1 目标跟踪问题

第一章 目标跟踪基本原理与机动目标模型

1.1 引言

目标跟踪问题作为科学技术发展的一个方面，设计的主要目的是可靠而精确的跟踪目标，其历史可以追溯到第二次世界大战前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候、之后各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。

传统的跟踪系统是一对一系统，即一个探测器仅连续地瞄准和跟踪一个目标。随着科学技术的进步和现代战略战术的发展，人们发现提出新的目标跟踪概念和体制是完全可能的，在过去20多年中，多目标跟踪的理论和方法已经获得很大发展，并已成为当今国际上十分活跃的热门研究领域之一，有些成果也已付诸于工程实际。 简单地说，目标跟踪问题可以划分为下列四类：

一个探测器跟踪一个目标 （OTO ）

一个探测器跟踪多个目标 （OTM ）

多个探测器跟踪一个目标 （MTO ）

多个探测器跟踪多个目标 （MTM ）

1.2 目标跟踪的基本原理

1.2.1 单机动目标跟踪基本原理

发展现代边扫描边跟踪（TWS ）系统的目的是，仅在一个探测器条件下同时跟踪多个目标。然而，为达此目的，边扫描边跟踪系统必须首先很好地跟踪单个目标。一般地说，常速直线运动目标的跟踪与估计问题较为简单，而且易于处理。困难的情况表现在被跟踪目标发生机动，即目标速度的大小和方向发生变化的场合。

图1.1为单机动目标跟踪基本原理框图。图中目标动态特性由包含位置、速度和加速度的状态向量X 表示，量测（观测）量Y 被假定为含有量测噪声V 的状态向量

的线性组合（HX ＋V ）；残差（新息）向量d 为量测（Y ）与状态预测量))1((k

k X H +∧之差。我们约定，用大写字母X,Y 表示向量，小写字母x,y 表示向量的分量。一般情况下，单机动目标跟踪为一自适应滤波过程。首先由量测（观测）量（Y ）和状态预测量))1((k

k X H +∧构成残差（新息）向量d ，然后根据d 的变化进行机动检测或者机动辨识．其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机动特性，最后由滤波算法得到目标的状态估计值和预测值，从而完成单机动目标跟踪功能。

图1.1 单机动目标跟踪基本原理框图

1.2.2 单机动目标跟踪基本要素

单机动目标跟踪基本要素主要包括量测数据形成与处理，机动目标模型，机动检测与机动辨识，滤波与预测以及跟踪坐标系和滤波状态变量的选取。现分别简述之。

1.2.2.1 量测数据形成与处理

量测数据通常指来自探测器输出报告的所有观测量的集合。这些观测量一般包括目标运动参数，如位置和速度，目标属性，目标类型，数目或形成以及获取量测量的时间序列等。在单机动目标跟踪技术中，量测数据主要指目标运动学参数。

量测数据既可以等周期获取，也可以变周期获取。在实际问题中常常遇到等速率数据采集。量测数据大多含有噪声和杂波（多目标检测情况），为了提高目标状态估计精度，通常采用数据预处理技术以提高信噪比。目前常用的方法有数据压缩，包括等权和变权预处理以及量测资料中野值的剔除方法等技术。

1.2.2.2 机动目标模型

众所周知，估计理论特别是卡尔曼滤波理论要求建立数学模型来描述与估计问题有关的物理现象。这种数学模型应把某一时刻的状态变量表为前一状态变量的函数。所定义的状态变量应为能够全面反应系统动态特性的一组维数最少的变量。一般地，状态变量与系统的能量有关，譬如在目标运动模型中，状态变量中所包含的位置元素与势能有关，速度元素与动能有关。

在目标模型构造过程中，考虑到缺乏有关目标运动的精确数据以及存在着许多不可预测的现象，如周围环境的变化及驾驶员主观操作等，只是需要引入状态噪声的概念。当目标作匀速直线运动时，加速度常常被看作是具有随机特性的扰动输入（状态噪声），并假设其服从零均值白色高斯分布，这时，卡尔曼滤波可直接使用。当目标发生诸如转弯或逃避等机动现象时，上述假设则不尽合理，机动加速度变成为非零

均值时间相关的有色噪声。此时，为满足滤波需要常常采用白化噪声和状态增广方法。

机动目标模型除了考虑加速度非零均值时间相关噪声假设外，还要考虑加速度的分布特性。客观上，要求加速度函数应尽可能的描述目标机动的实际情况。从目前的机动目标模型来看，所有建模方法均考虑了目标发生机动的可能性，并建立了一种适合任何情况和任何类型目标的机动模型，我们称这种模型为全局统计模型，其典型代表是传统的Singer模型。然而，根据全局统计模型思想，每一种具体战术情况下的每一种具体机动在总的统计模型中的发生概率势必很小，也就是说，每一种具体战术情况下的机动模型的精度不可能足够高。因此，考虑目标当前时刻机动可能性是十分可取的，由此建立的模型称为机动目标“当前”统计模型。该模型是后面各种跟踪算法的基础，理论分析和计算机仿真证明此模型优于全局统计模型。

当然，关于加速度的分布函数，除了均匀分布（Singer模型）和修正瑞利分布（“当前”统计模型）外，有人还采用其它分布如正态分布等。我们认为，无论采取何种分布函数，只要能更为真实的反应目标的机动实际，就是可取的。

1.2.2.3 机动检测与机动辨识

机动检测与机动辨识是两种机动决策机制。如果目标出现机动，根据此机制即可确定出机动的发生时刻，估计出实际的机动参数譬如机动强度和持续时间等。

一般地，滤波过程以所假定的目标模型为基础。当目标发生机动时，实际的目标动态特性将与模型描述的不一致，从而导致跟踪误差增大，残差（新息）过程发生急剧变化。通过检测残差过程，即可对目标的机动作出某些检测，这就是机动检测决策机制的基本思想。而机动强度则靠机动模型来设定。机动检测常常发生决策滞后现象。

机动辨识是一种比机动检测更为有效的决策机制，它不仅能够确定出机动发生时刻及持续时间，而且能够实时辨识出机动（加速度）强度或大小。机动辨识的作用方式为或者由残差过程辨识出机动加速度幅度，或者根据滤波过程实时估计和预测出机动加速度大小。机动辨识的典型范例是机动目标“当前”统计模型及其自适应跟踪算法的应用。

1.2.2.4 自适应滤波与预测

滤波与预测是跟踪系统的基本要素，也是估计当前和未来时刻目标运动参数如位置、速度和加速度的必要技术手段。

当目标作非机动运动时，采用基本的滤波和预测方法即可很好地跟踪目标。这些方法主要有线性自回归滤波，α-β或α-β-γ滤波以及卡尔曼滤波等。

在实际跟踪过程中，目标往往发生机动，这时采用上述基本滤波与预测方法和机动目标模型已不能满足问题的求解，跟踪滤波器常常出现发散现象。有效的解决办法是应用基于卡尔曼滤波的各种自适应滤波与预测方法。这些方法主要有以下几种：

(1)重新启动滤波增益序列；

(2)增大输入噪声的方差；

(3)增大目标状态估计的协方差矩阵；