一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法技术

本发明专利技术公开了一种强杂波环境下对弱小目标和高机动目标探测跟踪的方法，将雷达全域探测范围内的目标和量测进行数据聚簇，基于K‑Best最优假设对每个聚簇做最优假设生成及假设概率计算，构建连续扫描周期下每个数据聚簇的轨迹树结构并基于N‑Scan假设剪枝，将保留的分枝k‑N时刻的航迹值送至用户航迹显示界面进行航迹更新。本发明专利技术将交互多模型算法与多假设跟踪算法相融合的方式，利用交互多模型算法对航迹进行滤波外推，减小目标机动所引起的跟踪误差，再使用多假设跟踪算法进行数据聚簇、基于K‑Best最优假设生成及假设概率计算、基于N‑Scan假设剪枝，减小由外推点迹较大的误差而导致数据关联错误的几率。

【技术实现步骤摘要】
一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法
本专利技术涉及一种雷达数据处理方法。
技术介绍
雷达要探测的目标,通常是运动着的物体,如飞机,船舶等,但在目标的周围经常存在着各种杂波干扰,如地杂波,云雨杂波,海浪杂波,敌方施放的箔条杂波等，目前的技术是单独使用多假设跟踪算法或交互多模型算法对目标进行滤波外推和跟踪控制。单独使用多假设跟踪算法对目标进行滤波外推和跟踪控制，选用的运动模型与目标实际运动状态不能完全拟合，尤其是机动目标，运动状态多种多样，在目标运动状态拟合度不高的阶段，跟踪误差急剧增大。单独使用交互多模型算法对目标进行滤波外推和跟踪控制，虽然运动模型与目标实际运动状态能很好拟合，但目标虚警抑制能力差，对于弱小目标以及多目标跟踪时，关联错误率高，目标容易丢失。
技术实现思路
本专利技术要解决的技术问题是：针对采用单独算法对目标进行滤波外推和跟踪控制所存在的上述问题，将交互多模型算法和多假设跟踪算法的优化和融合，减小目标机动所引起的跟踪误差，降低数据关联错误的几率，实现雷达在强杂波环境下对弱小目标和高机动目标的稳定跟踪。。本专利技术的技术方案为：一种强杂波环境下对弱小目标和高机动目标探测跟踪的方法，将雷达全域探测范围内的目标和量测进行数据聚簇，基于K-Best最优假设对每个聚簇做最优假设生成及假设概率计算，构建连续扫描周期下每个数据聚簇的轨迹树结构并基于N-Scan假设剪枝，将保留的分枝k-N时刻的航迹值送至用户航迹显示界面进行航迹更新。将保留的所有分枝k时刻的轨迹输出值利用交互多模型算法对航迹进行滤波外推，将目标估计值反馈到数据聚簇中。雷达全域探测范围内的目标和量测可以分割成若干独立的簇，为每个确认航迹创建一个簇，落入目标航迹跟踪门的量测都可以相关到簇内。在新扫描周期内分别将新收到的量测与以前的簇（假设）进行互联，形成更新簇；若上一周期处理中2个独立的簇与同一个量测相关，则这2个簇形成1个新的超簇；不与任何旧簇相关的量测形成新簇。K-best最优假设产生方法是不列举所有假设的情况下,把K个置信度最高的假设列举出来的方法；构造一个基于簇的分配矩阵,量测表示为行,航迹、新航迹和虚警表示为列,分配矩阵中元素即为量测与航迹之间似然概率负对数值,或是量测来自新航迹或虚警的概率的负对数值，基于分配矩阵,构造一个包含所有可能分配的队列,每次找到一个最优线性分配,然后在分配队列中删除这个最优分配,再从剩下的分配队列中寻找一个最优分配,如此循环K次即找到K个置信度最大、概率最高的关联假设。根据K个最优的关联假设，对轨迹树进行更新、新建处理；然后判断轨迹树的深度，若深度大于N，则采用N-Scan剪枝法搜索轨迹树中当前置信度最高的叶子节点，然后将置信度最高的叶子节点所在的根节点分枝保留，删除其余分枝。N取3。本专利技术的有益效果是：将交互多模型算法应用于多假设跟踪算法中，主要利用交互多模型算法对航迹进行滤波外推，减小目标机动所引起的跟踪误差，得到更加贴合目标实际运动的外推点迹，有利于多假设跟踪算法中数据聚簇和假设生成，减小由外推点迹较大的误差而导致数据关联错误的几率。将交互多模型算法与多假设跟踪算法相融合，主要使用多假设跟踪算法进行数据聚簇、基于K-Best最优假设生成及假设概率计算、基于N-Scan假设剪枝，然后利用交互多模型算法对航迹进行滤波外推，减小目标机动所引起的跟踪误差，再将目标估计值反馈到数据聚簇中，降低数据关联错误几率。附图说明图1为本专利技术的数据处理流程框图。图2是数据聚簇示意图。图3是第1拍事件关联图。图4是第1拍假设树图。图5是第2拍事件关联图。图6是第2拍假设树图。图7是第3拍事件关联图。图8是第3拍假设树图（N达到3进行剪枝）。图9为IMM算法流程图。具体实施方式本交互多模型算法与多假设跟踪算法融合后处理流程如图1所示，包括：1）数据聚簇在雷达全域探测范围内的目标和量测可以分割成若干独立的“簇”，这样就把大规模跟踪问题化解为若干小规模跟踪问题来处理，减低了算法复杂度和计算量。程序初始化阶段为每个确认航迹创建一个簇，落入目标航迹跟踪门的量测都可以相关到簇内。在新扫描周期内分别将新收到的量测与以前的簇（假设）进行互联，形成更新簇。若上一周期处理中2个独立的簇与同一个量测相关，则这2个簇形成1个新的超簇；不与任何旧簇相关的量测形成新簇。雷达全域探测范围内，分布着各个量测和目标航迹，数据聚簇示例如图2。如图所示，目标航迹为T1、…、Ti，目标量测为Z1、Z2、…、Zj-1、Zj，根据分布情况，将目标航迹和目标量测聚簇，T1、Z1、Z2聚簇，记为第1簇，…,Ti、Zj-1聚簇，记为第n-1簇，Zj单独一簇，记为第n簇。通过聚簇，可以将复杂的目标航迹集和量测集分解为若干个小簇，单独按数据处理的流程处理，把复杂问题简单化。2）基于K-best最优假设生成及假设概率计算K-best最优假设产生方法是不列举所有假设的情况下,把K个置信度最高的假设列举出来的方法。构造一个基于簇的分配矩阵,量测表示为行,航迹、新航迹和虚警表示为列,分配矩阵中元素即为量测与航迹之间似然概率负对数值,或是量测来自新航迹或虚警的概率的负对数值。基于这个分配矩阵,构造一个包含所有可能分配的队列,每次找到一个最优线性分配,然后在分配队列中删除这个最优分配,再从剩下的分配队列中寻找一个最优分配,如此循环K次即找到K个置信度最大、概率最高的关联假设。3）N-Scan假设剪枝N-Scan假设剪枝法是强制在k时刻产生的不确定性在k+N时刻延迟解决的一种方式，其主要采用轨迹树结构。一株轨迹树对应一个目标，树上每一条从根到叶的路径构成该目标的一组量测历史记录，而且一株轨迹树内的所有航迹是互不相容的，因此至多只有一条路径反映了真实目标的航迹。首先，根据K个最优的关联假设，对轨迹树进行更新（旧航迹）、新建（新航迹、虚警）处理；然后，判断轨迹树的深度，若深度大于N，则采用N-Scan剪枝法搜索轨迹树中当前置信度最高的叶子节点，然后将置信度最高的叶子节点所在的根节点分枝保留，删除其余分枝。最后，将保留的分枝k-N时刻的航迹值送至用户航迹显示界面进行航迹更新，并将保留的所有分枝k时刻的轨迹输出值进行跟踪滤波处理，形成新的航迹预测值。经过K-best最优假设，第1簇得到T11(T1,Z1)，T12(T1,Z2)2种最大概率的关联假设，分别对应两种可能：①量测Z1为航迹T1的实际位置，Z2为虚警；②量测Z2为航迹T1的实际位置，Z1为虚警。…第n-1簇得到Tij-1(Ti,Zj-1)，Faj-1(Zj-1)2种最大概率的关联假设，分别对应两种可能：①量测Z4为航迹T2的实际位置；②量测Z4为虚警。第n簇得到NTj(Zj)，FAj(Zj)2种最大概率的关联假设，分别对应两种可能：①量测Zj为新航迹；②量测Zj为虚警本文档来自技高网...

【技术保护点】
1.一种强杂波环境下对弱小目标和高机动目标探测跟踪的方法，其特征在于包括：将雷达全域探测范围内的目标和量测进行数据聚簇，基于K-Best最优假设对每个聚簇做最优假设生成及假设概率计算，构建连续扫描周期下每个数据聚簇的轨迹树结构并基于N-Scan假设剪枝，将保留的分枝k-N时刻的航迹值送至用户航迹显示界面进行航迹更新。/n

【技术特征摘要】
1.一种强杂波环境下对弱小目标和高机动目标探测跟踪的方法，其特征在于包括：将雷达全域探测范围内的目标和量测进行数据聚簇，基于K-Best最优假设对每个聚簇做最优假设生成及假设概率计算，构建连续扫描周期下每个数据聚簇的轨迹树结构并基于N-Scan假设剪枝，将保留的分枝k-N时刻的航迹值送至用户航迹显示界面进行航迹更新。


2.根据权利要求1所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法，其特征在于：将保留的所有分枝k时刻的轨迹输出值利用交互多模型算法对航迹进行滤波外推，将目标估计值反馈到数据聚簇中。


3.根据权利要求1或2所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法，其特征在于：雷达全域探测范围内的目标和量测可以分割成若干独立的簇，为每个确认航迹创建一个簇，落入目标航迹跟踪门的量测都可以相关到簇内。


4.根据权利要求3所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法，其特征在于：在新扫描周期内分别将新收到的量测与以前的簇（假设）进行互联，形成更新簇；若上一周期处理中2个独立的簇与同一个量测相关，则这2个簇形成1个新的超簇；不与任何旧簇相关的量测形成新簇。


5...

【专利技术属性】
技术研发人员：宋军，易显刚，吴永刚，
申请(专利权)人：贵州航天南海科技有限责任公司，
类型：发明
国别省市：贵州;52