的运动目标积累值函数按照目标的运动趋势进行能量积累。最大程度的减少观测目标的能量扩散，利用动态规划方法流程简洁的优点选择动态规划方法进行目标运动轨迹回溯。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1是该方法的流程图；
[0049]
图2是目标运动效果图；
[0050]
图3是值函数累积效果图；
[0051]
图4是位置均方根误差图(snr＝6)；
[0052]
图5是目标检测概率图。
具体实施方式
[0053]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明本发明。
[0054]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0056]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0057]
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、
垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0058]
为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
[0059]
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
[0060]
图1是该方法的流程图，一种基于自适应转移步长的动态规划检测前跟踪方法，包括以下步骤：
[0061]
s1:对用于存储目标的位置信息的数据进行初始化；
[0062]
s2:进行雷达对目标观测帧数积累，在进行观测帧数积累的过程中利用串行目标检测方法处理多目标场景中存在的目标干扰；
[0063]
s3:每经过一个观测帧，运行一次动态规划算法与ekf滤波算法直到达到规定的观测帧数，若未达到则返回s3继续进行运动目标观测帧数的积累，若到达规定的观测帧数则进行s4；
[0064]
s4:设置检测门限，选择大于检测门限值的值函数的积累值作为目标运动轨迹恢复值；
[0065]
s5:利用动态规划算法进行轨迹回溯得到整体的目标运动轨迹。
[0066]
步骤s1/s2/s3/s4/s5顺序执行；
[0067]
本方法中采用仿真实验数据。
[0068]
首先是目标运动模型。考虑到目标有机动性的特点，采用变加速运动模型，含有目标的位置、速度、加速度、加速的变化率。x方向和y方向共八维。其次，在进行运动目标建模时要叠加高斯噪声。
[0069]
模型主要参数信息如下：考虑到在二维平面(x-y)内k时刻的目标信息。xk,yk为目标在x方向和y方向上的位置信息。x
′k,y
′k为目标在x方向和y方向的速度信息，xk″
,yk″
为目标在x方向y方向的加速度信息，xk″′
,yk″′
为目标在x方向和y方向的加速度变化率信息。由于本次实验为多目标场景，目标状态可以表示：
[0070][0071]
其中：n为目标数，上式中依次为目标在x方向上的位置、速度、加速度、加速度的变化率，y方向的位置，速度，加速度，加速度的变化率。
[0072]
在1≤k≤k-1时，目标的状态转移方程：
[0073]
x
k+1
＝fjxk+q
jvk
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0074]
为过程噪声协方差矩阵，vk为过程随机噪声，σ2为加速度变化率的方差，矩阵中q的具体值如下：
[0075][0076]
目标运动的状态转移矩阵：
[0077][0078]
其中：a为机动频率，设置为1；t为雷达扫描的时间间隔，t设置为1s；
[0079]
雷达观测模型：假设量测平面有n
x
×
ny分辨单元，第k时刻的量测数据zk为n
x
×
ny矩阵，且有：
[0080][0081]
其中zk为量测值，ak表示点目标在分辨单元的信号幅度，即表示有目标存在。其中1≤i,j≤n。wk(i,j)是分辨单元的观测噪声。w～n(μ,δ2)，满足均值μ＝0，方差δ2＝1的高斯分布。高斯分布的一维概率密度如下：
[0082]
[0083]
进一步地：所述对用于存储目标的位置信息的数据进行初始化过程如下：
[0084]
第n个目标初始状态x1指的是初始目标信息，共4个；有
[0085][0086][0087]
ik为第k帧的值函数，ψk为状态回溯函数，用于存储目标的位置信息，p1为8阶误差协方差矩阵。
[0088]
接收雷达回波帧数，由于检测跟踪为弱目标，单帧回波数据中目标信号往往湮没在噪声中。在获得单帧回波数据后，执行一次动态规划算法，并结合ekf滤波算法，在滤波算法中观测值为目标与雷达的距离值与目标运动的角度值并且叠加观测随机噪声。二者均为非线性观测。其次利用预测帧位置值与当前帧位置值之差作为目标运动转移步长。并利用ekf滤波算法进行目标运动位置信息的预测与更新。实现目标转移步长的动态改变。
[0089]
进一步地，所述进行观测帧数积累的过程如下：
[0090]
对初始目标各帧量测数据进行能量积累，对所有目标在2≤k≤k时：
[0091][0092]
qk(x,y)为转移范围，vk(x,y)表示第k帧估计状态由量测数据计算得到的中间值函数，ik(x,y)表示第k帧的中间值函数；观测开始时先检测目标值函数最大的目标，观测积累的过程如下：
[0093]
(1)目标运动信息从k帧到k+1帧的预测，目标转移状态预测与协方差矩阵，此过程要解决目标机动造成的方法跟踪效果较差的问题：
[0094]
x(k+1|k)＝f(k+1|k)x(k|k)
[0095]
p(k+1|k)＝f(k+1|k)p(k|k)f
t
(k+1|k)+q(k+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0096]
x(k|k)为目标k时刻状态信息，x(k+1|k)为目标k+1时刻状态信息，f(k+1|k)为目标状态转移矩阵，f
t
(k+1|k)为目标状态转移矩阵的转置。p(k|k)，p(k+1|k)分别为k时刻与k+1时刻的误差协方差矩阵。q(k+1)为k+1时刻过程噪声的协方差矩阵。
[0097]
(2)相邻观测帧之间目标运动转移步长的计算，用预测帧的目标位置值减去当前帧目标位置值得到下一帧到当前帧的大致距离。为之后利用动态规划算法进行目标轨迹搜索缩小了范围：
[0098]
[x
k+1-xk，y
k+1-yk]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0099]
(3)值函数与回溯函数递归，每帧积累观测幅度值，z
k+1
(i,j)为k+1时刻值函数量测值，ψ
k+1
(x
k+1
)存储k+1时刻目标位置信息；
[0100][0101]
(4)ekf滤波增益；
[0102]
k(k+1)＝p(k+1|k)h
t
(k+1)[h(k+1)p(k+1|k)h
t
(k+1)+r(k+1)]-1
ꢀꢀꢀꢀꢀꢀꢀ
(13)
[0103]
其中，r为观测噪声方差，h为雅克比矩阵，观测的雅可比矩阵如下：
[0104][0105]
k时刻观测矩阵形式为zk＝hk(xk)+uk，uk为观测噪声矩阵，雷达观测站o站的位置o(x0,y0),观测方程可表示为：
[0106][0107]
(5)目标运动状态更新与协方差矩阵的更新：
[0108]
x(k+1|k+1)＝x(k+1|k)+k(k+1)[z(k+1)-h
k+1
(x(k+1|k))]
[0109]
p(k+1|k+1)＝p(k+1|k)[i-k(k+1)h(k+1)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0110]
其中：i为单位矩阵；本实验设计目标运动6帧，每帧的时间间隔t为1秒。判断目标运动的帧数是否达到规定帧数，若未达到则返回继续进行运动目标观测帧数的积累。若到达规定的观测帧数则进行下一步门限检测。
[0111]
当达到规定的观测帧数时，结束观测并进行目标检测，d为候选目标集合，表达式如下：
[0112]
d＝{(x,y)|ik(x,y)≥vd}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0113]
并且ik(x,y)在目标存在位置范围n点内最大，n为位置(x,y)周围分辨单元的总个数；n可以选择为8,25,48等，也可以根据实际情况选择；
[0114]
更新集合中的观测数据，在观测数据中删除已经检测到的目标数据，并将踢除的目标数据存入提前定义的集合中；为对每一帧在已经检测出的目标所在的位置减去该目标的幅度，从而得到新的观测数据(不包含已经检测出的目标的信息)；而后重复(1)步骤，直到集合中无目标数据。
[0115]
设置检测门限。门限设置采用恒虚警检测方式。实验中虚警率设为10-3
。虚警率的定义为在只有噪声时，检测到至少一条运动轨迹的概率。也为噪声状态的最大值函数大于检测门限的概率。而后采用400次蒙特卡洛实验进行计算。将400次蒙特卡洛实验无目标时的噪声最大值作为检测门限的计算方式。选择大于检测门限值的值函数的积累值作为目标运动轨迹恢复值。
[0116]
在最后一帧数据累积后，设置检测门限，选取大于检测门限的累积值函数的数据为目标真实目标运动轨迹值。并利用动态规划算法回溯得到整体的目标运动轨迹。
[0117]
进一步地，所述进行目标运动轨迹的回溯(k＝k-1,k-2,...,1)的过程通过回溯函数记录了目标位置信息，ψ为回溯函数，记录了每一观测帧所选出的位置信息：
[0118]
xk＝ψ
k+1
(x
k+1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0119]
可得，{x
1:k
＝xk,x
k-1
,...,x1}，根据目标数目进行回溯，检测到几个目标则回溯几次。
[0120]
本方法主要的性能指标是目标的检测概率和位置均方根误差。目标的检测概率是随着信噪比的提高而提高，位置均方根误差随着信噪比的提高而降低是符合实验预期的。而在固定信噪比下位置均方根误差则随着检测帧数的增加而总体有所提高但相邻帧间有波动性。
[0121]
其次，目标运动轨迹恢复效果与目标值函数累积效果也可作为性能指标，主要看目标恢复效果偏移真实运动轨迹量，在实验中仿真效果图中在信噪比snr大于8db时，实验的仿真效果达到要求，运动目标轨迹恢复偏差降到很低。同理在信噪比为8db时，目标运动累积值函数远高于噪声积累值。且目标运动值函数累积效果图目标范围小，突起很尖锐。这是由于目标运动时对相邻帧预测，判断了目标运动的位置，同时根据目标的运动速度选择合适的转移范围。极大程度上减少了目标检测范围内的强噪声点的干扰。
[0122]
图2是目标运动效果图；目标运动效果图：x轴与y轴的单位为m。运动效果图中共有4个目标，均为变加速度运动模型。初始目标状态分别为：x1＝[20 3 0.5 0 10 4
ꢀ‑
0.5 0]
t
，x2＝[50
ꢀ‑
3 0.3 0 60
ꢀ‑
2 0.25 0]
t
，x3＝[50 2 0.3 0 50 3
ꢀ‑
0.3 0]
t
，x4＝[25 2
ꢀ‑
0.3 0 30
ꢀ‑3ꢀ‑
0.25 0]
t
。目标幅度值分别为：2.5,3,4.5,5。观测帧数为6帧。设置的检测门限分别为:20.82,32.13,36.24,50.15目标的状态转移范围用转移状态数q表示,通常可以取9,16,25,36等,本方法中q＝36。雷达扫描时间间隔t＝1s。
[0123]
图3是值函数累积效果图；
[0124]
值函数累积效果图：目标经过6帧的观测信息积累在(30,20)与(50,50)处形成尖锐突起。是由于信号幅度叠加累积形成的。且只有两个突起。可知邻近目标值函数混叠造成了目标丢失的情况。
[0125]
图4是均方根误差效果图(snr＝6)；
[0126]
均方根误差效果图：实验中目标运动恢复轨迹与真实轨迹的误差的大小,在实验过程中，信号幅度值保持不变，在经过6帧的雷达回波数据的积累，在信噪比snr＝6时目标的位置误差效果图。最大的误差目标1在3左右，最小的目标4误差在1.5左右。由图可知在信噪比snr＝6时目标仍有较大误差。
[0127]
图5是目标检测概率图；
[0128]
目标检测概率效果图：目标检测概率定义为目标在最后一帧中的检测位置与相应的目标真实位置的差距在两个距离单元内的概率。实验图中x轴为信噪比的变化，y轴为检测概率。在邻近目标造成的值函数混叠效应引起的目标丢失问题。采用串行目标检测方法能够很好地检测出目标数目。其次，在目标经过检测门限恢复出目标运动轨迹，随着信噪比的增加，检测概率随着信噪比的增加而增加。在信噪比snr大于8时，检测概率逐渐达到1。
[0129]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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各实施例技术方案的范围。

技术特征：
1.一种基于自适应转移步长的动态规划检测前跟踪方法，其特征在于：包括以下步骤：s1:对用于存储目标的位置信息的数据进行初始化；s2:进行雷达对目标观测帧数积累，在进行观测帧数积累的过程中利用串行目标检测方法处理多目标场景中存在的目标干扰；s3:每经过一个观测帧，运行一次动态规划算法与ekf滤波算法直到达到规定的观测帧数，若未达到则返回s3继续进行运动目标观测帧数的积累，若到达规定的观测帧数则进行s4；s4:设置检测门限，选择大于检测门限值的值函数的积累值作为目标运动轨迹恢复值；s5:利用动态规划算法进行轨迹回溯得到整体的目标运动轨迹。2.根据权利要求1所述的一种基于自适应转移步长的动态规划检测前跟踪方法，其特征在于：所述对用于存储目标的位置信息的数据进行初始化过程如下：第n个目标初始状态有:有:i
k
为第k帧的值函数，ψ
k
为状态回溯函数，用于存储目标的位置信息，p1为8阶误差协方差矩阵。3.根据权利要求1所述的一种基于自适应转移步长的动态规划检测前跟踪方法，其特征在于：所述进行目标观测帧数积累的过程如下：对初始目标各帧量测数据进行能量积累，对所有目标在2≤k≤k时，q
k
(x,y)为转移范围，v
k
(x,y)表示第k帧估计状态由量测数据计算得到的中间值函数，i
k
(x,y)表示第k帧的中间值函数；观测开始时先检测目标值函数最大的目标，观测积累的过程如下：(1)目标运动信息从k帧到k+1帧的预测，目标转移状态预测与协方差矩阵：x(k+1|k)＝f(k+1|k)x(k|k)p(k+1|k)＝f(k+1|k)p(k|k)f
t
(k+1|k)+q(k+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)x(k|k)为目标k时刻状态信息，x(k+1|k)为目标k+1时刻状态信息，f(k+1|k)为目标状态转移矩阵，f
t
(k+1|k)为目标状态转移矩阵的转置。p(k|k)，p(k+1|k)分别为k时刻与k+1时刻的误差协方差矩阵，q(k+1)为k+1时刻过程噪声的协方差矩阵；(2)相邻观测帧之间目标运动转移步长的计算，用预测帧的目标位置值减去当前帧目标位置值得到下一帧到当前帧的大致距离,为之后利用动态规划算法进行目标轨迹搜索缩小了范围：
[x
k+1-x
k
，y
k+1-y
k
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)(3)值函数与回溯函数递推积累，z
k+1
(i,j)为k+1时刻值函数量测值，ψ
k+1
(x
k+1
)存储k+1时刻目标位置信息；(4)ekf滤波增益；k(k+1)＝p(k+1|k)h
t
(k+1)[h(k+1)p(k+1|k)h
t
(k+1)+r(k+1)]-1
ꢀꢀꢀꢀꢀꢀ
(13)其中，r为观测噪声方差，h为雅克比矩阵，观测的雅可比矩阵如下：k时刻观测矩阵形式为z
k
＝h
k
(x
k
)+u
k
，u
k
为观测噪声矩阵，雷达观测站o站的位置o(x0,y0),观测方程可表示为：(5)目标运动状态更新与协方差矩阵的更新：x(k+1|k+1)＝x(k+1|k)+k(k+1)[z(k+1)-h
k+1
(x(k+1|k))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)p(k+1|k+1)＝p(k+1|k)[i-k(k+1)h(k+1)]其中：i为单位矩阵；当达到规定的观测帧数时，结束观测并进行目标检测，d为候选目标集合，表达式如下：d＝{(x,y)|i
k
(x,y)≥v
d
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)并且i
k
(x,y)在目标存在位置范围n点内最大，n为位置(x,y)周围分辨单元的总个数；更新集合中的观测数据，在观测数据中删除已经检测到的目标数据，并将踢除的目标数据存入提前定义的集合中；为对每一帧在已经检测出的目标所在的位置减去该目标的幅度，从而得到新的观测数据；而后重复(1)步骤，直到集合中无目标数据。4.根据权利要求1所述的一种基于自适应转移步长的动态规划检测前跟踪方法，其特征在于：所述进行目标运动轨迹的回溯的过程通过回溯函数记录了目标位置信息，ψ为回溯函数，记录了每一观测帧所选出的位置信息：x
k
＝ψ
k+1
(x
k+1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)可得，{x
1:k
＝x
k
,x
k-1
,...,x1}，根据目标数目进行回溯，检测到几个目标则回溯几次。

技术总结
本发明一种基于自适应转移步长的动态规划检测前跟踪方法，包括以下步骤：S1:对用于存储目标的位置信息的数据进行初始化；S2:进行雷达对目标观测帧数积累，在进行观测帧数积累的过程中利用串行目标检测方法处理多目标场景中存在的目标干扰；S3:每经过一个观测帧，运行一次动态规划算法与EKF滤波算法直到达到规定的观测帧数，若未达到则返回S3继续进行运动目标观测帧数的积累，若到达规定的观测帧数则进行S4；S4:设置检测门限，选择大于检测门限值的值函数的积累值作为目标运动轨迹恢复值；S5:利用动态规划算法进行轨迹回溯得到整体的目标运动轨迹，本方法利用动态规划方法流程简洁的优点选择动态规划方法进行目标运动轨迹回溯。回溯。回溯。


技术研发人员：索继东 张金聪 沈鹏
受保护的技术使用者：大连海事大学
技术研发日：2023.03.28
技术公布日：2023/7/12