文档介绍：目标跟踪问题
第一章 目标跟踪基本原理与机动目标模型
引言
目标跟踪问题作为科学技术发展的一个方面，设计的主要目的是可靠而精确的跟踪目
标，其历史可以追溯到第二次世界大战前夕，即 1937 年世界上出现第一部跟踪雷达站
SCR-28的时候、之后各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋 完善。
传统的跟踪系统是一对一系统，即一个探测器仅连续地瞄准和跟踪一个目标。随着科
学技术的进步和现代战略战术的发展，人们发现提出新的目标跟踪概念和体制是完全可能
的，在过去 20 多年中，多目标跟踪的理论和方法已经获得很大发展，并已成为当今国际
上十分活跃的热门研究领域之一，有些成果也已付诸于工程实际。 简单地说，目标跟踪
问题可以划分为下列四类：
一个探测器跟踪一个目标 （ OTO ）
一个探测器跟踪多个目标 （ OTM）
多个探测器跟踪一个目标 （ MTO）
多个探测器跟踪多个目标 （ MTM）
目标跟踪的基本原理
单机动目标跟踪基本原理
发展现代边扫描边跟踪（TWS ）系统的目的是，仅在一个探测器条件下同时跟踪多个 目标。然而，为达此目的，边扫描边跟踪系统必须首先很好地跟踪单个目标。一般地说，
常速直线运动目标的跟踪与估计问题较为简单，而且易于处理。困难的情况表现在被跟踪
目标发生机动，即目标速度的大小和方向发生变化的场合。
图 为单机动目标跟踪基本原理框图。图中目标动态特性由包含位置、速度和加速
度的状态向量 X 表示，量测（观测）量 Y 被假定为含有量测噪声 V 的状态向量
A1的线性组合（HX +V ）;残差（新息）向量 d为量测（Y ）与状态预测量（H X （k +）） k
之差。我们约定，用大写字母 X,Y 表示向量，小写字母 x,y 表示向量的分量。一般
情况下，单机动目标跟踪为一自适应滤波过程。首先由量测（观测）量（ Y ）和状态预
A1测量（H X （k +）） 构成残差（新息）向量 d ,然后根据d的变化进行机动检测或者机 k
动辨识．其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机
动特性，最后由滤波算法得到目标的状态估计值和预测值，从而完成单机动目标跟踪功能。
图 单机动目标跟踪基本原理框图
单机动目标跟踪基本要素
单机动目标跟踪基本要素主要包括量测数据形成与处理，机动目标模型，机动检测与
机动辨识，滤波与预测以及跟踪坐标系和滤波状态变量的选取。现分别简述之。
量测数据形成与处理
量测数据通常指来自探测器输出报告的所有观测量的集合。这些观测量一般包括目标
运动参数，如位置和速度，目标属性，目标类型，数目或形成以及获取量测量的时间序列
等。在单机动目标跟踪技术中，量测数据主要指目标运动学参数。
量测数据既可以等周期获取，也可以变周期获取。在实际问题中常常遇到等速率数据
采集。量测数据大多含有噪声和杂波（多目标检测情况），为了提高目标状态估计精度，
通常采用数据预处理技术以提高信噪比。目前常用的方法有数据压缩，包括等权和变权预
处理以及量测资料中野值的剔除方法等技术。
机动目标模型
众所周知，估计理论特别是卡尔曼滤波理论要求建立数学模型来描述与估计问题有关 的物理现象。这种数学模型应把某一时刻的状态变量表为前一状态变量的函数。所定义的 状态变量应为能够全面反应系统动态特性的一组维数最少的变量。一般地，状态变量与系 统的能量有关，譬如在目标运动模型中，状态变量中所包含的位置元素与势能有关，速度 元素与动能有关。
在目标模型构造过程中，考虑到缺乏有关目标运动的精确数据以及存在着许多不可预
测的现象，如周围环境的变化及驾驶员主观操作等，只是需要引入状态噪声的概念。当目 标作匀速直线运动时，加速度常常被看作是具有随机特性的扰动输入（状态噪声），并假 设其服从零均值白色高斯分布，这时，卡尔曼滤波可直接使用。当目标发生诸如转弯或逃 避等机动现象时，上述假设则不尽合理，机动加速度变成为非零
均值时间相关的有色噪声。此时，为满足滤波需要常常采用白化噪声和状态增广方法。
机动目标模型除了考虑加速度非零均值时间相关噪声假设外，还要考虑加速度的分布 特性。客观上，要求加速度函数应尽可能的描述目标机动的实际情况。从目前的机动目标 模型来看，所有建模方法均考虑了目标发生机动的可能性，并建立了一种适合任何情况和 任何类型目标的机动模型，我们称这种模型为全局统计模型，其典型代表是传统的 模型。然而，根据全局统计模型思想，每一种具体战术情况下的每一种具体机动在总的统 计模型中的发生概率势必很小，也就是说，每一种具体战术情况下