發(fā)布時間：2020-09-24 11:11

　　 現(xiàn)代戰(zhàn)場上,尤其是城市環(huán)境作戰(zhàn),針對微弱目標(biāo)(尤其是隱身目標(biāo)或者是隱蔽目標(biāo))的檢測前跟蹤(Track Before Detect,TBD)技術(shù)愈加受到關(guān)注。TBD的基本思想是將連續(xù)幀數(shù)據(jù)做聯(lián)合處理,在檢測目標(biāo)之前先跟蹤目標(biāo)的軌跡,從而實現(xiàn)多幀數(shù)據(jù)的非相干積累,達到檢測性能的提升。本文選擇對目標(biāo)運動不做任何先驗性限制的基于動態(tài)規(guī)劃(Dynamic Programming,DP)的TBD算法,開展了室內(nèi)人員目標(biāo)穿墻檢測跟蹤問題研究。取得以下主要研究成果:1)分析了影響DP-TBD算法的關(guān)鍵參數(shù),給出了傳統(tǒng)DP-TBD算法的適用條件。分析了動態(tài)規(guī)劃應(yīng)用于最優(yōu)化問題求解的理想特性,給出了DP-TBD算法的基本遞推方程。研究了檢測跟蹤室內(nèi)人員目標(biāo)的DP-TBD算法:該算法利用圖像幅度值作為目標(biāo)函數(shù),能對信噪比大于-10dB以上的室內(nèi)人員目標(biāo)進行有效跟蹤監(jiān)測。2)針對DP-TBD算法計算量大的缺點,提出了適合規(guī)則質(zhì)點目標(biāo)檢測跟蹤的NS-TPDP-TBD算法。分析并給出了TPDP-TBD算法中第一級門限的選取準則。提出了適合檢測跟蹤室內(nèi)規(guī)則質(zhì)點目標(biāo)的NS-TPDP-TBD算法:該算法引入目標(biāo)先驗信息,對DP-TBD算法進行改進,使得搜索次數(shù)不再與圖像像素大小相關(guān),并減少了第一級門限檢測可能產(chǎn)生的疑似目標(biāo)軌跡的數(shù)目,進而減低算法的搜索量,提高了算法的時效性。仿真驗證表明NS-TPDP-TBD算法比DP-TBD算法更有效,性能更好,對室內(nèi)人員目標(biāo)閃爍問題不敏感。3)針對NS-TPDP-TBD算法面臨的實際問題進行改進,提出了適合不規(guī)則擴展目標(biāo)檢測跟蹤的ADNS-TPDP-TBD算法。分析了NS-TPDP-TBD算法面臨的實際問題,提出了一種適合檢測跟蹤室內(nèi)不規(guī)則擴展目標(biāo)的改進算法——ADNS-TPDP-TBD算法。該算法引入等價鄰域,分析了鄰域的動態(tài)擴展,可以避免多徑反射造成的強雜波干擾,解決人員目標(biāo)的不規(guī)則擴展以及運動速度的變化問題。仿真及實測數(shù)據(jù)表明ADNS-TPDP-TBD算法能實現(xiàn)多人跟蹤,能夠適應(yīng)多徑雜波環(huán)境,對人員目標(biāo)的不規(guī)則擴展以及速度變化不敏感,比NS-TPDP-TBD算法更適于實際應(yīng)用,具有較好的實際應(yīng)用價值。
【學(xué)位單位】：國防科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2017
【中圖分類】：E91;TN957.52
【部分圖文】：

圖 3. 1 鄰域狀態(tài)轉(zhuǎn)移示，假設(shè)目標(biāo)在第k 幀的位置為(i , j )，則目標(biāo)在置只有 9 種。這 9 個位置組成的 9 宮格就是以點了搜索范圍的同時，也限定了距離偏移量范圍（速度決定，也就是說，幀與幀之間由于運動引起范圍）。索范圍的限定導(dǎo)致直接將鄰域外的強雜波干擾剔產(chǎn)生的疑似目標(biāo)軌跡的數(shù)目，客觀上降低了虛警樣的特點輸出軌跡集合中估計的軌跡數(shù)目遠遠小軌跡的數(shù)目，降低了虛警。，距離偏移量范圍的限定直接將鄰域附近強雜波與真實目標(biāo)軌跡部分重合的虛假軌跡的出現(xiàn)，而較不容易被臨近強雜波干擾引偏。客觀上降低了度，提高了算法的檢測跟蹤性能。

國防科技大學(xué)研究生院碩士學(xué)位論文目標(biāo)鄰域所有點均通過門限檢測。 假設(shè)目標(biāo)在第 a 幀存在，從 a+1 幀開始，連續(xù)丟失 m 幀（m≥2）。在目標(biāo)丟失的第 a+m 幀圖像中，雖然目標(biāo)不明顯，但在其最大運動速度Vmax/幀的前提下，目標(biāo)發(fā)生的最大位移為 m*Vmax，那么在第 a+m 幀中，其目標(biāo)一定是在以第 a 幀中目標(biāo)點位置為中心，（2*m*Vmax+1）×（2*m*Vmax+鄰域范圍內(nèi)存在的，只是不能確定是該鄰域中哪個像素位置。也即第 a+m 幀（2*m*Vmax+1）×（2*m*Vmax+1）鄰域里沒有點能超過第一級門限，但是在法實現(xiàn)中，判定該鄰域所有點均通過門限檢測。雖然在 NS-TPDP-TBD 算法中設(shè)定了的鄰域大小是固定的，然而以上的處理產(chǎn)生鄰域大小擴大的的效果（見圖 3.2 所示）：

國防科技大學(xué)研究生院碩士學(xué)位論文二節(jié)介紹了第三章提出的 NS-TPDP-TBD 算法面臨的實際問題；第三人員目標(biāo)檢測和跟蹤的 ADNS-TPDP-TBD 算法及其實現(xiàn)：先討論了鄰域；隨后分析了鄰域的動態(tài)擴展；接著給出了 ADNS-TPDP-TBD現(xiàn)步驟；第四節(jié)采用仿真及實測雷達圖像序列對算法進行驗證；最結(jié)。4.2 NS-TPDP-TBD 算法面臨的實際問題于本文的研究不涉及穿墻雷達墻雜波抑制，而是直接針對有效抑制的雷達圖像序列進行處理，故而利用如圖 4.1 所示的雷達系統(tǒng)，直接達回波數(shù)據(jù)（數(shù)據(jù)采集、成像、回放界面見圖 4.2）。

【相似文獻】

相關(guān)期刊論文 前10條

1 張宏哲;;FFT算法的一種改進[J];長安大學(xué)學(xué)報(自然科學(xué)版);1988年01期

2 苑寶生,俞鐵城;連呼漢語識別研究[J];聲學(xué)學(xué)報;1989年06期

3 孫楊模;;操作系統(tǒng)常見的幾種算法舉例分析[J];湖北三峽職業(yè)技術(shù)學(xué)院學(xué)報;2010年02期

4 郜振華;吳昊;;一種改進的混合蝙蝠算法[J];南華大學(xué)學(xué)報(自然科學(xué)版);2019年01期

5 吳天行;郭鍵;;基于“反學(xué)習(xí)”理論的人工蜂群算法在訂單分批問題中的應(yīng)用[J];物流技術(shù);2017年12期

6 全燕;陳龍;;算法傳播的風(fēng)險批判:公共性背離與主體扭曲[J];華中師范大學(xué)學(xué)報(人文社會科學(xué)版);2019年01期

7 呂山;;從算法倫理圖譜揭示算法中的倫理悖論[J];傳播力研究;2019年30期

8 肖海軍;成金華;何凡;;雙核因素蝙蝠算法[J];中南民族大學(xué)學(xué)報(自然科學(xué)版);2018年01期

9 張進;;一種快速雙對分邏輯運算算法[J];情報學(xué)報;1992年03期

10 陳廣江;用MUSIC算法處理非均勻間隔采樣數(shù)據(jù)[J];系統(tǒng)工程與電子技術(shù);1998年09期

相關(guān)會議論文 前9條

1 李孟霖;余祥;巫岱s

本文編號：2825649