基于有限集统计学理论的多目标检测前跟踪技术研究

The detection and tracking of dim targets is a difficult problem for battlefield reconnaissance and surveillance systems. The track-before-detect (TBD) technique increases the signal-to-noise ratio (SNR) through accumulating signal energy along the target trajectory before the detection decision, which is an effective method for dim target detection and tracking. However, the existing batch-TBD approaches suffer from the time-delay, and the traditional recursive Bayesian TBD approaches modeling multi-target movements in the single-target state space can not be easily adapted for the detection and tracking of multi-target with a time-varying number. Fortunately, the finite set statistics (FISST) provides a convenient Bayesian tool for this case. This project will research on the multi-target TBD problem with a time-varying number of targets in the FISST framework and will pay special attention to the following directions: 1) the multi-target TBD algorithms with different SNR for the potential targets; and 2) the extension of the classical Cramer-Rao bound to analyze the theoretical performance of those FISST-based TBD algorithms. The aim of this research is to find: how to realize the multi-target TBD with different SNR for the potential targets in the FISST framework and the SNR benefits of the FISST-based TBD processing.

弱目标检测与跟踪是战场侦察监视系统面临的一大难题，检测前跟踪（TBD）技术在检测之前通过在目标运动轨迹上的回波信号能量积累提高信噪比，是解决弱目标检测与跟踪问题的一种有效途径。现有批处理TBD方法的实时性难以保证；而主要在单目标状态空间对多目标运动建模的传统递归贝叶斯TBD方法不利于时变数目多目标的检测与跟踪。有限集统计学（FISST）在多目标状态空间为时变数目多目标运动建模提供了一种贝叶斯理论工具，将其应用于TBD有利于时变数目多目标的检测与跟踪。本项目研究基于FISST的多目标TBD问题，重点包括：1）推导含多个具有不同信噪比目标条件下的多目标FISST-TBD算法；2）对经典Cramer-Rao下界进行扩展以分析多目标FISST-TBD算法的理论性能。力图探究：在FISST框架内，“如何实现信噪比不同的多目标TBD”和“TBD处理可能带来多大的信噪比增益”两方面的科学问题。

本项目围绕多目标检测前跟踪（TBD）问题，利用有限集统计学理论（FISST）在多目标运动建模方面的优势，详细研究了相同表观模型、信噪比不同的多目标FISST-TBD技术，类别相关表观模型、信噪比不同的多目标FISST-TBD技术和FISST-TBD算法理论性能，研究成果包括：一是在详细分析FISST理论框架并梳理其国内外应用研究现状的基础上，进一步论证了FISST-TBD技术途径的可行性；二是针对场景中最多存在单个机动目标或存在时变数目多机动目标的情形，利用FISST中的伯努利和多伯努利随机有限集工具，推导了多模型扩展的FISST-TBD算法，很好地实现了单/多机动目标的检测前跟踪；三是针对目标表观模型为扩展目标时，详细推导了基于FISST的概率假设密度滤波器，主要修正了传统的粒子权重更新公式，较好地克服了传统FISST-TBD算法中目标数目的有偏估计问题，并进一步提出了其快速实现算法；四是针对场景中始终存在单个目标情形的联合跟踪与分类问题和最多存在单个目标情形的联合检测、跟踪与分类问题，综合利用FISST中的随机集观测建模和多模型滤波技术，详细推导了不同表观模型的单机动目标联合跟踪与分类滤波器和单机动目标联合检测、跟踪与分类滤波器，不仅提高了目标检测和跟踪性能，而且可以较好地利用目标表观信息实现目标分类；五是针对基于FISST的多目标联合检测与跟踪问题所能达到的性能下界及其计算实现问题，研究了其后验克拉美罗下界的推导问题，并引入传统数据关联思想以简化其后验克拉美罗下界PCRLB公式的计算。系列成果将对军民侦察监视系统的一体化目标检测、跟踪与分类实现奠定理论基础，克服传统侦察监视系统将三者独立串行处理的不足，充分挖掘三者之间的耦合信息，进而提高侦察监视系统的目标检测、目标跟踪和目标分类性能。