一种基于改进TBD算法的无人机弱目标检测跟踪方法技术

一种基于改进TBD算法的无人机弱目标检测跟踪方法，它涉及一种无人机弱目标检测跟踪方法。本发明专利技术为了解决传统检测跟踪算法与传统TBD算法在面向检测无人机目标时出现的目标检测效果不理想且无人机运动航迹与真实航迹偏差较大的问题。本发明专利技术采用DP

【技术实现步骤摘要】
一种基于改进TBD算法的无人机弱目标检测跟踪方法


[0001]本专利技术涉及一种无人机弱目标检测跟踪方法，属于雷达检测跟踪


技术介绍

[0002]随着科技的进步，国内外无人机相关技术飞速发展。然而,由于无人机生产、飞行和运用等仍未有统一的国家标准,无人机“闯祸”事件时有发生。而无人机目标小，速度快，隐蔽性强，探测较为困难。因此除了设定相关法律法规外，只有成功快速探测到无人机的踪迹，才能避免事故发生和秘密泄露。
[0003]摄像头和雷达是现代两种主要的探测设备，摄像头受到天气影响较大，无法实现全天时全天候探测，因此雷达在现代战争和民用高新技术中发挥着重要作用。微弱目标检测是雷达探测中永恒不变的难题之一，无人机目标便是其中的一种微弱目标。无人机目标RCS小，回波弱，信噪比低，因此一直是检测跟踪中的难题。当雷达回波量测误差较大时，现有的传统检测、跟踪方法基本失效，因此如何成功检测到无人机并得到其运动轨迹成为本领域的研究重点。
[0004]现有技术中通常采用传统CFAR检测与跟踪技术、检测前跟踪(Track Before Detection，TBD)技术等来对目标进行检测与跟踪。传统CFAR检测要先对单帧的回波信号进行分析与处理，得到距离——多普勒谱，然后选定一个虚警概率对信号进行检测，目标检测概率与信噪比成正比。传统跟踪技术通过采用起始、关联、滤波等算法对检测结果进行处理，最终获得目标运动航迹。然而传统目标检测和跟踪过程将目标检测与目标跟踪分成了两个独立的环节，并分别运用各自的处理算法先后进行独立的信号与数据处理，由于检测门限的存在会使得一部分有用信息被舍弃，无法有效利用全部的目标信息，做到处理过程的全局最优，因此当信噪比时强时弱时，检测跟踪结果较差。TBD技术打破了传统信号与数据处理流程中检测与跟踪的界限，抛开每一帧回波数据的检测门限，在多帧回波数据中利用跟踪的思想来挖掘目标的运动信息，实现了检测与跟踪的一体化处理。TBD方法主要有动态规划(Dynamic Programming,DP)、霍夫变换(Hough Transform，HT)等。TBD技术是一种非相参积累方法，它对多帧回波数据以一定的批次来处理，如果某一组回波能量有可能来自同一目标，则进行积累，如果一组数据中出现了同一目标运动轨迹，则对其进行跟踪，这样便能够增强弱目标的信噪比，并得到目标航迹。该方法解决了目标信噪比变弱导致的检测与跟踪结果不理想的问题，但TBD算法现多用于高频地波超视距雷达，并未用于无人机检测跟踪，且当雷达接收无人机回波量测误差较大时，该方法得到的无人机航迹与实际无人机飞行航迹偏差较大，效果不理想。

技术实现思路

[0005]本专利技术为解决传统检测跟踪算法与传统TBD算法在面向检测无人机目标时出现的目标检测效果不理想且无人机运动航迹与真实航迹偏差较大的问题，进而提出一种基于改进TBD算法的无人机弱目标检测跟踪方法。
[0006]本专利技术为解决上述问题采取的技术方案是：本专利技术的具体步骤为：
[0007]步骤一、初始化，对第一帧数据的目标状态进行值函数初始化，同时构造改进的递归函数；
[0008]步骤二、递归积累，在第k帧数据中，对数据点进行值函数的累加；
[0009]步骤三、目标判决，对值函数以V
T
门限处理，进而就可以依据这个门限，获得有可能的目标航迹点；
[0010]步骤四、回溯航迹，对步骤三中检测到的目标航迹点回溯航迹。
[0011]进一步的，步骤一中初始化，并构造递推关系式，包括以下步骤：
[0012]步骤一(一)、建立目标运动模型；
[0013]考虑一个在二维x
‑
y平面内运动的目标，假设在第k帧，目标在x方向的位置和速度分别为ρ
xk
和v
xk
，y方向的位置和速度分别为ρ
yk
和v
yk
，将该目标在第k帧的状态记为：
[0014][0015]公式(1)中[]T
表示矩阵转置，表示目标的状态空间，目标运动模型可以建模为：
[0016]x
k+1
＝f
k
(x
k
,n
k
)
ꢀꢀ
(2)，
[0017]公式(2)中n
k
表示过程噪声，x
k+1
表示目标在第k+1帧的状态，f
k
目标第k+1帧状态与第k帧状态之间的最优值函数，目标运动模型表示为：
[0018]x
k+1
＝Fx
k
+n
k
ꢀꢀ
(3)，
[0019]目标状态转移矩阵F为：
[0020][0021]协方差Q为：
[0022][0023]公式(4)和公式(5)中T
i
表示相邻两帧的时间间隔，I2表示2阶的单位矩阵，表示笛卡尔乘积，q
s
表示过程噪声强度；将目标在TBD联合处理的N帧数据的航迹记为：
[0024]X
1：N
＝[x1,...,x
N
]ꢀꢀ
(6)；
[0025]步骤一(二)、建立目标测量模型：
[0026]对于一个雷达系统，假设x方向的分辨率为Δ
x
，y方向的分辨率为Δ
y
，将整个测量平面分割成N
x
×
N
y
个分辨单元，其中N
x
表示x方向的分辨单元数，N
y
表示y方向的分辨单元个数，在时刻k时，被记录的所有测量值构成了N
x
×
N
y
的矩阵，
[0027]Z(k)＝{z
ij
(k)}
ꢀꢀ
(7)，
[0028]公式(7)中1≤i≤N
x
,1≤j≤N
y
，且z
ij
(k)是时刻k分辨单元(i,j)的测量值，由下式给出：
[0029][0030]公式(8)中A(k)代表目标的幅度，并且A(k)为常数，即A(k)＝A，对于不同的k值，假
设背景噪声独立同分布，可以将信噪比定义为如下形式：
[0031][0032]步骤一(三)、构造递推函数与航迹回溯函数：
[0033]将动态规划方法应用到TBD技术中，构造递推函数，递推函数表达式为：
[0034][0035]公式(10)中u
i
表示第i帧时的决策函数，U＝[u1,...,u
K
]表示每帧的决策函数组成的集合，K表示积累总帧数；w
k
表示第k帧的阶段指标函数，f
k
‑1表示目标第k帧状态与第k
‑
1帧状态之间的最优值函数，x
k
‑1表示目标在第k帧的状态，k表示当前帧数，h
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进TBD算法的无人机弱目标检测跟踪方法，其特征在于：所述一种基于改进TBD算法的无人机弱目标检测跟踪方法是通过如下步骤实现的：步骤一、初始化，对第一帧数据的目标状态进行值函数初始化，同时构造改进的递归函数；步骤二、递归积累，在第k帧数据中，对数据点进行值函数的累加；步骤三、目标判决，对值函数以V
T
门限处理，进而就可以依据这个门限，获得有可能的目标航迹点；步骤四、回溯航迹，对步骤三中检测到的目标航迹点回溯航迹。2.根据权利要求1所述的一种基于改进TBD算法的无人机弱目标检测跟踪方法，其特征在于：步骤一中初始化，并构造递推关系式，包括以下步骤：步骤一(一)、建立目标运动模型；考虑一个在二维x
‑
y平面内运动的目标，假设在第k帧，目标在x方向的位置和速度分别为ρ
xk
和v
xk
，y方向的位置和速度分别为ρ
yk
和v
yk
，将该目标在第k帧的状态记为：公式(1)中[]
T
表示矩阵转置，表示目标的状态空间，目标运动模型可以建模为：x
k+1
＝f
k
(x
k
,n
k
)
ꢀꢀꢀꢀ
(2)，公式(2)中n
k
表示过程噪声，x
k+1
表示目标在第k+1帧的状态，f
k
表示目标第k+1帧状态与第k帧状态之间的最优值函数，目标运动模型表示为：x
k+1
＝Fx
k
+n
k
ꢀꢀꢀ
(3)，目标状态转移矩阵F为：协方差Q为：公式(4)和公式(5)中T
i
表示相邻两帧的时间间隔，I2表示2阶的单位矩阵，表示笛卡尔乘积，q
s
表示过程噪声强度；将目标在TBD联合处理的N帧数据的航迹记为：X
1：N
＝[x1,...,x
N
]
ꢀꢀꢀꢀꢀ
(6)；步骤一(二)、建立目标测量模型：对于一个雷达系统，假设x方向的分辨率为Δ
x
，y方向的分辨率为Δ
y
，将整个测量平面分割成N
x
×
N
y
个分辨单元，其中N
x
表示x方向的分辨单元数，N
y
表示y方向的分辨单元个数，在时刻k时，被记录的所有测量值构成了N
x
×
N
y
的矩阵，Z(k)＝{z
ij
(k)}
ꢀꢀꢀ
(7)，公式(7)中1≤i≤N
x
,1≤j≤N
y
，且z
ij
(k)是时刻k分辨单元(i,j)的测量值，由下式给出：公式(8)中A(k)代表目标的幅度，并且A(k)为常数，即A(k)＝A，对于不同的k值，假设背
景噪声独立同分布，可以将信噪比定义为如下形式：步骤一(三)、构造递推函数与航迹回溯函数：将动态规划方法应用到TBD技术中，构造递推函数，递推函数表达式为：公式(10)中u
i
表示第i帧时的决策函数，U＝[u1,...,u

【专利技术属性】
技术研发人员：童鹏，贾朝波，位寅生，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：