论文部分内容阅读
红外弱小目标检测与跟踪是红外预警、精确制导和卫星遥感系统中的一项关键技术。在长距离衰减和强噪声影响下,红外目标信噪比极低,此时传统的目标检测与跟踪方法已难以满足要求。近年来出现的基于递推贝叶斯估计的检测前跟踪(TBD)方法为解决此问题提供了一条有效途径。粒子滤波(PF)作为最优贝叶斯估计的一种数值实现方法,近年来受到广泛关注。
本文重点针对基于粒子滤波的红外弱小目标检测与跟踪问题进行了深入的研究,取得的主要研究成果如下:
1.粒子滤波算法的改进
针对传统粒子滤波器的粒子退化和贫乏问题,提出一种基于快速Metropolis-Hastings(MH)变异的新型遗传重采样粒子滤波算法。算法将快速MH算法作为变异算子,与赌轮法选择算子、算术相加交叉算子一起组成新型遗传重采样。由于快速MH算法按照状态的后验概率密度来产生新的粒子,保证了新增粒子的有效性。研究表明新型遗传重采样能有效的增加粒子的多样性,提高跟踪精度。另外,针对传统粒子滤波采用的蒙特卡罗(MC)采样方法存在的非均匀性,提出了一种基于拟蒙特卡罗(QMC)的高斯和粒子滤波(GSPF)算法。算法既保留了GSPF无需重采样的优点,又解决了由于MC采样形成“空隙和簇”而导致GSPF滤波性能下降的问题。研究表明QMC-GSPF仅需少量的粒子可以达到与PF相同的估计性能。
2.基于粒子滤波的单目标检测
针对传统粒子滤波检测前跟踪算法的高复杂度问题,提出了一种基于Rao-Blackwellized粒子滤波(RBPF)的弱小目标双统计量检测算法。算法首先对红外弱小目标系统模型进行分析,根据状态变量与观测的关系将状态变量划分为线性变量与非线性变量,用最优卡尔曼滤波和粒子滤波分别进行处理;另外,对传统的目标出现与消失检测方法进行改进,在搜索阶段利用目标存在概率进行目标出现的检测,目标一旦出现,则用累积似然比差进行目标消失的检测。研究表明RBPF算法不仅有效利用了卡尔曼滤波,还降低了粒子滤波状态估计的维数,能用较少的粒子实现检测前跟踪的性能,双统计量检测有效减小了出现和消失的检测延迟。
3.基于粒子滤波的多目标检测
针对红外图像中目标数目可变的多目标检测问题,提出了一种基于多RBPF滤波器的多目标检测算法。算法用多个RBPF滤波器检测多个弱小目标,定义了带约束条件的目标初始化。研究表明,算法可以避免目标间的相互干扰,获得与单目标检测相近的检测概率和跟踪精度。另外,针对目标最大数目已知时的多目标检测问题,提出一种基于联合状态的U-QMC-GPF多目标检测算法。算法定义状态向量为所有目标状态变量与模式变量的组合,对联合状态进行U-QMC-GPF滤波更新。研究表明相似目标的合并操作可以减小目标数的误判,提高检测概率。
4.基于粒子滤波的机动目标跟踪
针对机动目标中的机动检测问题,提出了一种基于QMC-GPF滤波残差的采样周期自适应调整算法。算法设定采样周期最大值可以避免采样周期过大而造成滤波发散问题。研究表明自适应采样算法可以提高算法的实时性。针对红外弱小机动模型的建立问题,提出基于一种“当前”统计模型的QMC-GPF自适应跟踪算法。研究表明所提算法比Singer模型有更高的跟踪精度。针对机动目标跟踪的模型选择问题,提出一种基于交互式多模型的QMC-GPF算法。研究表明所提算法比静态多模型算法有更好跟踪效果。
5.克拉美-罗下界(CRLB)分析
对红外弱小单目标和多目标匀速运动模型的跟踪误差进行CRLB分析。分别研究了信噪比、传感器模糊参数和目标轨迹夹角对CRLB的影响,为滤波器性能分析提供了重要参考依据。