崔威威，黃孝鵬，2，姚　遠，匡華星

（1.中船重工第七二四研究所，南京　211153；2.海軍裝備研究院博士后科研工作站，北京　100161）

?

基于粒子濾波改進的VTS微弱目標檢測前跟蹤算法*

崔威威1，黃孝鵬1，2，姚遠1，匡華星1

（1.中船重工第七二四研究所，南京211153；2.海軍裝備研究院博士后科研工作站，北京100161）

摘要：艦船交通服務系統(tǒng)是民用雷達的信息集成系統(tǒng)，探測微弱目標存在RCS小、回波弱、雜波強等問題，導致信噪比低，難以實現(xiàn)有效檢測跟蹤?；诹Ｗ訛V波的檢測前跟蹤技術(shù)對低信噪比下微弱目標信息積累和探測有良好效果。通過采集單設備實測數(shù)據(jù)，構(gòu)建遺忘因子和收斂因子以增加重采樣的效率，引入虛擬采樣保持粒子的多樣性，提升粒子濾波對微弱目標的探測能力。仿真試驗表明，改進后的算法可實現(xiàn)艦船交通服務系統(tǒng)對微弱目標的有效探測，并能獲得較精準的目標狀態(tài)估計值。

關(guān)鍵詞：艦船交通服務系統(tǒng)，微弱目標，粒子濾波，檢測前跟蹤

0　引言

艦船交通服務（Vessel Traffic Services，VTS）系統(tǒng)是民用雷達的信息集成系統(tǒng)，在水面交通運輸監(jiān)視管理、海岸警戒防御、港務安全管理有著廣泛應用。浮標、無人機、隱身飛行器、小型漁船等微弱目標的探測技術(shù)是VTS系統(tǒng)的重要研究內(nèi)容，系統(tǒng)探測微弱目標時受地形、氣象水文變化影響，面臨著非線性、非高斯、非穩(wěn)態(tài)，目標密集度高，RCS特征復雜等挑戰(zhàn)，存在視頻回波信噪比低、強雜波條件下目標探測能力下降等問題。

傳統(tǒng)檢測后跟蹤（Track After Detection，TAD）算法在低信噪比情況下通常存在虛警率高，點航跡關(guān)聯(lián)算法復雜度增長現(xiàn)象，無法實現(xiàn)對微弱目標的有效探測［1 - 2］。檢測前跟蹤（Track Before Detection，TBD）算法直接使用傳感器原始數(shù)據(jù)，能夠滿足VTS微弱目標探測信息處理需求。目前，TBD理論和技術(shù)研究成果的積累，DSP、FPGA和PPC等高速信號處理器件的發(fā)展，以及磁盤陣列存儲能力的提升，有效支撐了TBD在VTS系統(tǒng)對微弱目標探測能力提升。

粒子濾波（Particle Filter，PF）基于蒙特卡羅隨機采樣理論，適合非線性、非高斯隨機系統(tǒng)，并具備易實現(xiàn)、目標狀態(tài)估計精度高等優(yōu)點，是實現(xiàn)TBD的主要技術(shù)途徑之一。其核心是從狀態(tài)空間中獲取一定數(shù)量的隨機樣本，當樣本數(shù)量足夠大時，粒子濾波能夠無限逼近目標狀態(tài)分布的真實概率密度，獲取目標狀態(tài)最優(yōu)估計。該方法已有大量理論和實踐成果［2-4］。

為解決基于PF實現(xiàn)的TBD算法應用中存在隨機因影響素粒子權(quán)重，重采樣沒有考慮粒子狀態(tài)收斂、粒子匱乏等問題，本文擬利用單設備采集的實測數(shù)據(jù)，構(gòu)建遺忘因子和收斂因子提升重采樣的效率，引入虛擬采樣保持粒子的多樣性，實現(xiàn)對微弱目標的有效探測。

1　粒子濾波的狀態(tài)轉(zhuǎn)移、運動模型、觀測模型

Salmond在2001年首次提出基于粒子濾波的標準檢測前跟蹤算法（PF-TBD）［5］，將目標是否存在加入到粒子狀態(tài)，結(jié)合狀態(tài)轉(zhuǎn)移矩陣、觀測模型，奠定了后續(xù)研究基礎［6-10，14-16］。

定義變量Ek，En=1、En=0分別表示k時刻目標出現(xiàn)、消失，目標存在的狀態(tài)轉(zhuǎn)移被建模為二元馬爾科夫鏈，轉(zhuǎn)移矩陣如下定義：

其中Pd、Pb分別表示目標出生、死亡的概率；當粒子進入或走出雷達監(jiān)視區(qū)域，將粒子的狀態(tài)設置為出生或死亡［5］。

在一定信噪比條件下，使用觀測模型描述觀測數(shù)據(jù)傳遞關(guān)系。假定在距離、多普勒和方位上分別存在Nr、Nd、Nb個單元，對于每個分辨單元（i，j，l），觀測值zni，j，l按照下式估計：

其中上式表示目標存在，下式表示目標不存在；Sn表示目標的粒子狀態(tài)，vni，j，l表示服從零均值、方差為σ2的獨立同分布瑞利背景噪聲，hijA（Sn）表示分辨單元受粒子Sn的影響程度：

式中R、D、B是與距離分辨率、多普勒分辨率和方位分辨率相關(guān)的常數(shù)，Lr、Ld、Lb是傳輸損失系數(shù)，rn、dn、bn可由粒子狀態(tài)向量線性部分計算得出：

假設背景噪聲服從高斯分布，那么單個像素目標在和不存在時觀測值似然函數(shù)分別按照下式定義：

2　基于粒子濾波改進的微弱目標檢測前跟蹤算法

Rutten在Salmond、Boers［4］等人的研究基礎上，于2004年提出了優(yōu)效粒子濾波檢測前跟蹤（EPF-TBD）［7］，將目標是否出現(xiàn)和目標狀態(tài)估計分離，使所有粒子都用于估計目標狀態(tài)；在其后續(xù)研究中，并指出EPF-TBD在濾波性能和效率方面均優(yōu)于Salmond的PF-TBD算法［8-9］。

結(jié)合Kalman濾波完成粒子狀態(tài)更新，實驗分析了EPF-TBD粒子初始化、采樣、權(quán)重計算和重采樣等各要素對粒子濾波效率性能的影響，特別針對原重采樣算法僅利用歸一化后的權(quán)重，沒有考慮單個粒子濾波收斂速度精度、隨機因素影響。基于粒子的收斂速度和精度可以濾波次數(shù)估計［11］以及遺忘因子能降低隨機性因素影響［12］，構(gòu)建收斂因子、遺忘因子來改善粒子濾波的重采樣效率，提高積累的檢測似然比和跟蹤精度。

本文引入遺忘因子降低隨機因素造成計算似然比波動現(xiàn)象，通過單步Markov加權(quán)計算得到n時刻目標的第i個粒子當前似然比檢測值［12］：

當w0=0.8、w1=8時，表示目標出現(xiàn)的過程；w0=8、w1=0.8時表示目標消失過程。計算可知ρ'最大取值0.673 6，對應ρ取值2.063 5，能保證檢測不延遲3個周期。

馬平認為［11］目標誤差估計可以按照下式進行估計：

其中：

對于慢速目標，狀態(tài)轉(zhuǎn)移矩陣Fn近似一個常數(shù)矩陣，本文以雷達天線周期T作為近似值：

由于觀測噪聲協(xié)方差矩陣Ri是一個區(qū)間數(shù)矩陣，對于一個有限次數(shù)的濾波過程，存在一個矩陣滿足，代入上式得到：

P0和初始化時粒子采樣的距離方位、雷達的觀測精度有關(guān)，協(xié)方差矩陣P-10及其特征值在迭代計算的過程中難以跟蹤分析；收斂因子應當只和當前粒子生存周期n、參數(shù)ε相關(guān)，本文按照下式定義收斂因子：

本文選取ε=1，重采樣時粒子的收斂因子和歸一化后權(quán)重相乘，將再次歸一化的結(jié)果作為重采樣的依據(jù)，提高重采樣的效率。

針對重采樣因復制權(quán)重高的粒子導致粒子匱乏，提出了虛擬采樣保持粒子多樣性。在重采樣時，記錄被重采樣的粒子存儲位置作為索引信息，重采樣結(jié)束后在沒有被索引的存儲位置初始化新生粒子，并將新生粒子的位置添加到索引信息，進而避免了粒子復制，保持粒子多樣性，其過程如圖1、圖2所示。

圖1　初始化索引

圖2　重采樣時更新索引空間

其中第1行矩形表示索引空間，第2行矩形為對應的粒子存儲空間；內(nèi)部包含圓環(huán)的存儲位置表示新生粒子；虛線箭頭表示新增加的索引，指向新生粒子。

3　仿真分析

本文采集當長江河道存在遮擋時VTS監(jiān)視大橋站Altlas雷達的30個周期視頻，分析EPF改進算法對微弱目標的檢測和跟蹤性能。

定義信噪比值為：

其中P是目標幅度值，PB表示背景噪聲均值，σ是背景噪聲方差根。本文選取的雷達視頻信噪比的值實時發(fā)生變化。

圖3　目標初始位置

圖4　第30個周期的位置

圖5　目標背景相對幅度值

圖6　VTS視頻信噪比

圖3和圖4表示目標初始運動的位置和第30個周期位置，其中x軸表示方位（分辨率0.15°），y軸表示距離（分辨率7.5 m）；圖5和圖6表示視頻內(nèi)目標的信噪比在1.6左右。

考慮到VTS面臨目標密度高、目標自主行駛、目標速度較慢等復雜實際運動情況，不易實現(xiàn)全程全方位目標檢測，本文在河道內(nèi)選取一塊區(qū)域進行目標檢測，在目標中心位置2.4°、60 m空間范圍和［-2.5，2.5］速度范圍內(nèi)均勻初始化粒子狀態(tài)，設置160個粒子，并選取河道內(nèi)一塊船只較少的區(qū)域統(tǒng)計背景噪聲均值和方差根。

選取積累信噪比（重采樣后粒子檢測似然比均值）和跟蹤精度作為算法主要評價指標，分別統(tǒng)計20次傳統(tǒng)EPF-TBD、改進后的EPF-TBD算法的指標均值進行比較，如圖7～圖9所示。

圖7　積累似然比值

圖8　方位誤差

圖9　距離誤差

圖10　跟蹤效果

由圖7可知，傳統(tǒng)EPF-TBD算法積累似然比值在2附近波動較大，積累效果不明顯。算法改進后歷經(jīng)15個周期似然比值在6附近波動，能穩(wěn)定判斷目標存在。由圖8和圖9可知，傳統(tǒng)EPF-TBD算法的方位、x-y坐標距離精度在1°、25 m波動。算法改進后的跟蹤精度隨著積累逐步提升，歷經(jīng)15個周期，方位、x-y坐標距離精度分別在0.4°、12 m波動。圖10顯示經(jīng)對比分析，改進算法后，微弱目標檢測能力得到明顯提升。

4　結(jié)論

為提升對微弱目標的探測能力，本文通過構(gòu)建收斂因子、遺忘因子、虛擬采樣對傳統(tǒng)算法進行改進，并利用實測數(shù)據(jù)驗證了改進算法對低信噪比下微弱目標探測效果明顯。由于強雜波環(huán)境或者交叉、追越、并行等復雜運動狀態(tài)下微弱目標的探測更為復雜，該算法的有效性有待進一步研究，同時其在動平臺、多平臺協(xié)同條件下對微弱目標的探測能力提升也有待深入探究。

參考文獻：

［1］樊玲.微弱目標檢測前跟蹤［D］.成都：電子科技大學，2014.

［2］龔亞信.基于粒子濾波的微弱目標檢測前跟蹤算法研究［D］.長沙：國防科技大學，2009.

［3］SALMOND D J. Mixture reduction algorithms for point and extended object tracking in clutter［J］. IEEE Transactions on Aerospace and Electronic Systems，2009，5（2）：667-685.

［4］BOERS Y，DRIESSEN H. Particle filter based track before detect algorithms［C］//Proceeding of SPIE 2003，Signal and Data Processing of Small Targets，2003：128-137.

［5］SALMOND D J，BIRCH H. A particle filter for track-before-detect［C］//Proceedings of the American Control Conference. Washington，USA，2001：3755-3760.

［6］BOERS Y，SALMOND D. Target tracking：algorithms and applications［J］. IEEE Proceedings Radar，Sonar and Navigation，2005，152（5）：289-290.

［7］RUTTEN M G，GORDON N J，MASKELL S. Particle-based track-before-detect in Rayleigh noise［C］//Proceedings of SPIE- Signal and Data Processing of Small Targets 2004，Orlando，F(xiàn)L，United States，2004：509-519.

［8］DAVEY S J，RUTTEN M G，B CHEUNG. A comparison of detection performance for several track-before-detect algorithms［J］. Eurasip Journal on Advances in Signal Processing，2007：22-37.

［9］DAVEY S J，RUTTEN M G. A comparison of three algorithms for tracking dim targets［C］//Proceedings of the Information，Decision and Control，2007：342-347.

［10］SALMOND D J. Mixture Reduction Algorithms for Point and Extended Object Tracking in Clutter［J］. IEEE Transactions on Aerospace and Electronic Systems，2009，45（2）：667-685.

［11］馬平.卡爾曼算法的濾波速度［J］.山東師大學報（自然科學版），1997，12（3）：127-132.

［12］田俊林，付承毓，唐濤，等.過程噪聲方差實時補償?shù)姆嵌ㄜ壞繕烁櫍跩］.光電工程，2012（1）：68-73.

［13］BOERS Y，DRIESSEN J N. A track before detect approach for extended objects［C］//Information Fusion，2006 9th International Conference on Digital Object Identifier，2006：1-7.

［14］DAVEY S J. Histogram PMHT with particles［C］//Proceedings of the 14th International Conference on Information Fusion Chicago，USA：ISIF，2011：779-786.

［15］HABTEMARIAM B K，THARMARASA R，KIRUBARAJAN T. Multi-target track before detect with MIMO radars

［C］//Proceedings of the IEEE Aerospace Conference，Big Sky，Montana，USA：IEEE，2010：1-9.

［16］朱瑞奇，齊乃新，張勝修，等.一種基于粒子濾波的改進紅外目標跟蹤算法［J］.四川兵工學報，2014，25（3）：133-136.

［17］梁新華，潘泉，楊峰，等.基于兩級采樣的粒子濾波檢測前跟蹤算法［J］.系統(tǒng)工程與電子技術(shù)，2011，33（9）：1921-1926.

An Improved PF- TBD Algorithm for VTS System Dim Objects Detection

CUI Wei-wei1，HUANG Xiao-peng1，2，YAO Yuan1，KUANG Hua-xing1
（1.No.724 Research Institute of CSIC，Nanjing 211153，China；2.Postdoctoral Research Station，Naval Academy of Armament，Beijing 100161，China）

Abstract：VTS（Vessel Traffic Services）system is a very important civil Radar surveillance furnishment，which is challenged by various problem especially when monitoring objects with small RCS in a low SNR or strong noise scene；Track before detection（TBD）algorithm based upon Particle filter （PF）takes advantage for its adaption in solving non-linear，non-Gaussian or unsteady state problems，especially when detecting and tracking dim object in a low SNR scene. In this paper synthetic sample strategy，fading factor and convergence factor are integrated to improve sampling performance and keep diversity of the particle. Analysis and experiment proves that this promoted algorithm can detect and track faint target in VTS radar video and approximate target’s status more precisely compared with original EPF-TBD algorithm at cost of a few more computing burden.

Key words：vessel traffic services system，dim target，particle filter，track before detection

中圖分類號：TP391

文獻標識碼：A

文章編號：1002-0640（2016）05-0141-04

收稿日期：2015-03-05修回日期：2015-04-07

*基金項目：船舶工業(yè)國防科技預研基金資助項目（13J3???）

作者簡介：崔威威（1987-），男，河南開封人，碩士，工程師。研究方向：雷達數(shù)據(jù)處理。