基于粒子滤波的非平稳运动弱目标检测前跟踪方法研究

Detection and tracking of non-stationary motivated weak targets in complex and time-varying clutter and external noise is a rigorous challenge for modern radar. The problem is more difficult by considering the nonlinear relationship between radar measurements and target motion states. This project studies the track-before-detect (TBD) methods for detecting and tracking non-stationary motivated weak targets, which requires no statistical information of background noise and clutter. Firstly, for the problem of unknown or complex background, cost-reference particle filter (CRPF) bank based TBD method is developed for quick detection and tracking of non-stationary motivated weak target, without using any statistical information of background. Secondly, the fusion mechanism of single targets is explored. CRPF with parallel structure is developed to detect and track non-stationary motivated weak multi-targets, without using any statistical information of background. Finally, this project attempts to estimate the thresholds of TBD methods by using extreme value theory and transforming learning, without using any statistical information of background. By studying the particle filter based TBD methods that require no statistical information of background, this project provides a new theory and method for detecting and tracking non-stationary motivated weak targets in complex background. And the study of this project has wide application foreground and scientific sense.

复杂、时变的杂波和外部噪声背景下的非平稳运动弱目标检测与跟踪是现代雷达面临的严峻挑战之一，目标运动状态与雷达观测量之间的非线性关系加大了该问题的解决难度，针对上述问题本项目拟开展不依赖于背景噪声/杂波统计特性的非平稳运动弱目标的检测前跟踪方法研究工作。首先，针对背景统计特征未知或难以获取的问题，研究基于状态空间划分的代价参考粒子滤波器组，解决非平稳运动弱目标的快速检测与跟踪问题；其次，探索多个单目标代价参考粒子滤波算法间的融合机制，研究具有并列结构的多目标代价参考粒子滤波算法，实现不依赖于背景统计特性的多非平稳运动弱目标的检测与跟踪；最后基于极值理论和迁移学习方法，探索不依赖于背景统计特性的检测前跟踪方法检测门限的估计方法。本项目研究基于粒子滤波的不依赖于背景统计特性的检测前跟踪方法，从而为复杂背景下的非平稳运动弱目标检测与跟踪问题提供一种新的理论和方法，具有重要的理论意义和应用前景。

针对非平稳运动弱目标检测问题，本项目提出一种具有完全并行结构的并行非线性滤波器组，即代价参考粒子滤波器组。与现有方法相比，该滤波器组估计精度相当，运行速度极大提高。基于此滤波器组，设计了两类单目标检测前跟踪方法。第一种可在给定虚警概率下判定目标出现的具体时刻。与现有方法相比，此方法检测能更高，耗时更短。第二种方法是一种整体整体检测方法，在给定虚警概率下，判定目标是否在观测时段内出现。与现有方法相比，该方法在保证与现有方法相当的检测能力的前体现，将运行时间提高了约3个数量级。此外，在第二种单目标检测方法框架下提出的检测统计量服从广义极值分布，可基于极值分布解析估计给定虚警概率下的检测门限。与现有的数字化方法相比，基于广义极值分布的门限估计方法所需的数据量可减少约2个数量级。针对微弱多目标跟踪问题，基于代价参考粒子滤波器组，提出了一种更为简单、快速的检测跟踪策略。该策略包括三个连续步骤：第一步序贯运行代价参考粒子滤波器组，直到某次代价参考粒子滤波器组输出的累积观测（或累积代价，可根据使用场景定义）小于给定门限。第二步，统计输出的累积观测超过给定门限的代价参考粒子滤波器组的运行次数，即为观测时段内出现的总的目标个数。第三步，将各次代价参考粒子滤波器组输出的各个时刻的代价做累加，将与最小累加值的差异不超过给定门限的时刻认定为目标首次出现的时刻，将与最大累加值的差异不超过给定门限的时刻认定为目标最后出现的时刻。由此估计各个目标出现的具体时刻。与现有的基于随机有限集的方法相比，本方法理论简单，目标数量和目标状态的估计能力都略有提高，运行时间可提高约5个数量级。本项目提出的基于代价参考粒子滤波器组检测和跟踪方法，为单目标和多目标检测提供以一种全新的策略，在保证检测和跟踪能力的前提下，极大缩短了算法的运行时间。