此文档下载后即可编辑 随机数字信号处理期末大作业（报告） 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院（系）：创新实验学院 专业：信息与通信工程 学生姓名：李润顺 学号：21424011 任课教师：殷福亮 完成日期：2015年7月14日
大连理工大学Dalian University of Technology
摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能，因此在目标跟踪领域有广泛应用，同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状，然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上，将其应用于雷达目标跟踪，雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真，对实验的效果进行评估，分析预测误差。 关键词：卡尔曼滤波器；雷达目标跟踪；航迹预测；预测误差；MATLAB 仿真 - 1 -
1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测，评估船舶航行的安全态势和机动试操船的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、β α-滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪理论中占据了主导地位。
目标识别技术 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高
49642009,30(21)计算机工程与设计Computer Engineering and Design 0引言 复杂背景下低信噪比运动目标的检测和跟踪是雷达信号处理系统的关键技术之一。在微弱运动目标检测和跟踪的应用中，雷达接收的远距离目标回波强度非常弱，信噪比很低，目标易被噪声淹没，单个脉冲回波的信噪比甚至是负的，若仅对单帧图像处理，不能可靠地检测目标。在预警雷达应用中，由于运动目标距离雷达较远，又处在强杂波环境中，对微弱运动目标的检测与跟踪是雷达信号处理的一个重要课题。早期算法主要有Kalman滤波等方法，主要采用检测后跟踪(detect before track，DBT)方法，这类方法在信噪比较高时可以取得很好的效果，否则不能检测出目标。要想对微弱目标进行有效的检测及跟踪，除了抑制杂波和降低系统噪声等方法外，一种有效的方法是检测前跟踪(track before detect，TBD)方法，即对单次观测信号先不进行判断，而是结合雷达图像特点，对目标进行多次观测，计算出目标在各帧图像之间的移动规律，预测目标在下一帧图像的可能位置，同时在帧与帧之间将多次扫描得到的数据沿着预测轨迹进行几乎没有信息损失的相关处理，从而改善目标的信噪比，提高检测性能，在得到检测结果的同时获得目标航迹。 目前，用于微弱目标检测的TBD方法主要有极大似然法、粒子滤波法、动态规划(dynamic programming，DP)法、Hough变换法，等[1-2]。其中，Hough变换法对检测沿径向做匀速直线运动的目标具有较好的检测性能，目标在直线轨迹上的能量集中在Hough变换后的单点上，目标轨迹的能量远大于其它点的能量，但计算量和存储量都较大[3]，难以实现。动态规划算法对目标信噪比要求较低，可以探测各种运动形式的目标[4-5]。 动态规划算法是美国Y.Barniv于1985年提出的，利用动态规划的分段优化思想，将目标轨迹搜索问题分解为分级优化的问题[6]。将其应用到雷达微弱目标检测中，可将雷达回波信号在多普勒频率和距离二维方向的幅度排列成图像，在多帧相继的图像序列中，运动目标轨迹可看作是一条连续变化的曲线，利用动态规划算法，检测是否存在着这样一条曲线，从而判断目标是否存在。 基于动态规划的检测前跟踪的关键在于沿目标运动航迹积累能量[7-8]，可以看出，搜索目标航迹的计算量非常大，在实际应用中存在不足。在预警雷达中，来袭目标比远离雷达的目标更具有威胁性，更需早期发现和预防，所以单独针对来袭目标进行探测，可以大大减少动态规划法搜索的运算量，提高预警雷达的探测能力。本文针对动态规划算法计算量大的缺 收稿日期：2009-02-26；修订日期：2009-06-10。
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910344449.2 (22)申请日 2019.04.26 (71)申请人 惠州市德赛西威智能交通技术研究 院有限公司 地址 516006 广东省惠州市仲恺高新区和 畅五路西8号投资控股大厦 (72)发明人 孙靖虎 曾迪 黄力 温和鑫 盘敏容 蒋留兵 (74)专利代理机构 惠州创联专利代理事务所 (普通合伙) 44382 代理人 韩淑英 (51)Int.Cl. G01S 13/02(2006.01) G01S 13/08(2006.01) G01S 13/58(2006.01) G01S 7/41(2006.01) (54)发明名称 一种雷达目标检测方法及应用其的雷达 (57)摘要 本发明涉及一种雷达目标检测方法。本发明 提供了一种运行速度快、探测精度高的雷达目标 检测方法，本发明中，雷达的一帧检测中第二发 射波的发射次数可与第一发射波不同，可通过设 置较少的第二发射波的发射次数来缩短雷达的 检测帧周期；本发明中第二发射波只需要进行一 次一维FFT而无需进行二维FFT，降低了计算复杂 度， 提高了数据处理速度。权利要求书2页 说明书7页 附图4页CN 110133630 A 2019.08.16 C N 110133630 A
1.一种雷达目标检测方法，其特征在于，包括以下步骤： 步骤一、发射K1次周期为T1、的第一发射波，所述第一发射波被目标反射后被天线接收得到第一回波； 步骤二、对每个周期的第一回波进行N点采样一维FFT变换得到第一回波一维FFT结果； 步骤三、对所述第一回波一维FFT结果进行二维FFT变换得到坐标对应第一距离单元号、第一模糊速度号的距离多普勒谱，其中第一距离单元号为对单个周期的第一回波进行一维FFT采样的序号，第一模糊速度号为所述第一发射波的发射周期的序号；根据第一回波的目标检测距离、目标检测模糊速度与所述距离多普勒谱的峰值的对应关系求第一回波的目标检测距离及目标检测模糊速度； 步骤四、发射K2次与所述第一发射波频率互质的周期为T2的第二发射波，所述第二发射波被目标发射后被所述天线接收得到第二回波，对每个周期的第二回波进行N点采样一维FFT变换得到对应不同第二距离单元号、第二模糊速度号的第二回波一维FFT结果，其中第二距离单元号为对单个周期的第二回波进行一维FFT采样的序号，第二模糊速度号为所述第二发射波的发射周期的序号； 步骤五、根据步骤三得到的第一回波的目标检测模糊速度与目标真实速度可能值之间的关系求目标真实速度可能值的速度旋转因子，并将该速度旋转因子与步骤四得到的第二回波一维FFT结果形成关联，然后对该关联结果进行解模糊，再根据解模糊的结果对步骤2求得的第一回波的目标检测距离、目标检测模糊速度进行修正从而求得目标真实速度及目标真实距离；以及 步骤六、输出步骤四获得的目标真实速度及目标真实距离。 2.根据权利要求1所述的一种雷达目标检测方法，其特征在于，步骤三中求第一回波的目标检测距离及目标检测模糊速度方法为： 在所述距离多普勒中寻找峰值，该峰值对应的距离单元号、模糊速度号即为目标所处 的第一距离单元号 第一模糊速度号 再根据目标所处的第一距离单元号电磁波的传播速度C、第一发射波的射频带宽B1计算第一回波的目标检测距离以及 根据目标所处的第一模糊速度号所述天线中心频率对应的波长λ、步骤1中所述第一发射波的发射次数K1及周期T1计算第一回波的目标检测模糊速度 3.根据权利要求2所述的一种雷达目标检测方法，其特征在于，所述步骤五具体包括： 定义目标真实速度可能值的速度旋转因子V DFT ： 式中V r为目标真实速度可能值；z为所述第二模糊速度号； 将第一回波的目标检测模糊速 度与目标真实速度可能值V r之间的关 系代入步骤4.1中目标真实速度可能值的速度旋转因子V DFT的定义公式中， 式中m为取值范围为[-d，d]的模糊数单元号，其中d为正整数，从而求得目标真实速度可能值的速度旋转因子； 权 利 要 求 书1/2页 2 CN 110133630 A
目标识别技术 2009-11-27 20:56:41| 分类：我的学习笔记| 标签：|字号大中小订阅 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络 模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标 识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反 映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减 速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别 提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高我国的军事实力，适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。从结构特性看，飞行中段
随机数字信号处理期末大作业（报告） 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院（系）：创新实验学院 专业：信息与通信工程 学生姓名：李润顺 学号：21424011 任课教师：殷福亮 完成日期：2015年7月14日 大连理工大学 Dalian University of Technology
摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能，因此在目标跟踪领域有广泛应用，同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状，然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上，将其应用于雷达目标跟踪，雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真，对实验的效果进行评估，分析预测误差。 关键词：卡尔曼滤波器；雷达目标跟踪；航迹预测；预测误差；MATLAB仿真
1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测，评估船舶航行的安全态势和机动试操船的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波、两点外推滤波、维纳 α-滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪滤波、加权最小二乘滤波、β 理论中占据了主导地位。 雷达跟踪需要处理的信息种类多种多样。除了目标的位置信息外，一般还要对目标运动速度进行估计，个别领域中的雷达还要对目标运动姿态进行跟踪。雷达跟踪的收敛速度、滤波精度和跟踪稳定度等是评估雷达跟踪性能的重要参数。因此提高雷达跟踪的精度、收敛速度和稳定度也就一直是改善雷达跟踪性能的重点。随着科技的发展，各类目标的运动性能和材质特征有了大幅度的改善和改变，这就要求雷达跟踪能力要适应目标特性的这种变化。在不断提高雷达跟踪性能的前提下，降低雷达跟踪系统的成本也是现代雷达必须考虑的问题。特别是在民用领域中由于雷达造价不能过高，对目标跟踪进行快收敛性、高精度和高稳定性的改良在硬件上是受到一些制约的，因此雷达跟踪算法的研究就越来越引起学者们的关注。通过跟踪算法的改进来提高雷达的跟踪性能还有相当大的挖掘潜力。考虑到雷达设备的造价，民用雷达的跟踪系统首要的方法就是对于雷达的跟踪算法进行开发。
基于扩展卡尔曼滤波的雷达目标在线跟踪轨迹的算法摘要：目标跟踪是指根据传感器（如雷达等）所获得的对目标的测量信息，连续地对目标的运动状态进行估计，进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。在军用领域，目标跟踪是情报搜集、战场监视、火力控制、态势估计和威胁评估的基础；在民用领域，目标跟踪被广泛应用于空中交通管制，目标导航以及机器人的道路规划等行业。本文利用差分方程模型计算目标点的速度与加速度，基于卡尔曼滤波算法建立扩展型卡尔曼滤波算法的目标跟踪模型。 0 引言 目前，对机动目标的跟踪滤波与预测算法主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、与滤波、简化的卡尔曼滤波和卡尔曼滤波。线性自回归滤波完全忽视了状态噪声对估值的影响；两点外推滤波利用最后一个数据点和最后两个数据点分别确定目标位置与目标速度，因此，之前所测的数据点并不能起到预测作用；维纳滤波不适合机动目标的瞬间变化过程，从而在一定程度上限制了它的应用范围；与滤波是两种简单并且易于工程实现的常增益滤波方法，最大优点在于其增益矩阵可以离线计算，而且在每次滤波循环中可节约大约70%的计算量；卡尔曼滤波与预测执行的是均方根误差最小准则，并且通过协方差矩阵可以很方便的对估计精度进行度量，目前应用较多而且误差相对较小的目标跟踪算法是卡尔曼滤波算法。但基本的卡尔曼滤波算法在跟踪机动目标时存在不足：当系
统达到稳态时，其预测协方差很小，使得滤波器的增益也趋于极小值，此时若目标发生机动，系统残差增大，预测的协方差和滤波器的增益不能随残差随时改变，系统将不能保证对突变状态的跟踪能力。 1用扩展卡尔曼滤波算法预测机动目标轨迹 首先由目标初始准确的状态对下一状态进行预测，得到下一状态的预测值，同时由计算所得的对应于初始状态的协方差得到下一状态的协方差预测值；接着由雷达观测误差、状态向量及所得协方差预测值可以得到卡尔曼增益值，进而最终得到下一状态的最优估算值，同时更新对应的协方差。至此，第一轮目标轨迹预测已完成，同理，进行下一轮的目标轨迹预测。模型的具体方程如下：本时刻系统的状态向量由上一时刻系统的最优预测状态向量求得，初始状态需要知道目标的状态向量。这里通过差分方程数学模型计算出目标在三个坐标上速度变化情况： 其中、、表示所测数据第i时刻速度沿着方向三个的速度分量值。 然后使用卡尔曼滤波预测目标的运动轨迹，假定离散时间控制系统状态方程和观测方程为： 式中是k时刻的非线性实值状态向量，是k时刻的系统量测向量，表示系统状态噪声，表示系统测量噪声，A和B为状态向量，H为非线性函数。 由公式4和公式5构成的系统状态方程和测量方程均为线性方程，其过程噪声都为高斯白噪声，可用标准卡尔曼滤波算法进行滤波。
目录 摘要 (1) ABSTRACT (2) 第一章绪论 (4) 1.1课题研究背景和意义 (4) 1.2国外研究现状 (5) 1.3本文的具体结构安排 (7) 第二章运动目标检测 (8) 2.1检测算法及概述 (8) 2.1.1连续帧间差分法 (9) 2.1.2背景去除法 (11) 2.1.3光流法 (13) 第三章运动目标跟踪方法 (16) 3.1引言 (16) 3.2运动目标跟踪方法 (16) 3.2.1基于特征匹配的跟踪方法 (16) 3.2.2基于区域匹配的跟踪方法 (17) 3.2.3基于模型匹配的跟踪方法 (18) 3.3运动目标搜索算法 (18) 3.3.1绝对平衡搜索法 (18) 3.4绝对平衡搜索法实验结果 (19) 3.4.1归一化互相关搜索法 (21)
3.5归一化互相关搜索法实验结果及分析 (22) 第四章模板更新与轨迹预测 (26) 4.1模板更新简述及策略 (26) 4.2轨迹预测 (28) 4.2.1线性预测 (29) 4.2.2平方预测器 (30) 4.3实验结果及分析： (31) 致 (36) 参考文献 (37) 毕业设计小结 (38)
摘要 图像序列目标跟踪是计算机视觉中的经典问题，它是指在一组图像序列中，根据所需目标模型，实时确定图像中目标所在位置的过程。它最初吸引了军方的关注，逐渐被应用于电视制导炸弹、火控系统等军用备中。序列图像运动目标跟踪是通过对传感器拍摄到的图像序列进行分析，计算出目标在每帧图像上的位置。它是计算机视觉系统的核心，是一项融合了图像处理、模式识别、人工只能和自动控制等领域先进成果的高技术课题，在航天、监控、生物医学和机器人技术等多种领域都有广泛应用。因此，非常有必要研究运动目标的跟踪。 本论文就图像的单目标跟踪问题，本文重点研究了帧间差分法和背景去除法等目标检测方法，研究了模板相关匹配跟踪算法主要是：最小均方误差函数(MES)，最小平均绝对差值函数(MAD)和最大匹配像素统计(MPC)的跟踪算法。在跟踪过程中，由于跟踪设备与目标的相对运动, 视野中的目标可能出现大小、形状、姿态等变化, 加上外界环境中的各种干扰, 所要跟踪的目标和目标所在的场景都发生了变化, 有可能丢失跟踪目标。为了保证跟踪的稳定性和正确性, 需要对模板图像进行自适应更新。由于目标运动有一定得规律，可以采取轨迹预测以提高跟踪精度，本文采用了线性预测法。 对比分析了相关匹配算法的跟踪精度和跟踪速度；对比不采用模板更新和模板跟新的跟踪进度和差别，实验表明，跟踪算法加上轨迹预测及模板跟新在很大程度上提高了跟踪帧数，提高了跟踪精度，具有一定的抗噪声性能。
雷达目标识别发展趋势 雷达具备目标识别功能是智能化的表现，不妨参照人的认知过程，预测雷达目标识别技术的发展趋势： (1)综合目标识别 用于目标识别的雷达必将具备测量多种目标特征的手段，综合多种特征进行目标识别。我们人类认知某一事物时，可以通过观察、触摸、听、闻、尝，甚至做实验的方法认知，手段可谓丰富，确保了认知的正确性。 目标特征测量的每种手段会越来越精确，就如同弱视的人看东西，肯定没有正常人看得清楚，也就不能认知目标。 识别结果反馈给目标特征测量，使目标特征测量成为具有先验信息的测量，特征测量精度会有所提高，识别的准确程度也会相应提高。 雷达具备同时识别目标和背景的功能。人类在观察事物的时候，不仅看到了事物的本身，也看到了事物所处的环境。现有的雷达大多通过杂波抑制、干扰抑制等方法剔除了干扰和杂波，未来的雷达系统需要具备识别目标所处背景的能力，这些背景信息在战时也是有用的信息。 雷达具备自适应多层次综合目标识别能力。用于目标识别的雷达虽然需要具备测量多种目标特征的手段，但识别目标时不一定需要综合所有的特征，这一方面是因为雷达系统资源不允许，另一方面也是因为没有必要精确识别所有的目标。比如司机在开车时，视野中有很多目标，首先要评价哪几个目标有威胁，再粗分类一下，是行人还是汽车，最后再重点关注一下靠得太近、速度太快的是行人中的小孩子还是汽车中的大卡车。 (2)自学习功能 雷达在设计、实现、装备的过程中，即具备了设计师的基因，但除了优秀的基因之外，雷达还需要具有学习功能，才能在实战应用中逐渐成熟。 首先，要具有正确的学习方法，这是设计师赋予的。对于实际环境，雷达目标识别系统应该知道如何更新目标特征库、如何调整目标识别算法、如何发挥更好的识别性能。 其次，要人工辅助雷达目标识别系统进行学习，这就如同老师和学生的关系。在目标识别系统学习时，雷达观测已知类型的合作目标，雷达操作员为目标识别系统指出目标的类型，目标识别系统进行学习。同时还可以人为的创造复杂的电磁环境，使目标识别系统能更好地适应环境。 (3)多传感器融合识别 多传感器的融合识别必定会提高识别性能，这是毋容置疑的。这就好比大家坐下来一起讨论问题，总能讨论出一个好的结果，至少比一个人说的话更可信。但又不能是通过投票的方式，专家的话肯定比门外汉更有说服力。多传感器融合识别需要具备双向作用的能力。 并不是给出融合识别的结果就结束了，而是要利用融合识别的结果反过来提高各个传感器的识别性能，这才是融合识别的根本目的所在。反向作用在一定程度上降低了人工辅助来训练目标识别系统的必要性，也减少了分别进行目标识别试验的总成本。
雷达机动目标跟踪技术 研究精编 Document number：WTT-LKK-GBB-08921-EIGG-22986
1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研
究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法，将传感器所接受到的信号数据进行处理，得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。
基于压缩感知的雷达目标检测研究硕士学位
中图分类号：TN957 论文编号：1028704 15-S051 学科分类号：081001 硕士学位论文 基于压缩感知的 雷达目标检测研究 研究生姓名 学科、专业通信与信息系统 研究方向雷达信号处理 指导教师 XIII
Nanjing University of Aeronautics and Astronautics The Graduate School College of Electronic and Information Engineering Study of Radar Target Detection Based on Compressed Sensing A Thesis in Radar Signal Processing By Advised by Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Engineering December, 2014 XIII
毕业论文（设计）原创性声明 本人所呈交的毕业论文（设计）是我在导师的指导下进行的研究工作及取得的研究成果。据我所知，除文中已经注明引用的内容外，本论文（设计）不包含其他个人已经发表或撰写过的研究成果。对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。 作者签名：日期： 毕业论文（设计）授权使用说明 本论文（设计）作者完全了解**学院有关保留、使用毕业论文（设计）的规定，学校有权保留论文（设计）并向相关部门送交论文（设计）的电子版和纸质版。有权将论文（设计）用于非赢利目的的少量复制并允许论文（设计）进入学校图书馆被查阅。学校可以公布论文（设计）的全部或部分内容。保密的论文（设计）在解密后适用本规定。 作者签名：指导教师签名： 日期：日期： XIII
1 绪论 1.1 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 1.2 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不
雷达跟踪算法论文目标跟踪算法论文 雷达多目标跟踪算法 摘要:文章简述了雷达多目标跟踪系统中状态估计和航迹数据关联两大问题的研究现状并对主流算法进行分析对比。状态估计问题主要分析了线性滤波及非线性滤波的主流算法。数据关联问题主要分贝叶斯类和最大似然概率类进了行讨论分析。 关键词:雷达；目标跟踪；卡尔曼滤波；数据关联 1引言 将数学算法引入到雷达系统，已经有百年历史，雷达数据处理方法始于高斯将最小二乘算法应用于神谷星的轨道预测，随后R.A.Fisher的极大似然估计法、N.Wiener的维纳滤波法都曾给雷达数据处理带来巨大变革，而由Kalman滤波逐步完善而来的卡尔曼滤波估计理论已经在雷达数据处理中占有非常重要的地位。雷达目标跟踪算法主要有状态估计、航迹点迹处理两个部分。 2状态估计 状态估计是对目标过去的运动状态进行平滑、对目标现在运动状态进行滤波以及对目标未来的运动状态进行预测的方法。 2.1线性滤波算法 在所有的线性形式的滤波器中，线性均方估计滤波器是最优的。线性均方误差准则下的滤波器包括：维纳滤波器和卡尔曼滤波器，稳态条件下两者是一致的，但卡尔曼滤波器适用于有限观测间隔的非平稳问题，它是适合于计算机计算的递推算法。[1]表1列出详细对比。
2.2 非线性滤波 无源探测系统不能测距，欲获得目标状态良好估计需用到非线性滤波方法，包括扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）及粒子滤波（PF）[2]。表二列出了详细对比分析。 由以上对比可知，速度上，EKF具有明显优势，但当系统的非线性强度增大导致线性化误差增大时，EKF的估计精度下降，甚至发散；精度上UKF和PF性能相似，但就计算量而言PF远远超过UKF[3]。综上，在一般的非线性高斯环境中宜采用UKF，在更复杂的非高斯环境中，PF将具有更广泛的应用前景。 3 多目标跟踪 多目标跟踪的基本方法，可以分为极大似然类数据关联算法和贝叶斯类数据互联算法。极大似然类数据关联算法包括人工标图法、航迹分叉法、联合极大似然算法、0-1整数规划法、广义相关法等。贝叶斯类互联算法包括最近邻域法、概率数据互联算法、联合数据互联算法、最优贝叶斯算法、多假设方法等[4]。 3.1 极大似然类多目标数据关联算法 在极大似然类数据关联算法中，目前主要应用的是航迹分叉法、两盒极大似然算法、0-1整数规划法和广义相关法这四种算法。表三就这几种线性关联算法进行对比分析。 通过实验，在测量杂波环境相同的条件下，航迹分叉法的计算耗时最长，计算量最大，这是由于它无区别地分配有效测量，不处理同
目标跟踪的研究背景意义方法及现状
目录 ? 1.课题背景与研究意义? 2.国内外研究现状 ? 3.存在的问题 ? 4.总结，发展与展望 ? 5.参考文献
1课题背景与研究意义 ?运动目标的跟踪就是在视频图像的每一幅图像中确定出我们感兴趣的运动目标的位置，并把不同帧中同一目标对应起来。 ?智能视频监控(IVS: Intelligent Video Surveillance)是计算机视觉领域近几年来发展较快，研究较多的一个应用方向。它能够利用计算机视觉技术对采集到的视频信号进行处理、分析和理解，并以此为基础对视频监控系统进行控制，从而使视频监控系统具备更好的智能性和鲁棒性。智能视频监控系统主要涉及到图像处理、计算机视觉、模式识别、人工智能等方面的科学知识，它的用途非常广泛，在民用和军事领域中都有着极大的应用前景。
2.国内外研究现状 视频目标跟踪算法 基于对比度分析基于匹配核方法运动检测其它方法 特征匹配贝叶斯 跟踪 Mean shift方法 光流法
基于对比度分析的方法 ?算法思想：基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。 ?分类：边缘跟踪，型心跟踪，质心跟踪。 ?优缺点：不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。
基于特征匹配的目标跟踪算法 ?算法思想：基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的过程就是特征匹配过 程。 ?目标跟踪中用到的特征主要有几何形状、子空间特征、外形轮廓和特征点等。其中，特征点是匹配算法中常用的特征。特征点的提取算法很多，如Kanade Lucas Tomasi （KLT）算法、Harris 算法、SIFT 算法以及SURF 算法等。?优缺点：特征点一般是稀疏的，携带的信息较少，可以通过集成前几帧的信息进行补偿。目标在运动过程中，其特征（如姿态、几何形状、灰度或颜色分布等）也随之变化。 目标特征的变化具有随机性，这种随机变化可以采用统计数学的方法来描述。直方图是图像处理中天然的统计量，因此彩色和边缘方向直方图在跟踪算法中被广泛采用。
目标跟踪算法的研究 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】
目录
摘要 图像序列目标跟踪是计算机视觉中的经典问题，它是指在一组图像序列中，根据所需目标模型，实时确定图像中目标所在位置的过程。它最初吸引了军方的关注，逐渐被应用于电视制导炸弹、火控系统等军用备中。序列图像运动目标跟踪是通过对传感器拍摄到的图像序列进行分析，计算出目标在每帧图像上的位置。它是计算机视觉系统的核心，是一项融合了图像处理、模式识别、人工只能和自动控制等领域先进成果的高技术课题，在航天、监控、生物医学和机器人技术等多种领域都有广泛应用。因此，非常有必要研究运动目标的跟踪。 本论文就图像的单目标跟踪问题，本文重点研究了帧间差分法和背景去除法等目标检测方法，研究了模板相关匹配跟踪算法主要是：最小均方误差函数(MES)，最小平均绝对差值函数(MAD)和最大匹配像素统计(MPC)的跟踪算法。在跟踪过程中，由于跟踪设备与目标的相对运动, 视野中的目标可能出现大小、形状、姿态等变化, 加上外界环境中的各种干扰, 所要跟踪的目标和目标所在的场景都发生了变化, 有可能丢失跟踪目标。为了保证跟踪的稳定性和正确性, 需要对模板图像进行自适应更新。由于目标运动有一定得规律，可以采取轨迹预测以提高跟踪精度，本文采用了线性预测法。 对比分析了相关匹配算法的跟踪精度和跟踪速度；对比不采用模板更新和模板跟新的跟踪进度和差别，实验表明，跟踪算法加上轨迹预测及模板跟新在很大程度上提高了跟踪帧数，提高了跟踪精度，具有一定的抗噪声性能。
关键词：目标跟踪，目标检测，轨迹预测，模板更新
基于opencv中光流法的运动 行人目标跟踪与检测 一、课题研究背景及方法 行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。 早期以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如 （1）以Gavrila为代表的全局模板方法：基于轮廓的分层匹配算法，构造了将近2500个轮廓模板对行人进行匹配, 从而识别出行人。为了解决模板数量众多而引起的速度下降问题，采用了由粗到细的分层搜索策略以加快搜索速度。另外，匹配的时候通过计算模板与待检测窗口的距离变换来度量两者之间的相似性。 （2）以Broggi为代表的局部模板方法：利用不同大小的二值图像模板来对人头和肩部进行建模，通过将输入图像的边缘图像与该二值模板进行比较从而识别行人，该方法被用到意大利Parma大学开发的ARGO智能车中。 （3）以Lipton为代表的光流检测方法：计算运动区域内的残余光流； （4）以Heisele为代表的运动检测方法：提取行人腿部运动特征；
（5）以Wohler为代表的神经网络方法：构建一个自适应时间延迟神经网络来判断是否是人体的运动图片序列； 以上方法，存在速度慢、检测率低、误报率高的特点。 二、行人检测的研究现状 （1）基于背景建模的方法：分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参数较为敏感。 （2）基于统计学习的方法：根据大量训练样本构建行人检测分类器。提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM，adaboost等。该方法存在以下难点：（a）行人的姿态、服饰各不相同； （b）提取的特征在特征空间中的分布不够紧凑； （c）分类器的性能受训练样本的影响较大； （d）离线训练时的负样本无法涵盖所有真实应用场景的情况； 尽管基于统计学习的行人检测方法存在着诸多的缺点，但依然有很多人将注意力集中于此。 行人检测国外研究情况： 法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。