内容简介
水声目标跟踪是在水声目标探测基础之上,通过建立目标运动和观测模型,利用滤波技术和数据关联技术,实现虚警目标剔除、漏检数据补齐、目标批次划分以及目标状态滤波与平滑,是水下目标信息处理的关键技术。《水声目标跟踪理论与方法》简要介绍了目标跟踪的滤波理论及跟踪评价准则,详细论述了基于Rao-Blackwellized粒子滤波器的水声多目标跟踪、基于概率假设密度的多目标跟踪和基于粒子滤波的检测前跟踪等算法,昀后给出了基于单基阵纯方位目标运动分析以及多信息联合目标运动分析算法。
目录
目录
丛书序
自序
第1章目标跟踪概论1
1.1目标跟踪问题概述1
1.2目标跟踪算法的发展历程4参考文献16
第2章目标跟踪的滤波理论24
2.1贝叶斯滤波24
2.1.1离散空间模型24
2.1.2线性状态估计26
2.1.3贝叶斯定理在跟踪中的应用26
2.2状态运动模型27
2.2.1匀速模型27
2.2.2匀加速模型28
2.2.3Singer模型28
2.3目标方位变化规律30
2.4卡尔曼滤波34
2.4.1卡尔曼滤波推导34
2.4.2扩展卡尔曼滤波42
2.4.3扩展卡尔曼平滑45
2.4.4无迹卡尔曼滤波46
2.5粒子滤波48
2.5.1蒙特卡罗积分48
2.5.2贝叶斯重要性采样48
2.5.3序贯重要性采样51
2.5.4粒子滤波的退化现象和重采样51
vi水声目标跟踪理论与方法
2.5.5基于粒子滤波的状态估计52
2.5.6Rao-Blackwellized粒子滤波器53参考文献54
第3章多目标数据关联及跟踪评价准则55
3.1多目标数据关联方法55
3.1.1昀近邻数据关联55
3.1.2联合概率数据关联56
3.1.3多假设跟踪59
3.2多目标跟踪评价准则60参考文献61
第4章基于Rao-Blackwellized粒子滤波器的水声多目标跟踪62
4.1RBMCDA算法62
4.1.1Rao-Blackwellized粒子滤波器算法流程62
4.1.2RBMCDA算法原理64
4.1.3多观测值的扩展69
4.2改进的RBMCDA实时多目标跟踪算法71
4.2.1基于k时刻昀优粒子的RBMCDA多目标跟踪71
4.2.2基于密度聚类和RBMCDA的实时多目标跟踪72
4.3仿真实验78
4.3.1实验1:可行性验证实验80
4.3.2实验2:鲁棒性验证实验85参考文献90
第5章基于概率假设密度的多目标跟踪算法91
5.1基于随机有限集的多目标跟踪基础91
5.1.1随机有限集的定义91
5.1.2基于随机有限集的多目标跟踪模型95
5.1.3多目标贝叶斯滤波器98
5.2PHD滤波器98
5.2.1PHD滤波器原理98
5.2.2基于序贯蒙特卡罗实现的PHD算法99
5.2.3基于高斯混合实现的PHD算法101
目录vii
5.3基于观测驱动的标签GM-PHD算法多目标跟踪105
5.4仿真实验108
5.4.1实验1:CV模型下的多目标跟踪108
5.4.2实验2:机动目标的跟踪114参考文献117
第6章基于粒子滤波的检测前跟踪算法118
6.1水声阵列信号检测前跟踪基本理论118
6.1.1声呐线列阵信号模型118
6.1.2基于贝叶斯估计的目标跟踪框架120
6.1.3检测前跟踪算法122
6.1.4粒子滤波算法相关理论124
6.2基于被动声呐的粒子滤波单目标检测前跟踪算法128
6.2.1被动声呐目标信号源模型的建立128
6.2.2被动声呐量测模型的建立130
6.2.3空间谱量测似然函数模型134
6.2.4仿真实现140
6.3基于被动声呐的粒子滤波多目标检测前跟踪算法148
6.3.1*立分区粒子滤波算法148
6.3.2并行分区粒子滤波算法151
6.3.3联合权值假设检验方法153
6.3.4仿真实现159参考文献170
第7章单基阵纯方位目标运动分析171
7.1单基阵纯方位目标可观测性分析171
7.2LS-BOTMA算法与BCLS-BOTMA算法175
7.2.1LS-BOTMA算法175
7.2.2BCLS-BOTMA算法178
7.3算法评价准则180
7.3.1克拉默-拉奥下界180
7.3.2均方根误差181
7.4仿真结果182参考文献191
viii水声目标跟踪理论与方法
第8章多信息联合目标运动分析193
8.1多普勒频率-方位目标运动分析193
8.1.1多普勒频率-方位目标可观测性分析193
8.1.2伪线性多普勒频率-方位目标运动分析算法196
8.1.3克拉默-拉奥下界200
8.2双基阵目标运动分析203
8.2.1双基阵目标可观测性分析203
8.2.2双基阵目标参数无偏估计算法206
8.2.3克拉默-拉奥下界210
8.3仿真结果212
8.3.1多普勒频率-方位目标运动分析212
8.3.2双基阵目标运动分析220参考文献224
索引225
彩图
试读
第1章 目标跟踪概论
1.1 目标跟踪问题概述
海洋是全球生命支持系统的一个重要组成部分,也是人类社会可持续发展的宝贵财富。随着人类对陆地资源的开发所造成的人口、资源、环境之间矛盾的出现,各国纷纷把目光投向海洋,加快了对海洋的研究、开发和利用。无论在民用领域还是军事领域,水下目标运动分析都备受关注并且发挥着至关重要的作用。在民用领域,水下目标运动分析可用于水下捕鱼、探测冰山、海洋科考、搜索沉船和飞机残骸等。在军事领域,可用于舰载空海攻击系统、海岸监视系统、反水雷系统和反鱼雷系统等。在现代作战环境中,如何准确地发现并精确定位敌方目标,在瞬息万变的作战环境中尤为重要,因此开展水下目标运动分析理论的研究具有十分重要的应用价值和实际意义。
有效的检测和跟踪可以发现未知目标,估计未知目标的航迹是维护海洋权益的重要手段。但海洋环境不同于空气,电磁波在水中传输距离有限,无法作为水下的信号媒介,目前已知的唯一能在水下远距离传播的只有声波,因此,利用声波对水下目标进行有效的检测、跟踪,对于维护海洋权益十分重要。
在水下作战系统中,对目标进行探测、定位以及实施攻击是作战系统的三个重要环节。在水下目标运动分析中,只有准确的探测结果才能保证目标运动分析的精度,因此探测技术在水下作战系统中有着重要的意义。根据声呐系统的工作方式,探测技术可以分为主动探测和被动探测[1]。主动探测是指探测系统发射某种形式的声信号,利用信号在水下传播途中障碍物或目标反射的回波来进行探测。由于目标信息包含在回波中,所以可以根据接收到的回波信号来判断目标是否存在,并测量或估计目标的距离、方位、速度等参数[1]。由于主动探测系统发射声信号,因此容易暴露自身位置,这对于潜艇等依靠隐蔽性实施攻击的装备而言是致命的。被动探测是利用接收换能器基阵接收目标自身发出的噪声或信号来探测目标,与主动探测系统相比,被动探测系统是在本舰噪声背景下接收远场目标发出的噪声,以目标噪声作为信号,经远距离传播后信号变得十分微弱,因此被动探测系统往往工作在低信噪比情况下[2]。另外,受到复杂的水声信道及海洋环境影响,以目标辐射噪声作为声源的被动探测系统往往面临着高虚警情况,探测结果中存在较多野值,因此需要采用比主动探测更多的信号处理措施[2,3]。
由于水下多以声波作为信号媒介,因此水下目标的检测、跟踪多以声呐设备作为其工作基础。根据工作模式,声呐可分为主动声呐和被动声呐[4]。其中主动声呐通过自身发射的某种探测信号的回波时延和方向解算出目标的位置,自身的位置很容易暴露,甚至可能在探测到目标之前就被敌方发现,这对隐蔽型设备而言是致命的。相比于主动声呐,被动声呐不需要发射探测信号,而是以目标的发动机、螺旋桨等辐射噪声作为信号源,不易被发现,在军事领域中十分有利。被动声呐可结合自身机动信息估计目标方位并对目标进行定位。现代声呐的方位估计一般采用静态的波达方向估计,但在实际应用中,不仅量测数据中常常会有多个野值,而且在多目标场景中,为了实现方位与具体目标的一一对应,还需对前后时刻的目标方位进行批次划分。对于以上问题,虽然说人工进行分析和判断更智能,但也会大大降低系统的实时性,因此需要建立有效的被动声呐系统跟踪模型。
此外,由于海洋环境复杂及水声信道特殊,以目标辐射噪声作为信号源的被动声呐跟踪系统往往面临着高虚警问题[5],而且得到的往往是低信噪比的目标信号。这也使得目标的检测和跟踪变得十分困难,因此,需要声呐具有更强的检测和跟踪能力。
传统的检测后跟踪(detect-before-track,DBT)算法一般需对基带数据进行门限处理,大多仅保留超过门限的方位信息,然后通过批次划分以及滤波等处理,实现对目标的跟踪。由于采用门限处理,且一般仅保留方位信息,这使得算法在低信噪比和低信干比的情况下性能大幅下降。
为了提高声呐的检测和跟踪能力,除增加水听器数目、提高水听器灵敏度等措施外,还需从信号处理的角度来提高声呐的检测和跟踪能力。检测前跟踪(track-before-detect,TBD)不进行门限处理,直接利用原始数据进行检测和跟踪,可充分获取数据携带的信息,从而达到提高检测和跟踪能力的目的。
纵观历史,经济的发展、人类社会的进步都需要大量自然资源作为支撑,包括煤、石油、天然气、贵金属、稀土等资源。随着对海洋认知的加深和科学技术的发展,人类愈发认识到海洋资源的重要性。特别是陆地资源不断消耗、开发利用日趋极限,而海洋拥有地球上*丰富的资源,世界各国开始把注意力转移到资源丰富的海洋。
由于电磁波在水下衰减得很快,声波是目前可利用的*佳传播介质。声呐作为一种水下声学设备,是对水下目标进行探测、跟踪和定位,以及水声通信、水下目标识别、水下信息对抗的主要工具,无论是民用上的海洋资源开发,还是军事上的海洋权益争夺都离不开它[6]。声呐设备背后所依赖的是水声技术,我国水声技术的研究起步较晚,虽然经过几十年的不懈努力,取得了长足的进步,但是目前某些方面与发达国家还有一定差距。
无论是主动声呐还是被动声呐,其主要目的是获取目标的位置状态信息。目标探测作为声呐信号处理的最前端,能直接获得目标的方位、距离信息,由于受到噪声的干扰,目标检测结果存在一定的误差、虚警和漏检。在每一个信号处理帧,目标检测结果是无序的,只能估计出可能存在目标的方位(和距离);除此之外,目标检测技术是一种单帧处理技术,在时间上没有较大关联,前后处理帧的探测结果对应关系无法确知。
水下多目标跟踪正是在上述目标探测问题背景下,给出连续、精确的目标航迹的技术。它通过建立适当的运动和观测模型,利用滤波技术和数据关联技术,实现对虚警目标的剔除、对漏检数据的补齐、对目标批次的划分、对目标状态的滤波与平滑,是水下目标位置估计的关键技术。由于水声信道是一种复杂的时变空变信道,在噪声、多途、多普勒频移、混响的影响[7]下,目标检测结果有着高虚警率和高漏检率,相对于雷达跟踪,水下多目标跟踪技术条件更为恶劣。
当前海洋力量建设呈现多角度、全方位和立体化的趋势,不仅包括作战编队的建设,还包括以长基线、超短基线为代表的水下定位系统,以及实现自身导航和目标探测、跟踪及定位的水声软硬件建设。水下定位系统一般以浮标、潜标组成,通过多点量测获取目标方位、距离等信息以解算目标位置,是军事演习、武器测试以及海洋防御的重要手段。另外,随着自动化控制等技术的发展,水下无人平台成为新兴研究领域,其具有可在高危环境作业、人员伤亡小和造价相对较低等优势,逐渐成为一种具有威慑力的海洋装备。以美国、俄罗斯为代表的国家率先在该领域开展研究。
信号检测与估计主要在有噪声的系统中对接收的信号用统计推断理论判断信号存在与否并估计信号的参数。无论水下定位系统或是水下无人平台,对目标的“探测”均是*要任务之一。按照己方声呐是否发射声波信号,探测可以分为主动探测与被动探测。主动探测可以获取较多的目标信息,一般有回波方位与回波时延,可直接计算得到目标位置,不足之处在于主动发射声波容易造成自身的暴露,这对潜艇、水下无人平台等依靠隐蔽性增加威慑力的装备而言是致命的。被动探测不需要己方发射声波,依靠目标发动机、电机、螺旋桨等产生噪声作为声源进行探测,有利于保持自身隐蔽性,一般可以获取目标的方位信息。但是被动探测时一般无法直接估计目标位置,另外,受到复杂的水声信道及海洋环境影响,以目标辐射噪声作为声源的被动探测往往面临着高虚警情况,量测方位中存在较多野值,且探测只关注于目标方位的获取,在多目标时,前后时刻的量测值批次关系无法确知,需要人为地对探测结果进行分析和判断,大大降低无人系统和无人平台的实时性。多基阵量测时,即使人为参与也难以对多基阵量测的目标批次进行融合,从而无法将多基阵所量测的方位转化为目标位置。
通常检测到信号之后会利用阵列信号处理手段获取目标的来波方向,对目标进行方位估计,但信号检测过程和方位估计过程只能给出当前处理周期的目标方位,无法获取邻近周期的目标关联情况。多目标跟踪是指传感器同时定位多个目标,确定每个目标的轨迹、运动要素、目标个数等信息,实现多个目标的航迹起始、航迹维持和航迹终止。通常,跟踪系统处理的量测信息不是原始量测数据,而是检测系统和信号处理系统处理后的输出结果。
根据目标跟踪系统所用传感器数目的不同,目标跟踪可以分为单传感器跟踪(single-sensor tracking,SST)和多传感器跟踪(multiple-sensor tracking,MST)。
在单传感器跟踪中,根据所跟踪目标个数的不同,又可以分为单传感器单目标跟踪(one-to-one,OTO)和单传感器多目标跟踪(one-to-multiple,OTM)。多传感器跟踪可以分为多传感器单目标跟踪(multiple-to-one,MTO)和多传感器多目标跟踪(multiple-to-multiple,MTM)。相对来讲,OTO不需要复杂的数据关联和数据融合,其技术相对简单,而OTM、MTO及MTM涉及多目标之间的数据关联或多传感器之间的数据融合,技术比较复杂,实现难度大。
随着现代跟踪环境显著变化,跟踪系统设计遇到极大挑战,如海洋环境噪声引起的随机干扰,使得目标检测系统输出过多的杂波干扰,微弱信号经过检测系统之后时有时无,观测区域内目标个数随机变化,多目标观测时存在轨迹交叉现象,以及检测系统漏检,这些都是跟踪系统需要解决的问题[8]。
1.2 目标跟踪算法的发展历程
多目标跟踪技术无论在军事领域还是在民用领域均有广泛的应用,可以用于空中或海中的超视距多目标跟踪与攻击、空中航线交通管制、导弹防御系统、海洋环境监测、港口监视和机器视觉等。美国所使用的宙斯盾防御系统、战区导弹防御系统以及国家导弹防御系统都是多目标跟踪定位技术综合应用的典型例子。多目标跟踪问题的基本概念是由Wax[9]于1955年提出的,他提出了初始目标航迹形成、航迹维持、航迹消除的概念。1964年,Sittler[10]在包括数据关联等内容的多目标跟踪理论方面取得开创性进展,其发表的文章《监视理论中的*优数据关联问题》成为多目标跟踪的**文献。但当时卡尔曼滤波尚未普遍应用,采用的是一种航迹分裂法,即当目标的预测位置附近存在一个及以上量测值时,量测不能直接用于航迹更新,而是利用每一个量测对跟踪航迹进行分裂,计算每一航迹的似然函数,并与预先选定的阈值进行比较和取舍。这一开创性技术的发展很大程度上促进了目标跟踪技术的进步。在航迹起始和终结阶段,航迹分裂法得到了很好的应用,在目标和量测数稀疏状况下也适用于航迹更新,但是在目标密集的情况下对存储器和处理器的要求比较高,限制了航迹分裂法的应用范围。
20世纪70年代初卡尔曼滤波方法被用于多目标跟踪,其后多目标跟踪技术在各个方面的应用蓬勃展开。1971年,Singer等[11]提出了仅利用统计意义下与被跟踪目标预测状态*近回波作为目标回波的*近邻数据关联算法,其优点是计算量小、实现简单,但是在密集杂波环境下,由于离目标预测位置最近的量测数据未必一定来自该目标,易发生误跟、丢失目标的现象。1974年,Singer等[12]提出了一类全邻滤波器,它不仅考虑了全部有效回波空间累积信息,而且考虑了跟踪历史即多扫描相关时间累积信息,该方法效果较好,但计算更加复杂且计算量大。
1972年,Bar-Shalom等[13]提出概率数据关联(probabilistic data association,PDA)算法,它是一种基于贝叶斯公式的数据关联算法,此算法适用于单目标跟踪和稀疏多目标跟踪,其基本思想是关联区域内的每个有效回波都可能源于目标,只是其相应的关联概率有所不同,在基于所有候选回波对目标状态更新时,先分别计算出每个候选回波对目标状态更新的滤波值,并以相应的关联概率为权值,然后求出各候选回波对应滤波值的加权和,并将此加权和作为*