張德軍 曾維貴 石文君 劉萬鎖 寧順杰

(1.空軍工程大學(xué)航空機(jī)務(wù)士官學(xué)校 河南信陽 464000;2.海軍航空大學(xué) 山東煙臺(tái) 264001)

0 引言

單脈沖雷達(dá)具有跟蹤精度高、獲取數(shù)據(jù)率大、抗干擾性能好等優(yōu)點(diǎn)[1]。其工作原理是利用距離分辨率確認(rèn)目標(biāo)，然后采用單脈沖測(cè)角技術(shù)測(cè)量目標(biāo)偏離角，從而實(shí)現(xiàn)目標(biāo)定位。能夠有效地對(duì)單目標(biāo)進(jìn)行檢測(cè)，但當(dāng)同一距離單元內(nèi)有多個(gè)目標(biāo)回波時(shí)，由于其只產(chǎn)生和差信號(hào)的單一指示角，與任一不可分辨的目標(biāo)角度不對(duì)應(yīng)，且該指示角會(huì)隨目標(biāo)相對(duì)幅度、相位的變化而變化。因此，傳統(tǒng)單脈沖雷達(dá)很難對(duì)區(qū)域內(nèi)多個(gè)目標(biāo)進(jìn)行區(qū)分。文獻(xiàn)[2]采用廣義似然比檢測(cè)方法對(duì)單脈沖雷達(dá)導(dǎo)引頭同一分辨單元內(nèi)多個(gè)Swerling II型目標(biāo)的存在性進(jìn)行檢測(cè)，但該方法依賴于目標(biāo)分類的先驗(yàn)信息；文獻(xiàn)[3]應(yīng)用多個(gè)隱馬爾可夫模型(HMM：Hidden Markov Model)來解決依賴于目標(biāo)分類的先驗(yàn)信息問題，但當(dāng)多個(gè)目標(biāo)相互遮擋影響時(shí)，多目標(biāo)檢測(cè)效果較差。為實(shí)現(xiàn)多目標(biāo)準(zhǔn)確檢測(cè)和連續(xù)穩(wěn)健的跟蹤，充分利用多個(gè)目標(biāo)回波信息及單脈沖雷達(dá)距離高分辨的優(yōu)勢(shì)，直接從單脈沖雷達(dá)中頻信號(hào)采樣，用數(shù)字信號(hào)處理方法生成掃描區(qū)域態(tài)勢(shì)方位距離二維像，借用圖像領(lǐng)域經(jīng)典跟蹤算法，以實(shí)現(xiàn)對(duì)基于單脈沖雷達(dá)中頻采樣數(shù)據(jù)中多目標(biāo)的連續(xù)跟蹤。

1 單脈沖雷達(dá)中頻數(shù)據(jù)采集生成方位距離像方案

圖1顯示了本文基于單脈沖雷達(dá)中頻數(shù)據(jù)采集生成方位距離像的流程。具體工作過程為：發(fā)射機(jī)產(chǎn)生的信號(hào)被送至和差比較器輸出和信號(hào)的∑端，1、2端輸出同相等幅的激勵(lì)信號(hào)，由兩個(gè)饋源天線調(diào)制后進(jìn)行發(fā)射。接收回波時(shí)，兩饋源將接收到的回波脈沖信號(hào)分別送至和差比較器的1、2端[4]。圖中Δ端輸出差信號(hào)。

圖1 單脈沖雷達(dá)中頻數(shù)據(jù)采集方位距離像流程圖

和差兩路信號(hào)分別經(jīng)過混頻、中放后，然后經(jīng)過ADC采樣，將數(shù)據(jù)輸入到數(shù)字信號(hào)預(yù)處理模塊[5]。數(shù)字信號(hào)預(yù)處理模塊主要進(jìn)行對(duì)采集的數(shù)據(jù)進(jìn)行下變頻、濾波等處理。最后，差信號(hào)輸出方位信息，和信號(hào)經(jīng)過脈沖壓縮生成一維高分辨距離像(距離分辨率為10m左右)。結(jié)合方位和距離信息，就可以生成10°左右掃描區(qū)域內(nèi)的方位距離像。其中，數(shù)字信號(hào)預(yù)處理和脈沖壓縮模塊在FPGA中實(shí)現(xiàn)[6]。

2 基于ECO算法的單目標(biāo)跟蹤算法

近年來，圖像領(lǐng)域單目標(biāo)跟蹤(SOT: Single Object Tracking)無論是在跟蹤速度還是在跟蹤精度上，其性能都得到了極大的提升。并且在如自動(dòng)駕駛等民用領(lǐng)域得到了實(shí)際的應(yīng)用。而本文的第一部分經(jīng)過對(duì)單脈沖雷達(dá)進(jìn)行中頻數(shù)字化改進(jìn)，現(xiàn)在就可以生成區(qū)域態(tài)勢(shì)內(nèi)方位距離像，如圖2所示(圖2(a)是基于方位距離的回波圖、圖2(b)是基于方位距離采集單元生成圖像)。從圖2(b)可以看出，區(qū)域內(nèi)目標(biāo)的分布類似斑狀目標(biāo)圖像。

圖2 中頻采樣處理生成的方位距離像示例

ECO(ECO: Efficient Convolution Operators for Tracking)算法是由視覺跟蹤領(lǐng)域?qū)＜襇artin Danelljan在CVPR2017中發(fā)表的一篇基于相關(guān)濾波文章提出的[7]。由于其提取的特征全面(CNN, HOG, CN)、篩選提煉了相關(guān)濾波器組、多樣化訓(xùn)練樣本，所以ECO算法不論是從跟蹤精度上還是速度上都能取得了優(yōu)異的結(jié)果。特別是在抗遮擋上、其性能表現(xiàn)更加突出。

與傳統(tǒng)的基于相關(guān)濾波器的跟蹤器不同的是：ECO跟蹤器將離散通道特征插入到連續(xù)域中，目的是為了從M個(gè)訓(xùn)練樣本中學(xué)習(xí)到連續(xù)T周期的多通道卷積濾波器f，通過最小化下面的目標(biāo)函數(shù)為

(1)

其中，αj表示樣本xj的權(quán)重；卷積算子Sf將樣本xj映射到得分函數(shù)Sf上，用來預(yù)測(cè)目標(biāo)在位置t的置信度分?jǐn)?shù)；函數(shù)yj用于計(jì)算Sf中傳入xj的期望。正則項(xiàng)則使用權(quán)重函數(shù)ω來抑制邊界效應(yīng)。

變換到頻域，然后對(duì)濾波器f求導(dǎo)，可以得到式(2)。

(2)

3 融合單目標(biāo)跟蹤與數(shù)據(jù)關(guān)聯(lián)的在線多目標(biāo)跟蹤

融合單目標(biāo)跟蹤與數(shù)據(jù)關(guān)聯(lián)的在線多目標(biāo)跟蹤流程圖如圖3所示。其主要思想是：通過深度卷積網(wǎng)絡(luò)匹配當(dāng)前幀檢測(cè)結(jié)果和歷史檢測(cè)、跟蹤圖像目標(biāo)集合，實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。

圖3 融合單目標(biāo)跟蹤與數(shù)據(jù)關(guān)聯(lián)的在線多目標(biāo)跟蹤流程圖

用KM算法(Kuhn-Munkres Algorithm)進(jìn)行如圖4的數(shù)據(jù)關(guān)聯(lián)[14]，KM算法中用到的關(guān)聯(lián)系數(shù)為Ci,j。

圖4 基于KM算法的數(shù)據(jù)關(guān)聯(lián)示意圖

融合單目標(biāo)跟蹤與數(shù)據(jù)關(guān)聯(lián)的在線多目標(biāo)跟蹤具體步驟如下：

步驟一：對(duì)第一幀方位距離像進(jìn)行圖像顯著性檢測(cè)[15-16]，確定多目標(biāo)區(qū)域，并把這些目標(biāo)區(qū)域存入歷史檢測(cè)、跟蹤集合，作為后續(xù)檢測(cè)結(jié)果匹配對(duì)象。

步驟二：對(duì)接下來幀圖像同樣進(jìn)行顯著性檢測(cè)，并對(duì)前一幀檢測(cè)、跟蹤目標(biāo)使用單目標(biāo)跟蹤ECO算法得到當(dāng)前幀跟蹤結(jié)果；采用圖3流程進(jìn)行跟蹤目標(biāo)和檢測(cè)目標(biāo)之間的關(guān)聯(lián)。需要說明的是：對(duì)于找到關(guān)聯(lián)匹配結(jié)果的目標(biāo)，將相應(yīng)的檢測(cè)結(jié)果作為其在當(dāng)前幀的跟蹤結(jié)果；對(duì)于未關(guān)聯(lián)匹配的目標(biāo)分為兩種情況：一種是前一幀處于跟蹤狀態(tài)且當(dāng)前幀沒有檢測(cè)到(這里，一個(gè)典型例子是當(dāng)受雜波影響導(dǎo)致目標(biāo)回波閃爍時(shí)，目標(biāo)有時(shí)被檢測(cè)到、有時(shí)丟失)，對(duì)這種類型目標(biāo)將其設(shè)為丟失狀態(tài)，并將其放入歷史檢測(cè)、跟蹤圖像集合，如果連續(xù)N幀沒有關(guān)聯(lián)到，則將該目標(biāo)設(shè)為終止?fàn)顟B(tài)；另一種是當(dāng)前幀檢測(cè)到但同歷史檢測(cè)、跟蹤圖像集合沒有關(guān)聯(lián)上，則將該目標(biāo)設(shè)為新目標(biāo)出現(xiàn)狀態(tài)。另外，如果當(dāng)前單目標(biāo)跟蹤結(jié)果進(jìn)行IOU判斷為遮擋，則不把該跟蹤結(jié)果放入歷史檢測(cè)、跟蹤圖像集合中。

步驟三：循環(huán)步驟二，直到數(shù)據(jù)采集終止(也就是沒有新采集生成圖像)為止。

4 驗(yàn)證實(shí)驗(yàn)與分析

單脈沖雷達(dá)每隔3秒鐘掃描生成出基于雷達(dá)信號(hào)的方位距離像，該圖像為10°左右區(qū)域。在Windows10下對(duì)采集生成的圖像序列進(jìn)行算法驗(yàn)證，使用Matlab運(yùn)行ECO單目標(biāo)跟蹤算法，使用python進(jìn)行檢測(cè)、跟蹤向量間的相似度計(jì)算和數(shù)據(jù)關(guān)聯(lián)。圖5為從采集生成圖像序列中選取的第5、25、45和65幀圖像。圖6為對(duì)圖5進(jìn)行顯著性檢測(cè)得到的對(duì)應(yīng)結(jié)果。圖7為采用本文多目標(biāo)跟蹤算法的運(yùn)行結(jié)果。

圖5 中頻采樣處理生成的方位距離像

圖6 顯著性檢測(cè)處理結(jié)果

圖7 文中提出多目標(biāo)跟蹤算法運(yùn)行結(jié)果

從圖5至圖7對(duì)應(yīng)生成的四幀方位距離像可以看出：目標(biāo)1、2、4、5、6、7、8在整個(gè)過程中都能實(shí)現(xiàn)穩(wěn)健的跟蹤；目標(biāo)3在第5幀出現(xiàn)后，由于雷達(dá)反射信號(hào)減弱，在后續(xù)幀再也沒檢測(cè)到，故終止該目標(biāo)(即其狀態(tài)為“終止”)；目標(biāo)7在25幀左右以“新目標(biāo)”狀態(tài)出現(xiàn)，穩(wěn)定跟蹤一段時(shí)間后因雷達(dá)信號(hào)較弱后消失，所以目標(biāo)7在45幀以后的狀態(tài)是“消失”；目標(biāo)8在45幀左右也是以“新目標(biāo)”狀態(tài)出現(xiàn)；目標(biāo)5和6在25至65幀之間發(fā)生了相互遮擋的情況，應(yīng)用ECO單目標(biāo)跟蹤算法可以準(zhǔn)確地判斷出“遮擋”狀態(tài)，究其原因是ECO算法采用的策略是：非每幀更新模型，防止模型漂移。當(dāng)然，在整個(gè)實(shí)驗(yàn)過程中，目標(biāo)1和目標(biāo)7因雷達(dá)反射接收信號(hào)較弱在多幀采集圖像中出現(xiàn)了漏檢情況，但當(dāng)信號(hào)恢復(fù)后使用文中方法能夠恢復(fù)正確跟蹤，整個(gè)實(shí)驗(yàn)的多目標(biāo)跟蹤準(zhǔn)確度(MOTA)達(dá)到了83.7%。

5 結(jié)束語

本文針對(duì)傳統(tǒng)單脈沖雷達(dá)信號(hào)中多目標(biāo)跟蹤方法效果差、不穩(wěn)定等問題，直接對(duì)單脈沖雷達(dá)信號(hào)進(jìn)行數(shù)字信號(hào)處理和采樣生成圖像，然后使用融合圖像領(lǐng)域經(jīng)典單目標(biāo)跟蹤算法的在線多目標(biāo)跟蹤方法進(jìn)行區(qū)域內(nèi)多目標(biāo)跟蹤。最后實(shí)驗(yàn)結(jié)果表明本文方法能夠較好地解決傳統(tǒng)基于一維雷達(dá)信號(hào)多目標(biāo)跟蹤中出現(xiàn)的問題，為基于單脈沖雷達(dá)信號(hào)的多目標(biāo)跟蹤給出了一種新思路和解決方案。后續(xù)的工程實(shí)現(xiàn)中要著重解決單脈沖雷達(dá)邊掃描邊實(shí)時(shí)跟蹤多目標(biāo)問題。