Page 156 - 《应用声学》2020年第1期

152 2020 年 1 月

T
目标的状态矢量为 X n = [x(n), y(n), v x , v y ] ，状 (1) 对当前快拍(帧)的数据x(n)进行聚焦波束
 
1 0 1 0 形成，通过阈值检测到所有可疑目标的位置，即当前
 
  帧的目标位置观测值v tar (n)。
 0 1 0 1 
态转移函数 A n =   ，可以对目标位置做 (2) 根 据 当 前 帧 v tar (n) 和 上 一 刻 的 估 计 值
 
 0 0 1 0 
f tar (n − 1) 和” 误差”E tar (n − 1)，通过卡尔曼滤
 
0 0 0 1
波得到当前帧的运动目标位置 “最优量”o tar (n)。同
出有根据的预测，即使伴随着水下环境干扰，卡尔曼
时再预测下一帧的目标位置f tar (n)。
滤波总能指出目标的最真实位置。
(3) 在每帧中得到“最优量”o tar (n)与之前正在
卡尔曼滤波递推公式为
跟踪的目标轨迹 T(k)关联起来，通过设置四个量来

 X n|n−1 = A n ∗ X n−1 ,

 记录当前帧中轨迹和检测到的目标 “最优量” 匹配

 T
 P n|n−1 = A n ∗ P n−1 ∗ A + Q n ,

 n 结果：




D Unassigned ：o tar (n) 与所有正在跟踪的 K 条轨
K n = P n|n−1
 T T −1
n
n
 +H ∗ (H n ∗ P n|n−1 ∗ H +R k ) , 迹T(k)(k = 1, 2, · · · , K)都不能匹配；




 X n = X n|n−1 + K n ∗ (Z n − H n ∗ X n|n−1 ), D Assigned ：o tar (n)能匹配到某条轨迹T(k)；




 T Unassigned ：匹配不到o tar (n)的轨迹T(k)；
P n = P n|n−1 ∗ (1 − K n ∗ H n ),
(16) T Assigned ：匹配到o tar (n)的轨迹T(k)。
式 (16) 中，X n|n−1 为预测状态矢量；P n|n−1 为预测 (4) 计算跟踪轨迹上一帧位置和当前帧 o tar (n)
误差的方差矩阵；Q n 为量测噪声；R k 为测量噪声 之间的距离，若距离在但一定的范围内，说明目标持
的方差矩阵；此处观测值为 (x, y)，聚焦波束形成得 续存在，将距离计算结果作为损失函数矩阵，再使
到目标位置 Z n = (x n , y n )作为测量输入，假设目标 用匹配算法，根据预设的阈值计算得到D Unassigned 、
 
1 0 0 0 D Assigned 、T Unassigned 、T Assigned 。
做匀速运动，观测矩阵H n =   。 (5) 轨迹更新：将 D Assigned 更新至当前帧的
0 1 0 0
目标跟踪算法流程如图 2 所示。目标跟踪算法 T Assigned 位置；由于各种干扰导致目标漏检，目标可
的核心思想是： 能在几帧后再次被检测到，预设一个阈值为最大不
可见长度 L Invisible ，若连续 L Invisible 次没有被检测
x↼n↽
到，删除该目标轨迹，停止跟踪，否则轨迹依旧继续
ᐑཥฉౌॎੇ
跟踪；将达到阈值的 T Unassigned 删除；将D Unassigned
生成新的跟踪轨迹，当前帧 D Unassigned 可能是新的
目标，也可能是噪声引起的野值，预设一个最小可见
᫠ϙೝ฾
次数 L Visible ，若持续 L Visible 帧都能检测到，确定目
v tar ↼n↽
标存在，输出目标位置。
ӵ࠷డ໚ฉ
ᝠካ४҂ेҒᄊత͖᧚
4 仿真实验
o tar↼n↽
Ӝᦡካข 4.1 目标定位仿真分析
ᝠካ४҂پ˔᧚
假设有5条16元1.5 m间距线阵，3条水平摆阵
与 2 条垂直摆放，总阵元数为 80，两相邻阵列 (首阵
ᢾᤜఞழ
元) 间距为 45 m；以第 1 条阵 1 号阵元为坐标原点，
仿真信噪比SNR = 0 dB，100 ∼ 500 Hz的宽带目标
图 2 目标跟踪算法流程 信号，设置目标在组合阵的不同位置，得到的定位结
Fig. 2 The flow of target tracking algorithm 果如图3所示。