靳 標(biāo)，蘇 濤，李艷艷，張 龍

（西安電子科技大學(xué)雷達(dá)信號處理國家重點(diǎn)實(shí)驗(yàn)室，陜西西安 710071）

一種高分辨距離像輔助的多目標(biāo)跟蹤算法

靳 標(biāo)，蘇 濤，李艷艷，張 龍

（西安電子科技大學(xué)雷達(dá)信號處理國家重點(diǎn)實(shí)驗(yàn)室，陜西西安 710071）

傳統(tǒng)跟蹤方法僅利用目標(biāo)的位置信息進(jìn)行數(shù)據(jù)關(guān)聯(lián)，在處理多個(gè)目標(biāo)航跡接近或交叉的情況時(shí)容易產(chǎn)生航跡合并甚至誤跟的現(xiàn)象.筆者針對此問題提出一種高分辨距離像輔助的多目標(biāo)跟蹤算法.首先利用高分辨距離像的姿態(tài)敏感性對目標(biāo)姿態(tài)角進(jìn)行實(shí)時(shí)估計(jì)，然后將姿態(tài)角信息融合到目標(biāo)的觀測狀態(tài)中，構(gòu)建多維關(guān)聯(lián)波門，利用多維信息進(jìn)行數(shù)據(jù)關(guān)聯(lián)，從而將一個(gè)多目標(biāo)數(shù)據(jù)關(guān)聯(lián)的問題簡化為多個(gè)單目標(biāo)數(shù)據(jù)關(guān)聯(lián)的問題，最后采用概率數(shù)據(jù)關(guān)聯(lián)——不敏卡爾曼濾波器分別估計(jì)各個(gè)目標(biāo)的運(yùn)動(dòng)狀態(tài).仿真結(jié)果表明，通過對目標(biāo)高分辨距離像信息的充分利用，不僅可以降低多目標(biāo)數(shù)據(jù)關(guān)聯(lián)的復(fù)雜度，提高數(shù)據(jù)關(guān)聯(lián)的正確率，而且在姿態(tài)角信息的輔助下可以明顯提高目標(biāo)的跟蹤精度.

多目標(biāo)跟蹤；數(shù)據(jù)關(guān)聯(lián)；高分辨距離像；不敏卡爾曼濾波

雜波中的多目標(biāo)跟蹤一直是目標(biāo)跟蹤領(lǐng)域中的熱點(diǎn)和難點(diǎn)問題之一［1-3］，其關(guān)鍵在于解決量測來源的不確定性，即首先要確認(rèn)量測點(diǎn)跡是來自于雜波還是目標(biāo)，以及是來自于哪一個(gè)目標(biāo).目前比較具有代表性的多目標(biāo)跟蹤算法有多假設(shè)檢驗(yàn)（Multiple Hypothesis Test，MHT）和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Joint Probabilistic Data Association，JPDA）等算法［4-5］.MHT算法基于雷達(dá)多次掃描的數(shù)據(jù)，考慮了從起始時(shí)刻到當(dāng)前時(shí)刻所有量測值的組合情況.由于該算法需要計(jì)算所有假設(shè)分支的概率，而隨著時(shí)間的推移和雜波點(diǎn)個(gè)數(shù)的增加，假設(shè)分支的數(shù)目呈指數(shù)增長的趨勢，因此，MHT算法的計(jì)算量非常大［6］，無法滿足工程應(yīng)用的實(shí)時(shí)性要求.JPDA算法的計(jì)算量則相對較小，是雜波環(huán)境下對多目標(biāo)進(jìn)行數(shù)據(jù)關(guān)聯(lián)的有效算法.但是當(dāng)目標(biāo)個(gè)數(shù)較多或者量測點(diǎn)跡較多時(shí)，JPDA算法也會(huì)出現(xiàn)組合爆炸、計(jì)算量呈指數(shù)增長等問題［6-8］.為了減少JPDA算法的計(jì)算量，cheap-JPDA算法［6］和基于模糊C均值聚類的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Fuzzy Clustering Means Joint Probabilistic Data Association，F(xiàn)CM-JPDA）算法［7］分別利用經(jīng)驗(yàn)公式和隸屬度近似各個(gè)量測點(diǎn)跡與目標(biāo)的關(guān)聯(lián)概率，避免了確認(rèn)矩陣的拆分帶來的巨大運(yùn)算量，但是這兩種算法都是以犧牲數(shù)據(jù)關(guān)聯(lián)的正確率和跟蹤精度為代價(jià)的.關(guān)聯(lián)波門［5］技術(shù)則為實(shí)際工程應(yīng)用提供了一個(gè)良好的工具，其利用所跟蹤目標(biāo)的位置預(yù)測信息確定目標(biāo)的量測值在下一時(shí)刻出現(xiàn)的范圍.那么在數(shù)據(jù)關(guān)聯(lián)的過程中就可以只考慮此范圍內(nèi)的量測點(diǎn)跡，提高了數(shù)據(jù)關(guān)聯(lián)的效率.然而，當(dāng)多個(gè)目標(biāo)的航跡接近或者交叉時(shí)，相鄰目標(biāo)的關(guān)聯(lián)波門將會(huì)重疊，如果量測點(diǎn)跡落入重疊區(qū)域，就有可能出現(xiàn)航跡合并，甚至誤跟、失跟的情況.

隨著高分辨雷達(dá)技術(shù)的發(fā)展，近年來利用目標(biāo)的特征信息輔助跟蹤的方法越來越受到關(guān)注［9-13］，這些特征信息可以是目標(biāo)的雷達(dá)散射截面（Radar Cross Section，RCS）、高分辨距離像（High Resolution Range Profile，HRRP）或者逆合成孔徑雷達(dá)（Inverse Synthetic Aperture Radar，ISAR）圖像等.從本質(zhì)上而言，目標(biāo)的運(yùn)動(dòng)學(xué)信息和特征信息從不同空間反映了目標(biāo)當(dāng)前的狀態(tài)，融合目標(biāo)特征信息用于數(shù)據(jù)關(guān)聯(lián)，可以提高目標(biāo)的跟蹤性能，而跟蹤精度的提高又是獲得更加穩(wěn)健的特征和進(jìn)行目標(biāo)識別的基礎(chǔ).文獻(xiàn)［9-10］研究了目標(biāo)的RCS信息輔助多目標(biāo)跟蹤的方法，研究結(jié)果表明目標(biāo)的RCS對跟蹤性能的提升非常有限.而且由于目標(biāo)RCS具有起伏特性，如果在每一個(gè)觀測周期都利用RCS輔助目標(biāo)跟蹤，甚至?xí)苟嗄繕?biāo)的數(shù)據(jù)關(guān)聯(lián)性能下降.文獻(xiàn)［11-12］利用一階馬爾科夫模型來刻畫分類器的輸出結(jié)果，研究了分類信息輔助的多目標(biāo)跟蹤方法，取得了較好的效果.但是在大多數(shù)情況下，預(yù)知非合作目標(biāo)的類型和先驗(yàn)特征的條件較難滿足，而且此方法無法跟蹤多個(gè)同類目標(biāo)，因此，分類信息輔助目標(biāo)跟蹤的應(yīng)用受到一定的限制.文獻(xiàn)［13］在利用目標(biāo)HRRP信息輔助目標(biāo)跟蹤時(shí)，為了處理問題方便，將目標(biāo)的運(yùn)動(dòng)狀態(tài)信息與特征信息視為兩個(gè)相互獨(dú)立的量，將距離像信息用于表征不同的目標(biāo)或不同的目標(biāo)類型，從而輔助跟蹤過程中的數(shù)據(jù)關(guān)聯(lián)，以解決復(fù)雜環(huán)境下（特別是空間間隔較近或交叉運(yùn)動(dòng)）的多目標(biāo)跟蹤問題.然而，目標(biāo)的距離像是姿態(tài)敏感量［14］，即距離像會(huì)隨著目標(biāo)的運(yùn)動(dòng)狀態(tài)而變化，因此，二者并不是兩個(gè)簡單的獨(dú)立分量.事實(shí)上，距離像特征與目標(biāo)的運(yùn)動(dòng)狀態(tài)之間有著一定的內(nèi)在聯(lián)系［15］，這種聯(lián)系為距離像輔助多目標(biāo)跟蹤提供了潛在的可能，而且這種可能性不僅僅是輔助多目標(biāo)間的數(shù)據(jù)關(guān)聯(lián)，還有利于提高各個(gè)目標(biāo)的跟蹤精度.基于此，筆者提出一種HRRP信息輔助的多目標(biāo)跟蹤算法.與現(xiàn)有的研究不同，文中首先利用目標(biāo)的HRRP與運(yùn)動(dòng)狀態(tài)之間的相關(guān)性，快速估計(jì)出目標(biāo)的姿態(tài)角.然后將姿態(tài)角融合到目標(biāo)的觀測狀態(tài)向量中，構(gòu)建多維關(guān)聯(lián)波門以完成數(shù)據(jù)關(guān)聯(lián)過程.最后利用概率數(shù)據(jù)關(guān)聯(lián)——不敏卡爾曼濾波器（Probabilistic Data Association-Unscented Kalman Filter，PDA-UKF）分別對各個(gè)目標(biāo)的運(yùn)動(dòng)狀態(tài)進(jìn)行估計(jì).仿真結(jié)果表明，文中算法利用HRRP信息輔助多目標(biāo)跟蹤，不但提高了目標(biāo)密集區(qū)域數(shù)據(jù)關(guān)聯(lián)的正確率，降低了數(shù)據(jù)關(guān)聯(lián)的計(jì)算量，而且在目標(biāo)HRRP信息的輔助下提高了跟蹤精度.

1 利用HRRP估計(jì)目標(biāo)的姿態(tài)角

目標(biāo)的姿態(tài)角在不同的應(yīng)用場景中具有不同的定義及表達(dá)形式.高分辨雷達(dá)對空中目標(biāo)進(jìn)行觀測時(shí)，利用單個(gè)雷達(dá)的單次HRRP樣本只能得到目標(biāo)的指向與雷達(dá)視線之間的夾角，如圖1所示.假設(shè)目標(biāo)不發(fā)生機(jī)動(dòng)，即不存在攻角和側(cè)滑角時(shí)，目標(biāo)的速度方向與其指向是一致的.這樣，在非機(jī)動(dòng)情況下，可以將目標(biāo)的姿態(tài)角定義為速度矢量與其位置矢量的夾角，即其中，（x，y）和（?x，?y）分別為目標(biāo)的位置矢量和速度矢量.由于空中目標(biāo)的形狀一般都具有對稱性，因此，可以將姿態(tài)角的范圍限制為0°≤β≤180°.

圖1　姿態(tài)角的定義

圖2　姿態(tài)角估計(jì)方法流程圖

根據(jù)散射點(diǎn)模型理論［14］，高分辨距離像的各分量可認(rèn)為是由同一距離單元中多個(gè)散射點(diǎn)回波相關(guān)疊加而成的.HRRP信息反映了在一定的雷達(dá)視角內(nèi)，目標(biāo)上散射體（如機(jī)頭、機(jī)翼、機(jī)尾等）的RCS沿雷達(dá)視線的分布情況，體現(xiàn)了散射點(diǎn)的相對幾何關(guān)系.因此，HRRP信息含有目標(biāo)重要的結(jié)構(gòu)特征，反映了目標(biāo)的固有屬性.當(dāng)目標(biāo)相對于雷達(dá)視線的姿態(tài)角發(fā)生變化時(shí)，散射點(diǎn)之間的相對徑向距離發(fā)生變化，這會(huì)從兩個(gè)方面引起目標(biāo)HRRP的姿態(tài)敏感性:其一是子回波包絡(luò)的位移，其二是子回波間相位差變化.這種姿態(tài)敏感性也正是利用雷達(dá)一維距離像估計(jì)目標(biāo)姿態(tài)角的依據(jù).

文中采用模板匹配［16］的方法估計(jì)目標(biāo)的姿態(tài)角，具體流程如圖2所示.其基本步驟是:首先將目標(biāo)姿態(tài)角范圍按照所需精度分為M個(gè)區(qū)間，預(yù)先存儲(chǔ)各個(gè)區(qū)間的目標(biāo)HRRP模板.然后用實(shí)時(shí)得到的HRRP樣本同模板進(jìn)行匹配，按照一定的判別指標(biāo)，得到目標(biāo)的姿態(tài)角.需要指出的是，普通的模板匹配法必須將實(shí)時(shí)的HRRP樣本與模板庫中的每個(gè)模板逐個(gè)匹配以搜索最優(yōu)模板，因此，計(jì)算量巨大.實(shí)際上雷達(dá)在跟蹤狀態(tài)下得到目標(biāo)的運(yùn)動(dòng)狀態(tài)信息后，可以利用式（1）對目標(biāo)的姿態(tài)角進(jìn)行預(yù)估，這樣就可以在一個(gè)較小的范圍內(nèi)搜索最優(yōu)值，一方面可以節(jié)省計(jì)算量，另一方面可以剔除姿態(tài)角估計(jì)的野值.

2 姿態(tài)角信息輔助的多目標(biāo)跟蹤算法

2.1擴(kuò)展模型描述

假設(shè)跟蹤區(qū)域中有J個(gè)目標(biāo)，第j（j=1，2，…，J）個(gè)目標(biāo)在二維平面內(nèi)的狀態(tài)模型為

其中，I2為二維的單位矩陣，?代表Kronecher積，Δt為觀測間隔.狀態(tài)噪聲wjk～N（0，Qjk），其中

將目標(biāo)的姿態(tài)角信息加入到目標(biāo)的觀測狀態(tài)向量中，可以定義綜合觀測狀態(tài)為

2.2關(guān)鍵步驟分析與算法流程

關(guān)聯(lián)波門是數(shù)據(jù)關(guān)聯(lián)的重要底層支持技術(shù)，目標(biāo)跟蹤過程中只有進(jìn)入關(guān)聯(lián)波門的量測點(diǎn)跡才能成為候選回波.因此，關(guān)聯(lián)波門的設(shè)計(jì)直接影響數(shù)據(jù)關(guān)聯(lián)的性能，進(jìn)而影響多目標(biāo)的跟蹤性能.姿態(tài)角信息屬于目標(biāo)自身的運(yùn)動(dòng)特征，航向不同的目標(biāo)具有不同的姿態(tài)角，因此，可以將姿態(tài)角加入到目標(biāo)的觀測狀態(tài)中，重新構(gòu)建關(guān)聯(lián)波門，利用多維信息剔除無關(guān)點(diǎn)跡.算法原理在于目標(biāo)的HRRP信息具有姿態(tài)敏感性，利用目標(biāo)的HRRP信息可以獲取其運(yùn)動(dòng)狀態(tài)新一維的觀測數(shù)據(jù)，增加了觀測狀態(tài)向量的維數(shù).這樣就可以構(gòu)建多維關(guān)聯(lián)波門，利用多維信息分別篩選出各個(gè)目標(biāo)的有效量測，從而將一個(gè)多目標(biāo)數(shù)據(jù)關(guān)聯(lián)問題轉(zhuǎn)化為多個(gè)單目標(biāo)數(shù)據(jù)關(guān)聯(lián)的問題.如圖3所示，文中算法首先通過模板匹配法得到目標(biāo)的姿態(tài)角，然后將其加入目標(biāo)的觀測狀態(tài)，構(gòu)建多維關(guān)聯(lián)波門，快速準(zhǔn)確地篩選出各個(gè)目標(biāo)的有效量測，最后再對每個(gè)目標(biāo)分別采用PDA-UKF算法［4-5］估計(jì)其運(yùn)動(dòng)狀態(tài).同時(shí)，目標(biāo)的運(yùn)動(dòng)狀態(tài)估計(jì)結(jié)果可以用來預(yù)測下一時(shí)刻姿態(tài)角的范圍，以輔助姿態(tài)角的估計(jì).文中算法的關(guān)鍵在于多維關(guān)聯(lián)波門的構(gòu)建以及有效量測的篩選.接下來對此步驟予以詳細(xì)說明.

圖3　文中算法流程框圖

圖4　多維關(guān)聯(lián)波門的示意圖

傳統(tǒng)的關(guān)聯(lián)波門只利用目標(biāo)的位置信息預(yù)測目標(biāo)的觀測值可能出現(xiàn)的范圍，當(dāng)多個(gè)目標(biāo)的航跡接近或交叉時(shí)，相鄰目標(biāo)的關(guān)聯(lián)波門將會(huì)重疊.如果量測點(diǎn)跡進(jìn)入重疊區(qū)域，就有可能發(fā)生航跡合并或誤跟等現(xiàn)象.文中將目標(biāo)的HRRP樣本對應(yīng)的姿態(tài)角加入目標(biāo)的觀測向量中，構(gòu)建多維關(guān)聯(lián)波門，利用多維信息可以將重疊區(qū)域的量測點(diǎn)跡進(jìn)行有效篩選.如圖4所示，在利用多維關(guān)聯(lián)波門后，原來兩個(gè)關(guān)聯(lián)波門重疊區(qū)域的量測點(diǎn)跡z3即可正確關(guān)聯(lián).由于觀測模型式（7）的非線性程度較高，文中采用濾波精度較好的UKF［5，17］算法，可以得到綜合量測的預(yù)測值，即目標(biāo)j的多維關(guān)聯(lián)波門中心為

利用多維關(guān)聯(lián)波門分別對各個(gè)目標(biāo)的量測點(diǎn)跡進(jìn)行確認(rèn)后，一個(gè)多目標(biāo)數(shù)據(jù)關(guān)聯(lián)問題就簡化為多個(gè)單目標(biāo)數(shù)據(jù)關(guān)聯(lián)的問題，然后再對各個(gè)目標(biāo)分別使用PDA-UKF算法，即利用目標(biāo)的綜合狀態(tài)信息計(jì)算關(guān)聯(lián)概率，并進(jìn)行狀態(tài)更新.PDA-UKF算法是較成熟的雜波中單目標(biāo)跟蹤算法，由于篇幅有限，具體算法流程不再贅述，讀者可以參考文獻(xiàn)［4-5］.

3 仿真結(jié)果及分析

以二維跟蹤場景中航跡發(fā)生交叉的3個(gè)勻速直線運(yùn)動(dòng)目標(biāo)為跟蹤對象，將文中算法與傳統(tǒng)只利用目標(biāo)位置信息進(jìn)行數(shù)據(jù)關(guān)聯(lián)的JPDA算法（以下簡稱傳統(tǒng)JPDA算法）及其改進(jìn)算法，即cheap-JPDA算法［6］和FCM-JPDA算法［7］進(jìn)行了對比.

表1對比了文中算法和3種傳統(tǒng)算法的各項(xiàng)跟蹤性能指標(biāo).圖5以目標(biāo)1為例，給出了兩種算法在0～60 s內(nèi)（在此時(shí)間段內(nèi)，兩種跟蹤算法均未發(fā)生失跟情況）的距離和速度跟蹤的均方根誤差.其他兩個(gè)目標(biāo)的跟蹤均方根誤差結(jié)果類似，限于篇幅的原因，此處予以省略.傳統(tǒng)JPDA算法只利用目標(biāo)的位置信息構(gòu)建關(guān)聯(lián)波門，在目標(biāo)航跡發(fā)生交叉的情況下，數(shù)據(jù)關(guān)聯(lián)的效率較低.cheap-JPDA算法和FCM-JPDA算法分別利用經(jīng)驗(yàn)公式和隸屬度近似關(guān)聯(lián)概率，避免了傳統(tǒng)JPDA算法中對確認(rèn)矩陣的拆分，降低了運(yùn)算量，但是也犧牲了數(shù)據(jù)關(guān)聯(lián)的正確率和跟蹤精度，如表1所示.而文中算法利用目標(biāo)的特征信息輔助跟蹤，將目標(biāo)的姿態(tài)角加入到觀測狀態(tài)向量中，構(gòu)建多維關(guān)聯(lián)波門以篩選有效量測，降低了失跟率.表1中也給出了文中算法和傳統(tǒng)JPDA算法單次Monte-Carlo仿真的運(yùn)行時(shí)間.計(jì)算機(jī)仿真環(huán)境為3.2 GHz主頻，4 GB內(nèi)存，Windows 7操作系統(tǒng)，Matlab R2008b仿真軟件.傳統(tǒng)JPDA算法的關(guān)鍵步驟在于可行矩陣的確認(rèn)及其權(quán)值的計(jì)算，當(dāng)目標(biāo)個(gè)數(shù)較多或者量測點(diǎn)跡較多時(shí)，將出現(xiàn)組合爆炸、計(jì)算量呈指數(shù)增長等問題.筆者利用多維信息篩選有效量測，大大減少了進(jìn)入關(guān)聯(lián)波門的量測個(gè)數(shù)，從而減少了運(yùn)算量，提高了多目標(biāo)跟蹤算法的實(shí)時(shí)性.同樣，從表1和圖5可以看出，文中算法的跟蹤精度也大大提高.這是因?yàn)槲闹兴惴尤肓四繕?biāo)姿態(tài)角的估計(jì)，多了一維運(yùn)動(dòng)狀態(tài)觀測信息，提高了目標(biāo)位置和速度的跟蹤精度。

表1　文中算法與3種傳統(tǒng)算法的跟蹤性能比較

圖5　不同跟蹤算法對目標(biāo)1的跟蹤精度對比

4 結(jié) 論

傳統(tǒng)基于目標(biāo)位置信息的關(guān)聯(lián)波門技術(shù)在處理目標(biāo)航跡接近或交叉的問題時(shí)，容易出現(xiàn)航跡合并甚至錯(cuò)跟的現(xiàn)象，文中針對此問題提出了一種高分辨距離像輔助多目標(biāo)跟蹤的算法.與之前的研究不同，筆者首先利用目標(biāo)HRRP信息的姿態(tài)敏感性，用模板匹配法得到目標(biāo)HRRP樣本對應(yīng)的姿態(tài)角，然后將目標(biāo)的姿態(tài)角信息加入狀態(tài)觀測向量中，構(gòu)建多維關(guān)聯(lián)波門，利用多維信息篩選有效量測，從而降低了失跟率，同時(shí)也減少了算法運(yùn)算量，提高了跟蹤精度.

由于文中算法的數(shù)據(jù)關(guān)聯(lián)正確率和跟蹤精度與目標(biāo)的姿態(tài)角有著很大關(guān)系，當(dāng)多個(gè)目標(biāo)的航跡接近且平行飛行時(shí)，各目標(biāo)的姿態(tài)角相同，這時(shí)文中算法的跟蹤性能將受到一定的限制.

［1］MALLICK M，VO B，KIRUBARAJAN T，et al.Introduction to the Issue on Multitarget Tracking［J］.IEEE Journal of Selected Topics in Signal Processing，2013，7（3）:373-375.

［2］GONG J，F(xiàn)AN G，YU L，et al.Joint Target Tracking，Recognition and Segmentation for Infrared Imagery Using a Shape Manifold-based Level Set［J］.Sensors，2014，14:10124-10145.

［3］ZHANG P，LIN Y.Adaptive Data Association Prior Estimation for Target Tracking Based on Sequential Monte Carlo Filter［J］.Journal of Computational Information Systems，2014，10（11）:4803-4810.

［4］CHALLA S，MORELANDE M R，MUSICKI D，et al.Fundamentals of Object Tracking［M］.Cambridge:Cambridge University Press，2011:22-60.

［5］何友，修建娟，張晶煒，等.雷達(dá)數(shù)據(jù)處理及應(yīng)用［M］.2版.北京:電子工業(yè)出版社，2009:129-147.

［6］BAR-SHALOM Y，BLAIR W D.Multitarget-multisensor Tracking Applications and Advances，VolumeⅢ［M］. Boston:Artech House，2000:161-197.

［7］張剛，廖陽，劉強(qiáng).一種改進(jìn)的基于FCM的目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)算法［J］.空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，11 （1）:36-39. ZHANG Gang，LIAO Yang，LIU Qiang.An Improved Multi-target Tracking Data Association Algorithm Based on FCM［J］.Journal of Air Force Engineering University（Natural Science Edition），2010，11（1）:36-39.

［8］王芝，徐曉濱，劉偉峰，等.兩類典型多目標(biāo)跟蹤算法性能分析與比較［J］.電子與信息學(xué)報(bào)，2010，32（7）:1633-1637. WANG Zhi，XU Xiaobin，LIU Weifeng，et al.Performance Analysis and Comparison of Two Classic Algorithms in Multi-target Tracking［J］.Journal of Electronics&Information Technology，2010，32（7）:1633-1637.

［9］EHRMAN L M，BLAIR W D.Using Target RCS When Tracking Multiple Rayleigh Targets［J］.IEEE Transactions on Aerospace and Electronic Systems，2010，46（2）:701-716.

［10］EHRMAN L M，BLAIR W D.Impact of Noncoherent Pulse Integration on RCS-assisted Tracking［J］.IEEE Transactions on Aerospace and Electronic Systems，2009，45（4）:1573-1579.

［11］BAR-SHALOM Y，KIRUBARAJAN T，GOKBERK C.Tracking with Classification-aided Multiframe Data Association ［J］.IEEE Transactions on Aerospace and Electronic Systems，2005，41（3）:868-878.

［12］MEI W，SHAN G，LI X R.Simultaneous Tracking and Classification:a Modularized Scheme［J］.IEEE Transactions on Aerospace and Electronic Systems，2007，43（2）:581-599.

［13］HONG L，CUI N，PRONOBIS M，et al.Local Motion Feature Aided Ground Moving Target Tracking with GMTI and HRR Mmeasurement［J］.IEEE Transactions on Automatic Control，2005，50（1）:127-133.

［14］吳順君，梅曉春.雷達(dá)信號處理和數(shù)據(jù)處理技術(shù)［M］.北京:電子工業(yè)出版社，2008:315-323.

［15］祝依龍，范紅旗，付強(qiáng)，等.雷達(dá)目標(biāo)特征信號與運(yùn)動(dòng)模式的相關(guān)性研究［J］.中國科學(xué):信息科學(xué)，2012，42（7）:907-922.ZHU Yilong，F(xiàn)AN Hongqi，F(xiàn)U Qiang，et al.Relationship between Radar Target Signatures and Motion Modes［J］. Science China:Information Science，2012，42（7）:907-922.

［16］樊建鵬，范紅旗，盧再奇.基于高分辨距離像的目標(biāo)姿態(tài)角估計(jì)算法［J］.系統(tǒng)工程與電子技術(shù)，2012，34（12）:2413-2417.FAN Jianpeng，F(xiàn)AN Hongqi，LU Zaiqi.Pose Estimation Algorithm Based on High Range Resolution Profile［J］. Systems Engineering and Electronics，2012，34（12）:2413-2417.

［17］張凱，單甘霖，吉兵，等.基于姿態(tài)角輔助非線性濾波算法的機(jī)動(dòng)目標(biāo)跟蹤［J］.電子學(xué)報(bào)，2012，40（8）:1670-1675. ZHANG Kai，SHAN Ganlin，JI Bing，et al.Maneuvering Targets Tracking Based on Pose-aided Nonlinear Filter Algorithm［J］.Acta Electronica Sinica，2012，40（8）:1670-1675.

（編輯:李恩科）

Multi-target tracking algorithm aided by a high resolution range profile

JIN Biao，SU Tao，LI Yanyan，ZHANG Long
（National Key Lab.of Radar Signal Processing，Xidian Univ.，Xi’an 710071，China）

When the tracks of the multi-target get approached or crossed，it is easy to lead to combining or even to get wrong tracks for the traditional tracking methods，since the traditional methods only utilize the information on the target position to finish the data association.Aiming at this problem，a multi-target tracking algorithm aided by the high resolution range profile（HRRP）is proposed in this paper.Firstly，the target attitude angle is estimated in real time on the principle that the HRRP is sensitive to the attitude angle.And then the attitude angle is added to the target measurement state to construct a multi-dimension correlating gate.The data association is accomplished with the multi-dimension information.So the problem of multi-target data association is simplified to multiple sub-problems of data association for a single target.Finally，each target motion state is estimated by the probabilistic data association-unscented Kalman filter（PDA-UKF）.Simulation results reveal that the computing complexity is reduced，and that the correct probability of data association is improved by using the target HRRP on the one hand.On the other hand，the tracking accuracy is improved with the aid of the target attitude angle.

multi-target tracking；data association；high resolution range profile（HRRP）；unscented Kalman filter（UKF）

TN953

A

1001-2400（2016）01-0001-06

10.3969/j.issn.1001-2400.2016.01.001

2014-09-22 網(wǎng)絡(luò)出版時(shí)間：2015-04-14

國家自然科學(xué)基金資助項(xiàng)目（61271291，61201285）；新世紀(jì)優(yōu)秀人才支持計(jì)劃資助項(xiàng)目（NCET-09-0630）；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃資助項(xiàng)目（2012JM8015）；陜西省教育廳專項(xiàng)計(jì)劃資助項(xiàng)目（12JK0530，12JK0557）；中國博士后科學(xué)基金資助項(xiàng)目（2013 M542329）

靳 標(biāo)（1986-），男，西安電子科技大學(xué)博士研究生，E-mail:jinpuresky@hotmail.com.

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1076.TN.20150414.2046.001.html