专利名称：一种基于衰减记忆序贯检测器的机动目标跟踪方法
技术领域：
本发明属于机动检测与机动目标跟踪领域，涉及一种基于衰减记忆序贯检测器的机动目标跟踪方法。
背景技术：
近年来，机动目标跟踪在空中交通管制(ATC)、地面侦查监视、寻的制导等军民用领域内都有着广泛的应用。机动目标跟踪的困难主要来自于目标运动和状态观测的不确定性。观测的不确定是指目标身份的不确定性，属于多目标跟踪的范畴；目标运动的不确定性主要指目标运动模型的不确定性，主要包括未知的机动输入以及过程噪声统计特征，这些因素都会造成跟踪模型和目标运动模式失配，致使跟踪性能下降，严重时会导致滤波发散。 当前，各种机动目标跟踪研究都是围绕目标机动的不确定性展开，基于决策的单模型方法和多模型方法成为两类主要的机动目标跟踪方法。由于机动目标运动模式通常由模型来表示，因而机动目标跟踪中的目标运动模式决策实际上就是目标运动模型决策。目标机动检测是目前机动目标跟踪中与模型决策相关的技术之一。跟踪过程中，当目标运动模式发生变化后通常会造成滤波模型与运动模式的失配，导致滤波误差增加，必须由相应的模式决策过程对所用的滤波模型做出及时的调整。机动检测就是通过检测机动的发生，然后调整跟踪模型来匹配相应的运动方式的一种决策技术。尽管多模型方法以其良好的跟踪性能与稳健性而备受青睐，但其设计过程复杂且实现时需要极大的计算资源。在许多资源受限的场合，基于决策的单模型方法有着更广泛的应用。最近研究表明，配合良好的机动检测方法，基于决策的单模型方法可以获得与多模型方法相近的跟踪性能。因而及时、正确的机动检测成为这类方法的关键所在。针对基于决策的单模型跟踪方法，国内外目标跟踪领域的专家学者和工程技术人员开展了大量的研究。但他们所用的检测器大都是基于窗口长度固定的滑窗式检测器，这类检测器的存在一个共同问题是机动检测器窗口长度的选择。通常情况下，检测概率随窗口长度增加而增大，但窗口长度增加会导致机动检测延迟的增大，这对目标跟踪性能的影响是巨大的；而窗口长度减小虽然可减小机动检测延迟，但虚警概率却会随之增大，因而如何选择窗口长度是这类检测器的难点。
发明内容
本发明的目的在于针对现有检测器的不足，设计了一种衰减记忆序贯检测器。并将检测器融合目标跟踪算法中，为机动检测、目标跟踪领域研究提供一种基于衰减记忆序贯检测器的机动目标跟踪方法。一种基于衰减记忆序贯检测器的机动目标跟踪方法，包括以下步骤
步骤I、状态协方差置初值及卡尔曼滤波当目标在匀速直线运动时，运动目标采用二维卡尔曼滤波器，系统模型采用CV模型，按照状态方程和量测方程进行卡尔曼滤波。
步骤2、检测器设计根据定义的似然比函数，设计一种基于广义似然比的衰减记忆序贯检测器，所述的衰减记忆序贯检测器由衰减记忆序贯检测算法实现。步骤3、输入估计与状态补偿利用衰减记忆序贯检测器检测出机动发生的时间，之后对机动的幅度进行估计。根据估计出的机动幅度对新息和协方差进行修正。步骤4、扩维与状态实时修正当在左时刻检测到机动时，对fe k\时间间隔内的状态进行补偿，然后对状态向量和协方差矩阵进行扩维，并根据估计出的机动幅度的大小对CV模型实时修正。步骤5、退出机动判别在给定的显著性水平下，如果判别式成立，则认为加速度的产生并非由目标的机动产生，即可认为目标处于非机动状态。步骤6、无味卡尔曼滤波估计当目标发生机动，采用无味卡尔曼滤波器对目标状态进行滤波，无味卡尔曼滤波过程首先进行无迹变换，然后用变换后的状态变量进行滤波。
本发明的有益效果本发明利用观测数据是顺序获得的条件，提出了基于广义似然比的衰减序贯检测器，衰减记忆的好处是利用了不同时刻的数据对机动判别的影响不同这个理论，使得临近时刻数据对机动判别的影响较大，较远时刻对机动判别影响较�。梢蕴岣呒觳馄骶龋醵袒觳庋映�。同时将设计的机动检测器集成到跟踪系统中，设计了基于衰减记忆序贯检测器的机动目标跟踪方法，同时方法采用卡尔曼滤波器和无味卡尔曼滤波器联合滤波的方法进行滤波，目标处于非机动状态时采用卡尔曼滤波器，当目标处于机动状态时，采用无味卡尔曼滤波器进行滤波，提高了滤波精度。本方法对于处理机动目标跟踪问题，特别是对于机动和非机动相间的运动模式，本方法具有很好的跟踪性能，同时相比较基于多模型的机动目标跟踪方法，本方法减少了计算量，提高了方法的实用性。本发明具有较强的机动检测性能和实用性。
图I为本发明方法流程图。
具体实施例方式以下结合附图对本发明作进一步说明。如图I所示，本发明包括以下步骤
步骤I、状态协方差置初值及卡尔曼滤波当目标在匀速直线运动时，运动目标采用二维卡尔曼滤波器，系统模型采用CV模型，按照状态方程和量测方程进行卡尔曼滤波。步骤2、检测器设计根据定义的似然比函数，设计一种基于广义似然比的衰减记忆序贯检测器。所述的衰减记忆序贯检测器由衰减记忆序贯检测算法实现。在目标机动检测中，观测数据往往是顺序获得的，因而相比于批处理的滑窗式检测器，序贯检测更加适合应用与机动检测中，而且序贯检测无需预先设定检测窗口长度，从而免去了滑窗式检测中的一个重要难题。步骤3、输入估计与状态补偿利用衰减记忆序贯检测器检测出机动发生的时间，之后对机动的幅度进行估计。根据估计出的机动幅度对新息和协方差进行修正。步骤4、扩维与状态实时修正当在k时刻检测到机动时，对fe k\时间间隔内的状态进行补偿，然后对状态向量和协方差矩阵进行扩维，并根据估计出的机动幅度的大小对CV模型实时修正。步骤5、退出机动判别在给定的显著性水平下，如果判别式成立，则认为加速度的产生并非由目标的机动产生，即可认为目标处于非机动状态。步骤6、无味卡尔曼滤波估计当目标发生机动，采用无味卡尔曼滤波器对目标状态进行滤波，无味卡尔曼滤波过程首先进行无迹变换，然后用变换后的状态变量进行滤波。步骤I中状态协方差置初值及卡尔曼滤波的具体步骤如下
当目标在匀速直线运动时，运动目标采用二维卡尔曼滤波器，系统模型采用CV模型。按照状态方程和量测方程进行卡尔曼滤波。初始协方差为
权利要求
1.一种基于衰减记忆序贯检测器的机动目标跟踪方法，其特征在于该方法包括以下步骤 步骤I、状态协方差置初值及卡尔曼滤波当目标在匀速直线运动时，运动目标采用二维卡尔曼滤波器，系统模型采用CV模型，按照状态方程和量测方程进行卡尔曼滤波； 步骤2、检测器设计根据定义的似然比函数，设计基于广义似然比的衰减记忆序贯检测器，所述的衰减记忆序贯检测器由衰减记忆序贯检测算法实现； 步骤3、输入估计与状态补偿利用衰减记忆序贯检测器检测出机动发生的时间，之后对机动的幅度进行估计；根据估计出的机动幅度对新息和协方差进行修正； 步骤4、扩维与状态实时修正当在A时刻检测到机动时，对fe k\时间间隔内的状态进行补偿，然后对状态向量和协方差矩阵进行扩维，并根据估计出的机动幅度的大小对CV模型实时修正； 步骤5、退出机动判别在给定的显著性水平下，如果判别式成立，则认为加速度的产生并非由目标的机动产生，即可认为目标处于非机动状态； 步骤6、无味卡尔曼滤波估计当目标发生机动，采用无味卡尔曼滤波器对目标状态进行滤波，无味卡尔曼滤波过程首先进行无迹变换，然后用变换后的状态变量进行滤波。
2.根据权利I所述的一种基于衰减记忆序贯检测器的机动目标跟踪方法，其特征在于步骤2具体是 首先做二元假设
全文摘要
本发明公开了一种基于衰减记忆序贯检测器的机动目标跟踪方法。针对基于决策的单模型跟踪方法和多模型跟踪方法的优缺点，提出一种基于衰减记忆序贯检测器的机动目标跟踪方法。本发明首先采用KF-UKF联合滤波。对非机动目标，采用基于匀速模型的Kalman滤波，当检测到目标机动时，对CV模型进行扩维，同时采用无味卡尔曼滤波器进行状态估计。其次，提出了一种衰减记忆序贯检测器来检测机动。当检测到机动发生后，对扩维后的状态向量和协方差矩阵进行修正，使修正后的状态更加匹配实际的运动模式。本发明可以实时修正目标状态，并且可以根据不同的运动模式选择相匹配的滤波器，从而提高了跟踪精度。
文档编号G01C21/00GK102706345SQ20121019006
公开日2012年10月3日 申请日期2012年6月11日 优先权日2012年6月11日
发明者彭冬亮, 潘宝贵, 申屠晗, 邵根富, 郭云飞, 陈华杰 申请人:杭州电子科技大学
