基于OOSM-PF的微弱目標(biāo)檢測(cè)前跟蹤*

譚順成,王國(guó)宏,于洪波,關(guān)成斌

(海軍航空工程學(xué)院信息融合技術(shù)研究所, 山東煙臺(tái)　264001)

基于OOSM-PF的微弱目標(biāo)檢測(cè)前跟蹤*

譚順成,王國(guó)宏,于洪波,關(guān)成斌

(海軍航空工程學(xué)院信息融合技術(shù)研究所, 山東煙臺(tái)264001)

摘要:由于量測(cè)數(shù)據(jù)預(yù)處理以及通信延遲等因素的影響,集中式融合跟蹤系統(tǒng)面臨著無序量測(cè)的問題。針對(duì)低信噪比和無序量測(cè)情況下的微弱目標(biāo)檢測(cè)與跟蹤,提出了一種基于無序量測(cè)和粒子濾波的檢測(cè)前跟蹤方法,然后將該方法的性能與順序量測(cè)濾波方法以及丟棄無序量測(cè)方法的性能進(jìn)行分析對(duì)比。仿真結(jié)果表明,該算法可以有效處理無序量測(cè)問題,實(shí)現(xiàn)對(duì)微弱目標(biāo)的有效檢測(cè)和跟蹤,其目標(biāo)跟蹤精度接近順序量測(cè)濾波的跟蹤精度。

關(guān)鍵詞:無序量測(cè)(OOSM);粒子濾波(PF);檢測(cè)前跟蹤(TBD);微弱目標(biāo)跟蹤

0引言

目前的OOSM濾波方法主要包括4種:丟棄OOSM法、重濾波法、數(shù)據(jù)緩存法以及直接更新法等[1]。其中直接更新法利用OOSM更新當(dāng)前時(shí)刻的狀態(tài)估計(jì),具有存儲(chǔ)量小,計(jì)算量小,跟蹤精度接近有序量測(cè)濾波等特點(diǎn),是目前國(guó)內(nèi)外學(xué)者研究的重點(diǎn)[2-10]。但是,以上方法都是針對(duì)目標(biāo)信噪比較高的情況,沒有涉及目標(biāo)的檢測(cè)問題,難以實(shí)現(xiàn)對(duì)低信噪比下的微弱目標(biāo)進(jìn)行有效跟蹤。據(jù)作者所知,目前尚未有關(guān)于低信噪比下的OOSM濾波方法的報(bào)道。

檢測(cè)前跟蹤算法[11-14]是一種復(fù)雜環(huán)境下對(duì)微弱目標(biāo)進(jìn)行探測(cè)的有效方法,而基于粒子濾波的TBD算法因?qū)Ψ蔷€性非高斯系統(tǒng)具有較好的適應(yīng)性,是目前研究的熱點(diǎn)[12-14]。文中充分利用TBD算法在檢測(cè)和跟蹤微弱目標(biāo)方面的突出優(yōu)點(diǎn),提出了一種低信噪比情況下基于OOSM-PF的TBD方法,同時(shí)實(shí)現(xiàn)OOSM情況下對(duì)微弱目標(biāo)的有效檢測(cè)和跟蹤。仿真結(jié)果表明了該算法的有效性和優(yōu)越性。

1基于OOSM-PF的TBD方法

1.1　系統(tǒng)模型

(2)wk為過程噪聲,其協(xié)方差為Qk,k-1。

(3)定義目標(biāo)初始存在概率η1=P{E1=1}。

(4)其中:

(5)

(7)

(9)式中:Ci(xk)和Cj(xk)表示所有受目標(biāo)影響的分辨單元坐標(biāo)(i,j)的集合。

1.2　OOSM下的粒子權(quán)重更新

假設(shè)k時(shí)刻的量測(cè)zk被確定為無序量測(cè),即其被觀測(cè)到的時(shí)刻滿足tk

p(x0:k|z1:k)=p(x0:k-1|z1:k-1)×

p(zk|xk)p(xk|xb,xa)p(x0:k-1|z1:k-1)

(10)

(14)

(15)

(16)

1.3　基于OOSM-PF的算法實(shí)現(xiàn)

步驟1:k=0,根據(jù)初始分布得到初始化粒子集S0,令Ω0={S0};

步驟2:令k=k+1,判斷zk是否為無序量測(cè),這里分兩種情況進(jìn)行處理:

情況1:zk不是OOSM

3)粒子權(quán)重更新,引入像素似然比[11]:

(17)

(18)

(19)4)粒子重采樣[11]

(20)

得到Sk,文中采用系統(tǒng)重采樣法進(jìn)行粒子重采樣。

(22)

6)利用Sk對(duì)Ωk-1進(jìn)行更新,得到Ωk,轉(zhuǎn)步驟2。

情況2:zk為OOSM

1)根據(jù)OOSM的被觀測(cè)時(shí)刻tk確定OOSM的前一時(shí)刻b以及后一時(shí)刻a;

2)粒子狀態(tài)預(yù)測(cè)及粒子權(quán)重更新,對(duì)任意r∈{1,2,…,N}同樣分兩種情況進(jìn)行討論:

3)粒子權(quán)重更新,同情況1的3);

4)粒子重采樣

(23)

值得注意的是,此處僅利用OOSM更新k-1時(shí)刻的粒子權(quán)重,然后在此基礎(chǔ)上進(jìn)行重采樣;

2實(shí)驗(yàn)仿真

本節(jié)設(shè)置一個(gè)與文獻(xiàn)[11]相同的機(jī)動(dòng)弱目標(biāo)的運(yùn)動(dòng)場(chǎng)景進(jìn)行實(shí)驗(yàn)仿真,濾波器的基本參數(shù)也同文獻(xiàn)[11]。不同之處在于文獻(xiàn)[11]采用的單傳感器,不存在OOSM問題。

設(shè)有兩個(gè)傳感器對(duì)目標(biāo)進(jìn)行觀測(cè),采樣間隔均為1 s。表1描述了融合中心收到量測(cè)數(shù)據(jù)的時(shí)序情況,每個(gè)量測(cè)數(shù)據(jù)標(biāo)有觀測(cè)時(shí)刻和傳感器ID號(hào)。

表1　各傳感器量測(cè)觀測(cè)時(shí)刻和實(shí)際到達(dá)時(shí)刻

從表1可以看出,傳感器2的量測(cè)較傳感器1的量測(cè)延遲了2個(gè)時(shí)刻到達(dá),為多步延遲OOSM的情況。

為了驗(yàn)證算法的性能,將文中構(gòu)造的算法與順序量測(cè)濾波方法和丟棄OOSM方法進(jìn)行仿真分析和比較。為方便描述,此處以PF-in-sequence、PF-discard以及OOSM-PF分別表示順序量測(cè)濾波方法、丟棄OOSM方法以及文中算法。圖1~圖3分別給出了3種算法估計(jì)的目標(biāo)存在概率、估計(jì)的目標(biāo)位置均方根誤差(RMSE)以及估計(jì)的目標(biāo)速度RMSE,仿真結(jié)果為30次Monte Carlo仿真取平均的結(jié)果。由仿真條件可知,第5 s至25 s目標(biāo)真實(shí)存在于監(jiān)測(cè)區(qū)域,其他時(shí)刻監(jiān)測(cè)區(qū)域內(nèi)不存在目標(biāo)。

由仿真結(jié)果可知,文中構(gòu)造的OOSM-PF算法與PF-in-sequence算法性能相當(dāng)。此外,若假定某一時(shí)刻估計(jì)的目標(biāo)存在概率大于或等于0.6(如圖中虛線所示),則認(rèn)為當(dāng)前時(shí)刻監(jiān)測(cè)區(qū)域內(nèi)存在目標(biāo),PF-in-sequence和OOSM-PF均只延遲1個(gè)時(shí)刻即檢測(cè)出目標(biāo),當(dāng)濾波達(dá)到穩(wěn)定后,其估計(jì)的目標(biāo)存在概率較高,接近于1,而PF-discard則延遲了4個(gè)時(shí)刻才檢測(cè)出目標(biāo),且濾波達(dá)到穩(wěn)定后其估計(jì)的目標(biāo)存在概率較其他兩種算法低,如圖1所示。從圖2和圖3可以看出,PF-in-sequence和OOSM-PF比PF-discard具有更快的收斂速度。

圖1　估計(jì)的目標(biāo)存在概率

圖2　估計(jì)的目標(biāo)位置RMSE

圖3　估計(jì)的目標(biāo)速度RMSE

3結(jié)論

為解決低信噪比和OOSM情況下的微弱目標(biāo)跟蹤,文中研究了一種基于OOSM-PF的微弱目標(biāo)TBD方法。仿真結(jié)果表明,該算法對(duì)微弱目標(biāo)的檢測(cè)與跟蹤性能接近于順序量測(cè)濾波算法的性能,可以有效實(shí)現(xiàn)無序量測(cè)情況下對(duì)微弱目標(biāo)的有效檢測(cè)與跟蹤。

參考文獻(xiàn):

[1]王煒, 黃心漢, 王敏. 無序量測(cè)濾波更新算法綜述 [J]. 控制與決策, 2012, 27(1): 1-7.

[2]BAR-SHALOM Y, CHEN H M, Mallick M. One-step solution for the multistep out-of-sequence-measurement problem in tracking [J]. IEEE Transactions on Aerospace and Electronic Systems, 2004, 40(1): 27-37.

[3]BAR-SHALOM Y, HUIMIN C. IMM estimator with out-of-sequence measurements [J]. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(1): 90-98.

[4]ZHOU W H, LI L, CHEN G H, et al. Optimality analysis of one-step OOSM filtering algorithms in target tracking [J]. Science China Information Sciences, 2007, 50(2): 170-187.

[5]ZHANG K S, LI X R, ZHU Y M. Optimal update with out-of-sequence measurements [J]. IEEE Transactions on Signal Processing, 2005, 53(6): 1992-2004.

[6]SHEN X J, ZHU Y M, SONG E B, et al. Optimal centralized update with multiple local out-of-sequence measurements [J]. IEEE Transactions on Signal Processing, 2009, 57(4): 1551-1562.

[7]ORTON M, MARRS A. Particle filters for tracking with out-of-sequence measurements [J]. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(2): 693-702.

[8]CHEN J G, LI J, GAO X B. Single-step-lag OOSM algorithm based on unscented transformation [J]. Science China Information Sciences, 2011, 54(3): 664-673.

[9]余安喜, 楊宏文, 胡衛(wèi)東, 等. 無序量測(cè)的次優(yōu)遞推濾波器 [J]. 電子學(xué)報(bào), 2004, 32(6): 960-964., 黃心漢, 王敏. 無序量測(cè)濾波更新算法綜述 [J]. 控制與決策, 2012, 27(1): 1-7.

[2]BAR-SHALOM Y, CHEN H M, Mallick M. One-step solution for the multistep out-of-sequence-measurement problem in tracking [J]. IEEE Transactions on Aerospace and Electronic Systems, 2004, 40(1): 27-37.

[3]BAR-SHALOM Y, HUIMIN C. IMM estimator with out-of-sequence measurements [J]. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(1): 90-98.

[4]ZHOU W H, LI L, CHEN G H, et al. Optimality analysis of one-step OOSM filtering algorithms in target tracking [J]. Science China Information Sciences, 2007, 50(2): 170-187.

[5]ZHANG K S, LI X R, ZHU Y M. Optimal update with out-of-sequence measurements [J]. IEEE Transactions on Signal Processing, 2005, 53(6): 1992-2004.

[6]SHEN X J, ZHU Y M, SONG E B, et al. Optimal centralized update with multiple local out-of-sequence measurements [J]. IEEE Transactions on Signal Processing, 2009, 57(4): 1551-1562.

[7]ORTON M, MARRS A. Particle filters for tracking with out-of-sequence measurements [J]. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(2): 693-702.

[8]CHEN J G, LI J, GAO X B. Single-step-lag OOSM algorithm based on unscented transformation [J]. Science China Information Sciences, 2011, 54(3): 664-673.

[9]余安喜, 楊宏文, 胡衛(wèi)東, 等. 無序量測(cè)的次優(yōu)遞推濾波器 [J]. 電子學(xué)報(bào), 2004, 32(6): 960-964.

[10]葛泉波, 馮肖亮, 徐廷梁. 不確定無序量測(cè)系統(tǒng)的最優(yōu)網(wǎng)絡(luò)化狀態(tài)估計(jì) [J]. 電子學(xué)報(bào), 2011, 39(3A): 7-13.

[11]RISTIC B, ARULAMPALAM S, GORDON N. Beyond the Kalman filter [M]. Artech House, 2004: 239-251.

[12]RUTTEN M G, GORDON N J, MASKELL S. Recursive track-before-detect with target amplitude fluctuations [J]. IEE Proceedings Radar, Sonar and Navigation, 2005, 152(5): 345-352.

[13]HLINOMAZ P, HONG L. A multi-rate multiple model track-before-detect particle filter [J]. Mathematical and Computer Modeling, 2009, 49(1/2): 146-162.

[14]LONG Y L, XU H, AN W, et al. Track-before-detect for infrared maneuvering dim multi-target via MM-PHD [J]. Chinese Journal of Aeronautics, 2012, 25(2): 252-261.

收稿日期:2014-05-27

基金項(xiàng)目:國(guó)家自然科學(xué)基金(61179018;61102165;61102167;61002006);航空科學(xué)基金(20115584006);“泰山學(xué)者”建設(shè)工程專項(xiàng)經(jīng)費(fèi)資助

作者簡(jiǎn)介:譚順成(1985-),男,湖南湘潭人,講師,博士,研究方向:信息融合、雷達(dá)數(shù)據(jù)處理。

中圖分類號(hào):TN953

文獻(xiàn)標(biāo)志碼:A

OOSM-PF Based Weak Target Track-before-detect

TAN Shuncheng,WANG Guohong,YU Hongbo,GUAN Chengbin

(Institute of Information Fusion Technology, Naval Aeronautical and Astronautical University, Shandong Yantai, 264001, China)

Abstract:entralized fusion tracking system out-of-sequence measurement (OOSM) due to the factors as different pre-processing time and communication delay of measurements. of weak target detection and tracking with low signal-to-noise ratio (SNR) and OOSM, a track-before-detect (TBD) method proposed based on OOSM and particle filter (PF). Furthermore, the performance of the proposed method compared with that of traditional discarding method and in-sequence measurement filtering method. The simulation results demonstrate that the proposed method can solve the problem of OOSM and detect and track weak target efficiently with the performance of target tracking is close to that of the in-sequence measurement filtering.

Keywords:out-of-sequence measurement (OOSM); particle filter (PF); track-before-detect (TBD); weak target tracking