在线学习的雷达目的跟踪技术研究.docx

在线学习的雷达目的跟踪技术研究摘要:传统的单纯依靠跟踪算法的雷达目的跟踪在目的长时间跟踪任务中容易遭到杂波和目的本身属性波动的影响，导致跟踪失败。提出一种基于在线学习机制的长时间雷达目的跟踪方法基于多模型优化的在线学习雷达目的跟踪算法。在跟踪-学习-检测架构上，采用多模型跟踪结果作为训练检测器的部分样本，由学习器约束跟踪器和检测器，并优化跟踪器，以到达长时间稳定跟踪的目的。仿真实验表明，本文算法能够有效降低长时间跟踪经过中跟踪失败现象，具有一定的工程研究价值。关键词:雷达目的跟踪;目的检测;在线学习;多模型;跟踪-学习-检测传统的-滤波和卡尔曼滤波对线性系统高斯经过的跟踪性能好，但对于非线性非高斯经过性能较差，扩展卡尔曼滤波以及不敏卡尔曼滤波是针对非线性经过进行改良的。基于蒙特卡洛方法的粒子滤波算法在非线性、非高斯系统均表现出一定优越性，近年来得到了研究人员的青睐1。交互多模型跟踪算法在机动目的跟踪方面表现出了强大的能力2，另一类算法是利用检测的方法跟踪目的。Collin3通过寻找最具分辨率的特征空间计算其与目的和背景的类似度比值，选择比值高的候选样本作为目的。Grabner4提出了基于在线Boosting的跟踪算法，利用了集成学习算法的思想。为了能够解决长时间目的稳定跟踪问题，KalalZ5在视频跟踪中引入跟踪学习检测(Tracking-Learning-Detection，TLD)的跟踪机制，进而到达目的长时间稳定跟踪的目的。在长时间雷达目的跟踪任务中，杂波的干扰和目的本身的机动性是导致目的跟踪不稳定的两个主要原因。一方面，复杂的杂波环境直接导致目的被遮蔽、误检，使目的跟踪很容易关联到杂波，导致目的跟丢跟错。另一方面，机动目的运动形式参数变化较大，单一模型很难及时准确辨识机动参数，造成模型的不准确，导致算法性能下降。本文采用了TLD跟踪框架，引入了在线学习机制，将雷达目的检测器和跟踪器通过在线学习算法结合在一起，充分发挥了检测器和跟踪器的优势，同时将多模型算法作为雷达TLD框架中的跟踪器，提出了多模型优化的在线学习雷达目的跟踪算法(MultipleModelTrackingLearningDetection，MM-TLD)，进而提高目的长时间跟踪经过中目的跟踪的鲁棒性，减少目的状态变化和干扰引起的不稳定性。1多模型优化的在线学习雷达目的跟踪算法11跟踪-学习-检测(TLD)算法框架作为一种全新的跟踪架构，TLD将跟踪任务分为跟踪、学习和检测3个部分。通过引入P-N学习6，将单纯的跟踪器和检测器联络起来，利用目的更多的时间和空间的信息，使目的愈加稳定。12基于多模型优化的在线学习雷达目的跟踪算法(MM-TLD)作为解决目的机动的有效方法，在目的的长时间跟踪经过中，多模型针对不同的经过噪声级建立不同模型，并将不同滤波结果经过专家学习机制生成目的检测分类器的输入样本。121多模型跟踪器多模型算法(MultipleModel，MM)7能够在目的运动形式的构造和参数起伏很大的情况下利用不同的模型估计变化的运动参数，以适应目的多种参数变化，减少目的跟丢的情况。对于雷达目的而言，扫描时所产生的属性量测均可作为目的属性特征建立目的的状态向量X。122检测器目的检测器采用了Adaboost算法8，利用一组串行的弱分类器级联成一个强分类器。在对待识样本分类时，前一级分类器判决为正样本则送入后一级分类器，负样本则直接输出。每一级的分类器均判决为正的样本作为正样本输出。123学习器P-N学习是一个新的基于构造化、未标记数据的学习训练方法。数据中的构造被称为正约束和负约束。正约束指定正样本可接受特征。负约束指定负样本可接受特征。详细实现步骤如下:首先以有监督学习的方式利用被标注为正负样本的目的学习训练一个初始的分类器。然后，将正样本参加到正样本库内，将负样本训练分类器输出给检测器，检测器根据输入的新分类样本把结果输出给P-N专家学习;P-N专家检查分类结果，将漏检目的更新到正样本库，将虚假检测更新到负样本库，再次训练分类器，重复迭代直到知足收敛条件为止。将P-N专家约束得到的结果送给跟踪器，更新每个模型的概率。2仿真实验与结果分析为了验证本文算法在长时间雷达目的跟踪经过中的鲁棒性和稳定性，实验运用蒙特卡洛仿真方法仿真了屡次长时间跟踪的数据集，并对每一组数据采用了经典的卡尔曼滤波算法和本文算法作比照。3结束语本文提出了一种基于在线学习的MM-TLD雷达目的跟踪算法。该算法能够在杂波环境中准确地对雷达目的进行长时间准确跟踪。算法通过引入P-N学习，将目的检测和目的跟踪结合使用，在TLD架构的基础上利用多模型跟踪器产生多个跟踪训练正样本，并利用P-N学习纠正模型中的错误，在跟丢情况下通过检测器重新初始化跟踪器成功在杂波环境中对雷达目的实现长时间稳定跟踪。相较于传统的跟踪方法，本文MM-TLD算法在保证明时性的基础上目的跟丢率远比传统卡尔曼算法低，获得了更为准确而稳定的跟踪效果。