張雅雯，胡士強(qiáng)

上海交通大學(xué)航空航天學(xué)院，上海200240

低空目標(biāo)的雷達(dá)/可見光協(xié)同監(jiān)視跟蹤方法研究

張雅雯，胡士強(qiáng)

上海交通大學(xué)航空航天學(xué)院，上海200240

CNKI網(wǎng)絡(luò)出版：2017-03-22,http://kns.cnki.net/kcms/detail/11.2127.TP.20170322.1923.018.html

1 引言

近年來(lái)，隨著無(wú)人機(jī)的續(xù)航能力的迅速提升和飛行范圍的不斷擴(kuò)大，特別是旋翼無(wú)人機(jī)的快速發(fā)展，其在各個(gè)領(lǐng)域的普及性和應(yīng)用范圍越來(lái)越多，同時(shí)對(duì)空中交通管理機(jī)制和空域安全問(wèn)題也提出了更迫切的要求[1]。考慮到未來(lái)通用航空空域開放和無(wú)人機(jī)低空飛行偵查等任務(wù)需求，本文重點(diǎn)研究低空空域的有效監(jiān)視和低空目標(biāo)的持續(xù)跟蹤。

由于低空空域中存在背景環(huán)境雜波干擾，導(dǎo)致單雷達(dá)低空監(jiān)視存在一定的難度，回波信息中混雜大量干擾信息[2]，無(wú)法獲取跟蹤目標(biāo)的準(zhǔn)確信息，無(wú)人機(jī)飛行狀態(tài)和飛行路徑及其安全性無(wú)法判斷。而多傳感器融合跟蹤的深入研究隨著可見光傳感器技術(shù)的發(fā)展，目前的可見光傳感器在低空可以獲得目標(biāo)的高分辨率清晰圖像信息，相比較傳統(tǒng)的紅外成像具有更多的研究?jī)r(jià)值。雷達(dá)目標(biāo)跟蹤是基于點(diǎn)目標(biāo)的量測(cè)信息進(jìn)行濾波跟蹤，而可見光傳感器進(jìn)行的圖像跟蹤，是基于圖像匹配度的區(qū)域跟蹤。因此，本文基于跟蹤-學(xué)習(xí)-檢測(cè)算法框架[3]，利用雷達(dá)作為主跟蹤器，可見光傳感器作為檢測(cè)器，引入PN學(xué)習(xí)過(guò)程和交互多模型算法，在離目標(biāo)距離較遠(yuǎn)時(shí)，根據(jù)雷達(dá)系統(tǒng)的量測(cè)信息作為主跟蹤信息來(lái)引導(dǎo)可見光傳感器對(duì)目標(biāo)進(jìn)行識(shí)別與學(xué)習(xí)，且目標(biāo)落在可見光傳感器檢測(cè)的視角內(nèi)；當(dāng)目標(biāo)距離較近時(shí)，發(fā)揮可見光傳感器對(duì)近距離目標(biāo)跟蹤監(jiān)測(cè)精確度高的優(yōu)勢(shì)，將可見光傳感器獲得的信息作為狀態(tài)量測(cè)反饋給雷達(dá)系統(tǒng)，使其在復(fù)雜環(huán)境下仍能實(shí)現(xiàn)抗干擾的目標(biāo)跟蹤，提高了整個(gè)目標(biāo)跟蹤監(jiān)視算法的可靠性和魯棒性。

2 低空空域監(jiān)視

在軍民用領(lǐng)域，空域監(jiān)視與目標(biāo)跟蹤一直是最重要的研究部分。雷達(dá)是目標(biāo)跟蹤識(shí)別領(lǐng)域的重要傳感器，其電磁輻射具有較強(qiáng)的可靠性，但由于低空空域中電磁環(huán)境復(fù)雜，雜波信噪比較強(qiáng)時(shí)會(huì)嚴(yán)重影響雷達(dá)的對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)能力[2]。廣播式自動(dòng)相關(guān)監(jiān)視系統(tǒng)（ADS-B）雖然在低空空域監(jiān)視上能達(dá)到較好的精度要求，提高了空中交通監(jiān)控管理的水平[4]。但由于系統(tǒng)基站選址要求多，國(guó)產(chǎn)設(shè)備研發(fā)緩慢而進(jìn)口設(shè)備價(jià)格昂貴和良好運(yùn)行需要依賴配套電子設(shè)備等問(wèn)題，大規(guī)模的裝備ADS-B系統(tǒng)目前具有很大的局限性。所以國(guó)際上飛機(jī)位置實(shí)時(shí)可信監(jiān)視系統(tǒng)的研究還是以融合雷達(dá)跟蹤技術(shù)的協(xié)同式空域監(jiān)視為主[5]。

多傳感器融合跟蹤算法一直是目標(biāo)跟蹤的研究重點(diǎn)，相比較紅外成像系統(tǒng)，可見光傳感器的去噪能力和成像能力都較強(qiáng)，可以提供目標(biāo)更加清晰的圖像信息且不易受電磁波干擾。文獻(xiàn)[6]提出的紅外與激光、脈沖雷達(dá)的融合跟蹤算法，相比較單雷達(dá)系統(tǒng)能得到更精確的目標(biāo)跟蹤信息。文獻(xiàn)[7]的紅外/雷達(dá)跟蹤算法易造成融合置信度達(dá)到跟蹤門限值的情況，造成系統(tǒng)誤差較大。而可見光傳感器能提供高精度二維圖像信息，可以通過(guò)與雷達(dá)數(shù)據(jù)的時(shí)空配準(zhǔn)，將精度更高的量測(cè)信息反饋給雷達(dá)跟蹤器，提高跟蹤的準(zhǔn)確性。所以本文融合圖像檢測(cè)跟蹤，對(duì)進(jìn)入視頻監(jiān)控區(qū)域的待跟蹤目標(biāo)進(jìn)行特征提取，根據(jù)空域監(jiān)管要求，搜尋重要跟蹤目標(biāo)的詳細(xì)信息，提高復(fù)雜環(huán)境下的目標(biāo)跟蹤的可靠性。

針對(duì)低空空域的多目標(biāo)場(chǎng)景，對(duì)于遠(yuǎn)程距離目標(biāo)，圖像中的像素面積過(guò)小，近似為點(diǎn)目標(biāo)，則以雷達(dá)跟蹤為主，引導(dǎo)可見光傳感器使目標(biāo)在視頻檢測(cè)范圍內(nèi)，并給雷達(dá)提供較為精確的量測(cè)數(shù)據(jù)。而對(duì)于中近程距離目標(biāo)，則設(shè)置跟蹤閾值，啟動(dòng)圖像檢測(cè)跟蹤對(duì)目標(biāo)進(jìn)行特征提取，并對(duì)多個(gè)目標(biāo)進(jìn)行篩選。選擇重點(diǎn)跟蹤目標(biāo)后，將其雷達(dá)跟蹤器與圖像檢測(cè)器提供的狀態(tài)信息同時(shí)輸入學(xué)習(xí)分類器進(jìn)行樣本訓(xùn)練，提高跟蹤精度，保障低空空域的安全性。系統(tǒng)工作邏輯流程圖如圖1所示。

圖1 空域目標(biāo)監(jiān)視跟蹤算法流程圖

3 目標(biāo)跟蹤算法

目標(biāo)跟蹤算法種類繁多，且在不斷地更新優(yōu)化，但基本可分為以下兩大類：第一類是針對(duì)點(diǎn)目標(biāo)的，以卡爾曼濾波和粒子濾波為代表的基于濾波和數(shù)據(jù)關(guān)聯(lián)的跟蹤方法，通過(guò)目標(biāo)當(dāng)前時(shí)刻的量測(cè)數(shù)據(jù)，通過(guò)濾波對(duì)下一時(shí)刻的狀態(tài)進(jìn)行預(yù)測(cè)并更新當(dāng)前狀態(tài)，實(shí)現(xiàn)跟蹤[8]；第二類是針對(duì)圖像目標(biāo)，以背景建模法、光流法和Meanshift算法為代表的，根據(jù)目標(biāo)特性建立模型，通過(guò)定位當(dāng)前一幀圖像中與目標(biāo)參考模型相似度最高的區(qū)域，將其作為下一幀預(yù)測(cè)目標(biāo)的搜索中心，在一定范圍內(nèi)檢測(cè)，實(shí)現(xiàn)目標(biāo)的跟蹤[9]。本文提出的協(xié)同監(jiān)視跟蹤方法是同時(shí)利用這兩大分類，發(fā)揮各自的優(yōu)勢(shì)實(shí)現(xiàn)更加魯棒、準(zhǔn)確的跟蹤系統(tǒng)。

3.1 雷達(dá)跟蹤器

雷達(dá)目標(biāo)跟蹤的濾波算法中卡爾曼濾波和粒子濾波是最具有代表性的，都是基于點(diǎn)目標(biāo)的量測(cè)信息進(jìn)行濾波，同時(shí)預(yù)測(cè)下一時(shí)刻目標(biāo)的位置來(lái)實(shí)現(xiàn)跟蹤?？柭鼮V波是一種解決狀態(tài)最優(yōu)估計(jì)的遞歸算法，僅考慮前一時(shí)刻的狀態(tài)信息即可通過(guò)濾波更新當(dāng)前狀態(tài)并預(yù)測(cè)下一時(shí)刻的狀態(tài)，該跟蹤算法的特點(diǎn)是計(jì)算量小，具有較好的實(shí)時(shí)性。不敏卡爾曼濾波（UKF）是對(duì)非線性系統(tǒng)進(jìn)行狀態(tài)估計(jì)，通過(guò)選取附帶權(quán)值Wi的采樣點(diǎn)χi，利用權(quán)重值進(jìn)行非線性變換來(lái)替代卡爾曼濾波中的狀態(tài)向量的估計(jì)值[9-11]。通常采用比例采樣方法獲得的2n+1個(gè)sigma點(diǎn)及權(quán)重的表達(dá)式為：

其中，κ是一個(gè)自由調(diào)整的尺度函數(shù)，表達(dá)式：

該值通常為一個(gè)小于1的常數(shù)，用于決定sigma樣點(diǎn)與均值間ˉ的距離；μ是輔助尺度因子；為矩陣方根的第i列；分別是計(jì)算均值和協(xié)方差矩陣時(shí)的權(quán)值，假設(shè)xi服從高斯分布。而一種自適應(yīng)的UKF濾波算法對(duì)過(guò)程噪聲未知的系統(tǒng)表現(xiàn)出更好的濾波跟蹤效果，如文獻(xiàn)[10]在濾波預(yù)測(cè)更新時(shí)加入了對(duì)濾波發(fā)散的判斷過(guò)程，判別表達(dá)式為：

和Qk可由Sage-Husa估計(jì)器進(jìn)行優(yōu)化統(tǒng)計(jì)特性，表達(dá)式為：

若判斷式不成立，即濾波出現(xiàn)發(fā)散時(shí)，則引入自適應(yīng)加權(quán)系數(shù)λk，根據(jù)文獻(xiàn)[10]提供的衰減因子計(jì)算公式修正Pk|k。自適應(yīng)UKF已被驗(yàn)證對(duì)突變狀態(tài)系統(tǒng)有較強(qiáng)的跟蹤能力，能通過(guò)修正估計(jì)噪聲來(lái)抑制濾波發(fā)散，提高了濾波模型的準(zhǔn)確性和可靠性。針對(duì)本文的低空空域場(chǎng)景，空域中雜波較多且復(fù)雜，目標(biāo)的系統(tǒng)噪聲未知，改進(jìn)的濾波算法更能體現(xiàn)出其優(yōu)勢(shì)，能一定程度上減少噪聲突變產(chǎn)生的特性統(tǒng)計(jì)估計(jì)誤差，從而提高系統(tǒng)跟蹤能力。

自適應(yīng)UKF算法過(guò)程：

（1）計(jì)算采樣點(diǎn)：

（2）sigma點(diǎn)的進(jìn)一步預(yù)測(cè)：

（3）狀態(tài)預(yù)測(cè)：

（4）sigma點(diǎn)的量測(cè)預(yù)測(cè)：

（5）狀態(tài)預(yù)測(cè)：

（6）發(fā)散判斷，若發(fā)散則修正，否則進(jìn)入下一步

（7）更新過(guò)程：

（8）估計(jì)系統(tǒng)噪聲統(tǒng)計(jì)特性，同公式（5）、（6）。

考慮空域目標(biāo)的多種運(yùn)動(dòng)狀態(tài)，本文結(jié)合交互式多模型（IMM）對(duì)系統(tǒng)進(jìn)行建模[11]，假設(shè)目標(biāo)狀態(tài)向量為，分別是量測(cè)數(shù)據(jù)坐標(biāo)的位置速度和加速度信息。選取常速度（CV）、常加速度（CA）和常轉(zhuǎn)彎率（CT）三種運(yùn)動(dòng)模型，三維狀態(tài)方程可表示為：

其中，F(xiàn)i為第i運(yùn)動(dòng)模型的狀態(tài)矩陣，ω是轉(zhuǎn)彎角速率。

3.2 可見光傳感器檢測(cè)

多傳感器目標(biāo)跟蹤中，紅外因其測(cè)角精度高等優(yōu)勢(shì)，一直被認(rèn)為是與雷達(dá)融合跟蹤的理想選擇。但可見光傳感器能提供更精確的圖像信息，具有更可靠的目標(biāo)檢測(cè)能力。文獻(xiàn)[12]使用CCD攝像頭和雷達(dá)模塊組裝的目標(biāo)識(shí)別跟蹤器，經(jīng)過(guò)坐標(biāo)對(duì)應(yīng)性匹配得到混合量測(cè)后進(jìn)行卡爾曼濾波跟蹤，針對(duì)近距離，機(jī)動(dòng)性不強(qiáng)的目標(biāo)表現(xiàn)出較好的跟蹤結(jié)果。文獻(xiàn)[13]中通過(guò)從圖像中提取目標(biāo)的姿態(tài)作為額外屬性信息進(jìn)行數(shù)據(jù)關(guān)聯(lián)融合跟蹤，得到較好的跟蹤效果，研究重點(diǎn)是數(shù)據(jù)融合，對(duì)目標(biāo)圖像信息未能有效利用。由于對(duì)低空空域監(jiān)視管理的迫切要求，跟蹤系統(tǒng)要能對(duì)空域目標(biāo)的安全性進(jìn)行判斷，特別是無(wú)反饋機(jī)動(dòng)飛行器的“敵我性”，那么有效地提取“危險(xiǎn)”目標(biāo)圖像特征信息是很有必要的。

本文提出的低空空域監(jiān)視算法同樣屬于多傳感器協(xié)同融合跟蹤，該算法根據(jù)目標(biāo)距離遠(yuǎn)近，采用不同的跟蹤模式，間接減小了融合跟蹤的復(fù)雜度。對(duì)于遠(yuǎn)距離目標(biāo)，可見光傳感器提供與雷達(dá)量測(cè)相同的，但精度更高的目標(biāo)的二維狀態(tài)信息，并反饋給雷達(dá)濾波跟蹤。而對(duì)于中近程目標(biāo)，可見光傳感器提供目標(biāo)的二維圖像，將其圖像特征作為目標(biāo)特征屬性，輸入分類器進(jìn)行目標(biāo)篩選。為保障空域安全性，可以通過(guò)目標(biāo)的圖像特征匹配確定“敵我性”，一旦發(fā)現(xiàn)可疑目標(biāo)出現(xiàn)在近地區(qū)域，即啟動(dòng)視頻跟蹤器進(jìn)行重點(diǎn)跟蹤。Kalal提出的TLD算法是近年來(lái)跟蹤效果較好的算法之一，其跟蹤器部分是基于光流法實(shí)現(xiàn)的，即利用運(yùn)動(dòng)圖像序列中，強(qiáng)度數(shù)據(jù)在前后幀的時(shí)域變化的相關(guān)性來(lái)確定的[3]。由于背景天空和目標(biāo)無(wú)人機(jī)的灰度梯度相差較大，故圖像檢測(cè)跟蹤也采用TLD的跟蹤算法。

3.3 PN學(xué)習(xí)算法

PN學(xué)習(xí)是通過(guò)結(jié)構(gòu)化的未標(biāo)記樣本屬性的在線學(xué)習(xí)來(lái)提升系統(tǒng)分類性能的算法，通過(guò)PN約束鑒別分類器判斷的樣本是否與約束假設(shè)相一致。其中P約束是減少錯(cuò)誤被標(biāo)記為負(fù)的正樣本，N約束是減少錯(cuò)誤被標(biāo)記為正的負(fù)樣本[14]。本文提出低空空域協(xié)同監(jiān)視跟蹤系統(tǒng)，也是基于PN學(xué)習(xí)算法，對(duì)兩個(gè)傳感器的量測(cè)數(shù)據(jù)進(jìn)行正負(fù)樣本訓(xùn)練。

本文中的PN約束首先要根據(jù)k時(shí)刻的跟蹤器的目標(biāo)狀態(tài)信息中的距離特征進(jìn)行判斷，設(shè)定一個(gè)跟蹤閾值α。當(dāng)目標(biāo)距離值大于該閾值時(shí)，判斷為遠(yuǎn)距離點(diǎn)目標(biāo)，雷達(dá)跟蹤目標(biāo)的量測(cè)結(jié)果輸入學(xué)習(xí)器作為“正”樣本。同時(shí)，將該目標(biāo)位置為中心，半徑為r的區(qū)域定為目標(biāo)候選區(qū)，獲取可見光傳感器對(duì)該區(qū)域的檢測(cè)結(jié)果根據(jù)P約束將目標(biāo)精確的位置信息標(biāo)記為“正”樣本更新樣本集，根據(jù)N約束將區(qū)域外的虛檢目標(biāo)信息作為“負(fù)”樣本。當(dāng)k時(shí)刻目標(biāo)距離值小于跟蹤閾值時(shí)，將圖像檢測(cè)器提取的目標(biāo)圖像灰度值，作為目標(biāo)特征屬性進(jìn)行特相似度閾值匹配。定義跟蹤目標(biāo)的haar-like特征值為，相似度閾值為β，根據(jù)P約束將相似度大于該閾值的目標(biāo)的可見光傳感器的量測(cè)結(jié)果輸入學(xué)習(xí)器作為“正”樣本，根據(jù)N約束將小于該閾值的目標(biāo)雷達(dá)跟蹤器結(jié)果標(biāo)記為“負(fù)”樣本，輸入到學(xué)習(xí)器更新樣本集。最后，輸入“正”樣本的三維量測(cè)結(jié)果作為k時(shí)刻的狀態(tài)信息進(jìn)行濾波跟蹤。本文在采用Adaboost分類器，將傳感器得到的當(dāng)前時(shí)刻的目標(biāo)信息，包括目標(biāo)距離和haar-like灰度特征相似度，作為目標(biāo)量測(cè)的特征屬性進(jìn)行分類，實(shí)現(xiàn)更精確的跟蹤系統(tǒng)。PN算法偽代碼流程圖如下：

Input：

k時(shí)刻目標(biāo)估計(jì)狀態(tài)Xk,樣本訓(xùn)練集Ak

4 量測(cè)數(shù)據(jù)處理

4.1 量測(cè)數(shù)據(jù)分類

由于圖像傳感器是針對(duì)一定成像面積大小的目標(biāo)對(duì)象進(jìn)行的識(shí)別和跟蹤，而當(dāng)目標(biāo)距離較遠(yuǎn)時(shí)，像素面積很小，相當(dāng)于點(diǎn)目標(biāo)。由經(jīng)驗(yàn)閾值相關(guān)資料發(fā)現(xiàn)若雷達(dá)測(cè)得目標(biāo)距離為16 km，可見光傳感器無(wú)法識(shí)別目標(biāo)對(duì)象，導(dǎo)致目標(biāo)跟蹤漂移或是量測(cè)數(shù)據(jù)不夠準(zhǔn)確[15]。而當(dāng)目標(biāo)距離較近時(shí)，雷達(dá)跟蹤出現(xiàn)目標(biāo)信噪比低，強(qiáng)雜波干擾影響等問(wèn)題，而可見光傳感器可發(fā)揮其目標(biāo)檢測(cè)實(shí)時(shí)性好，精確度高的優(yōu)勢(shì)。

4.2 時(shí)空配準(zhǔn)

由于雷達(dá)系統(tǒng)的作用距離遠(yuǎn)大于圖像識(shí)別系統(tǒng)的作用距離，而可見光傳感器的回波頻率要高于雷達(dá)回波信息的頻率，傳輸數(shù)據(jù)率高，在連續(xù)兩組雷達(dá)量測(cè)數(shù)據(jù)間，會(huì)提供多幅圖像數(shù)據(jù)[13]。為使雷達(dá)跟蹤部分和可見光目標(biāo)檢測(cè)部分的數(shù)據(jù)輸入給學(xué)習(xí)部分時(shí)，同一時(shí)刻提供的某目標(biāo)的量測(cè)值統(tǒng)一，需要對(duì)兩個(gè)傳感器在時(shí)間序列上進(jìn)行配準(zhǔn)。對(duì)于空間配準(zhǔn)的處理，采用將雷達(dá)和可見光傳感器放置在同一平臺(tái)上，獲取兩種傳感器探測(cè)范圍的重疊區(qū)的數(shù)據(jù)，如圖2所示。

圖2 雷達(dá)與可見光傳感器的空間配準(zhǔn)

5 仿真實(shí)驗(yàn)

5.1 仿真實(shí)驗(yàn)條件

為簡(jiǎn)便實(shí)驗(yàn)，假設(shè)雷達(dá)/可見光協(xié)同監(jiān)視系統(tǒng)的兩個(gè)傳感器都布置于坐標(biāo)原點(diǎn)，設(shè)機(jī)動(dòng)目標(biāo)在三維空間的初始位置為（10 000，2 000，6 000）（單位：m），由遠(yuǎn)距離機(jī)動(dòng)靠近傳感器，且始終處于監(jiān)視區(qū)域。設(shè)空域中目標(biāo)正在執(zhí)行巡視搜查任務(wù)，使仿真實(shí)驗(yàn)具有較高真實(shí)性：首先目標(biāo)先以30 m/s的速度勻速飛行進(jìn)入監(jiān)視區(qū)域；然后由于任務(wù)需要，做勻速圓周運(yùn)動(dòng)，轉(zhuǎn)速率為0.01 rad/s；接著在空中周旋監(jiān)視，以蛇形運(yùn)動(dòng)30 s后再轉(zhuǎn)彎回頭，轉(zhuǎn)速率為0.06 rad/s；緊接著以20 m/s2的加速度俯沖拉升至近地面約2 400 m高度，繼續(xù)以30 m/s速度勻速向傳感器靠近飛行。目標(biāo)真實(shí)運(yùn)動(dòng)軌跡如圖3所示。

圖3 目標(biāo)的運(yùn)動(dòng)軌跡

圖4 不同濾波算法的目標(biāo)xyz軸的RMSE結(jié)果

圖5 不同濾波算法的目標(biāo)方位角、俯仰角和距離誤差結(jié)果

圖6 不同融合算法的目標(biāo)xyz軸的RMSE結(jié)果

圖7 不同融合算法的目標(biāo)方位角、俯仰角和距離誤差結(jié)果

5.2 仿真實(shí)驗(yàn)結(jié)果

根據(jù)圖4～7兩組實(shí)驗(yàn)結(jié)果圖，并結(jié)合表1的目標(biāo)的xyz位置的誤差精度結(jié)果可以發(fā)現(xiàn)，本文提出的雷達(dá)跟蹤與圖像檢測(cè)結(jié)合的目標(biāo)監(jiān)視跟蹤系統(tǒng)，并采用改進(jìn)的自適應(yīng)UKF濾波算法表現(xiàn)出較好的跟蹤效果，能實(shí)現(xiàn)低空空域目標(biāo)的有效監(jiān)視。從圖4、5和表1的數(shù)據(jù)可以看出，相較于傳統(tǒng)的無(wú)跡卡爾曼濾波，本文中改進(jìn)的算法具有更高的精確度，特別是z軸的位置誤差，精度提高了一倍以上。傳統(tǒng)的UKF隨著實(shí)驗(yàn)時(shí)間的增加，目標(biāo)位置誤差和方位角、俯仰角和距離誤差都呈現(xiàn)明顯的發(fā)散趨勢(shì)，整體波形較為不穩(wěn)定，而本文算法的目標(biāo)位置誤差發(fā)散趨勢(shì)不明顯，角度距離誤差小且保持收斂趨勢(shì)。因?yàn)橄到y(tǒng)噪聲發(fā)生變化時(shí)，本文算法中的自適應(yīng)無(wú)跡卡爾曼濾波對(duì)量測(cè)的修正與噪聲的優(yōu)化估計(jì)過(guò)程，使監(jiān)視跟蹤算法表現(xiàn)出較好的系統(tǒng)魯棒性。從圖6，7和表1的數(shù)據(jù)可以看出，與傳統(tǒng)的紅外/雷達(dá)融合跟蹤算法相比，機(jī)動(dòng)目標(biāo)的跟蹤結(jié)果都呈現(xiàn)一定的收斂趨勢(shì)，但本文提出的方法系統(tǒng)誤差更小，精度更高，收斂速度較快。由于本次仿真中運(yùn)動(dòng)目標(biāo)在z軸上加速俯沖拉伸，出現(xiàn)了強(qiáng)機(jī)動(dòng)性，所以同樣濾波算法下不同跟蹤方法的xy軸位置精度優(yōu)化效果更明顯，而同樣的跟蹤方法不同的濾波算法的z軸位置精度優(yōu)化效果更突出。通過(guò)仿真實(shí)驗(yàn)，本文提出的協(xié)同監(jiān)視跟蹤算法明顯提高了跟蹤精度和增強(qiáng)了系統(tǒng)穩(wěn)定性，實(shí)現(xiàn)了低空空域目標(biāo)的有效跟蹤。

圖8 目標(biāo)真實(shí)運(yùn)動(dòng)軌跡與濾波預(yù)測(cè)軌跡

表1不同跟蹤算法的目標(biāo)位置誤差的平均精度m

6 結(jié)束語(yǔ)

本文基于TLD的架構(gòu)，提出的結(jié)合雷達(dá)作為主跟蹤器，可見光圖像檢測(cè)器和學(xué)習(xí)器三部分的協(xié)同監(jiān)視跟蹤算法，經(jīng)過(guò)數(shù)據(jù)仿真實(shí)驗(yàn)驗(yàn)證了其可靠性和準(zhǔn)確性。該算法是通過(guò)在線學(xué)習(xí)部分，實(shí)現(xiàn)雷達(dá)數(shù)據(jù)與可見光傳感器數(shù)據(jù)的相互反饋與信息更新，提高了空域中目標(biāo)跟蹤的精確度。算法結(jié)合了點(diǎn)目標(biāo)跟蹤與圖像跟蹤各自的優(yōu)勢(shì)，其中雷達(dá)的目標(biāo)識(shí)別跟蹤解決了單純圖像目標(biāo)在遠(yuǎn)距離時(shí)成像模糊等問(wèn)題，可見光傳感器的圖像檢測(cè)解決了近距離目標(biāo)受低空空域雜波干擾大，造成目標(biāo)跟蹤結(jié)果誤差較大的問(wèn)題。本文提出的多傳感器融合協(xié)同跟蹤算法是間接降低了異類數(shù)據(jù)融合的復(fù)雜度，相比較紅外/雷達(dá)融合的跟蹤算法，明顯提高了目標(biāo)跟蹤結(jié)果的準(zhǔn)確性，并利用改進(jìn)的自適應(yīng)無(wú)跡卡爾曼濾波算法對(duì)噪聲優(yōu)化估計(jì)的特點(diǎn)，提高了跟蹤系統(tǒng)的魯棒性，實(shí)現(xiàn)了低空空域目標(biāo)的有效監(jiān)視跟蹤。

[1] 高萍，王古常，鄭幸，等.無(wú)人機(jī)空域飛行的現(xiàn)狀及發(fā)展趨勢(shì)[C]//第五屆中國(guó)無(wú)人機(jī)大會(huì)論文集：飛行控制及空域管理，2014，5：627-630.

[2] 李彬彬，馮新喜，王朝英，等.雜波環(huán)境下多被動(dòng)傳感器單目標(biāo)跟蹤算法[J].電光與控制，2012，19（8）：11-14.

[3] Kalal Z，Mikolajczyk K，Matas J.Tracking-Learning-Detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（7）：1409-1422.

[4] 楊榮盛.低空空域監(jiān)視對(duì)策研究[D].四川廣漢：中國(guó)民用航空飛行學(xué)院，2011.

[5] 張軍.空域監(jiān)視技術(shù)的新進(jìn)展及應(yīng)用[J].航空學(xué)報(bào)，2011，32（1）：1-14.

[6] 朱安福，景占榮.多傳感器信息融合的目標(biāo)跟蹤研究[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（25）：7-9.

[7] 倪龍強(qiáng)，高社生，孟祥欣，等.一種紅外與雷達(dá)信息融合跟蹤算法及其性能分析[J].火炮發(fā)射與控制學(xué)報(bào)，2014，35（4）：44-48.

[8] 孫福明.機(jī)動(dòng)目標(biāo)跟蹤狀態(tài)估計(jì)與數(shù)據(jù)關(guān)聯(lián)技術(shù)的研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2007.

[9] 許曉航.復(fù)雜背景下空面目標(biāo)視頻跟蹤方法及實(shí)驗(yàn)系統(tǒng)研究[D].上海：上海交通大學(xué)，2013.

[10] 石勇，韓崇昭.自適應(yīng)UKF算法在目標(biāo)跟蹤中的應(yīng)用[J].自動(dòng)化學(xué)報(bào)，2011，37（6）：755-759.

[11] 王曉東，賈繼鵬.一種基于IMMPDA-UKF的機(jī)動(dòng)目標(biāo)跟蹤算法[J].電子測(cè)量技術(shù)，2014，37（10）：5-8.

[12] Du Y K，Jeo M.Data fusion of radar and image measurements for multi-object tracking via Kalman filtering[J].Information Sciences，2014，278：641-652.

[13] Alouani A T，Shetty S.A multi-sensor tracking system with an image-based maneuver detector[C]//American Control Conference，1996：167-181.

[14] Kalal Z，Matas J，Mikolajczyk K.P-N learning：bootstrapping binary classifiers by structural constraints[C]//IEEE Conference on Computer Vision and Pattern Recognition，2010：49-56.

[15] 侯志強(qiáng)，李鴻艷，韓崇昭，等.基于雷達(dá)與圖像信息融合的目標(biāo)跟蹤仿真研究[J].系統(tǒng)仿真學(xué)報(bào)，2004，16（8）：1831-1834.

ZHANG Yawen,HU Shiqiang.Research on radar/visible light surveillance and tracking methods of target in lowaltitude airspace.Computer Engineering andApplications,2018,54（6）：234-240.

ZHANG Yawen,HU Shiqiang

School ofAeronautics andAstronautics,Shanghai Jiao Tong University,Shanghai 200240,China

With the great development of general aviation and rotor unmanned aerial vehicle,the urgent need is to guarantee the safety of airspace monitoring and management.Since radar has a wide tracking-blind area in low-airspace,radar echo will be disturbed easily by cluster waves which result in exception of the target information gathering.Large-scale arrangement of ADS-B system also has a limitation,thus research on low-airspace surveillance and management has been a hot topic nowadays.Here,a radar/visible light monitoring and tracking method is proposed,which targeting the rotorcraft in low-altitude airspace.Based on the framework of Tracking-Learning-Detecting（TLD）,the radar is set as main tracker and visible light sensor as detector.Measurement model switching and data online update can be completed through interactive multi-model method and PN-learning process,while making the target state information and monitoring/tracking system more accurate.The availability has been verified by results of numerical simulation.

airspace surveillance;radar;visible light sensor;Tracking-Learning-Detecting（TLD）;target tracking

近年來(lái)，隨著通用航空和旋翼無(wú)人機(jī)的飛速發(fā)展，對(duì)相關(guān)空域的安全性監(jiān)視與管理提出了迫切要求。由于雷達(dá)在低空空域存在探測(cè)盲區(qū)，極易受到雜波干擾，無(wú)法準(zhǔn)確獲取目標(biāo)信息，而ADS-B系統(tǒng)大規(guī)模布設(shè)存在局限性，低空空域的有效監(jiān)視與管理成為研究的熱點(diǎn)。研究了一種低空目標(biāo)的雷達(dá)/可見光協(xié)同監(jiān)視跟蹤方法，該方法基于跟蹤-學(xué)習(xí)-檢測(cè)（TLD）架構(gòu)，將雷達(dá)作為主跟蹤器，可見光傳感器作為檢測(cè)器，通過(guò)交互多模型算法和學(xué)習(xí)器實(shí)現(xiàn)量測(cè)模型切換和數(shù)據(jù)在線更新，從而獲取更準(zhǔn)確的目標(biāo)狀態(tài)信息，實(shí)現(xiàn)低空空域更精確的監(jiān)視和目標(biāo)跟蹤，數(shù)據(jù)仿真說(shuō)明了該方法的有效性。

空域監(jiān)視；雷達(dá)；可見光傳感器；跟蹤-學(xué)習(xí)-檢測(cè)；協(xié)同跟蹤

2016-10-13

2017-01-04

1002-8331（2018）06-0234-07

A

TN953

10.3778/j.issn.1002-8331.1610-0149

航空科學(xué)基金（No.20142057006）。

張雅雯（1991—），女，碩士研究生，主要研究方向：目標(biāo)跟蹤與信息融合，E-mail：zhimeyw@aliyun.com；胡士強(qiáng)（1969—），男，教授，博士生導(dǎo)師，主要研究方向：信息融合技術(shù)，圖像理解與分析研究。