基于多属性分类的雷达目标跟踪算法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2019年第38卷第12期
传感器与微系统(Transducer and Microsystem Technologies)
103
DOI： 10.13873/J. 1000-9787(2019)12-0103-04
基于多属性分类的雷达目标跟踪算法**
张宇轩，胡士强 (上海交通大学航空航天学院，上海200240)
ZHANG Yuxuan,HU Shiqiang (School of Aeronautics and Astronautics, Shanghai Jiao Tong University, Shanghai 200240, China)
Abstract: Traditional target tracking algorithms cannot effectively use the attribute information of the target・ Existing radar target tracking algorithms based on PN learning acquires too little target attribute information, so the filtering ability of these algorithms is still insufficient in the more complicated actual environment of clutter. Aiming at this problem, a target tracking filtering algorithm based on multi-attribute support vector machine ( SVM) classifier is proposed. On the basis of original PN learning algorithm, the algorithm widens the dimensions of data information obtained by radar system. These data reflect the characteristics of the target and clutter better, which making an improved ability of radar to recognize clutter. The Simulation experiment shows that the proposed algorithm effectively improves the precision of target tracking in a strong clutter environment. Keywords: target tracking； support vector machine(SVM) ； PN learning
传统的数据关联算法九幻由于计算量较大，组合爆炸 问题会影响跟踪的实时性。而基于随机有限集的方法®“ 把随机集内多目标的状态看成整体，避免了数据关联问题， 不过在杂波过多的复杂场景下依然存在漏检虚警的情况。 跟踪-学习-检测(tracking-leaming-detection, TLD )是 KALAL
摘 要：传统目标跟踪算法无法有效利用目标的属性信息，而已有的基于PN学习的雷达目标跟踪算法
获取目标属性信息过少,在杂波更为复杂的实际环境中仍然存在滤波能力不足的情形。针对这一问题，提
出基于SVM多属性分类器的目标跟踪滤波算法。该算法在原有的PN学习算法基础上，扩宽了系统获取
雷达数据信息的维度。这些数据更好地反映了目标和杂波的特征，使得雷达识别杂波的能力增强。仿真
0引言 无论在军事领域还是民用航空交通领域,雷达目标跟
踪技术都有着广泛的应用。现代社会科技不断发展，尤其 是各种电子技术飞速发展,推动了雷达跟踪精度的提升,随 之而来的是雷达跟踪需要面对的日益复杂的电磁环境。此 外，相关空域内的其他目标以及恶劣的天气也是干扰雷达 跟踪的主要因素。如何尽可能有效排除这些干扰带来的影 响,是提升雷达跟踪精度的重要方向之~ O
本文引入多属性分类算法，通过处理雷达获取目标的 多种特性参数，来改善已有算法在更为复杂更接近实际的 场景下的精度不足问题。本文基于TLD框架，以传统高斯 混合概率假设密度(Gaussian mixture PHD,GM-PHD)算 法⑺作为跟踪器，多属性分类器支持向量机(support vector machine,SVM)⑻作为检测器，同时加入PN学习过程。在
剪枝，以此实现目标跟踪的在线学习，提升杂波环境下的雷
达跟踪精度。
1多属性PN-PHD系统
Z⑹提出的一种目标跟踪框架，用于对视频中单个物体的 长时间跟踪。近年来已有基于这种框架的对雷达目标跟踪 算法做出的改进［⑶，但仅限于对雷达两个属性的利用。雷 达发射波在目标相互作用过程中会产生雷达目标散射波， 而通过对散射波的频率、相位、幅度等信息进行处理可以获 得对应跟踪目标的属性参数。在实际跟踪场景中，两个属 性信息不足以应对数量众多且复杂的杂波环境。
收稿日期：2018-10-24 *基金项目：航空基金资助项目(2014ZC07003,20142057006)
104
传感器与微系统
第38卷
GM-PHD算法基础上,引入雷达获取的目标与杂波的多种
属性信息,通过多属性分类器进行初步分类。而在PN学习
过程中，利用目标的时空时对PHD的错误估计进行
实验表明:该算法在强杂波环境下有效地提升了目标跟踪的精度。
关键词：目标跟踪；支持向量机；PN学习
中图分类号：TN953
文献标识码：B
文章编号：1000-9787(2019) 12-0103-04
Radar target tracking algorithm based on multi-attribute classification *
传感器与微系统(Transducer and Microsystem Technologies)
103
DOI： 10.13873/J. 1000-9787(2019)12-0103-04
基于多属性分类的雷达目标跟踪算法**
张宇轩，胡士强 (上海交通大学航空航天学院，上海200240)
ZHANG Yuxuan,HU Shiqiang (School of Aeronautics and Astronautics, Shanghai Jiao Tong University, Shanghai 200240, China)
Abstract: Traditional target tracking algorithms cannot effectively use the attribute information of the target・ Existing radar target tracking algorithms based on PN learning acquires too little target attribute information, so the filtering ability of these algorithms is still insufficient in the more complicated actual environment of clutter. Aiming at this problem, a target tracking filtering algorithm based on multi-attribute support vector machine ( SVM) classifier is proposed. On the basis of original PN learning algorithm, the algorithm widens the dimensions of data information obtained by radar system. These data reflect the characteristics of the target and clutter better, which making an improved ability of radar to recognize clutter. The Simulation experiment shows that the proposed algorithm effectively improves the precision of target tracking in a strong clutter environment. Keywords: target tracking； support vector machine(SVM) ； PN learning
传统的数据关联算法九幻由于计算量较大，组合爆炸 问题会影响跟踪的实时性。而基于随机有限集的方法®“ 把随机集内多目标的状态看成整体，避免了数据关联问题， 不过在杂波过多的复杂场景下依然存在漏检虚警的情况。 跟踪-学习-检测(tracking-leaming-detection, TLD )是 KALAL
摘 要：传统目标跟踪算法无法有效利用目标的属性信息，而已有的基于PN学习的雷达目标跟踪算法
获取目标属性信息过少,在杂波更为复杂的实际环境中仍然存在滤波能力不足的情形。针对这一问题，提
出基于SVM多属性分类器的目标跟踪滤波算法。该算法在原有的PN学习算法基础上，扩宽了系统获取
雷达数据信息的维度。这些数据更好地反映了目标和杂波的特征，使得雷达识别杂波的能力增强。仿真
0引言 无论在军事领域还是民用航空交通领域,雷达目标跟
踪技术都有着广泛的应用。现代社会科技不断发展，尤其 是各种电子技术飞速发展,推动了雷达跟踪精度的提升,随 之而来的是雷达跟踪需要面对的日益复杂的电磁环境。此 外，相关空域内的其他目标以及恶劣的天气也是干扰雷达 跟踪的主要因素。如何尽可能有效排除这些干扰带来的影 响,是提升雷达跟踪精度的重要方向之~ O
本文引入多属性分类算法，通过处理雷达获取目标的 多种特性参数，来改善已有算法在更为复杂更接近实际的 场景下的精度不足问题。本文基于TLD框架，以传统高斯 混合概率假设密度(Gaussian mixture PHD,GM-PHD)算 法⑺作为跟踪器，多属性分类器支持向量机(support vector machine,SVM)⑻作为检测器，同时加入PN学习过程。在
剪枝，以此实现目标跟踪的在线学习，提升杂波环境下的雷
达跟踪精度。
1多属性PN-PHD系统
Z⑹提出的一种目标跟踪框架，用于对视频中单个物体的 长时间跟踪。近年来已有基于这种框架的对雷达目标跟踪 算法做出的改进［⑶，但仅限于对雷达两个属性的利用。雷 达发射波在目标相互作用过程中会产生雷达目标散射波， 而通过对散射波的频率、相位、幅度等信息进行处理可以获 得对应跟踪目标的属性参数。在实际跟踪场景中，两个属 性信息不足以应对数量众多且复杂的杂波环境。
收稿日期：2018-10-24 *基金项目：航空基金资助项目(2014ZC07003,20142057006)
104
传感器与微系统
第38卷
GM-PHD算法基础上,引入雷达获取的目标与杂波的多种
属性信息,通过多属性分类器进行初步分类。而在PN学习
过程中，利用目标的时空时对PHD的错误估计进行
实验表明:该算法在强杂波环境下有效地提升了目标跟踪的精度。
关键词：目标跟踪；支持向量机；PN学习
中图分类号：TN953
文献标识码：B
文章编号：1000-9787(2019) 12-0103-04
Radar target tracking algorithm based on multi-attribute classification *