知识辅助的贝叶斯检测联合跟踪框架与方法

王 峰,邢 雷,梁 彦,冯肖雪

(1. 南京电子技术研究所，南京 210039;(2. 西北工业大学，西安 710072)

0 引 言

低信噪比、低信杂比以及人为干扰使得现代雷达目标跟踪系统所处环境日益复杂，同时人们对信息的需求不断提高，使得传统目标跟踪技术越来越力不从心，主要表现在以下几个方面：电磁环境和目标特性日趋复杂多变、感知的手段与能力显著提升、感知需求的内容与质量要求大大提高。这些环境与需求的变化使得目标检测跟踪呈现出不确定、高机动、多模态、低数据率、低检测率等诸多复杂特性。

传统的检测与跟踪分开处理的方法会导致回波信息的大量损失，面对上述复杂特性，容易产生虚警和漏检，使得检测与跟踪性能恶化。实际上，目标检测与跟踪是两个紧密耦合的问题，利用回波信号中丰富的杂波、干扰与目标特征信息，可以提高航迹关联与滤波的准确性；利用稳定、可靠的航迹信息，可以改善复杂环境下弱小目标的检测能力。检测与跟踪联合处理，有望同时得到更优异的检测与跟踪性能。

检测联合跟踪处理技术通过建立检测与跟踪的闭环反馈，把数据处理系统输出的航迹信息反馈给前端信号处理系统，信号处理基于目标航迹信息以及环境感知信息，采用自适应和智能化检测方法，提高杂波与干扰环境下的目标检测能力；同时，数据处理充分利用信号处理发送的目标信噪比、雷达横截面积(RCS)、引擎调制谱、宽带一维像等信息，大大丰富了数据关联信息维度，有利于降低强杂波和密集目标环境下的误关联概率，提高目标航迹连续性和跟踪精度。

常用的检测联合跟踪方法主要有检测前跟踪(TBD)、基于随机有限集统计学理论(FISST)的检测联合跟踪、基于自适应粒子滤波的检测联合跟踪以及基于辅助信源的检测联合跟踪等方法。其中，基于FISST的检测联合跟踪算法成为目前国内外的一大研究热点[1-14]。概率假设密度(PHD)算法由于特征量测的加入以及没有具体的数据关联，可以对来自不同类型且空间位置非常接近的多个目标进行跟踪，并且避免了在多类目标具有暂时低似然性时永久失跟的可能性。由于PHD滤波器的原理和特点，对处于密集杂波观测下的多目标进行联合检测、跟踪和分类(JDTC)[15-16]，可以消除大量杂波并得到每一目标类别各个目标的状态精确估计，实现杂波环境下对新生、衍生以及存活等各类目标的检测与跟踪。

本文以雷达为对象，设计了一种基于知识辅助的贝叶斯检测联合跟踪处理框架，在此基础上提出了一种基于联合优化指标的检测联合跟踪方法。

1 知识辅助的检测联合跟踪框架设计

知识辅助的贝叶斯检测联合跟踪处理框架如下图所示：

图1 知识辅助的贝叶斯检测联合跟踪处理框架

该框架中包括以下关键模块：

1.1 动态知识库

雷达动态知识库按照信息来源可以分为三类：

(1)传感器自身与环境交互的信息。主要包括：目标检测获取的信息，如杂波强度、分布，干扰频率、强度、分布，信号包络，目标信噪比、RCS等信息；目标跟踪得到的航迹信息，如目标距离、速度、航向、方位、高度、经纬度等信息；目标识别得到的一些信息参数，如一维像、引擎调制谱、大中小分类、军民分类、目标型号等。

(2)其他传感器探测信息或情报中心发送的信息。雷达接收电子侦察、通信侦察、红外、敌我识别等异类传感器的信息，分层次实现有源无源融合、目标位置与属性融合等，可以有效地提高航迹质量，极大地丰富情报内容；接收情报中心发送的其他平台雷达探测信息，通过信号级、点迹级、航迹级等不同级别的融合处理，可以提高情报掌握率与航迹精度。比如电子侦察提供的目标信息主要有方位角、频率与重频等波形参数，雷达型号、平台型号及置信度等，敌我识别信息主要有目标方位、距离、敌我属性等。

(3)从外界其他渠道得到的信息。比如气象信息、海况信息、地理信息、高层信息、民航航路信息、目标的机动特性等。

雷达动态知识库包含的先验信息种类很多，合理的利用先验信息能提高检测与跟踪系统的性能。信息按照种类可以分为：

(1)地理信息库，包含航路信息、道路信息、飞行计划等信息。

(2)目标信息库，包含目标类型、行为特性等。

(3)环境特性库，包含杂波特性、噪声特性以及电磁特性等等。

(4)态势数据库，包含作战条例、作战模式等等。

1.2 知识的获取、学习与应用

通过录取雷达原始A/D数据、点迹数据、航迹数据、传感器特性(如波段、类型等)数据，以及提取的目标运动特性、目标属性特征、目标行为特性、干扰特征、杂波特征等信息，构建目标与环境大数据库。

综合多种异类传感器及辅助信源提供的海量、多源、异构数据，采用数据挖掘、深度学习、知识记忆与推演等人工智能方法，对大数据进行信息与知识挖掘，提取出目标/环境的内在规律及变化趋势等知识，构建目标/环境特征知识库、目标行为知识库等，改善对目标和环境的动态认知能力，提升情报质量和效率。

对目标/环境等知识进行离线或在线学习、加工，提高知识的可用性，在此基础上对检测、跟踪进行联合优化处理，实现算法及参数的自适应设计，从而对目标和环境变化具有很强的自适应处理、学习和修正能力，以达到目标检测、点迹过滤、航迹跟踪、目标分类与型号识别等性能最优。

1.3 检测与跟踪一体化处理

引入检测与跟踪联合处理机制，对可利用的信息和知识进行归纳与分类，在此基础上利用杂波、干扰与目标检测特性、辅助信源等知识，将检测系统和跟踪系统相互关联，实现检测与跟踪的闭环反馈，满足复杂环境下(杂波、干扰等)微弱目标信号检测与跟踪处理性能，同时具备多源信息综合处理能力和检测跟踪识别统一处理能力，以提升目标估计与辨识性能。

传统雷达接收到的杂波本应在信号处理端进行抑制以便提取目标信息，若在数据处理端将雷达的地海杂波信息与地理信息(如地理信息系统(GIS) 数据、航路信息、飞行计划)相融合，能够建立航迹-航路/飞行计划关联策略，区分航路/非航路目标航迹，从而大大提升对态势分析与威胁估计的支撑能力。

此外，综合利用地海杂波识别结果、空中目标航迹、大中型舰船目标与地海杂波信号可区分特征、作战条例、人工情报、技侦情报等多源多维信息，基于多源动态信息推理与融合和基于上下文信息的态势意图预测，辅助航母检测与定位，提高目标检测概率、缩短发现时间，降低虚假航迹数。

1.4 航迹后处理

情报类雷达需要具有持久、良好的目标监视能力，当目标航迹出现断裂时，可以采用航迹后处理技术提升航迹的连续性，改善情报质量。航迹后处理主要由两部分组成，一部分是航路航迹相关，另一部分是航迹片段粘连。

航路航迹相关主要是利用民航航路等外部辅助信息，建立空中走廊模型，确定航路辅助信息与目标航迹的多特征关联指派关系，运用多源信息动态推理和综合策略，对目标航迹的航路/非航路属性进行度量与判定识别，以实现异常航路目标的检测、雷达偏差的提取与跟踪系统的校正。

航迹片段粘连首先将跟踪系统的输出航迹集合分为已终结航迹集合和新起始航迹集合，然后利用终结航迹外推、新起始航迹回溯以及基于量测点迹的数据关联，实现已终结航迹与新起批航迹的目标同源性度量、自动判决与信息融合，减少同源目标航迹断批次数，改善情报质量。

1.5 雷达任务管理与资源调度

雷达任务管理与资源调度主要基于综合探测效能最优准则实现对搜索、跟踪、识别等多任务管理，并允许人在回路干预雷达任务的执行。对雷达环境进行态势感知，为雷达波形等参数调度提供丰富可靠的环境信息，在此基础上采用在线或离线学习方法，智能化学习雷达波形参数，实现雷达与探测环境之间的动态交互，提升雷达在复杂、多变环境下的适应性和探测性能。

1.6 信号预处理

信号预处理主要完成多通道数字波束合成、主杂波跟踪、脉冲压缩、快速傅立叶变换(FFT)等处理，实现对雷达回波的预处理。

2 基于联合优化指标的检测与跟踪一体化

雷达系统中，噪声、虚警、目标数目的时变性、检测及关联的不确定性大大增加了目标检测与跟踪的难度。尽管检测与跟踪两者之间存在强耦合，但通常被作为独立的问题进行研究，并分别采用检测、跟踪指标体系评估处理性能。

本节基于目标检测与跟踪性能联合指标体系，提出了一种基于联合优化指标的检测与跟踪一体化方法，该方法针对单次检测与跟踪结果进行联合性能优化分析，通过网络通讯获取正在进行的信息处理结果，同时通过各项性能评价指标计算，得到联合风险函数最优下的检测与跟踪结果，并实时的输出各项指标结果，用来自适应调节检测与跟踪算法。

目前常用的性能评价指标包括：

图2 联合检测与跟踪系统性能评价指标

基于广义贝叶斯联合风险函数的联合检测与跟踪如下：

α2C2(xi,nj|X,N,Z)+α3C3(xi,nj|X,N,Z)+…

其中X为真实目标状态集合，Z为量测集合，N为真实目标数目，xi为当前时刻第i个目标状态，nj为当前时刻第j个航迹状态，α为各指标的权重系数，C(xi,nj|X,N,Z)为各指标的风险代价。

综合考虑检测与跟踪性能，根据检测与跟踪处理结果自适应优化调整目标检测、数据关联、状态滤波等环节的算法与参数，实现联合风险函数值最小化。

基于自适应粒子滤波和基于PHD的框架设计都属于概率框架，均不具有可扩展能力。基于联合优化指标的检测与跟踪一体化设计具有更好的灵活性，可根据不同性能指标设计跟踪系统，是以用户为中心的处理系统，可根据不同阶段不同任务进行自适应调整。比如，前期主要以发现目标为首要任务，性能指标选取可偏重检测环节，中期以稳定目标跟踪为首要任务，性能指标选取可偏重跟踪环节，而后期则可偏重属性识别环节为准确目标打击提供支撑。

3 算法仿真

采用上述基于联合优化指标的检测联合跟踪方法，解决被动相干定位系统(PLC)中的目标跟踪问题，选用航迹状态估计精度作为目标跟踪性能指标，选用航迹自动起始成功率作为目标检测性能指标，分别作为跟踪风险代价和检测风险代价进行仿真验证。

考虑PCL系统包含四个发射机和一个接收机，在PCL系统中，接收机输出双站之间径向距、径向距速率和到达方位角信息。

图3 PCL系统仿真场景与状态估计结果

仿真场景如图3所示：四个传感器发射机(五角星标识)位于矩形区域的四个角落，一个接收机(圆圈标识)位于矩形区域的中心位置。目标1、2做交叉匀速直线运动，目标3、4做平行匀速直线运动，目标运动参数如下表所示：

目标号初始状态备注1(-5 km,0.2 km/s,5 km,-0.2 km/s)2(-5 km,0.3 km/s,-5 km,0.15 km/s)3(100 km,0.3 km/s,-10 km,0.3 km/s)4(100 km,0.3 km/s,-5 km,0.3 km/s)

目标状态转移矩阵和过程噪声协方差矩阵分别为：

传统的S+1-D方法[17-18]将量测-目标-模式三维关联问题转化为量测-模式静态关联与伪量测-航迹动态关联两个二维数据关联问题，通过构造所有模式下的量测集合，同时处理静态关联和动态关联，一次性完成量测-模式-航迹的更新。如图3～图5所示，本文提出的方法能够实现对四批目标的精确跟踪，目标位置估计误差随时间收敛，且位置估计精度比S+1-D方法更加优越。

图4 目标1和目标2位置估计精度比较

图5 目标3和目标4位置估计精度比较

4 结 语

本文针对雷达系统检测与跟踪应用，设计了一种知识辅助的贝叶斯检测联合跟踪处理框架，该框架充分利用地理信息库、目标信息库、环境特性库、态势数据库等先验知识以及实时获取的知识，实现检测与跟踪联合处理，提升目标检测与跟踪性能。基于联合优化指标提出了联合风险函数最小的检测与跟踪一体化方法，该方法灵活性强，可根据任务和用户需求自适应调整跟踪系统。Monte Carlo仿真结果表明该方法比S+1-D算法具有更好的目标估计性能。