一种基于辅助粒子滤波的水下多目标检测前跟踪方法

1.本发明属于水下目标跟踪的技术领域；具体涉及一种基于辅助粒子滤波的水下多目标检测前跟踪方法。


背景技术：

2.水下目标跟踪通过对声纳探测结果的数据关联，获取目标的批次信息，是目标定位、目标识别等后续处理的关键步骤，可为指挥决策系统提供重要的目标信息。在水下目标跟踪领域中，贝叶斯框架被广泛应用，现有的许多水下目标跟踪算法采用经典的跟踪前检测(detect-before-track，dbt)方法实现，此类方法中跟踪方法的输入为信号检测算法经过阈值判断的量测值，通过测量-跟踪关联(measurement-to-track association，mta)和滤波处理实现目标跟踪，这种模式带来了几个严重的问题：
3.1)低信噪比的目标信号可能无法通过检测门限，导致目标漏检。
4.2)当多个邻近目标的量测值重合时，经过检测处理只能得到一个量测值。
5.3)目标个数的增多使得目标关联变得更为复杂。
6.另一种可选的水下多目标跟踪方法是检测前跟踪(tracking before detect,tbd)方法，该方法直接对无阈值传感器数据进行检测和跟踪处理。此外，tbd算法避免了mta问题，降低了算法的复杂度；但当传感器观测空间中存在邻近目标和机动目标时，该问题变得更加困难。


技术实现要素：

7.本发明公开了一种基于辅助粒子滤波的水下多目标检测前跟踪方法，用以解决低信噪比的目标信号可能无法通过检测门限，导致目标漏检的问题；当多个邻近目标的量测值重合时，经过检测处理只能得到一个量测值的问题；目标个数的增多使得目标关联变得更为复杂，增加算力的问题。
8.本发明通过以下技术方案实现：
9.一种基于辅助粒子滤波的水下多目标检测前跟踪方法，所述检测前跟踪方法包括以下步骤：
10.步骤1：对水下目标的声纳探测的数据进行采集；
11.步骤2：初始化数据粒子和其粒子对应的权值；
12.步骤3：将步骤1的粒子和其粒子对应的权值，利用预测目标状态将目标分群；
13.步骤4：对辅助变量进行采样，并计算其对应的一阶权值；
14.步骤5：利用步骤4的辅助变量的一阶权值对粒子进行重采样，筛选优质粒子编号；
15.步骤7：根据步骤6的优质粒子状态的一阶权值，计算粒子权值并估计目标状态。
16.一种基于辅助粒子滤波的水下多目标检测前跟踪方法，所述步骤2具体为，假设各目标独立运动，多个目标在k时刻的状态用多目标状态向量表示：
[0017][0018]
其中，()
t
表示矩阵转置，r表示目标数目，表示k时刻目标j的状态向量，d表示单个目标的状态向量维度；
[0019]
k时刻目标j的运动方程和量测方程描述为：
[0020]
x
k,j
＝f(x
k-1,j
,w
k-1,j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]
zk＝h(xk,vk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0022]
其中，w
k-1,j
表示k-1时刻目标j的过程噪声向量，vk表示k时刻的量测噪声向量，zk表示k时刻的量测值；
[0023]
k时刻第n个粒子的状态可表示为
[0024][0025]
一种基于辅助粒子滤波的水下多目标检测前跟踪方法，定义为父粒子，为子粒子；则每个父粒子由r个子粒子组成；子粒子包含目标的运动学特征和强度信息；
[0026][0027]
其中表示目标j波束形成输出的强度信息，表示目标运动信息
[0028][0029]
和表示目标j的方位和方位变化率；
[0030]
假设初始的先验概率密度函数p(x0)可以通过粒子状态及其权重近似
[0031][0032]np
是所需粒子数，是第n个粒子在初始0时刻的先验权值，初始化时，所有粒子的先验权值δ(
·
)是狄利克雷函数，是第n个父粒子的先验状态，是目标j第n个子粒子的先验状态。
[0033]
一种基于辅助粒子滤波的水下多目标检测前跟踪方法，对每个子粒子进行初始化，如下所示：
[0034]
目标相对于观测者的方位均匀分布于[β
0,j-δβ,β
0,j
δβ]；
[0035]
目标相对于观测者的方位变化率均匀分布于
[0036]
目标经波束形成后输出的强度均匀分布于[e
k,j-δe,e
k,j
δe]；
[0037]
β
0,j
是观测者估计的目标j的初始方位，初始方位的偏差δβ是一个可根据声纳系统性能选择的可变参数；是目标方位变化率最大值；e
k,j
是方位β
0,j
对应的分辨单元处波束形成输出的强度，δe描述接收信号强度起伏程度。
[0038]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤3中，利用预测目标状态将目标分群，预测的目标状态为
[0039][0040]
其中是目标j的第n个子粒子对应的预测目标状态，是此粒子的权值，n
p
表示粒子数；全部的目标都根据预测目标方位进行分组，其中预测目标方位是预测目标状态之一，能直接从获取；
[0041]
具体分组原则如下：邻近目标划分为一个群组，每个群组至少有一个目标，每个目标只能属于一个群组：
[0042][0043]
λ
θ
是预设的分群门限，h1表示目标j和目标m属于相同群组，h0表示目标j和目标m属于不同群组，和表示目标j和目标m的预测方位。
[0044]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤4中，为了利用量测信息优化粒子采样，首先采样辅助变量，并计算其对应的一阶权值；其中辅助变量表示在条件下的特征，选取预测粒子状态作为辅助粒子变量，
[0045][0046]
采用恒定角速度运动模型，运动方程表示为
[0047][0048]
其中wk表示k时刻的过程噪声，f表示状态转移矩阵，目标运动过程中的协方差矩阵为q：
[0049][0050]
其中τ表示观测周期，q表示过程噪声的功率谱密度；
[0051]
根据预测方位，基于邻近相关准则，将目标与波束形成输出极大值进行关联；若此目标没有邻近目标，接收信号采样通过式(13)
[0052][0053]
其中e
k,j
表示与目标j对应的波束形成输出极大值；rand表示随机生成一个[0,1]之间服从均匀分布的随机数；若此目标存在邻近目标，接收信号采样通过式(14)
[0054][0055]
其中表示历史窗长we内目标极大值的均值。
[0056]
一种基于辅助粒子滤波的检测前跟踪方法，假设分群后，群组数目为g，g＜r，每个群组为所属该群组的目标构成的集合；定义表示群组g中除目标j之外所有目标的预测目标状态；若目标j属于群组g，则k时刻目标j的似然函数可写为定义
为一阶权值；
[0057]
若波束形成每次扫描m个角度，对应波束形成输出的m个分辨单元；令是k时刻第i个分辨单元对应的量测值；重新定义点扩散函数
[0058]hi
＝e
k,j
×
exp(-(θ
i-θ
k,j
)2×
l(θ
k,j
)) b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0059]
其中hi表示分辨单元i的目标响应，e
k,j
表示波束形成后接收信号的强度，b表示噪声强度，θ
k,j
表示目标方位，l(θ
k,j
)是方位θ
k,j
处对应的l值，l表示目标响应的衰减程度，由波束形成算法和声纳系统性能决定；
[0060]
l(θ
k,j
)＝l(floor(θ
k,j
/δθ) 1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0061]
其中floor()表示向下取整函数，δθ是波形形成扫描宽度；
[0062]
当有相邻目标时，联合目标响应是相邻目标响应的叠加；相应地，估计的联合目标响应描述为估计的邻近目标响应的叠加：
[0063][0064]
n表示邻近目标数目；
[0065]
根据上述点扩散函数模型，k时刻目标j的似然函数表示为
[0066][0067]
其中i表示θi对应的分辨单元
[0068]
i＝floor(θi/δθ) 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)。
[0069]
一种基于辅助粒子滤波的检测前跟踪方法，如果目标存在，ui＝hi，如果目标不存在，ui＝b，
[0070]
如果目标存在，ui＝h
i-s
×
b，如果目标不存在，ui＝(1-s)
×
b；考虑m个邻近的量测点，似然函数可以进一步写为：
[0071][0072]
目标存在和目标不存在的似然比为
[0073][0074]
其中ek＝1表示目标存在，ek＝0表示目标不存在，在窗长为wd的条件下，似然函数表示为：
[0075][0076]
对于辅助变量其一阶权值表示为
[0077]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤6具体为，定义a
j,n
∈{1,2,
…
,n
p
}表示目标j第n个子粒子采样获得的粒子编号，n
p
为算法所需粒子数，则k时刻第n个优质
子粒子的状态为
[0078][0079]
为使用方程，和对粒子进行采样获得；其对应的一阶权值为
[0080]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤7具体为，粒子的权值表示为
[0081][0082]
采用最小均方误差mmse准则估计目标状态
[0083][0084]
本发明的有益效果是：
[0085]
本发明基于点扩散函数提出了一种考虑邻近目标影响的似然函数。
[0086]
本发明采用辅助变量利用量测信息优化粒子采样，使粒子分布更合理，当算法运动模型与目标实际运动状态失配时，这种策略具有很大优势。
[0087]
本发明将邻近目标划分为一组，使用邻近目标的预测状态计算目标的似然，计算效率较高。
附图说明
[0088]
附图1是本发明的方法流程图。
[0089]
附图2是目标与观测者的运动态势图。
[0090]
附图3是目标相对观测者的方位航迹图。
[0091]
附图4是仿真生成的量测数据图。
[0092]
附图5是跟踪结果图。
[0093]
附图6为ospa定位误差示意图，其中参数p＝1，c＝7000m。
具体实施方式
[0094]
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。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。
[0095]
一种基于辅助粒子滤波的水下多目标检测前跟踪方法，所述检测前跟踪方法包括以下步骤：
[0096]
步骤1：对水下目标的声纳探测的数据进行采集；
[0097]
步骤2：初始化数据粒子和其粒子对应的权值；
[0098]
步骤3：将步骤1的粒子和其粒子对应的权值，利用预测目标状态将目标分群；
[0099]
步骤4：对辅助变量进行采样，并计算其对应的一阶权值；
[0100]
步骤5：利用步骤4的辅助变量的一阶权值对粒子进行重采样，筛选优质粒子编号；
[0101]
步骤7：根据步骤6的优质粒子状态的一阶权值，计算粒子权值并估计目标状态。
[0102]
一种基于辅助粒子滤波的水下多目标检测前跟踪方法，所述步骤2具体为，假设各目标独立运动，多个目标在k时刻的状态用多目标状态向量表示：
[0103][0104]
其中，()
t
表示矩阵转置，r表示目标数目，表示k时刻目标j的状态向量，d表示单个目标的状态向量维度；
[0105]
k时刻目标j的运动方程和量测方程描述为：
[0106]
x
k,j
＝f(x
k-1,j
,w
k-1,j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0107]
zk＝h(xk,vk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0108]
其中，w
k-1,j
表示k-1时刻目标j的过程噪声向量，vk表示k时刻的量测噪声向量，zk表示k时刻的量测值；
[0109]
粒子滤波利用重要性密度函数在状态空间中采样粒子，利用粒子及其对应的权重来近似目标状态的后验概率密度，实现对目标状态的估计；
[0110]
k时刻第n个粒子的状态可表示为
[0111][0112]
一种基于辅助粒子滤波的水下多目标检测前跟踪方法，为了描述所提出的算法，定义为父粒子，为子粒子；则每个父粒子由r个子粒子组成；子粒子包含目标的运动学特征和强度信息；
[0113][0114]
其中表示目标j波束形成输出的强度信息，表示目标运动信息
[0115][0116]
和表示目标j的方位和方位变化率；
[0117]
假设初始的先验概率密度函数p(x0)可以通过粒子状态及其权重近似
[0118][0119]np
是所需粒子数，是第n个粒子在初始0时刻的先验权值，初始化时，所有粒子的先验权值δ(
·
)是狄利克雷函数，是第n个父粒子的先验状态，是目标j第n个子粒子的先验状态。
[0120]
一种基于辅助粒子滤波的水下多目标检测前跟踪方法，对每个子粒子进行初始化，如下所示：
[0121]
目标相对于观测者的方位均匀分布于[β
0,j-δβ,β
0,j
δβ]；
[0122]
目标相对于观测者的方位变化率均匀分布于
[0123]
目标经波束形成后输出的强度均匀分布于[e
k,j-δe,e
k,j
δe]；
[0124]
β
0,j
是观测者估计的目标j的初始方位，初始方位的偏差δβ是一个可根据声纳系统性能选择的可变参数；是目标方位变化率最大值；e
k,j
是方位β
0,j
对应的分辨单元处波束形成输出的强度，δe描述接收信号强度起伏程度。
[0125]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤3中，利用预测目标状态将目标分群，预测的目标状态为
[0126][0127]
其中是目标j的第n个子粒子对应的预测目标状态，是此粒子的权值，n
p
表示粒子数；全部的目标都根据预测目标方位进行分组，其中预测目标方位是预测目标状态之一，能直接从获取；
[0128]
具体分组原则如下：邻近目标划分为一个群组，每个群组至少有一个目标，每个目标只能属于一个群组：
[0129][0130]
λ
θ
是预设的分群门限，h1表示目标j和目标m属于相同群组，h0表示目标j和目标m属于不同群组，和表示目标j和目标m的预测方位。
[0131]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤4中，为了利用量测信息优化粒子采样，即步骤4-6，本发明首先采样辅助变量，并计算其对应的一阶权值；其中辅助变量表示在条件下的特征，本发明选取预测粒子状态作为辅助粒子变量，辅助变量同样包含目标的运动学特征和强度信息。
[0132][0133]
本发明采用恒定角速度运动模型，运动方程表示为
[0134][0135]
其中wk表示k时刻的过程噪声，f表示状态转移矩阵，目标运动过程中的协方差矩阵为q：
[0136][0137]
其中τ表示观测周期，q表示过程噪声的功率谱密度；
[0138]
在实际声纳系统中，由于环境干扰或信号起伏，波束形成输出后的信号强度是随s×
b，如果目标不存在，ui＝(1-s)
×
b；考虑m个邻近的量测点，似然函数可以进一步写为：
[0157][0158]
目标存在和目标不存在的似然比为
[0159][0160]
其中ek＝1表示目标存在，ek＝0表示目标不存在，在窗长为wd的条件下，似然函数表示为：
[0161][0162]
对于辅助变量其一阶权值表示为
[0163]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤6具体为，定义a
j,n
∈{1,2,
…
,n
p
}表示目标j第n个子粒子采样获得的粒子编号，n
p
为算法所需粒子数，则k时刻第n个优质子粒子的状态为
[0164][0165]
为使用方程，和对粒子进行采样获得；其对应的一阶权值为
[0166]
一种基于辅助粒子滤波的检测前跟踪方法，在步骤7具体为，粒子的权值表示为
[0167][0168]
采用最小均方误差mmse准则估计目标状态
[0169][0170]
首先构造目标和观测者的运动轨迹，本算例包含4个目标。观测者和目标运动轨迹如图2所示。目标相对于观测者的方位航迹如图3所示，有两组目标分别交叉，其中目标1、目标4方位航迹长时间邻近，包含两个目标角速度相近的交叉点，容易出现关联错误情况，在图3中用箭头进行了标识。根据目标运动状态生成的仿真数据如图4所示。
[0171]
初始化参数：粒子数n
p
＝200，周期τ＝10s，时间窗wd＝0，分群门限λ
θ
＝10
°
，进行蒙特卡洛实验1000次。跟踪结果如图5所示，即使目标1和目标4存在长时间的方位邻近，并
且具有相近角速度，本发明依然可以保持正确的关联，具有较好的多目标跟踪性能。图6为ospa跟踪误差(参数p＝1,c＝50
°
)，本发明在整个跟踪过程中的ospa误差较低(低于2
°
)。