0 引言
水下搜攻战术的实现可以划分为检测、识别、跟踪和攻击。检测作为该战术实施的起点,直接决定了搜攻作战的质效。随着消声降噪等新技术在水下潜航器类目标中的应用,声纳主动探测的目标回声信号强度将变得更弱,且声纳被动探测的目标辐射信号强度也会变得更低,甚至降至海洋环境背景噪声强度,对现有水下目标检测方法提出了严峻挑战;而水下目标未知及其机动战术运用,进一步提升了水下目标检测的难度。此外,水声场随机复杂性长期制约着水下目标检测技术的发展。长期以来,理论方法不够丰富及技术应用不够充足成为制约水下目标检测技术的发展。
近年来,检测前跟踪(track-before-detect,TBD)技术在低可探测性目标检测和跟踪中发挥着越来越重要的作用[1]。在检测和目标跟踪应用中,低可探测性目标被定义为提供传感器响应的信噪比(signal to noise ratio,SNR)低于10 dB的测量值[2]。根据上述分析可知,绝大数水下潜航器类目标属于低可探测特性目标。针对水下目标低可探测特性,借助TBD理论优势,国内外专家和学者对其展开了初步研究和有益探索[1-3]。本文中在阐述TBD技术思路的基础上,介绍了水下目标检测和跟踪领域中5种TBD经典算法,总结了各类TBD算法的研究进展及优缺点,给出了TBD算法在水下目标检测和跟踪领域中的发展趋势,为水下搜攻作战能力提升提供了有效的理论和方法支撑。
1 TBD技术
传统检测跟踪[2-3](detect before track,DBT)技术的实现流程通常是先完成检测,后进行跟踪。先检测指的是设置检测阈值对单帧原始观测信号进行门限判决,获取量测点;后跟踪指的是将检测得到量测点进行数据关联并形成航迹。显然,检测和跟踪是相互独立的两个环节。在低信噪比目标检测时,为了保证一定的目标检测概率,通常设置较低的检测阈值,然而较低的阈值会导致较高的错误检测概率,从而产生虚假航迹;而如果检测阈值设置过高,则有可能会丢失部分有效的量测点,增加了后续跟踪的难度,因此传统DBT算法不适用于低可探测性目标的检测。
为了解决上述问题,国内外专家学者进行了大量的探索和研究。其中,TBD技术凭借其在低信噪比条件下检测和跟踪中的优异表现,自20世纪70年代一经出现便受到了广泛关注[2]。目前,TBD算法已经成为探测临近空间超高音速导弹、复杂水声环境航行器等弱目标的关键技术。这是因为TBD算法打破了传统DBT算法流程中先检测后跟踪的界限,克服单帧观测数据的检测阈值局限,其基本思路:结合多帧原始数据的处理,使用跟踪算法寻找可能的目标运动航迹,沿着这些航迹积累能量,最终做出决策。因此,相比于DBT算法,TBD算法具有三大优势[4]:
1) 对单帧数据无需阈值处理,保留目标的全部信息;
2) 基于跟踪思想的航迹搜索,避免了复杂的数据关联;
3) 利用多帧数据积累能量进行决策,提高目标的正确检测概率。
因此,TBD算法可以大大提高弱目标的检测和跟踪性能,是实现弱目标检测和跟踪的有效方法。图1描述了TBD算法流程。
图1 TBD算法流程
Fig.1 TBD algorithm flow
2 水下目标低可探测性
声纳探测水下目标信号源可以分为回声信号和辐射信号。其中,回声信号作为声纳主动探测的信号源,通常含有更丰富的水下目标信息,但易受混响干扰,且水下目标往往会被“吓跑”;水下目标的辐射噪声作为声纳被动探测的信号源,通常被水下环境噪声所“淹没”,但水下目标被探测时往往而“不自知”。
随着水下目标消声降噪技术的发展以及无人技术的应用,无论是被混响干扰的回声信号还是被水下环境噪声干扰的辐射噪声,相比于这些干扰而言,声纳直接检测水下目标回声信号和辐射噪声信号变得愈发困难,尤其在被动探测应用中。例如,近几十年来,水下目标的辐射噪声强度以每年1 dB的速率降低,再加上水下环境噪声的复杂性,可供声纳被动检测的水下目标辐射信号变得越来越[5]。对于采用螺旋桨推进方式的水下目标,降低航速是一种最直接有效的规避声纳探测方法,特别是当水下目标航速降到某一数值以下,可有效降低螺旋桨噪声。如果当水下目标的辐射噪声强度减低到背景噪声强度,水下环境噪声甚至可以将其完全掩盖。公开资料显示,目前美国“海狼”级潜艇所采用声隐身技术集先进性和有效性为一体,在一定的水文条件下,其辐射噪声低于背景噪声。因此,在声纳探测中,水下目标低可探测性严峻挑战着以线谱检测[6]为主流检测方法的性能。
3 水下目标TBD算法
目前,基于水下目标的TBD算法研究主要涵盖动态规划[6](dynamic programming,DP)、Hough变换[18](hough transform,HT)、粒子滤波[31](particle filter,PF)、随机有限集[40](random finite set,RFS)以及直方图概率多假设跟踪[56](histogram probabilistic multi-hypothesis tracking,H-PMHT)等方法。其中,基于RFS的TBD(RFS-TBD)算法主要通过PF来实现,可以看作PF-TBD算法的一种新应用,但考虑其在多目标检测和跟踪中优势,故专门对其讨论。
3.1 DP-TBD算法
动态规划检测前跟踪(DP-TBD)算法是一种基于离散状态的最大似然估计(maximum likelihood estimation,MLE)的TBD算法[6]。与贝叶斯递推理论不同,MLE直接选择单个最佳路径,而不需要累积备用路径的概率。
Guo等[6]采用TBD策略提取图像序列信息来估计AUV的动态,利用DP算法来解决检测问题。同样,Liu等[7]将DP算法应用于TBD检测,解决了TBD算法实时性差的问题,并演示单静态和双静态检测结果。然而,实时信号处理的迫切需求和AUV动力学不确定性仍是实现在线检测的一项挑战。这是因为DP在图搜索过程中,虽然能够生成最优解,但动态规划的计算时间与图中的节点数成正比,而节点数又取决于解空间的网格划分,并随解空间的维数几何增加。另外,文献[8]将自组织映射、动态规划和Hough变换相结合,提出了一种在多基地主动声纳场景下快速可靠的水下目标检测和跟踪算法,从而不需要考虑目标运动学模型。Chuang等[9]提出了一种适用于低帧频立体相机的新型多鱼类跟踪算法,其实质也是DP-TBD算法。针对实时性需求,文献[10]借助有限状态马尔可夫链来描述水声信道时变特性,采用随机DP方法来推导水声节点传输能量的最优分配策略,提出了一种降低DP算法计算复杂度的次优算法。
上述传统的DP-TBD算法在多目标场景中往往难以实现。文献[11]提出了一种基于并行计算的DP-TBD方法(parallel computing-DP-TBD,PC-DP-TBD),改善了针对相邻目标可能相互干扰、计算复杂度随着目标数量的增加而增加问题。Diamant等在文献[12]中利用DP算法进行概率跟踪,采用最大似然MLE准则实现检测。此外,文献[13]将DP-TBD方法应用于具有良好隐蔽性的被动声纳系统中,解决弱未知和时变目标数的检测与跟踪问题。目前,国内对DP-TBD算法研究和应用的公开报道较少[2],研究的单位主要有哈尔滨工程大学、电子科技大学。
3.1.1 算法步骤
将文献[5]中算法进行状态空间的扩展,用来表示目标不存在的情况。状态序列X0,…,Xk的联合后验概率为
(1)
假设DP算法的成本度量为Ck(Xk),在离散状态空间Χ中添加一个空状态∅,用来表示目标不存在的情况;则在状态序列中,最可能到达状态Xk的前一状态可以表示为θk-1(Xk)。应用于TBD算法的步骤:1) 初始化C0(∅)=0且其他状态满足C0(X0)=-∞;2) 在k(k=1,…,kmax)时刻,空状态的非归一化成本
表示,由可以推导出所有状态的归一化成本,在状态序列中最有可能到达状态Xk的前一状态;3) 通过回溯找到估计的状态序列:如果步骤3)中估计状态为空状态,则算法检测结果为目标不存在。
3.1.2 算法特点
对上述文献分析可知,DP-TBD算法属于一种批处理技术,通过搜寻最可能的状态序列实现水下低可探测性目标检测和跟踪。DP-TBD算法的优势一在于总是生成与动态模型一致的估计。即不是从备用路径中累积概率,而是选择单个最佳路径。优势二在于采用多阶段决策,通过计算各阶段最优决策,并借助各阶段间的相关性实现整体最优决策。优势三在于其改进型还适用于机动目标、多目标、声纳被动工作场景。
但是,DP-TBD算法是一种基于离散状态的最大似然估计,不能直接对连续目标状态空间进行迭代处理,且不适合处理复杂的目标运动模型。另外,DP-TBD算法检测概率和实时性对检测环境比较复杂性敏感,运算时间还受目标数量影响。此外,在水下被动探测领域,声纳的测量数据与目标的运动状态之间存在很大的非线性关系,DP-TBD算法仅能利用目标回波能量信息和目标运动特性来实现检测跟踪。这都使得DP-TBD算法高杂波密度、低信杂比环境会增加状态变量数目,提升决策所需计算量,并伴随着错误决策概率提高。
3.1.3 改进方案
针对在复杂环境中应用DP-TBD算法存在的问题。国内外学者不断探究新方法、开拓新领域。面临低信噪比和实时性挑战,阵列信号处理方法可以提高信息在空间上聚集时的信噪比。然而在应用TBD算法时,需要搜索AUV的大量可能轨迹。文献[14]引入DP算法,解决了船用低分辨率的声阵列探测海底目标在线实现。同样,文献[15]提出了一种将水下时空自适应处理(space-time adaptive processing,STAP)模型与基于DP-TBD策略相结合的算法,通过将测试统计作为策略的评分函数来检测目标的存在,解决了运动主动声纳的弱目标检测问题。与传统的混响抑制方法相比,STAP-DP-TBD方法具有更好的检测性能。虽然文献[12]算法实现了低SCR下检测,但它只适合检测单个目标,且其计算复杂度极高,Testolin等[16]研究了一种卷积去噪自动编码器DP-TBD(combining denoising autoencoders-DP-TBD,CDA-DP-TBD)的新方法,它将深度学习与DP相结合,前者用作有效的去噪滤波器,而后者可进一步识别独特的目标并精确跟踪其航迹。此外,文献[17]通过改进的匹配滤波(matched filter,MF)传输过程提供包含目标漏检信息的候选图,提出了一种基于候选图的DP-TBD(candidate-plots-DP-TBD,CP-DP-TBD)方法,仿真和实验都验证了CP-DP-TBD的计算效率和检测性能。
3.2 HT-TBD算法
与DP算法相类似,HT算法也是一种批处理技术。HT算法最早由Paul Hough[18]于1962年提出,HT将图像空间中的全局检测问题转换为参数空间中局部峰值检测问题。随着HT算法基本形式推导实现,直接推进其在计算机视觉成像领域中的广泛研究及应用。同样,在水下探测领域,HT算法最先用于视觉成像和声纳成像中的目标检测、定位等应用。李钢虎等[19]采用Wigner-Hough变换研究了水下目标信号的检测问题,对多分量信号时频分布的交叉项具有明显的抑制作用。文献[20]中提出了一种基于水下机器人图像的几何形状识别方法,将识别问题转化为有界误差估计问题。文献[21]设计了一种AUV系统,采用HT算法检测水下管道。同样,文献[22]将HT算法用于电缆检测和跟踪,利用图像中边缘的全部信息进行线检测和图像的中心部分的线检测,来提高检测准确性。文献[23]针对水下目标图像的几何特性,提出了一种基于弦中点的改进Hough变换椭圆检测方法,实现了水下多目标的特征提取。
上述方法验证了HT算法在水下目标检测中的可行性和有效性。HT-TBD算法由Carlson等[24]首次提出,用于搜索雷达目标的检测和跟踪。文献[25]指出由于声纳扫描图像是目标状态的高度非线性函数,采用基于离散状态空间的HT-TBD算法势必占用大量的计算资源,并且不适用于非线性运动检测。文献[26]指出改进HT-TBD算法允许从任意方向的任意像素估计有限长度的目标轨迹,即可以应用于图像集,并且可以实现多维检测和跟踪。文献[27]将HT-TBD算法用于低频有源拖曳阵列声纳检测水下目标。通过对波束域中的数据进行归一化处理以抑制混响和杂波干扰,改善了算法的实时性;根据对MF后的数据进行缩减以尽可能保留弱目标的信息,提高了算法的可靠性。文献[28]研究了在不同场景条件下基于声纳图像的HT-TBD的水下目标检测。文献[29]在短时傅里叶变换的预处理基础上,采用HT-TBD算法实现了微弱单频周期脉冲信号检测,并在TMS320C6678平台下进行了DSP设计。
3.2.1 典型算法步骤
HT-TBD算法的基本思路为将数据空间中线特征检测问题转换为参数空间中的峰值检测问题。以主动阵列声纳为例展开介绍,HT-TBD算法的基本原理如下。首先,通过波束赋形声纳阵列数据,归一化处理波束域中的时域数据,匹配滤波获取目标的距离-方位信息,完成了声纳阵列数据预处理。其次,将距离-方位-时间三维图像序列累加成包含目标实际运动航迹信息的距离-方位二维图像,实现了距离方位二维积累图像构建。最后,利用HT公式将图像空间映射到参数空间中,在参数空间进行非相参积累,设置阈值进行门限判决,将超过门限的参数点回溯到图像空间,得到了目标运动航迹,即实现了目标检测。HT-TBD算法流程及核心内容如图2所示。
图2 HT-TBD算法流程及核心内容
Fig.2 HT-TBD algorithm flow and core content
3.2.2 算法特点
对上述文献分析可知,HT-TBD算法也属于批处理技术,通过参数积累实现水下低可探测性目标检测和跟踪。该算法主要优势在于,一是算法简单易懂、操作便捷。只需要利用不同HT方程将数据空间量测点转换成参数空间参数信息的非相参积累,通过门限判决,即可实现线性和非线性目标的航迹检测。二是算法类型多,适用性较强。针对不同应用领域中弱目标检测的挑战和军事需求,除了传统的直线HT-TBD算法、曲线HT-TBD算法,近年来又出现了新的HT方法,例如,精度HT、自适应HT,规格化HT、动态组合HT、Kiryati等概率HT、三维HT等,这些改进HT都为TBD算法解决水下目标检测提供了新思路和措施。
然而,由于批处理在保留更多实测数据优势下,HT-TBD算法对计算和数据存储等资源的需求远大于传统的直接检测方法,导致HT-TBD检测系统比较复杂,实时性较差,硬件实现难度大,在很大程度上限制了HT-TBD算法在工程实践中的应用。此外,现有的HT-TBD算法在处理批次中集成了基于单个运动模型的目标能量,而没有考虑可能的模型跳跃。这种目标机动可能会导致传统HT-TBD算法中的能量集成降低。
3.3 PF-TBD算法
PF算法是一种近似实现贝叶斯递归估计的序贯方法,利用随机样本近似模拟状态方程的后验概率密度,可以实现多种准则下的状态估计[30]。PF-TBD算法最早由英国的Salmond和荷兰的Boers提出。水下目标检测和跟踪是PF-TBD算法重要的应用领域。文献[31]提出了一种基于PF的递归贝叶斯TBD滤波器,在载波频率、脉冲重复间隔和信号未知的条件下,实现了线性随机过程的信号状态估计。文献[32]提出了一种基于PF和TBD的水下目标检测和跟踪方法,但其性能提升以牺牲较大的计算复杂度为代价的。文献[33]设计了一种类似于PF的TBD的水下目标检测跟踪算法,根据粒子的先前轨迹估计出全状态空间的后验密度,规避了文献[34]中的纯方位目标运动分析的局限。
国内学者也对PF-TBD算法在水下目标检测和跟踪领域进行了广泛的研究。文献[35]将PF-TBD算法用于水下传感器网络目标检测和跟踪,实现了水下环境复杂、强杂波强噪声条件下的算法仿真验证,但仅对水下单目标进行研究。文献[36]研究了基于混合优化采样、拉马克遗传策略等的新型PF-TBD算法,实现了对单个弱目标在匀速运动和协同转弯运动下的有效检测与跟踪。文献[37]研究了一种基于多声纳变周期PF-TBD算法,实现对非连续发射源完全状态及非连续特性的准确估计。针对被动声纳方位-频率观测情况下PF-TBD算法中高维采样效率低的问题,文献[38]利用leg-by-leg机动可观测性特点,采用两级采样将高维采样变为低维采样问题,改善了粒子的采样效率;根据各粒子的空间分布特征自适应地调整过程噪声协方差矩阵,避免了粒子滤波陷入局部最优,改善了滤波的收敛性。文献[39]提出了一种基于粒子群优化的PF-TBD(particle swarm optimization-PF-TBD,PSOPF-TBD)方法,改善了传统固定粒子数粒子滤波算法计算量大、复杂环境下水下目标检测与跟踪鲁棒性不强的问题。
3.3.1 典型算法步骤
与3.1节DP算法类似,状态空间增加了一个空状态,可以实现自动跟踪启动。由文献[33]可知,二元存在变量Ek为
(2)
PF算法直接对目标状态后验概率p(Xk|Ek=1,Zk)和存在概率p(Ek|Zk)近似处理,由出生粒子和连续粒子组成。设置粒子组
为总粒子数,根据其在k-1时刻后验目标状态和存在概率的估计
用于TBD的PF算法主要步骤:1)构建出生粒子组;2)构建连续粒子组;3)计算混合概率;4)计算k时刻的存在概率5)归一化粒子权重;6)粒子重采样步骤;7)设置阈值进行门限检测。当存在概率高于可调阈值时,则认为检测到目标。最后通过取每个粒子的状态向量的平均值来找到状态估计。
3.3.2 算法特点
由上述文献和算法原理可知,PF-TBD算法是一种递归迭代贝叶斯滤波方法,采用完整匹配跟踪的思想,实现水下低可探测性目标检测和跟踪。根据之前构建的目标状态方程和量测方程,PF-TBD算法采用蒙特卡罗思想实现贝叶斯估计。首先,从先验概率密度函数中选取采样粒子,计算对应的粒子权值;其次,利用量测数据更新粒子数和粒子权重;最后,通过更新后的样本粒子表征后验概率密度函数,从而能够实时跟踪、提取水下目标航迹。当样本粒子足够大时,甚至能表征真实的后验概率密度函数。PF-TBD算法最大优势在于能有效地处理非线性非高斯问题,适用于复杂水声条件下的目标检测和跟踪。
但是,上述算法主要围绕单目标展开研究;其改进算法也大多基于重要性采样实施,虽然改善了算法的估计性能,但通常伴随着算法复杂度的增大;而采用智能优化重采样策略,虽然解决了粒子退化问题,提高了状态估计的精度,但在粒子多样性控制、寻优引导能力等方面并不理想,同时也增加了算法的运算量。此外,在多传感器多目标检测时,PF-TBD算法性能取决于测量似然函数的构建,系统模型的选择,估计算法的选择,以及在预测阶段通过查普曼-柯尔莫哥洛夫方程所需的多维积分的数值计算等因素,这些都限制了PF-TBD算法在多目标检测和跟踪中的应用。
3.4 RFS-TBD算法
RFS算法也是一种基于贝叶斯递归处理方法。与PF算法不同,在多目标跟踪时RFS算法直接处理量测数据获取目标航迹,避免了数据互联问题,因此在光电、雷达、声纳等多目标探测领域受到广泛的研究。基于RFS理论的算法主要包括概率假设密度(probability hypothesis density,PHD)、势概率假设密度(cardinalized probability hypothesis density,CPHD)、多目标多伯努利滤波器(multi-target multi-Bernoulli,MeMBer)以及基于高斯混合(Gaussian mixture,GM)、高斯粒子(Gaussian particle,GP)和蒙特卡洛(sequential Monte Carlo,SMC)的改进算法[40]。
Punithakumar等[41]首次将PHD理论应用于TBD算法,提出了基于SMC-PHD的TBD(SMC-PHD-TBD)算法,创新性的解决了RFS与TBD算法难以融合使用的问题。文献[42]通过构建“标准”多目标观测模型,推导了PHD加权系数的解析形式,实现了PHD理论和TBD算法的有效融合,其估计性能优于经典的PF算法。文献[43]将PHD平滑器和TBD算法相结合,对前向滤波后的粒子权重进行延时处理,再进行后向滤波,最后,通过SMC技术实现了目标数估计。文献[44]提出了一种基于多模型的PHD-TBD(multiple-model-PHD-TBD,MM-PHD-TBD)算法,通过自适应过程噪声和粒子似然的重要性重采样,对SMC-PHD-TBD算法[41]进行了序列改进,提高了SMC-PHD-TBD算法的鲁棒性和收敛速度。文献[45]在SMC-PHD滤波框架下提出一种基于点扩散模型的多目标TBD算法,通过粒子子集分割手段实现了加速运算,并利用经动态聚类方法实现了多目标状态的准确提取。
但是上述方法未摆脱单个目标对应单次检测的假设。文献[46]使用有限集统计(finite-set statistics,FISST)理论[47]推导出了一种新的PHD测量更新方程,解决了单个目标产生多个量测的多目标检测和跟踪问题。文献[48]提出了一种基于非高斯相控阵雷达或声纳TBD的CPHD滤波器,用于从脉冲观测中跟踪多个分布式(扩展)目标,抵消了多径传播问题。文献[49]提出了一种基于估计目标存在场景的所有可能组合的概率的多模式、多目标TBD算法,利用建议密度函数减少粒子的数量,提高了粒子滤波器的逼近精度;采用启发式决策导向的方法,实现了计算复杂度为最大可能目标数的线性函数。考虑目标组合的组合爆炸问题,该算法更适合检测和跟踪中等数量的目标。
3.4.1 典型算法步骤
由于PHD滤波算法的一系列优势,以SMC-PHD-TBD算法为例展开介绍。在算法的具体实现过程中,采用大量加权的粒子来逼近目标状态的后验概率密度,即使用SMC方法来拟合多目标的PHD,最后采用聚类等算法提取多个目标的运动状态并确定其航迹。
考虑SMC-PHD-TBD算法的实现在结构上类似于采样重要性重采样类型的粒子滤波器,其主要步骤:
1) 假设k-1时刻一组带有权值的随机抽样粒子,计算对应时刻目标的PHD;2) 采用重要采样性采样函数产生粒子预测概率假设密度Dk|k-1及粒子对应的权值
3) 根据粒子与量测的似然比L(Zk|Xk)更新权值
4)对更新中的粒子重采样,避免粒子退化。此外,同PHD滤波原理类似,需要对粒子进行聚类,提取目标状态估计,实时输出目标检核和跟踪航迹。
3.4.2 算法特点
由上述文献和算法原理可知,RFS-TBD算法融合了PFS理论和TBD算法的优点,实现水下低可探测性目标检测和跟踪。在目标数目未知且具有时变特性的应用条件下,有限集统计量为多目标滤波提供了完整的贝叶斯推演手段,且这种推演是建立在RFS理论基础之上的[50-52]。PHD-TBD算法通过近似求解多目标贝叶斯滤波的一阶矩,其优势在于通过传递多目标RFS的一阶矩来实现对目标运动状态的估计,避免多目标跟踪中复杂的数据关联,直接对观测点迹进行处理,实现了多目标航迹检测和跟踪。CPHD-TBD算法通过同时计算PHD分布函数和势函数,其优势在于能够保留了更多的目标数量信息,改善了TBD算法的检测和跟踪性能。MeMBer-TBD算法通过估计多目标的后验概率密度,其优势在于解决了TBD算法处理杂波密度较低的跟踪问题。
然而,现有的RFS理论在TBD算法应用中还需要进一步深入探究[53-55]。例如,RFS理论与TBD算法有效融合度、非阈值量测和阈值量测的适用性、算法的复杂度、目标状态提取的准确度、算法模型与实际模型的匹配度、有效粒子数以及算法在目标交叉且重叠以及复杂环境下的可靠性等算法性能都会影响多目标检测和跟踪的性能。
3.5 H-PMHT-TBD算法
H-PMHT算法最早由美国潜艇作战系统理事会的Streit在海军水下作战中心发布的报告[56]中提出,在过去短短的20年余年中得到了长足的发展和应用[57]。H-PMHT算法可以看作一种基于期望最大化数据关联的特殊TBD算法,采用PMHT数据关联将动态混合拟合到传感器观测图像数据完成目标检测[57],也可用于在强杂波环境中使用强度调制数据流跟踪目标[58]。H-PMHT算法主要适用于线性高斯点扩散函数情况。最近的研究表明,该算法也适用于非线性和非高斯目标形状。因此,H-PMHT算法成为高分辨率雷达、声纳、光电传感器和视觉跟踪领域研究热点技术。
Walsh等[59]借助PMHT理论,推导了一种基于非平稳数据流强度调制的多目标跟踪算法,即为H-PMHT算法。当采用全观测数据集时,H-PMHT算法可以消除由声纳数据阈值化而引起的跟踪损失,初步地验证了H-PMHT算法有效性。另外,Ceylan等[60]将H-PMHT算法用于水下目标跟踪,解决了在目标相互干扰条件下的多目标跟踪问题。再者,Vu等[61]采用H-PMHT算法研究了TBD在主动声纳检测和跟踪中的应用,与基于综合概率数据关联的传统算法相比,在低信噪比水平下的性能更加稳健。然而上述算法主要用于主动声纳,Luginbuhl等人[62]致力于将H-PMHT算法应用到被动声纳检测。H-PMHT-RM[63]是文献[62]中描述的原始H-PMHT算法的改进型,该算法使用随机演化矩阵来描述目标形状,通过跟踪管理系统,实现了时频谱中未知数量的频谱成分的跟踪。同样地,文献[63]将H-PMHT-RM算法应用于实际窄带频谱图和宽带频谱图中的目标检测。
目前,国内对H-PMHT算法研究和应用的公开报道较少[64],主要集中在雷达探测领域,研究单位主要集中在西安电子科技大学和北京电子工程总体研究所。
3.5.1 典型算法步骤
在H-PMHT算法模型中,平均像元值可以表示为
(3)
式(3)中: πkm是模型m在k时刻的混合比例,M为目标个数,模型m的单元贡献
是模型测量后验概率分布函数在单元(i, j)上的积分。
应用于TBD中的H-PMHT算法[95]步骤:① 初始化估计;② 计算单元概率;③ 计算单元质心;④ 确定合成测量和合成测量协方差;⑤ 估计混合比例;⑥ 使用卡尔曼滤波器、合成测量值和协方差估计状态;⑦ 重复步骤②—步骤⑥直到收敛;⑧ 估计强度。H-PMHT算法要求收敛性检验基于期望最大化辅助函数[91]。然而,在实践中,H-PMHT算法的运算成本很高,并且只需要进行收敛检测。因此,基于估计本身收敛检测更为实际。
3.5.2 算法特点
文献[63]将H-PMHT算法在TBD问题研究描述为基于图像的传感器测量的跟踪器。基于H-PMHT的TBD算法保留了H-PMHT算法的优点:① 以计算成本的一小部分为贝叶斯滤波器的数值实现提供可比的输出质量;② 能够处理非线性目标动态;③ 可以处理任何已知的目标外观功能或使用参数或非参数模型估计未知外观;④ 可自动动态确定场景中的目标数量;⑤ 可以利用图像颜色等属性信息;⑥ 具有支持叠加或遮挡的重叠目标相互作用的内在模型等。
在低SNR水下目标检测时,H-PMHT算法性能使其在TBD应用仍不能令人满意。这是因为H-PMHT算法与PMHT算法一脉相承,其量测模型中缺少噪声模型。因而低信噪比情况下,检测跟踪能力较弱。另外,由于无法对波动的目标振幅进行建模,H-PMHT算法可能会导致实际传感条件下的性能下降。
3.6 不同TBD算法比较分析
现有的水下目标TBD算法可以分为递归TBD和批处理TBD。其中,PF-TBD、RFS-TBD、H-PMHT-TBD算法属于前者,DP-TBD和HT-TBD算法属于后者。表1给出了不同TBD算法的原理、优缺点、适用范围及改进算法。
表1 不同TBD算法的比较分析
Table 1 Comparative analysis of different TBD algorithms
算法名称原理优势局限性适用范围改进型算法DP-TBD批处理线性目标分级处理,计算量较小,硬件易实现低信噪比影响空间复杂度和实时性高斯非机动或弱机动目标STAP-DP-TBD[15]CDA-TBD[16]CP-DP-TBD[17]HT-TBD批处理非相参积累、可靠、适应高斯及近似高斯目标实时性随检测精度提高而变差高斯直线运动或弱机动目标多门限HT-TBD[27]PS-HT-TBD[29]自适应随机HT-TBD[28]PF-TBD递归贝叶斯完整匹配跟踪的思想、适用范围广且强粒子数偏少、实时性较差,单目标非高斯非线性运动目标JMPD-PF-TBD[35]遗传PF-TBD[36]CRLB-PF-TBD[37]RFS-TBD递归贝叶斯对量测直接处理,避免多目标复杂的数据关联,适用范围广且强RFS和TBD融合度要求高、算法的复杂度较高非高斯非线性运动多目标GM-CPHD-TBD[50]CBMeMBer-TBD[51]K-G0-SMC-CPHD-TBD[52]H-PMHT递归贝叶斯期望最大化数据关联、适应线性高斯多目标有待加强低信噪比适用性非高斯非线性运动多目标P-HPMHT-TBD[58]IP-PMHT-TBD[59]QT-PMHT-TBD[61]
递归型方法完全采用跟踪思想,建立目标运动模型和观测模型后,直接进行实时递推跟踪,并对目标状态和目标数进行估计,因此,递归型方法可有效降低运算开销,且不需要处理和存储多帧历史数据,具有更强的适应能力。
虽然各类批处理型方法实现思路不同,但是跟踪思想均没有被完全实现,因此更侧重于实现弱目标的检测。通过在多个连续帧上整合目标回波能量,批处理型方法可以获得更高的SNR,改善了低可探测性目标的检测性能。
4 总结与展望
随着智能算法和融合技术的发展,递归型TBD算法由于在低信噪比下非高斯非线性多传感器系统中的优势,将是未来水下目标检测和跟踪的发展方向。受水声场景复杂性及探测装备性能的综合影响,当前水下目标TBD理论和方法研究还处于起步阶段,距离实际工程应用还要持续攻坚克难。在机遇和挑战面前,探究水下目标TBD新方法,提升现有算法的鲁棒性、精度和实时性都是未来研究的方向。可以预见,未来水下目标TBD算法的研究和发展趋势:
1) 现有水下目标TBD算法比较分析及应用。通过对不同TBD算法性能分析和评估,可以进一步探究TBD技术的机理,为不同算法的联合使用探寻融合点。随着探测装备性能和系统运算能力的提升,为TBD算法实现工程应用创造了可能。联合算法设计和工程应用是未来研究重点方向之一。
2) 水下目标邻近和交叉航迹的检测前跟踪。当存在邻近水下目标时,现有TBD算法通常难以给出较好的检测和跟踪结果。虽然对邻近、航迹交叉目标的跟踪问题已有一些研究成果,很大程度上是以牺牲其他性能为代价。改善现有水下多目标TBD算法的鲁棒性是未来重点研究方向之一。
3) 水下机动目标的检测前跟踪。水下机动目标的TBD问题是水下攻防作战中亟待解决的难题,而现有TBD算法难以对水下机动目标进行有效的检测和跟踪,主要原因是算法模型与实际模型无法精准匹配。自适应系统模型构建是未来值得重点研究方向之一。
4) 水下目标的多传感器融合检测和跟踪。多传感器联合使用优势在于可以获取更多有效目标信息,但不可避免的造成数据冗余。提高多传感器观测数据间的互补性并降低冗余性是提高水下目标TBD算法性能的一条有效途径。
[1] GROSSI E,LOPS M,VENTURINO L.A novel dynamic programming algorithm for track-before-detect in radar systems[J].Signal Processing,IEEE Transactions on,2013,61(10):2608-2619.
[2] HADZAGIC M,MICHALSKA H,LEFEBVRE E.Track-before detect methods in tracking low-observable targets:A survey[J].Sensors Trans Mag,2005,54(1):374-380.
[3] 王学敏,李文海,张翔宇.基于交叉定位的声纳浮标阵被动检测预处理研究[J].兵器装备工程学报,2023,44(5):192-199.WANG Xuemin, LI Wenhai, ZHANG Xiangyu.Research on passive detection preprocessing of sonobuoy arrays based on cross localization[J].Journal of Ordnance Equipment Engineering,2023,44(5):192-199.
[4] WANG J,JIAO J.Track before detect for low frequency active towed array sonar[C]//2019 IEEE International Conference on Signal,Information and Data Processing (ICSIDP),Chongqing,China,2019:1-5.
[5] LI X,PIAO S,ZHANG M,et al.A passive source location method in a shallow waterwaveguide with a single sensor based on bayesian theory[J].Sensors,2019,19(1452):1-17.
[6] GUO J,CHENG S W,LIU T C.AUV obstacle avoidance and navigation using image sequences of a sector scanning sonar[C]//Proceedings of 1998 International Symposium on Underwater Technology.IEEE,1998:223-227.
[7] LIU T C,SCHMIDT H.Concurrent navigation and sea-bottom targets detection using acoustic sensors on AUV[J].Journal of the Acoustical Society of America,2003,115(5):2621-2621.
[8] ELJABER M,OSMAN A,MELLEMA G R,et al.Target tracking in multi-static active sonar systems using dynamic programming and Hough transform[C]//2009 12th International Conference on Information Fusion.Seattle,WA,USA,2009:62-69.
[9] CHUANG M C,HWANG J N,WILLIAMS K,et al.Multiple fish tracking via Viterbi data association for low-frame-rate underwater camera systems[C]//2013 IEEE International Symposium on Circuits and Systems.Beijing,China,2013:2400-2403.
[10] JING L,He C,HUANG J,et al.Energy management and power allocation for underwater acoustic sensor network[J].IEEE Sensors Journal,2017,17(19):6451-6462.
[11] GUO Q,LI Z,SONG W,et al.Parallel computing based dynamic programming algorithm of track-before-detect[J].Symmetry,2018,11(1):1-9.
[12] DIAMANT R,KIPNIS D,BIGAL E,et al.An active acoustic track-before-detect approach for finding underwater mobile targets[J].IEEE Journal of Selected Topics in Signal Processing,2019,13(1):104-119.
[13] PENG Q,LI W,KONG L.Multi-frame track-before-detect algorithm for passive sonar system[C]//2019 International Conference on Control,Automation and Information Sciences.Beijing,China,2019:1-6.
[14] LIU T C,SCHMIDT H.A framework of concurrent navigation and sea bottom targets detection using acoustic sensors on AUVs[J].The Journal of the Acoustical Society of America,2004,115(5):2621-2621.
[15] WEI M,SHI B,HAO C,YAN S.A novel weak target detection strategy for moving active SONAR[C]//Proceedings of the IEEE OCEANS,Kobe,Japan,2018,28-31.
[16] TESTOLIN A,DIAMANT R.Combining denoising autoencoders and dynamic programming for acoustic detection and tracking of underwater moving targets[J].Sensors,2020,20,2945:1-16.
[17] ZHU Y,LI Y,ZHANG N,et al.Candidate-plots-based dynamic programming algorithm for track-before-detect[J].Digital Signal Processing,2022,123(30):1-11.
[18] P V C HOUGH.A method and means for recognizing complex patterns[R].U.S.Patent 3,069,654:1962.
[19] 李钢虎,李亚安,王军,等.Wigner-Hough变换在水下目标信号检测中的应用[J].兵工学报,2006(1):125-129.LI Ganghu,LI Ya’an,WANG Jun,et al The application of Wigner-Hough transform in underwater target signal detection[J].Acta Armamentarii,2006(1):125-129.
[20] JAULIN L,BAZEILLE S.Image shape extraction using interval methods[C]//15th IFAC Symposium on System Identification.2009:123-137.
[21] LIM D L H.Design of a vision system for an autonomous underwater vehicle[D].Bachelor of Engineering Honours Thesis,School of Electrical,Electronic and Computer Engineering,University of Western Australia,2004:45-67.
[22] 曾文静,张铁栋,万磊,等.基于Hough变换的水下管道检测方法[J].仪器仪表学报,2012,33(1):76-84.ZENG Wenjing,ZHANG Tiedong,WAN Lei,et al.Underwater pipeline detection method based on Hough transform[J].Journal of Instrumentation,2012,33 (1):76-84.
[23] 吴丽媛,徐国华,余琨.基于前视声纳的成像与多目标特征提取[J].计算机工程与应用,2013,49(2):222-225.WU Liyuan,XU Guohua,YU Kun Imaging and multi-target feature extraction based on forward-looking sonar[J].Computer Engineering and Application,2013,49 (2):222-225.
[24] CARLSON B D,EVANS E D.WILSON S L.Search radar detection and track with the Hough transform,part I:System concept[J].IEEE Transactions on Aerospace and Electronic Systems,1994,30(1):102-108.
[25] ERMEYDAN E 
.Detection and tracking of dim signals for underwater applications[D].Middle East Technical University,2010:69-78.
[26] MAZUREK P.Parallel distributed downsampled spatio-temporal track-before-detect algorithm[C]//2014 19th International Conference on Methods and Models in Automation and Robotics (MMAR).IEEE,2014:119-124.
[27] WANG J,JIAO J.Track before detect for low frequency active towed array sonar[C]//2019 IEEE International Conference on Signal,Information and Data Processing (ICSIDP).IEEE,2019:1-5.
[28] 滕婷婷.基于共址MIMO图像声纳的水下运动小目标检测跟踪技术研究[D].哈尔滨:哈尔滨工程大学,2014.TENG Tingting Research on underwater moving small target detection and tracking technology based on co-located MIMO image sonar[D].Harbin:Harbin Engineering University,2014.
[29] 申奥.单频周期脉冲信号TBD算法研究与DSP实现[D].哈尔滨:哈尔滨工程大学,2019.SHEN Ao.TBD algorithm research and DSP implementation of single-frequency periodic pulse signal[D].Harbin:Harbin Engineering University,2019.
[30] 樊玲.微弱目标检测前跟踪算法研究[D].成都:电子科技大学,2013.FAN Ling.Research on tracking algorithm for weak target detection[D].Chengdu:University of Electronic Science and Technology of China,2013.
[31] JING C,LIN Z,LI J.Detection and tracking of an underwater target using the combination of a particle filter and track-before-detect[C]//OCEANS 2016-Shanghai.Shanghai,China,2016:1-5.
[32] NORTHARDT T,NARDONE S C.Track-before-detect bearings-only localization performance in complex passive sonar scenarios:A case study[J].IEEE Journal of Oceanic Engineering,2018,44(2):482-491.
[33] RISTIC B,ARULAMPALAN S,GORDON N.Beyond the kalman filter:particle filters for tracking applications[M].Norwood,MA,USA,Artech House,2004.
[34] SALMOND D J,BIRCH H.A particle filter for track-before-detect[C]//Proc.Amer.Control Conf.,Arlington,VA,USA,2001(5)3755-3760.
[35] 林章锦.基于粒子滤波的水下目标跟踪置前检测方法研究[D].杭州:浙江大学,2015.LIN Zhangjin.Research on underwater target tracking and pre-set detection method based on particle filter[D].Hangzhou:Zhejiang University,2015.
[36] 李琳.粒子滤波检测前跟踪算法精度与效率的改进方法研究[D].哈尔滨:哈尔滨工程大学,2016.LI Lin Research on improving the accuracy and efficiency of tracking algorithm before particle filter detection[D].Harbin:Harbin Engineering University,2016.
[37] 付玲枝.被动声呐非连续水声发射源检测跟踪算法研究[D].成都:电子科技大学,2020.FU Lingzhi.Research on passive sonar non-continuous underwater acoustic emission source detection and tracking algorithm[D].Chengdu:University of Electronic Science and Technology,2020.
[38] 奚畅,蔡志明,袁骏.基于leg-by-leg机动的两级采样被动跟踪方法[J].电子与信息学报,2021,43(10):2805-2814.XI Chang,CAI Zhiming,YUAN Jun.Two-stage sampling passive tracking method based on leg-by-leg maneuver[J].Journal of Electronics and Information,2021,43 (10):2805-2814.
[39] 胡健阳,段先华,马启星.基于粒子群优化粒子滤波的声呐目标检测前跟踪[J].船舶工程,2022,44(1):91-95.HU Jianyang,DUAN Xianhua,MA Qixing.Sonar target tracking before detection based on particle swarm optimization particle filter[J].Marine Engineering,2022,44(1):91-95.
[40] CORALUPPI S P,CARTHELCA.Multiple-hypothesis tracking for targets producing multiple measurements[J].IEEE Transactions on Aerospace and Electronic Systems,2018,54(3):1485-1498.
[41] PUNITHAKUMAR K,KIRUBARAJAN T.A sequential Monte Carlo probability hypothesis density algorithm for multitarget track-before-detect[C]//Signal Data Processing Small Targets.San Diego.CA:SPIE,2005.5913:1-8.
[42] 童慧思,张颢,孟华东,等.PHD滤波器在多目标检测前跟踪中的应用[J].电子学报,2011,39(9):2046-2051.TONG Huisi,ZHANG Hao,MENG Huadong,et al.Application of PHD filter in multi-target detection and tracking[J].Journal of Electronics,2011,39 (9):2046-2051.
[43] 林再平.天基红外图像弱目标检测前跟踪技术研究[D].长沙:国防科学技术大学,2012.LIN Zaiping.Research on tracking technology before detecting weak targets in space-based infrared images[D].Changsha:National University of Defense Science and Technology,2012.
[44] YUNLI L,HUI X U,WEI A N,et al.Track-before-detect for infrared maneuvering dim multi-target via MM-PHD[J].Chinese Journal of Aeronautics,2012,25(2):252-261.
[45] 占荣辉,刘盛启,欧建平,等.基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法[J].电子与信息学报,2014,36(11):2593-2599.ZHAN Ronghui,LIU Shengqi,OU Jianping,et al.An improved tracking algorithm for multi-target detection based on sequential Monte Carlo probability hypothesis density filter[J].Journal of Electronics and Information,2014,36(11):2593-2599.
[46] TANG X,CHEN X,MCDONALD M,et al.A multiple-detection probability hypothesis density filter[J].IEEE Transactions on Signal Processing,2015,63(8):2007-2019.
[47] MAHLER R.Statistical multisource-multitarget information fusion[M].Norwood,MA,USA,Artech House,2007.
[48] SAUCAN A A,CHONAVEL T,SINTES C,et al.CPHD-DOA tracking of multiple extended sonar targets in impulsive environments[J].IEEE Transactions on Signal Processing,2015,64(5):1147-1160.
[49] EBENEZER S P,PAPANDREOU S A.Generalized recursive track-before-detect with proposal partitioning for tracking varying number of multiple targets in low SNR[J].IEEE Transactions on signal processing,2016,64(11):2819-2834.
[50] 罗欣.基于PHD滤波的检测前跟踪算法与重采样技术研究[D].杭州:浙江大学,2017.LUO Xin.Research on pre-detection tracking algorithm and resampling technology based on PHD filter[D].Hangzhou:Zhejiang University,2017.
[51] GUNES A,GULDOGAN M B.Joint underwater target detection and tracking with the Bernoulli filter using an acoustic vector sensor[J].Digital Signal Processing,2016,48:246-258.
[52] CAO C,ZHAO Y,PANG X,et al.Sequential monte carlo cardinalized probability hypothesized density filter based on track-before-detect for fluctuating targets in heavy-tailed clutter[J].Signal Processing,2020,169:1-18.
[53] STREIT,R.L.Tracking on intensity-modulated data streams[R].Technical Report 11221,NUWC,Newport,Rhode Island,USA,2000.
[54] DAVEY S J,GAETJENS H X.Histogram probabilistic multi-hypothesis tracking[M].Track-Before-Detect Using Expectation Maximisation.Springer,Singapore,2018:59-87.
[55] ZHANG J,CHEN T,SHI Z.A Real-time visual tracking for unmanned aerial vehicles with dynamic window[C]//2020 China Semiconductor Technology International Conference,Shanghai,China,2020:1-11.
[56] WALSH M J,GRAHAM M L,STREIT R L,et al.Tracking on intensity-modulated sensor data streams[C]//Proc.of the IEEE Aerospace Conference,Big Sky,MT,USA,2001:1901 2001.
[57] CEYLAN S,EFE M.Performance of Histogram PMHT algorithm for underwater target tracking[C]//2010 IEEE 18th Signal Processing and Communications Applications Conference.Diyarbakir,Turkey,2010:871-873.
[58] VU H,DAVEY S,FETCHER F,et al.Track-before-detect for an active towed array sonar[C]//Proceedings of Acoustics 2013,Australian Acoustical Society,2013:1-8.
[59] LUGINBUHL T E,WILLETT,P.Estimating the parameters of general frequency modulated signals[J].IEEE Trans. Signal Process.2004,52(1):117-131.
[60] CAREVIC D,DAVEY S J.Two algorithms for modeling and tracking of dynamic time-frequency spectra[J].IEEE Trans.Signal Process.2016,64:6030-6045.
[61] DAVEY S J,GAETJENS H X.Track-before-detect using expectation maximisation[M].Springer,2018:273-276.
[62] 尹立凡,张奕群,王硕,等.直方图概率多假设跟踪方法技术综述[J].系统工程与电子技术,2021,43(11):3118-3125.YIN Lifan,ZHANG Yiqun,WANG Shuo,et al.Overview of histogram probability multi-hypothesis tracking technique[J].Systems Engineering and Electronic Technology,2021,43(11):3118-3125.
[63] 上官伟,卢颖,孙进平.一种基于扩展集员滤波的检测前跟踪方法[C]//第十四届全国信号和智能信息处理与应用学术会议论文集,2021:36-40.SHANG Guanwei,LU Ying,SUN Jinping.A tracking method before detection based on extended set membership filtering[C]//Proceedings of the 14th National Conference on Signal and Intelligent Information Processing and Application,2021:36-40.
[64] 张奕群,尹立凡,王硕,等.一种改进的直方图概率多假设多目标跟踪方法[J].航空学报,2021,42(11):115-128.ZHANG Yiqun,YIN Lifan,WANG Shuo,et al.An improved histogram probability multi-hypothesis multi-target tracking method[J].Journal of Aviation,2021,42(11):115-128.