基于峰值自寻的多目标检测前跟踪算法

renhongxia1

于 2024-01-15 10:13:04 发布

阅读量1.3k

点赞数 24

文章标签：目标检测算法目标跟踪

本文链接：https://blog.csdn.net/renhongxia1/article/details/135593265

版权

本文提出了一种针对雷达多目标检测中能量差异大的问题，使用平行线坐标变换和峰值自寻策略的检测前跟踪算法。算法能有效检测不同回波能量的目标，同时减少虚假航迹，实验证明在高信噪比下具有较高全局检测概率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

源自：系统工程与电子技术

作者：薄钧天于洪波张翔宇涂国勇禄晓飞

“人工智能技术与咨询” 发布

摘要

针对雷达多目标检测问题中, 并存目标回波能量差异较大导致强目标掩盖弱目标的现象, 提出一种基于平行线坐标变换的峰值自寻检测前跟踪算法。通过对比积累后每个量测点所在参数单元内各时刻量测点能量最大值之和, 找到能量积累值可达最大的单元, 据此形成新的二值积累结果, 设置门限进行峰值提取、航迹回溯和航迹修正。仿真结果显示, 改进算法对多个目标具有较高的全局检测概率, 能够同时检测出不同回波能量的多个目标。

关键词

多目标, 检测前跟踪, 平行线坐标变换, 峰值自寻, 航迹起始

引言

隐身化[1]是军事武器尤其是空中军事平台发展的重要方向, 战斗机、轰炸机等通过设计特殊外形, 采用特质材料等方式降低其自身的雷达散射截面积(radar cross section, RCS)和回波能量, 成为相对雷达等传感器的微弱目标, 给现有防御体系带来严重挑战。同时, 受作战环境和平台的实时姿态影响, 在多微弱目标并存情况下, 目标间也极可能出现较大的回波能量差异, 使得弱目标被强目标淹没[2]。因此, 有效地检测并存目标是亟待解决的重要问题。

传统的检测方式通过对单帧回波量测设置门限, 然后提取峰值, 但这种方式难以有效检测微弱目标。检测前跟踪(track before detect, TBD)技术是一种广泛应用于检测微弱目标的方法, 通过处理多帧回波数据[3], 提高真实目标航迹的整体峰值, 以此克服低信杂比条件下无法有效检测微弱目标的问题。现有的检测前跟踪方法主要包括基于Hough变换(Hough transform, HT)的TBD(HT-TBD)方法[4-5], 动态规划TBD(dynamic programming TBD, DP-TBD)方法[6-7]和基于粒子滤波的TBD(particle filtering TBD, PF-TBD)方法[8-9]等。其中, Carlson等[10-12]将用于图像直线检测的HT应用到TBD方法中形成HT-TBD方法, 能够有效完成非相参积累, 实现目标检测。

现有的衍生HT-TBD算法均是在Carlson等[10-12]的基础上进行优化得到的。文献[13]通过进行HT在参数空间中的积累, 设置门限提取峰值, 回溯目标航迹, 根据目标飞行先验信息进行航迹修正, 得到最终输出航迹。文献[14]采用量测点多种信息, 优化积累峰值, 更加精确地检测出真实航迹。但是, 这些HT-TBD方法存在几个伴随其自身的问题：首先, 该类方法在参数空间采用能量积累和二值积累, 当存在多个目标且回波能量相差较大时, 对能量积累结果设置门限提取峰值将会把低能量目标航迹滤除。二值积累是解决不同回波能量目标航迹的好方法, 但在密集杂波情况下, 将检测出大量虚假航迹。因此, 现有的HT-TBD方法对多微弱目标的航迹起始问题效果不佳。文献[15]提出了一种针对高超声速目标的强弱目标同时检测方法, 对回波能量不同的高超声速多目标检测问题具有较好的效果, 但该方法是以高超声速目标目前还无法实现编队飞行为前提条件。当面对一般编队目标时, 将发生目标间串扰, 需要进行改进, 使算法在面对编队目标时也能够完成有效的检测。平行线坐标变换(parallel line coordinate transformation, PT)[16]是一种新的投影变换, 目前已有文献将其作为Hough变换的替代者应用到图像直线检测[17]和雷达目标检测中[18], 并发现其在检测概率和运算时间上具有明显优势。因此, 将平行线坐标变换应用到雷达目标检测中是一个有益的尝试。

针对上述讨论, 本文提出一种峰值自寻的PT-TBD(peak self-searching parallel line coordinate transformation TBD, PSSPT-TBD)算法。通过对量测点采用平行线坐标变换完成点到线的变换, 随后使每个量测点寻找到不同时刻量测点能量和最大的单元, 再从改进后的二值积累结果中找出多个目标且删除大量航迹。仿真结果显示, PSSPT-TBD算法能够对平面中多区域多态势目标进行准确检测, 有效实现并存目标同时检测的问题。