0 引言

    檢測前跟蹤(Track-Before-Detect，TBD)方法是一種非相參積累的方法，是對目標運動信息數(shù)據(jù)經(jīng)過多幀積累，以達到檢測跟蹤目標的目的^[1]，包括Hough變換、動態(tài)規(guī)劃^[2]和粒子濾波^[3]等。其中，基于粒子濾波方法的檢測前跟蹤方法(Particle Filter Track-Before-Detect，PF-TBD)是在Monte Carlo實驗的基礎上實現(xiàn)遞歸的貝葉斯濾波^[4-5]。PF-TBD不僅能夠處理線性高斯問題^[6]，也能夠處理非線性、非高斯條件下的檢測跟蹤問題^[7-9]。

    在PF-TBD算法中常用的重采樣方法包括系統(tǒng)重采樣和分層重采樣等方法，這些重采樣方法可以讓權重高的粒子盡可能地被采樣到，去除權重低的粒子，解決了粒子的退化現(xiàn)象。但在對多個目標進行探測時，如果目標間的信噪比相差較大，可能會導致信噪比較低的目標被漏檢^[10-12]。而如果提高較弱目標的檢測概率，則可能會導致虛假目標的產(chǎn)生^[13-14]。

    針對以上情況，本文提出了一種改進的多目標雙層粒子濾波檢測前跟蹤算法(Improved Multi-target Two-layer Particle Filter Track-Before-Detect Algorithm，IM-PF-TBD)，算法首先在目標檢測環(huán)節(jié)引入錦標賽選擇粒子過程，該算法能盡可能多地選擇到更多的優(yōu)質(zhì)粒子，保證信噪比較低目標的檢測。其次，在新目標驗證環(huán)節(jié)，本文提出了基于粒子群融合的點跡融合方法，將檢測目標粒子群和跟蹤目標粒子群進行融合，該方法使得獲得的新的目標跟蹤粒子群包含兩個粒子群的優(yōu)質(zhì)粒子，提高了粒子群的多樣性，便于虛假目標的剔除。

1 目標運動模型與傳感器觀測模型

2 基于錦標賽選擇和粒子群融合的多目標雙層粒子濾波算法

    傳統(tǒng)的PF-TBD中常用的重采樣算法如系統(tǒng)重采樣，是采用輪盤賭方法對權重大的粒子進行復制。因此，當出現(xiàn)多個目標的信噪比差距較大時，信噪比較低的目標易被信噪比高的目標掩蓋，進而發(fā)生虛警或漏檢。針對信噪比相差較大的多目標檢測跟蹤問題，本文提出了一種改進的雙層粒子濾波檢測前跟蹤方法，算法采用雙層粒子濾波^[15]的算法結(jié)構，分為目標跟蹤層和目標檢測層兩部分。在檢測環(huán)節(jié)引入一種錦標賽選擇粒子過程，盡可能多地選擇更多的優(yōu)質(zhì)粒子，提高重采樣后的粒子多樣性，然后通過粒子聚類形成多個目標及相應粒子群，從而保證多個目標的同時檢測。此外，在新目標驗證環(huán)節(jié)，提出一種粒子群融合方法將檢測目標粒子群和跟蹤目標粒子群進行融合，通過抽取兩個目標粒子群中的優(yōu)質(zhì)粒子，使用交叉操作獲取新生粒子，得到的目標跟蹤粒子群包含兩個粒子群的優(yōu)質(zhì)粒子，同時提高了粒子群的多樣性，從而提高了跟蹤的效果和精度。

    算法的結(jié)構框圖如圖1所示。

2.1 目標跟蹤層

    在目標跟蹤層中，第k-1融合時刻獲得的跟蹤目標集為{S_1，k-1，S_2，k-1，…，S_m，k-1}，其中每一個目標i均擁有一個跟蹤粒子群P_i，k-1={p_{1，i，k-1}，p_{2，i，k-1}，…，p_{N，i，k-1}}。算法基于跟蹤粒子群P_i，k-1，在k時刻對目標i進行跟蹤，如果該目標繼續(xù)存在，則更新跟蹤目標集中的目標狀態(tài)S_i，k和粒子群，否則刪除該目標及相應跟蹤粒子群。

    對于跟蹤目標集中的目標i，算法步驟如下：

    (1)粒子群P_i，k-1={p_{1，i，k-1}，p_{2，i，k-1}，…，p_{N，i，k-1}}進行狀態(tài)轉(zhuǎn)移；

    (2)計算跟蹤粒子群中每個粒子的多雷達權值并進行融合：

    ①計算跟蹤粒子群中每個粒子的權重，在第u個傳感器觀測下，第j個粒子權重為：

    (3)采用系統(tǒng)重采樣方法獲得k時刻的跟蹤粒子群P_i，k={p_{1，i，k}，p_{2，i，k}，…，p_N，i，k}；

    (4)計算目標i檢測概率，將虛假目標航跡剔除；

    (5)跟蹤目標集{S_1，k-1，S_2，k-1，…，S_m，k-1}中每個目標按照以上步驟獲得k時刻的跟蹤目標集{S_1，k，S_2，k，…，S_m，k}和相應的子粒子群。

2.2 目標檢測層

    當一個或幾個目標的信噪比相對于其他目標而言較大時，傳統(tǒng)的系統(tǒng)重采樣方法會集中采樣相應的高權值粒子，忽略其他粒子，從而導致低信噪比目標丟失情況。因此，本文在目標檢測層中采用了一種基于錦標賽選擇和粒子群融合的目標檢測方法，算法基于粒子權值，利用錦標賽選擇方法對粒子進行采樣，避免集中采樣同一粒子。顯然，這種采樣方式使得粒子權重較大的個體具有較大的“存活”機會。而且，由于選擇粒子的標準是粒子的權重的相對值，不與粒子權重的大小成直接比例，因此，能避免某個超級個體的影響，在一定程度上避免了高權重粒子對其他粒子掩蓋。之后，利用均值漂移聚類方法將粒子進行聚類，檢測多個目標。此外，通過粒子群融合方法，將新檢測目標與已發(fā)現(xiàn)目標對應粒子群融合，按照粒子權值大小進行排序，保留優(yōu)質(zhì)粒子進行對應融合，增加了粒子群的多樣性，從而改善已發(fā)現(xiàn)目標的跟蹤質(zhì)量。

    算法具體步驟如下：

    ②得到每個粒子的權重后歸一化：

    (4)采用錦標賽重采樣的方法對粒子群進行篩選，每次從粒子群中抽取一定數(shù)量的粒子，然后選擇其中粒子權重最大的進入子代粒子群，重復該操作，直到新的粒子群規(guī)模達到原來的粒子群規(guī)模，子代粒子群為N。在此過程中能篩選出更多優(yōu)質(zhì)的目標粒子，從而避免了系統(tǒng)重采樣對某個權重較大粒子單一復制的現(xiàn)象：

3 仿真分析

    仿真場景：共有5部傳感器，均位于原點，探測距離為200 km~230 km。探測總幀數(shù)k是45幀，每幀的間隔時間是2.5 s，取粒子數(shù)目為3 000個，第一個目標的信噪比(Signal to Noise Ratio，SNR)為12 dB，第二個目標的SNR為5 dB。目標1與目標2在第10 s出現(xiàn)，初始狀態(tài)均為[200 km，300 m/s，10 km，0 m/s]^T，第40 s兩目標同時消失。設目標存在門限值為0.6，利用本文算法(IM-PF-TBD)與采用系統(tǒng)重采樣的PF-TBD算法(SR-PF-TBD)分別對兩個目標進行檢測跟蹤，Monte Carlo仿真次數(shù)50次，結(jié)果如表1、圖2、圖3所示。其中，表1列出了在目標出現(xiàn)初期的部分數(shù)據(jù)，將兩種算法對兩個目標在每一幀的目標存在概率進行了對比；圖2為整個仿真期間兩種算法對目標個數(shù)估計結(jié)果的比較，圖3為兩種算法對目標的均方根誤差(Root Mean Squared Error，RMSE)跟蹤結(jié)果比較。

    從表1中可以看出，由于目標1相對于目標2信噪比較高，因此兩種算法均能及時有效地發(fā)現(xiàn)目標1，差別不大。當目標存在門限值為0.6時，兩種算法的目標存在概率在第10幀均大于0.6，能夠及時發(fā)現(xiàn)目標。但由于目標2相對于目標1信噪比較低，SR-PF-TBD采用以權重的大小決定復制的次數(shù)，權重大的粒子復制的次數(shù)多，會對目標信噪比較低的粒子產(chǎn)生掩蓋，導致對信噪比低的目標檢測會有一定的延遲。因此，在第14幀才達到0.69，發(fā)現(xiàn)目標2，延遲了4幀。而IM-PF-TBD算法由于能盡可能篩選出優(yōu)質(zhì)的粒子，從而降低了大權重的粒子對其他目標粒子的影響，減少了目標1對目標2的影響，在第11幀的目標存在概率達到0.67，相對于SR-PF-TBD提前了提前3幀。因此，IM-PF-TBD算法可以更及時有效地檢測出信噪比相差較大的目標。此外，從圖2可以看出，SR-PF-TBD算法由于沒有粒子群融合環(huán)節(jié)，在20 s后出現(xiàn)了3個目標，而本文IM-PF-TBD算法則在整個仿真期間維持了正確的目標估計個數(shù)，沒有出現(xiàn)虛假目標。

    圖3表示了兩種算法對目標RMSE指標的對比。由于目標1的信噪比較高，兩種算法對都能快速跟蹤上目標1，兩種算法對目標1的誤差相差不大。目標2信噪比低，容易受目標1的影響，IM-PF-TBD算法采用了粒子群融合方法，保留了兩個粒子群的優(yōu)質(zhì)粒子，粒子群合理的分布使得目標RMSE值減小較快。RMSE的值可以很快地趨于穩(wěn)定，SR-PF-TBD沒有粒子群融合環(huán)節(jié)，粒子分布不均勻，導致跟蹤性能下降，跟蹤誤差變大。

    綜上所述，IM-PF-TBD算法在檢測信噪比相差較大的目標時，可以在目標出現(xiàn)初期及時發(fā)現(xiàn)目標，并能夠在后期及時發(fā)現(xiàn)虛假目標并剔除，降低目標RMSE。

4 結(jié)論

    本文提出了一種改進的多目標雙層粒子濾波檢測前跟蹤算法，在目標檢測層采用錦標賽重采樣方法，提高重采樣后的粒子的多樣性，保證多個目標的同時檢測，提高目標出現(xiàn)初期的目標檢測概率，并提出一種粒子群融合方法將新檢測目標和已有目標的粒子群融合，便于剔除虛假目標，并提高目標跟蹤精度。仿真結(jié)果表明，與傳統(tǒng)多目標粒子濾波檢測前跟蹤算法相比，本文提出的改進的多目標雙層粒子濾波檢測前跟蹤算法和粒子群融合算法能夠正確發(fā)現(xiàn)新生目標和降低目標RMSE，正確估計出目標數(shù)目，提高檢測跟蹤精度。

參考文獻

[1] 趙志國，王首勇，同偉.基于重采樣平滑粒子濾波的檢測前跟蹤[J].空軍預警學院學報，2008，22(1)：25-28.

[2] 高潔，杜勁松，張清石，等.一種基于動態(tài)規(guī)劃的機動目標檢測前跟蹤方法[J].電子技術應用，2018，44(3)：64-67，71.

[3] BOERS Y，DRIESSEN H，TORSTENSSON J，et al.Track-before-detect algorithm for tracking extended targets[J].Radar，Sonar and Navigation，IEE Proceedings，2006，153(4)：345-351.

[4] 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.

[5] MALLICK M，KRISHNAMURTHY V，VO B N.Track-before-detect techniques[M].Wiley-IEEE Press，2012：311-362.

[6] 郭云飛，張峰.基于QIPF的弱目標檢測前跟蹤算法[J].火力與指揮控制，2016，41(10)：59-62.

[7] 陳澤宗，楊干，趙晨，等.基于模態(tài)函數(shù)特征譜的海洋小目標檢測[J].電子技術應用，2017，43(5)：114-118.

[8] 梅秀飛.基于分布式MIMO雷達的多目標檢測前跟蹤算法研究[D].成都：電子科技大學，2016.

[9] 王睿，梁志兵，王嘉銘.基于多雷達的臨近空間目標檢測前跟蹤算法[J].傳感器與微系統(tǒng)，2016，35(10)：116-119.

[10] 王娜，譚順成，王國宏.目標數(shù)未知時基于粒子濾波的多目標TBD方法[J].信號處理，2017，33(9)：333-345.

[11] Su Zhouyang，DIVISION R.An improved efficient PF-TBD algorithm[J].Electronic Science & Technology，2017，66(4)：366-373.

[12] BUZZI S，LOPS M，VENTURINO L，et al.Track-before-detect procedures in a multi-target environment[J].IEEE Transactions on Aerospace & Electronic Systems，2008，44(3)：1135-1150.

[13] 董云龍，黃高東，李保珠，等.基于AIS的雷達高精度誤差校準方法[J].電子技術應用，2019，45(6)：75-79.

[14] 關鍵，黃勇.MIMO雷達多目標檢測前跟蹤算法研究[J].電子學報，2010，38(6)：1449-1453.

[15] 茍清松.多目標粒子濾波檢測前跟蹤算法研究[D].成都：電子科技大學，2015.

作者信息:

高廣順，陳  霄

(杭州電子科技大學 通信信息傳輸與融合技術國防重點學科實驗室，浙江 杭州310018)