小目标跟踪报告.docx
- 文档编号:18212908
- 上传时间:2023-08-13
- 格式:DOCX
- 页数:16
- 大小:40.60KB
小目标跟踪报告.docx
《小目标跟踪报告.docx》由会员分享,可在线阅读,更多相关《小目标跟踪报告.docx(16页珍藏版)》请在冰点文库上搜索。
小目标跟踪报告
基于粒子滤波的红外弱小目标的检测与跟踪
一、弱小目标检测与跟踪的发展
1弱小目标检测与跟踪的背景
在现代高科技战争中,为了能尽早地发现敌方卫星、导弹、飞机、坦克、车辆等军事目标,增大作战距离,要求在远距离处就能发现目标,只有及时地发现目标、跟踪目标、捕获和锁定目标,才能实现有效的攻击。
然而,对于获得的远距离图像,目标成像面积小,可检测到的信号相对较弱,特别是在复杂背景干扰下,目标被大量噪声所淹没,导致图像的信噪比(SNR)很低,小目标检测工作变得困难起来。
因此,低信噪比条件下序列图像运动小目标的检测问题成了一个亟待解决的关键问题,探索和研究新的小目标检测理论以及如何将现有的检测理论应用于小目标仍是一项重要的课题,对现代战争以及未来战争具有深远的意义。
2弱小目标的含义
“弱”和“小”指的是目标属性的两个方面。
所谓“弱”是指目标红外辐射的强度,反映到图像上是指目标的灰度,即低对比度的目标,也称灰度小目标;
所谓“小”是指目标的尺寸,反映到图像上是指目标所占的像素数,即像素点少的目标,也称能量小目标。
3弱小目标检测与跟踪的难点
在低信噪比情况下检测和跟踪未知位置和速度的运动小目标是红外搜索和跟踪系统中的一个重要问题,其主要困难在于:
(1)缺少关于背景的统计先验信息;
(2)目标的信噪比非常低以至于很难从单幅图像中检测出目标;
(3)目标可能会在未知时间点上出现或消失;
(4)无法得到形状、纹理等有用的目标特征;
(5)仅有的检测信息是目标的未知的亮度和移动速度。
4红外弱小目标的检测与跟踪算法
1)算法分类:
♦DBT(DetectbeforeTrack)----跟踪前检测;
♦TBD(TrackbeforeDetect)----检测前跟踪。
2)DBT算法
※DBT算法检测与跟踪的原理
经典的小目标检测与跟踪方法是DBT,即先根据检测概率和虚警概率计算单帧图像的检测门限,然后对每帧图像进行分割,并将目标的单帧检测结果与目标运动轨迹进行关联,最后进行目标跟踪,适应于信噪比较低高的情况下。
※算法流程图
图1先检测后跟踪算法流程
※DBT算法常采用的方法:
•小波分析方法
•背景抑制方法
•基于变换的方法
•门限检测方法
3)TBD算法
※TBD算法检测与跟踪的原理
目前人们较多采用TBD方法来检测图像中低信噪比弱小目标,这种方法对单帧图像中有无目标先不进行判断,而是先对图像中较多的可能轨迹同时进行跟踪,然后根据检测概率、虚警概率和信噪比计算出多帧图像的检测门限进行决策。
在低信噪比情况下,TBD的检测性能优于DBT。
※算法流程
TDB方法概括起来包含三个步骤:
一背景抑制,通过滤波将红外图像低频和高频部分进行分离,提高信噪比,尽可能抑制原始图像中的低频背景杂波干扰;
二是可疑目标跟踪,利用相邻几帧中目标的运动信息来分割可能目标,从背景抑制后的图像中分割出少量候选目标进行跟踪;
三是目标检测,利用序列图像中目标运动的连续性和轨迹的一致性,进一步排除虚假目标,从候选目标中检测出真正的目标。
图2红外弱小目标TDB算法设计流程
※常用方法
•
基于三维匹配滤波器方法
•
基于多级假设检验方法
•
基于高阶相关方法
•
基于动态规划方法
•
基于投影变换方法
•
基于时域滤波方法
•基于粒子滤波方法
探基于粒子滤波方法的TBD算法发展现状
•国外发展现状
基于粒子滤波检测小目标的思想首先是由Salmond提出的,他通过运动方程预测出下一
时刻的运动状态,再利用传感器获得的量测数据对其进行更新,得到该时刻状态的后验概率分布,最后以目标出现概率作为目标检测的判断准则,检测出真实目标,并估计目标在空间平面内的位置。
Ristic完善了Salmond他们的工作,给出了详细的实现步骤,并且评价了该算法的跟踪误差性能及检测性能。
Boers也在这方面做了大量研究,其框架上与前者相似,只是将单目标推广到多目标。
最近,在Ristic的基础上,Rutten等学者对粒子滤波TBD算法作了深入研究,在其研究中所采用的量测噪声不是传统的高斯噪声,而是Ricean噪声和Rayleigh噪声,这样使量测更加接近真实数据,并且通过推导得出目标出现概率pk1Zk的计算公式。
•国内发展现状
针对低信噪比下幅值波动的弱目标跟踪问题,杨小军提出了一种基于粒子滤波和Bayes似然比方法的联合检测和跟踪算法。
在低信噪比复杂环境下的红外小目标检测和跟踪问题,胡洪涛等提出了基于辅助粒子滤滤的红外小目标检测前跟踪算法。
4)TBD与DBT检测性能比较
跟踪前检测方法(DBT)
检测前跟踪方法(TBD)
优
占八、、
1)先进行单帧检测
2)算法简单
3)实现容易
1)虚警概率低,检测概率咼
2)抗干扰能力强
3)适用于信噪比较低的弱小目标
缺
占八、、
1)抗干扰能力差
2)虚警概率咼,检测概率低
3)适用于信噪比较高的小目标
1)需要多帧检测,算法复杂
2)计算量大,存储量大
3)硬件实现较难
二粒子滤波回顾
1粒子滤波器的简介
近年来,随着计算机处理能力的快速发展,使得粒子滤波,作为序列信号处理的一种非常有效的方法,成为研究领域的一个热点。
它在处理复杂的非线性或非高斯问题的潜力,引起了信号处理、统计学、经济计量学等不同领域的专家学者的关注。
基于序列重要性采样概念和贝叶斯的应用,粒子滤波在处理非线性、非高斯问题上显得尤为重要。
这种方法的核心思想是:
用由粒子及其权重组成的离散随机测度近似相关的概率分布,并根据算法递推更新离散随机测度。
粒子滤波首先在核物理领域核武器试验仿真方向获得成功应用。
现在,它已经广泛应用到目标跟踪、信号处理和数字通信等多个领域。
粒子滤波首先是Gorden在1993年提出的。
★粒子滤波首先是Gorden在1993年提出的,它是一种基于蒙特卡罗(MonteCarlo,MC)和递推贝叶斯估计的滤波方法。
★(随着计算机的发展)粒子滤波已经成为研究非线性非高斯动态系统最优估计问题的一个热点和有效方法。
(引起了不同领域专家的关注)
★基本思想:
首先依据系统状态向量的经验条件分布,在状态空间产生一组随机样本
集合,这些样本称为粒子;然后根据观测量不断地调整粒子的权重和位置,通过调整后的粒子的信息,修正最初的经验条件分布。
它可以应用在任何动态状态空间模型。
★核心思想是:
用由粒子及其权重组成的离散随机测度近似相关的概率分布,并根据
算法递推更新离散随机测度。
(对于动态系统,采用离散时间方法是很方便的,且被广泛应用。
)
★粒子滤波首先在核物理领域核武器试验仿真方向获得成功应用。
现在,它已经广泛
应用到目标跟踪、信号处理和数字通信等多个领域。
2动态系统模型
系统模型:
Xkfk(Xki,Wk)~P(XkXkJ
其中,xk是状态向量,wk是系统噪声。
fk是系统转移方程。
xk与wk是相互独立的。
观测模型:
ykhkXk,Vk~p(YkXk)
其中,yk是观测向量,Vk是观测噪声。
hk是观测方程。
Vk与Xk、Wk也是相互独立的。
已知条件有pX0>pWk>pVk,fk、hk,在k时刻的测量信息的集合,即
Dkyi;i1,,k。
3粒子滤波的实现过程
粒子滤波实质是递推贝叶斯滤波器的另一种实现形式。
其主要是用随机样本来描述概率分布,然后在测量的基础上,通过调节各样本权值的大小和样本的位置来近似实际概率分布,并以样本的均值作为系统的估计值,原则上可用于任意非线性、非高斯随机系统的状态估计。
该方法灵活,易于执行,且可并行实现,因而得到广泛应用。
▼递推贝叶斯滤波理论基础
递推贝叶斯滤波原理的实质是试图用所有已知信息来构造系统状态变量的后验概率密度。
即用系统模型预测状态的先验概率密度,再用最近的量测值进行修正,得到当前时刻的后验概率密度。
递推贝叶斯滤波过程主要分为两大步:
预测和更新。
预测:
利用系统模型预测状态的先验概率密度。
假设初始概率密度px0y。
pxo,
利用通过Chapman-Kolmogorov方程可得到k时刻状态的先验概率密度:
更新:
用最近的量测值yk来修正k时刻状态的先验概率密度,来得到该时刻的后验概率密度。
图3在k时刻贝叶斯滤波流程图
▼蒙特卡罗方法
MonteCarlo方法,又称随机抽样方法,是通过统计抽样的方法来解决积分问题。
MonteCarlo思想:
(抽样大数定律近似计算)
蒙特卡罗方法的基本思想是,首先构造一个概率空间,然后在该概率空间中确定一个
依赖于随机变量x(任意维)的统计量gx,其数学期望
正好等于所要求的值G,其中px为x的分布函数;然后产生随机变量的简单子样,xn,用其相应的统计量gx1,,gxn的算术平均值
作为G的近似估计。
当N趋于时,(?
nG。
优点:
结构简单,收敛速度与问题维数无关,受问题的条件限制的影响小。
缺点:
收敛速度慢,误差大的概率性质
▼重要性采样(IS)
如果我们能直接从px中抽取N个粒子,那么每个粒子的权值都赋于1N,那么这可以用上述方法来近似求解积分运算,但是如果直接从px中抽取粒子比较困难,我们可以
从x中采样,即x~x,其中x称为重要性函数。
这个函数必须与px有相同的支撑域,总的来说,x越逼近px,估计的效果越好。
▼序列重要性采样(SIS)
现在假设t1x0:
m)1,Wt:
m1已逼近后验概率密度p心1y011,即t1粒子流服从
p心1y°:
t1分布,在给定11及观测量yt的条件下,我们的目的是通过11来获取t。
序
列重要性采样就是产生新的粒子xt(m),并把它加入到处:
:
'来形成x0:
m),并更新其权值为wtm,
以此来完成从11到t的转变,即产生tx0m),wtmm1,逼近后验概率密度p心y°:
t。
t
实现过程如下:
这里我们选取的重要性函数为
x°:
tyo:
t,把它分解成两部分的乘积,即
X0!
yoiXtXo
:
t1,y0:
t
Xo:
t1yo:
t1
如果xom\
x0:
t1y0:
t1,则
我们把X;m)加入到对粘来形成xom粒子流,其中X(m)
XtXo:
t1,yo:
t,则Wtm更新为:
对于每个时刻t,通过以下两步可以实现序列重要性采样算法:
(1)从XtXo:
t1,yo!
中抽取粒子Xt(m),其中m1,,M
ImpytXt
m
pXt
m
Xt1
m
m
Xt
xo:
t1,yo:
t
(2)根据wtm
wtm来计算其权值。
重要性函数在粒子滤波中起到了重要的作用,滤波效果的好坏,跟重要性函数的选取有关系。
▼粒子退化
粒子滤波器的一个重要的问题就是粒子退化(Degeneracy现象,即经过若干次迭代后,
除一个粒子外,其余的粒子只有微小的权值,可忽略不计。
退化现象意味着大量的计算工作都被用来更新那些几乎不起任何作用的粒子。
显然,退化现象对PF产生了不利的影响。
解决粒子退化的方法:
选取好的重要性函数;再采样。
⑴重要性函数的选取
♦重要采样密度Xtm
1)在某种意义上说,
m
pXtXo:
t
2)可以很方便的产生服从该分布的样本。
♦我们最常采用的两个重要性函数:
先验重要性函数和最优重要函数。
先验重要性函数
若选取重要性函数为先验重要性函数
称这种选先验函数为重要采样函数的SIS滤波器为Bootstrap滤波器。
虽然Bootstrap滤波
器易于实现且可以解决许多问题,但它对外界条件较敏感,即它不能很好的适应系统的快速变化。
同时,产生样本时没有使用任何观测信息,因而效果可能不是很好。
最优重要函数pxtXo;1,y0:
t
若选取重要性函数为最优重要性函数
其中
Xom1,yo:
t的选择应该遵循以下两条规则:
Xo,'1,yo:
t应该可以合理地近似最优重要采样密度
m
Xt
m
1,yo:
t;
m
pXtXt1
m
pXtXt1
,那么权值更新为:
pXt1,y°:
t,那么权值更新为:
m
pytXt1
m
pytXt
mm|
pxtxt1dxt
采用这种滤波器能减少重要性权值的方差,使后验期望的误差方差最小。
但因为权值的计算中卷入了积分运算,比较复杂。
而且要从pxtmXom1,yo,中获取样本,比较困难。
然而,在线性高斯情况下,这些样本是可以产生的。
(2)重采样
解决粒子退化问题的另一个方法:
重采样。
重采样过程就是要消除那些有权值小的粒子,并复制权值大的粒子,因而权值较大的粒子被增加,从而随迭代次数的增加,可以产生较好的结果。
一个重采样的图示:
假设M=10,即一共有10个粒子,左边是重采样之前的,粒子的权值跟圆圈的大小成正比。
右边是重采样之后的粒子,蓝色的粒子权值最大,被复制了3
次,黄色的粒子被复制了2次,而绿色的粒子权值较小,被忽略掉。
重采样之后,所有粒子的权值都一样大,都被赋于1M。
重采样的缺点:
丧失了粒子的多样性。
图4重采样示意图
▼粒子滤波的实现
粒子滤波实质是递推贝叶斯滤波器的另一种实现形式。
其主要是用随机样本来描述概率分布,然后在测量的基础上,通过调节各样本权值的大小和样本的位置来近似实际概率分布,并以样本的均值作为系统的估计值。
步骤:
(1)预测
(2)更新
(3)重采样
图解
图5粒子滤波的实现过程
4粒子滤波器的改进
粒子滤波算法虽然对几乎线性、非线性、高斯、非高斯问题都适用,但是粒子滤波本身也存在一些问题。
如粒子退化问题,再采样解决退化问题的同时又丧失了粒子的多样性等,这些问题如果处理得不好,直接影响滤波的性能,所以很多研究者对基本粒子滤波进行了改进。
主要有:
•辅助粒子滤波(ASIR)
•正则粒子滤波(RPF)
•咼斯粒子滤波、咼斯和粒子滤波
三基于粒子滤波的检测前跟踪算法(TBD)
1基于粒子滤波的TBD背景介绍
在跟踪过程中,由于噪声的干扰,目标信噪比较低。
在传感器的一拍扫描中,目标出现与否不定,即使目标出现,因其产生的信号太弱而可能不被检测到。
检测前跟踪(TBD)
通过对多拍量测数据的处理,使传感器的响应逐步积累,最终通过阈值而被检测到,同时得到目标的状态估计。
TBD的常用方法有动态规划和最大似然估计等,但这些方法在信噪比较低和目标机动时性能很差。
最近几年出现的粒子滤波器因能解决非线性非高斯问题而得到广泛的应用。
下面介绍一下低信噪比下具有幅值波动目标的跟踪问题,利用传感器的原始数据,做为观测量,由粒子滤波器得到状态的后验概率分布以及目标出现的概率,用Bayes似然比作为目标检测的判决准则。
2问题描述
目标跟踪问题可用状态空间模型描述,其中目标的运动模型用状态转移概率qkxkxk,描述,传感器的量测用似然函数gkzkxk描述。
假定状态服从一阶Markov过程,在给定状态的条件下,量测相互独立。
在目标检测与跟踪问题中,人们只关心目标是否出现在传感器的检测域R内。
设S为目标位于R内的状态空间,如果目标不出现在R内,记目标状态为,设扩张的目标状态空间为SS,设k时刻目标状态向量为Sk,SkS。
由于目标可能出现也可能不出现,对状态转移概率作如下修正:
设转移概率
qk|,qkxkR1,0为某个小的正数;设目标从进入R时状态xk在S
内均匀取值;设目标由R进入的概率为qkxk1,0为某个小的正数;设初始
时刻目标不出现在R内的概率为popo,若目标出现,初始状态Xo在状态空间S内均
匀分布。
3系统模型
★运动模型
设一个点源目标在xy平面上作机动运动,目标的运动模型为非线性转弯运动,即
⑴
其中,目标状态向量xkxxyyw:
包含目标位置x,y,速度x,y和转弯速度w;T为采样间隔;Wkw1w2w3:
为系统噪声,服从某个已知分布。
目标的幅值为Ik且随时间波动,设目标幅度的波动模型为
IkIk11IVk
(2)
其中,给出了前后时刻目标幅度之间的相关程度,Io~NI,V,噪声Vk服从已知分布
Pvk?
。
★观测模型
设传感器对xy平面上的区域R进行扫描监测,传感器含有NM个矩形分辨单元,大小为,在每个采样时刻k,每个分辨单元i,j1iN,1jM
分别记录一个量测,即
ZijkIjkx,ynk(3)
其中:
Iijkx,y为k时刻当目标位于x,y时,单元i,j处接受的信号强度;nijk为量测噪声,其分布为卩旳?
。
设像素之间,每帧之间的噪声相互独立。
单元i,j处的信号强度
Iijkx,y按照传感器的点传播函数可近似为
由于目标幅值Ik波动,需要对Ik进行估计。
定义扩张的状态向量skASk,Ik,其中Sk为状态向量;扩张状态的转移概率为qkskAskA1qkSkSk1qkIkIk1,其中qkIkIk1代表幅
值的转移概率,由式
(2)确定。
4基于粒子滤波器的检测和跟踪算法
当量测的信噪比很低时,利用粒子滤波器估计目标出现在检测域内的后验概率,目标出现的后验概率和没有出现的后验概率之比称为Bayes似然比。
Bayes似然比结合了目标动
态、先验信息以及传感器量测等信息,以它作为检测的充分决策统计量是一种最优准则。
当宣布目标出现时,由粒子滤波器得到目标状态的后验估计,该方法是一种检测前跟踪
(TBD)o
1)基于粒子滤波器的检测和跟踪算法步骤大致可以分为六步:
◎初始化
◎运动更新
◎量测更新
◎重采样
◎似然比检测
◎状态估计
(1)初始化
对i1,,N,从初始化分布采样s°i〜poSo。
具体方法为:
采样u~U0,1,如果upo,
S0,否则S)1x0',x0在状态空间S内均匀分布,w0%。
(2)运动更新
给定k1时刻的一组样本sA1Sk'i,Ik'i,在k时刻从状态转移分布采样
'
~k'~qkSksk1°具体方法为:
若Sk'1,采样u~U0,1,如果u,~k',否则
~k'Xk',且xj在S内均匀取值。
若Sk'1Xk'1,采样u~U0,1,如果u,~k',
否则采样~k'~k'~qk兀乂仁。
若Xk'R(R为检测域),则令~k',其中转移概率
qkXkxk1由式
(1)确定。
令样本I~k'Ik'1Ivk'其中Vk'~pVk?
,则得到k时刻状
态的一组样本~kA'~k',lk',j1,,N。
(3)量测更新
当k时刻的量测ZkZjk,i1,,N;j1,,M到达时,计算样本的重要性权
./N
其中,pn?
为量测噪声nk的概率分布,归一化后的权值为wk'wk'/wk'
N
Wki0,即除去Ski
若宣布目标出现,状态的后验估计为:
在粒子集ski,wkii1中,若Ski,令相应的
的粒子,对权值wk重新归一化得Wki,则状态的后验概率分布估
最小均方误差估计为
N
Ii
XkWkSk。
i1
2)仿真
图6目标位置检测和跟踪结果
图7目标x方向和y方向速度的估计值
图8目标转弯速度和幅值的估计值
四下一阶段的任务
针对不同的情况,做一下仿真
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 目标 跟踪 报告