基于QIPF的弱目标检测前跟踪算法*

郭云飞，张峰

（杭州电子科技大学通信信息传输与融合技术国防重点学科实验室，杭州310018）

基于QIPF的弱目标检测前跟踪算法*

郭云飞，张峰

（杭州电子科技大学通信信息传输与融合技术国防重点学科实验室，杭州310018）

针对低信噪比条件下弱目标检测跟踪问题，提出一种拟蒙特卡罗智能粒子滤波检测前跟踪算法（Quasi-MonteCarloIntelligentParticleFilterTrack BeforeDetect，QIPF-TBD）。首先，该算法采用拟蒙特卡罗技术改善探测空间中粒子分布的均匀性；其次，通过对更新阶段的粒子进行交叉变异等操作，提高粒子重采样之后的多样性。与同类算法的仿真分析表明，所提方法能有效改善低信噪比目标的检测概率和跟踪精度。

弱目标，检测前跟踪，智能粒子滤波，拟蒙特卡罗

0　引言

低信噪比下弱目标的检测和跟踪是光学、红外及雷达系统亟待解决的关键问题之一。检测前跟踪技术（Track BeforeDetect，TBD）通过多帧原始数据积累，以时间换取能量，达到检测和跟踪低信噪比目标的目的。典型的TBD算法主要有霍夫变换（Hough Transform，HT）［1］，动态规划（Dynamic Programming，DP）［2］以及粒子滤波（Particle Filtering，PF）［3］等，其中基于PF的TBD算法（记为PF-TBD）由于具有递归方法良好的实时性，引起了国内外学者的广泛关注［3-7，11］。

文献［3,6］提出了在雷达和红外系统的PF-TBD实现方法，文献［5］中指出传统PF-TBD算法面临着粒子多样性匮乏这一问题。文献［7，10］利用拟蒙特卡罗（Quasi-Monte Carlo，QMC）方法使得随机分布更加均匀的优点，将其应用于PF-TBD问题中，解决了粒子多样性匮乏的问题。QMC方法也可用于改善遗传算法中的种群分布［9］。文献［8］将遗传算法用在PF算法中，为解决粒子多样性匮乏的问题提供了新的思路。

为了解决传统PF-TBD算法中存在的粒子分布不均匀和粒子多样性匮乏的问题，本文提出了基于拟蒙特卡罗的智能粒子滤波检测前跟踪算法（Quasi-Monte Carlo Intelligent Particle Filter Track BeforeDetect，QIPF-TBD），该算法使得粒子分布比传统伪随机方法得到的粒子分布更加均匀，并对于权重小的粒子进行交叉变异，不仅有效地解决了粒子滤波多样性匮乏的问题，并且在保证检测与跟踪性能的同时减少粒子数，降低了计算量，提高了算法的实时性能。

1　检测前跟踪建模

设k时刻的目标状态xk为，其中（xk，yk）为k时刻目标在x，y方向的位置为k时刻目标在x，y方向的速度。

量测数据为：

2　QIPF-TBD算法

本节首次将IPF［8］应用于TBD问题，并采用QMC算法改善IPF-TBD中粒子的分布特性，从而使IPF算法的粒子具有良好的分布性，可以快速实现粒子的多样化，有效降低粒子数，提高算法的实时性能。

假设粒子初始分布概率密度p（x0）已知，粒子数为N，QIPF-TBD算法步骤如下所示：

①QMC方法使用低偏差Halton序列生成样本［10］，得到在区间［0，1］内的低偏差点集和。

②初始化。根据p（x0）进行采样得到N个粒子的粒子集为；根据将粒子集分布到对应的雷达观测区域。

将上式取整得到最终的Neff。WT的表达式为：

低权重的粒子状态集合变为xlkS，式（7）中α∈［0，1］，当α=1没有交叉发生。

⑦变异。

其中，H0表示目标不存在（E=0），H1表示目标存在（E=1），pv（zj）表示噪声的分布特性。当Λ（z1：k）超过某一门限ΛT时，则宣布目标存在其估计值为：

3　仿真分析

为了说明本文所提算法的有效性和性能优势，在仿真中分别采用了PF-TBD、IPF-TBD、QIPF-TBD3种算法对某一个近似匀速直线目标进行检测跟踪。

通常低信噪比是指信噪比小于10 dB，仿真场景中信噪比设为9 dB。探测场景参数如下：传感器距离单元的个数为50个，多普勒单元的个数是10个，方位单元的个数为40个。目标的出现时刻是第10 s，消失时刻是第30 s，总帧数为40帧，帧间隔为1 s。目标的初始状态为［40 m，2 m/s，60 m，1 m/s］T，目标的马尔科夫状态转移矩阵为，蒙特卡罗仿真次数50次。图2～图4是3种算法在9 dB下的表现效果。检测概率门限设置为0.8，超过0.8认为目标出现。

图1　原始量测数据与跟踪效果

图2　不同时刻的跟踪效果

图1是原始量测数据和跟踪效果图，从图中可以看出目标原始量测数据很密集，无法直接区分出杂波和目标，说明目标信号微弱，受到了强杂波干扰。图中的跟踪效果是QIPF-TBD算法在9dB条件的跟踪效果，可以看出QIPF-TBD算法能有效检测和跟踪弱目标。

图3　不同粒子数的检测概率

图4　不同算法的RMSE

图2（a）是在目标出现之前QIPF-TBD算法的粒子分布情况，目标出现之前粒子均匀分布，图2（b）是目标出现时刻的跟踪效果，经过一段时间的积累，粒子聚集于目标附近实现了很好的跟踪效果。30 s之后目标消失，图2（c）显示出了在目标消失后，粒子逐渐散开，逐步分散到空间中的任意位置，可以看出使用了QMC方法使得粒子的分布效果更加均匀。

图3和图4是3种算法的检测概率和RMSE的对比。由图3（a）～（c）可以看出：QIPF-TBD算法粒子的初始分布很均匀，使得它的检测概率在目标出现的时候提升非常快，效果比较显著。IPF-TBD由于对粒子使用交叉变异方法实现了粒子的多样性，检测概率提升稍慢于QIPF-TBD，但比PF-TBD效果好。随着粒子数的降低会出现检测概率下降的情况，3种算法均能检测和跟踪目标，但都有一定的时延，QIPF-TBD时延最短，PF-TBD时延最长，但随着时间的逐步积累，最后3种算法的检测概率趋于一致。

图4（a）～（c）表示了不同粒子数目的情况下3种算法RMSE的效果对比。由于QIPF-TBD算法具有粒子初始分布均匀的优势，可以快速跟踪上目标，使得RMSE值减小的最快。随着使用的粒子数目减少，QIPF-TBD的RMSE的值可以很快地趋于稳定，IPF-TBD，PF-TBD需要更多的时间之后才会逐步趋于稳定。

表1　不同粒子数目下算法的单帧处理时间

由表1可以看出单帧处理时间PF-TBD算法需要的时间是最少的，QIPF-TBD需要的时间是最多的。结合图2和图3可以看出：QIPF-TBD算法的检测跟踪性能比较稳定，在粒子数较小时仍能在很短的时间内达到较高的检测概率和较低的RMSE。QIPF算法的单帧处理时间最长，该算法实质是较长的单帧处理时间来换取较低的计算量和存储量。综合图3、图4和表1，粒子数选为1 000时，QIPF-TBD算法能在保证跟踪性能的基础上，缩短运行时间。

4　结论

本文针对粒子多样性匮乏的问题提出了QIPF-TBD算法，实验仿真结果表明，在强杂波下低可观测目标环境下单个匀速运动的目标进行检测和跟踪，本文提出的算法能够较好地解决由于粒子多样性匮乏导致的检测与跟踪性能下降的问题，达到了良好的检测和跟踪效果，并降低了一定的计算量和存储量。

［1］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.

［2］万洋，王首勇，吴卫华.机动弱小目标动态规划检测前跟踪方法［J］.信号处理，2013，29（5）：584-590.

［3］BOERS Y，DRIESSEN H.Particle filter based track before detect Algorithms［J］.Proceedings of SPIE，Signal and Data ProcessingofSmall Targets，2003，5204（3）：20-30.

［4］胡士强，敬忠良.粒子滤波算法综述［J］.控制与决策，2005，20（4）：361-371.

［5］龚亚信.基于粒子滤波的弱目标检测前跟踪算法研究［D］.长沙：国防科学技术大学，2009：31-48.

［6］SALMOND D J，BIRCH H.A particle filter for track-before-detect［C］//Proceedingsof theAmericanControl conference，Arlington，2001：3755-3760.

［7］BIN W，HAO Y.A novel track before detect algorithm for small diminfrared target［C］//International Conference on Multimedia andSignalProcessing，2001，27（11）：103-106.

［8］SHEN Y，ZHU X P.Intelligent particle filter and its applicationtofaultdetectionofnonlinearsystem［J］.IEEE TransactionsonIndustrial Electronics，2015，62（6）：3852-3861.［9］MAARANEN H，MIETTINEN K，MAKELAM M. Quasi-randominitial population for genetic algorithms［J］. Computers and Mathematics with Applications，2004，47（12）：1885-1895.

［10］郭云飞，唐学大，骆吉安，等.一种基于QMC-APF的检测前跟踪算法［J］.现代雷达，2013，37（2）：33-36.

［11］DONG G，WANG X D.Quasi-monte carlo filtering in nonlinear dynamic systems［J］.IEEE Transactions on Signal Processing，2006，54（6）：2087-2098.

Track Before Detect Algorithm Based on QIPF

GUOYun-fei，ZHANG Feng
（Key Laboratory of Fundamental Science for National Defense-Communication Information Transmission and Fusion Technology，Hangzhou Dianzi University，Hangzhou 310018，China）

For the problem of detecting and tracking low signal-to-noise-ratio target，a quasi Monte Carlo intelligent particle filter track before detect（QIPF-TBD）algorithm is proposed.First，the quasi Monte Carlo technique is used to improve the distribution of particles in the surveillance region. Second，at the update stage of the particle filter，the crossover and mutation operations are invoked to improve the particle diversity after re-sampling.Compared with other PF-TBD methods in simulations，the proposed method can improve the detection and tracking performance effectively.

weak target，track beforedetect，intelligentparticlefilter，quasi MonteCarlo

TN593

A

1002-0640（2016）10-0059-04

2015-08-16

2015-09-19

国防预研基金重点资助项目（KYZ040514021）

郭云飞（1978-），男，河北邯郸人，博士，副教授。研究方向：目标跟踪，目标检测，信息融合等。