复杂环境下的目标检测识别与跟踪若干关键问题研究

目标检测识别与跟踪(DRT)是现代国防安全预警、判定打击的基础，复杂环境下，现有的目标DRT方法通常会遇到低检测率、低识别率、高虚警率、高丢失率等越来越突出的实质性困难。为此重点研究1)以特定复杂海面、空中与地面环境为背景，研究以雷达、红外和不确定观测器组成的典型多传感器为手段，建立一套复杂环境下的目标DRT方法：利用随机集建立典型多传感器数据模型，通过多传感器配置获取目标的(部分)完备信息，建立目标的区域检测，动态身份推理与区域跟踪算法2)以随机集理论为主，结合传统多源确定与不确定信息处理方法，研究复杂环境下目标DRT存在的深层次科学问题：典型多传感器随机集建模，多传感器配置与管理方法，复杂环境多感器理解与感知，目标区域检测方法以及基于动态辨识框架的目标身份不确定性推理方法，基于随机集理论的多传感器多目标跟踪算法，密集目标的随机集跟踪方法，目标区域跟踪算法以及结合数据驱动的目标跟踪算法。

复杂背景与干扰条件下的目标跟踪问题一直是雷达目标检测与跟踪领域的难点问题，也是跟踪领域的热点问题，因此，开展复杂环境条件下的目标估计问题的研究，不仅具有理论层面的科学意义，同时也具有现实层面方面的迫切需求。正是在此背景下，本项目围绕复杂环境条件的若干关键科学问题开展了深入的研究，取得了一系列成果。主要三个方面的成果：.在传感器配置、选择与管理方面。针对多传感器的布置和分配问题，提出了一种联合的多目标多传感器联合配置与跟踪算法，并提出了序贯多传感器MHT关联跟踪算法，考虑在OSPA指标意义下的多传感器控制问题，在预测部考虑控制变量，使得更新步的目标状态和预测步之间状态的OSPA最大化；无源交叉定位时存在虚假点的问题，对此，通过建立预测判断预测点，避免大量虚假点的产生；针对自由移动多传感器协作跟踪控制问题，建立了PMD-PaC指标和钟型混合函数(Bell mixture functions)描述多传感器检测场，引入方向向量描述移动传感器的运动方向变化。.在随机有限集框架下多/群目标检测跟踪方面。针对多传感器扩维算法面临的运算量大问题，提出了快速的线性RFS多传感器多目标滤波算法；针对可分辨群目标跟踪问题，提出了基于图模型的群目标跟踪算法；多群条件下似然数的解析获得难度很大，为此，结合多群多Bernoulli滤波算法和邻接矩阵，提出多群目标跟踪算法；进一步的研究推广到标签RFS群目标跟踪领域。针对扩展目标，群目标等等的多量测目标检测跟踪问题，建立了扩展刚体目标的描述模型，采用Markov链采样方法估计模型参数和扩展目标状态，引入目标类型概率估计目标类型。.在分布式检测与识别方面。针对杂波“黑洞”问题，基于假设检验的杂波稀疏算法，通过牺牲密集杂波区域的目标，保证其他目标的正常跟踪。此外，在航迹关联方面：把每一个局部传感器航迹看作一个航迹集合，通过OSPA距离度量各个航迹集合之间的距离，具有最短OSPA距离的航迹属于同一个目标航迹.在高速飞行器的跟踪方面。引入非量纲的跳跃-滑翔体运动模型，该模型属于非线性运动模型，采用UKF-扩展的标签多Bernoulli算法（GLMB）滤波算法，不仅可以估计目标状态，而且可以获得完整目标航迹。高超飞行器系统时滞问题，提出了一类与集中式H∞滤波融合算法等价的序贯式H∞滤波融合方法。