郭云飛，張峰

（杭州電子科技大學(xué)通信信息傳輸與融合技術(shù)國防重點(diǎn)學(xué)科實(shí)驗(yàn)室，杭州310018）

基于QIPF的弱目標(biāo)檢測前跟蹤算法*

郭云飛，張峰

（杭州電子科技大學(xué)通信信息傳輸與融合技術(shù)國防重點(diǎn)學(xué)科實(shí)驗(yàn)室，杭州310018）

針對低信噪比條件下弱目標(biāo)檢測跟蹤問題，提出一種擬蒙特卡羅智能粒子濾波檢測前跟蹤算法（Quasi-MonteCarloIntelligentParticleFilterTrack BeforeDetect，QIPF-TBD）。首先，該算法采用擬蒙特卡羅技術(shù)改善探測空間中粒子分布的均勻性；其次，通過對更新階段的粒子進(jìn)行交叉變異等操作，提高粒子重采樣之后的多樣性。與同類算法的仿真分析表明，所提方法能有效改善低信噪比目標(biāo)的檢測概率和跟蹤精度。

弱目標(biāo)，檢測前跟蹤，智能粒子濾波，擬蒙特卡羅

0　引言

低信噪比下弱目標(biāo)的檢測和跟蹤是光學(xué)、紅外及雷達(dá)系統(tǒng)亟待解決的關(guān)鍵問題之一。檢測前跟蹤技術(shù)（Track BeforeDetect，TBD）通過多幀原始數(shù)據(jù)積累，以時(shí)間換取能量，達(dá)到檢測和跟蹤低信噪比目標(biāo)的目的。典型的TBD算法主要有霍夫變換（Hough Transform，HT）［1］，動態(tài)規(guī)劃（Dynamic Programming，DP）［2］以及粒子濾波（Particle Filtering，PF）［3］等，其中基于PF的TBD算法（記為PF-TBD）由于具有遞歸方法良好的實(shí)時(shí)性，引起了國內(nèi)外學(xué)者的廣泛關(guān)注［3-7，11］。

文獻(xiàn)［3,6］提出了在雷達(dá)和紅外系統(tǒng)的PF-TBD實(shí)現(xiàn)方法，文獻(xiàn)［5］中指出傳統(tǒng)PF-TBD算法面臨著粒子多樣性匱乏這一問題。文獻(xiàn)［7，10］利用擬蒙特卡羅（Quasi-Monte Carlo，QMC）方法使得隨機(jī)分布更加均勻的優(yōu)點(diǎn)，將其應(yīng)用于PF-TBD問題中，解決了粒子多樣性匱乏的問題。QMC方法也可用于改善遺傳算法中的種群分布［9］。文獻(xiàn)［8］將遺傳算法用在PF算法中，為解決粒子多樣性匱乏的問題提供了新的思路。

為了解決傳統(tǒng)PF-TBD算法中存在的粒子分布不均勻和粒子多樣性匱乏的問題，本文提出了基于擬蒙特卡羅的智能粒子濾波檢測前跟蹤算法（Quasi-Monte Carlo Intelligent Particle Filter Track BeforeDetect，QIPF-TBD），該算法使得粒子分布比傳統(tǒng)偽隨機(jī)方法得到的粒子分布更加均勻，并對于權(quán)重小的粒子進(jìn)行交叉變異，不僅有效地解決了粒子濾波多樣性匱乏的問題，并且在保證檢測與跟蹤性能的同時(shí)減少粒子數(shù)，降低了計(jì)算量，提高了算法的實(shí)時(shí)性能。

1　檢測前跟蹤建模

設(shè)k時(shí)刻的目標(biāo)狀態(tài)xk為，其中（xk，yk）為k時(shí)刻目標(biāo)在x，y方向的位置為k時(shí)刻目標(biāo)在x，y方向的速度。

量測數(shù)據(jù)為：

2　QIPF-TBD算法

本節(jié)首次將IPF［8］應(yīng)用于TBD問題，并采用QMC算法改善IPF-TBD中粒子的分布特性，從而使IPF算法的粒子具有良好的分布性，可以快速實(shí)現(xiàn)粒子的多樣化，有效降低粒子數(shù)，提高算法的實(shí)時(shí)性能。

假設(shè)粒子初始分布概率密度p（x0）已知，粒子數(shù)為N，QIPF-TBD算法步驟如下所示：

①Q(mào)MC方法使用低偏差Halton序列生成樣本［10］，得到在區(qū)間［0，1］內(nèi)的低偏差點(diǎn)集和。

②初始化。根據(jù)p（x0）進(jìn)行采樣得到N個粒子的粒子集為；根據(jù)將粒子集分布到對應(yīng)的雷達(dá)觀測區(qū)域。

將上式取整得到最終的Neff。WT的表達(dá)式為：

低權(quán)重的粒子狀態(tài)集合變?yōu)閤lkS，式（7）中α∈［0，1］，當(dāng)α=1沒有交叉發(fā)生。

⑦變異。

其中，H0表示目標(biāo)不存在（E=0），H1表示目標(biāo)存在（E=1），pv（zj）表示噪聲的分布特性。當(dāng)Λ（z1：k）超過某一門限ΛT時(shí)，則宣布目標(biāo)存在其估計(jì)值為：

3　仿真分析

為了說明本文所提算法的有效性和性能優(yōu)勢，在仿真中分別采用了PF-TBD、IPF-TBD、QIPF-TBD3種算法對某一個近似勻速直線目標(biāo)進(jìn)行檢測跟蹤。

通常低信噪比是指信噪比小于10 dB，仿真場景中信噪比設(shè)為9 dB。探測場景參數(shù)如下：傳感器距離單元的個數(shù)為50個，多普勒單元的個數(shù)是10個，方位單元的個數(shù)為40個。目標(biāo)的出現(xiàn)時(shí)刻是第10 s，消失時(shí)刻是第30 s，總幀數(shù)為40幀，幀間隔為1 s。目標(biāo)的初始狀態(tài)為［40 m，2 m/s，60 m，1 m/s］T，目標(biāo)的馬爾科夫狀態(tài)轉(zhuǎn)移矩陣為，蒙特卡羅仿真次數(shù)50次。圖2～圖4是3種算法在9 dB下的表現(xiàn)效果。檢測概率門限設(shè)置為0.8，超過0.8認(rèn)為目標(biāo)出現(xiàn)。

圖1　原始量測數(shù)據(jù)與跟蹤效果

圖2　不同時(shí)刻的跟蹤效果

圖1是原始量測數(shù)據(jù)和跟蹤效果圖，從圖中可以看出目標(biāo)原始量測數(shù)據(jù)很密集，無法直接區(qū)分出雜波和目標(biāo)，說明目標(biāo)信號微弱，受到了強(qiáng)雜波干擾。圖中的跟蹤效果是QIPF-TBD算法在9dB條件的跟蹤效果，可以看出QIPF-TBD算法能有效檢測和跟蹤弱目標(biāo)。

圖3　不同粒子數(shù)的檢測概率

圖4　不同算法的RMSE

圖2（a）是在目標(biāo)出現(xiàn)之前QIPF-TBD算法的粒子分布情況，目標(biāo)出現(xiàn)之前粒子均勻分布，圖2（b）是目標(biāo)出現(xiàn)時(shí)刻的跟蹤效果，經(jīng)過一段時(shí)間的積累，粒子聚集于目標(biāo)附近實(shí)現(xiàn)了很好的跟蹤效果。30 s之后目標(biāo)消失，圖2（c）顯示出了在目標(biāo)消失后，粒子逐漸散開，逐步分散到空間中的任意位置，可以看出使用了QMC方法使得粒子的分布效果更加均勻。

圖3和圖4是3種算法的檢測概率和RMSE的對比。由圖3（a）～（c）可以看出：QIPF-TBD算法粒子的初始分布很均勻，使得它的檢測概率在目標(biāo)出現(xiàn)的時(shí)候提升非?？?，效果比較顯著。IPF-TBD由于對粒子使用交叉變異方法實(shí)現(xiàn)了粒子的多樣性，檢測概率提升稍慢于QIPF-TBD，但比PF-TBD效果好。隨著粒子數(shù)的降低會出現(xiàn)檢測概率下降的情況，3種算法均能檢測和跟蹤目標(biāo)，但都有一定的時(shí)延，QIPF-TBD時(shí)延最短，PF-TBD時(shí)延最長，但隨著時(shí)間的逐步積累，最后3種算法的檢測概率趨于一致。

圖4（a）～（c）表示了不同粒子數(shù)目的情況下3種算法RMSE的效果對比。由于QIPF-TBD算法具有粒子初始分布均勻的優(yōu)勢，可以快速跟蹤上目標(biāo)，使得RMSE值減小的最快。隨著使用的粒子數(shù)目減少，QIPF-TBD的RMSE的值可以很快地趨于穩(wěn)定，IPF-TBD，PF-TBD需要更多的時(shí)間之后才會逐步趨于穩(wěn)定。

表1　不同粒子數(shù)目下算法的單幀處理時(shí)間

由表1可以看出單幀處理時(shí)間PF-TBD算法需要的時(shí)間是最少的，QIPF-TBD需要的時(shí)間是最多的。結(jié)合圖2和圖3可以看出：QIPF-TBD算法的檢測跟蹤性能比較穩(wěn)定，在粒子數(shù)較小時(shí)仍能在很短的時(shí)間內(nèi)達(dá)到較高的檢測概率和較低的RMSE。QIPF算法的單幀處理時(shí)間最長，該算法實(shí)質(zhì)是較長的單幀處理時(shí)間來換取較低的計(jì)算量和存儲量。綜合圖3、圖4和表1，粒子數(shù)選為1 000時(shí)，QIPF-TBD算法能在保證跟蹤性能的基礎(chǔ)上，縮短運(yùn)行時(shí)間。

4　結(jié)論

本文針對粒子多樣性匱乏的問題提出了QIPF-TBD算法，實(shí)驗(yàn)仿真結(jié)果表明，在強(qiáng)雜波下低可觀測目標(biāo)環(huán)境下單個勻速運(yùn)動的目標(biāo)進(jìn)行檢測和跟蹤，本文提出的算法能夠較好地解決由于粒子多樣性匱乏導(dǎo)致的檢測與跟蹤性能下降的問題，達(dá)到了良好的檢測和跟蹤效果，并降低了一定的計(jì)算量和存儲量。

［1］MOYER L R，SPAK J，LAMANNA P.A multi-dimensional Hough transform-based track before detect technique for detecting weak targets in strong clutter backgrounds［J］. IEEE Transactions on Aerospace and Electronic Systems，2011，47（4）：3062-3068.

［2］萬洋，王首勇，吳衛(wèi)華.機(jī)動弱小目標(biāo)動態(tài)規(guī)劃檢測前跟蹤方法［J］.信號處理，2013，29（5）：584-590.

［3］BOERS Y，DRIESSEN H.Particle filter based track before detect Algorithms［J］.Proceedings of SPIE，Signal and Data ProcessingofSmall Targets，2003，5204（3）：20-30.

［4］胡士強(qiáng)，敬忠良.粒子濾波算法綜述［J］.控制與決策，2005，20（4）：361-371.

［5］龔亞信.基于粒子濾波的弱目標(biāo)檢測前跟蹤算法研究［D］.長沙：國防科學(xué)技術(shù)大學(xué)，2009：31-48.

［6］SALMOND D J，BIRCH H.A particle filter for track-before-detect［C］//Proceedingsof theAmericanControl conference，Arlington，2001：3755-3760.

［7］BIN W，HAO Y.A novel track before detect algorithm for small diminfrared target［C］//International Conference on Multimedia andSignalProcessing，2001，27（11）：103-106.

［8］SHEN Y，ZHU X P.Intelligent particle filter and its applicationtofaultdetectionofnonlinearsystem［J］.IEEE TransactionsonIndustrial Electronics，2015，62（6）：3852-3861.［9］MAARANEN H，MIETTINEN K，MAKELAM M. Quasi-randominitial population for genetic algorithms［J］. Computers and Mathematics with Applications，2004，47（12）：1885-1895.

［10］郭云飛，唐學(xué)大，駱吉安，等.一種基于QMC-APF的檢測前跟蹤算法［J］.現(xiàn)代雷達(dá)，2013，37（2）：33-36.

［11］DONG G，WANG X D.Quasi-monte carlo filtering in nonlinear dynamic systems［J］.IEEE Transactions on Signal Processing，2006，54（6）：2087-2098.

Track Before Detect Algorithm Based on QIPF

GUOYun-fei，ZHANG Feng
（Key Laboratory of Fundamental Science for National Defense-Communication Information Transmission and Fusion Technology，Hangzhou Dianzi University，Hangzhou 310018，China）

For the problem of detecting and tracking low signal-to-noise-ratio target，a quasi Monte Carlo intelligent particle filter track before detect（QIPF-TBD）algorithm is proposed.First，the quasi Monte Carlo technique is used to improve the distribution of particles in the surveillance region. Second，at the update stage of the particle filter，the crossover and mutation operations are invoked to improve the particle diversity after re-sampling.Compared with other PF-TBD methods in simulations，the proposed method can improve the detection and tracking performance effectively.

weak target，track beforedetect，intelligentparticlefilter，quasi MonteCarlo

TN593

A

1002-0640（2016）10-0059-04

2015-08-16

2015-09-19

國防預(yù)研基金重點(diǎn)資助項(xiàng)目（KYZ040514021）

郭云飛（1978-），男，河北邯鄲人，博士，副教授。研究方向：目標(biāo)跟蹤，目標(biāo)檢測，信息融合等。