在線學(xué)習(xí)的雷達目標跟蹤技術(shù)研究范文

本站小編為你精心準備了在線學(xué)習(xí)的雷達目標跟蹤技術(shù)研究參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要:傳統(tǒng)的單純依賴跟蹤算法的雷達目標跟蹤在目標長時間跟蹤任務(wù)中容易受到雜波和目標本身屬性波動的影響，導(dǎo)致跟蹤失敗。提出一種基于在線學(xué)習(xí)機制的長時間雷達目標跟蹤方法———基于多模型優(yōu)化的在線學(xué)習(xí)雷達目標跟蹤算法。在跟蹤-學(xué)習(xí)-檢測架構(gòu)上，采用多模型跟蹤結(jié)果作為訓(xùn)練檢測器的部分樣本，由學(xué)習(xí)器約束跟蹤器和檢測器，并優(yōu)化跟蹤器，以達到長時間穩(wěn)定跟蹤的目的。仿真實驗表明，本文算法能夠有效降低長時間跟蹤過程中跟蹤失敗現(xiàn)象，具有一定的工程研究價值。

關(guān)鍵詞:雷達目標跟蹤;目標檢測;在線學(xué)習(xí);多模型;跟蹤-學(xué)習(xí)-檢測

0引言

傳統(tǒng)的α-β濾波和卡爾曼濾波對線性系統(tǒng)高斯過程的跟蹤性能好，但對于非線性非高斯過程性能較差，擴展卡爾曼濾波以及不敏卡爾曼濾波是針對非線性過程進行改進的?；诿商乜宸椒ǖ牧Ｗ訛V波算法在非線性、非高斯系統(tǒng)均表現(xiàn)出一定優(yōu)越性，近年來得到了研究人員的青睞［1］。交互多模型跟蹤算法在機動目標跟蹤方面表現(xiàn)出了強大的能力［2］，另一類算法是利用檢測的方法跟蹤目標。Collin［3］通過尋找最具分辨率的特征空間計算其與目標和背景的相似度比值，選擇比值高的候選樣本作為目標。Grabner［4］提出了基于在線Boosting的跟蹤算法，利用了集成學(xué)習(xí)算法的思想。為了能夠解決長時間目標穩(wěn)定跟蹤問題，KalalZ［5］在視頻跟蹤中引入跟蹤—學(xué)習(xí)—檢測(Tracking-Learning-Detection，TLD)的跟蹤機制，從而達到目標長時間穩(wěn)定跟蹤的目的。在長時間雷達目標跟蹤任務(wù)中，雜波的干擾和目標本身的機動性是導(dǎo)致目標跟蹤不穩(wěn)定的兩個主要原因。一方面，復(fù)雜的雜波環(huán)境直接導(dǎo)致目標被遮蔽、誤檢，使目標跟蹤很容易關(guān)聯(lián)到雜波，導(dǎo)致目標跟丟跟錯。另一方面，機動目標運動模式參數(shù)變化較大，單一模型很難及時準確辨識機動參數(shù)，造成模型的不準確，導(dǎo)致算法性能下降。本文采用了TLD跟蹤框架，引入了在線學(xué)習(xí)機制，將雷達目標檢測器和跟蹤器通過在線學(xué)習(xí)算法結(jié)合在一起，充分發(fā)揮了檢測器和跟蹤器的優(yōu)勢，同時將多模型算法作為雷達TLD框架中的跟蹤器，提出了多模型優(yōu)化的在線學(xué)習(xí)雷達目標跟蹤算法(MultipleModelTrackingLearningDetection，MM-TLD)，從而提高目標長時間跟蹤過程中目標跟蹤的魯棒性，減少目標狀態(tài)變化和干擾引起的不穩(wěn)定性。

1多模型優(yōu)化的在線學(xué)習(xí)雷達目標跟蹤算法

1．1跟蹤-學(xué)習(xí)-檢測(TLD)算法框架作為一種全新的跟蹤架構(gòu)，TLD將跟蹤任務(wù)分為跟蹤、學(xué)習(xí)和檢測3個部分。通過引入P-N學(xué)習(xí)［6］，將單純的跟蹤器和檢測器聯(lián)系起來，利用目標更多的時間和空間的信息，使目標更加穩(wěn)定。

1．2基于多模型優(yōu)化的在線學(xué)習(xí)雷達目標跟蹤算法(MM-TLD)作為解決目標機動的有效方法，在目標的長時間跟蹤過程中，多模型針對不同的過程噪聲級建立不同模型，并將不同濾波結(jié)果經(jīng)由專家學(xué)習(xí)機制生成目標檢測分類器的輸入樣本。

1．2．1多模型跟蹤器多模型算法(MultipleModel，MM)［7］可以在目標運動模式的結(jié)構(gòu)和參數(shù)起伏很大的情況下利用不同的模型估計變化的運動參數(shù)，以適應(yīng)目標多種參數(shù)變化，減少目標跟丟的情況。對于雷達目標而言，掃描時所產(chǎn)生的屬性量測均可作為目標屬性特征建立目標的狀態(tài)向量X。

1．2．2檢測器目標檢測器采用了Adaboost算法［8］，利用一組串行的弱分類器級聯(lián)成一個強分類器。在對待識樣本分類時，前一級分類器判決為正樣本則送入后一級分類器，負樣本則直接輸出。每一級的分類器均判決為正的樣本作為正樣本輸出。

1．2．3學(xué)習(xí)器P-N學(xué)習(xí)是一個新的基于結(jié)構(gòu)化、未標記數(shù)據(jù)的學(xué)習(xí)訓(xùn)練方法。數(shù)據(jù)中的結(jié)構(gòu)被稱為正約束和負約束。正約束指定正樣本可接受特征。負約束指定負樣本可接受特征。具體實現(xiàn)步驟如下:首先以有監(jiān)督學(xué)習(xí)的方式利用被標注為正負樣本的目標學(xué)習(xí)訓(xùn)練一個初始的分類器。然后，將正樣本加入到正樣本庫內(nèi)，將負樣本訓(xùn)練分類器輸出給檢測器，檢測器根據(jù)輸入的新分類樣本把結(jié)果輸出給P-N專家學(xué)習(xí);P-N專家檢查分類結(jié)果，將漏檢目標更新到正樣本庫，將虛假檢測更新到負樣本庫，再次訓(xùn)練分類器，重復(fù)迭代直到滿足收斂條件為止。將P-N專家約束得到的結(jié)果送給跟蹤器，更新每個模型的概率。

2仿真實驗與結(jié)果分析

為了驗證本文算法在長時間雷達目標跟蹤過程中的魯棒性和穩(wěn)定性，實驗運用蒙特卡洛仿真方法仿真了多次長時間跟蹤的數(shù)據(jù)集，并對每一組數(shù)據(jù)采用了經(jīng)典的卡爾曼濾波算法和本文算法作對比。

3結(jié)束語

本文提出了一種基于在線學(xué)習(xí)的MM-TLD雷達目標跟蹤算法。該算法能夠在雜波環(huán)境中準確地對雷達目標進行長時間精確跟蹤。算法通過引入P-N學(xué)習(xí)，將目標檢測和目標跟蹤結(jié)合使用，在TLD架構(gòu)的基礎(chǔ)上利用多模型跟蹤器產(chǎn)生多個跟蹤訓(xùn)練正樣本，并利用P-N學(xué)習(xí)糾正模型中的錯誤，在跟丟情況下通過檢測器重新初始化跟蹤器成功在雜波環(huán)境中對雷達目標實現(xiàn)長時間穩(wěn)定跟蹤。相較于傳統(tǒng)的跟蹤方法，本文MM-TLD算法在保證實時性的基礎(chǔ)上目標跟丟率遠比傳統(tǒng)卡爾曼算法低，取得了更為精確而穩(wěn)定的跟蹤效果。

作者：耿利祥；尹曉燕；蔡文彬；李偉 單位：中國船舶重工集團公司第七二四研究所