论文部分内容阅读
随着无人机的发展,传统的目标检测技术难以满足低空、弱目标的检测性能的需求。检测前跟踪(Track Before Detect,TBD)技术积累多帧量测数据中的目标信息,是应对该问题的有效手段。其中,基于最大似然的TBD算法在低信噪比条件下具有较好的检测性能。本文研究主要基于最大似然概率多假设跟踪(Maximum Likelihood Probabilistic Multi-Hypothesis Tracker,ML-PMHT)框架,展开适应于城市低空无人机目标检测的相关理论与算法研究,重点在多传感器信息利用和多径信息利用两方面提出增强算法并开展性能分析。主要研究内容包括:1、研究了基于最大似然的TBD算法。推导了两种不同关联模型下的对数似然比(Log-likelihood ratio,LLR)公式,讨论了几种常用的全局搜索方法和局部优化方法,并研究了两种校验门限的确定方法,最后通过仿真验证了ML-PMHT算法的检测性能。2、研究了基于多传感器的ML-PMHT算法框架。推导了多传感器ML-PMHT算法的LLR公式,提出了多传感器ML-PMHT算法的高效门限计算方法以及多传感器ML-PMHT算法中目标状态估计误差的克拉美罗下界(Cramer-Rao Low Bound,CRLB)公式。仿真实验表明多传感器ML-PMHT算法提高了弱目标检测与跟踪性能。3、研究了利用多径量测的ML-PMHT算法。其中推导了多路径ML-PMHT的LLR公式和多路径ML-PMHT的高效门限计算方法。提出了多径反射点位置不确定场景下的弱目标检测与跟踪方法,推导了跟踪过程中目标状态误差的后验CRLB(Posterior CRLB,PCRLB)。仿真实验表明,通过有效的多路径目标信息融合与累积,提高了弱目标检测能力及其状态估计的精度,同时减少了虚假航迹数量。