分类信息辅助的自适应检测与跟踪方法

doi:10.7527/S1000-6893.2025.31553

目标状态协同与智能感知专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

分类信息辅助的自适应检测与跟踪方法

马恩淳¹^,², 白向龙¹^,², 潘泉¹^,²(), 王增福¹^,²

^1.西北工业大学自动化学院，西安 710129
^2.信息融合技术教育部重点实验室西安 710129

收稿日期:2024-11-20 修回日期:2024-12-19 接受日期:2025-01-10 出版日期:2025-02-24 发布日期:2025-02-21
通讯作者: 潘泉 E-mail:quanpan@nwpu.edu.cn
基金资助:
国家自然科学基金(62233014);国家自然科学基金(62473317)

Classification information-assisted adaptive target detection and tracking method

Enchun MA¹^,², Xianglong BAI¹^,², Quan PAN¹^,²(), Zengfu WANG¹^,²

^1.School of Automation，Northwestern Polytechnical University，Xi’an 710129，China
^2.Key Laboratory of Information Fusion Technology，Ministry of Education，Xi’an 710129，China

Received:2024-11-20 Revised:2024-12-19 Accepted:2025-01-10 Online:2025-02-24 Published:2025-02-21
Contact: Quan PAN E-mail:quanpan@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(62233014)

摘要/Abstract

摘要：

为解决杂波环境下雷达多目标检测与跟踪时的目标漏检及数据关联错误问题，提出了一种联合分类信息、目标检测与目标跟踪的框架，利用目标和杂波在距离-多普勒谱中的分类信息辅助检测和跟踪。检测阶段设计了一种自适应检测方法，能够自适应地漏检目标所处杂波背景并调整检测阈值重新检测，分类信息可过滤重检测产生的杂波量测。跟踪阶段采用神经增强消息传递算法，统一数据关联与量测分类模块，利用Dempster-Shafer规则融合概率数据关联置信与分类置信，该方式能够更好地分配不同信息源间的置信度，有效解决信息冲突的问题，提高数据关联的精度。该框架下分类信息、目标检测与目标跟踪能够有效联动，雷达实测数据与仿真数据结合的实验结果表明，所提出的方法能够有效避免目标漏检导致的目标航迹跟踪不完整以及杂波与目标误关的问题，提高杂波环境下雷达目标检测与跟踪的性能。

关键词: 目标跟踪, 自适应检测, 神经网络, 分类信息, 消息传递

Abstract:

To address the challenges of target omission and data association errors in radar multi-target detection and tracking in cluttered environments， we respectfully propose a framework that integrates joint classification information， target detection， and target tracking. The classification information of targets and clutter based on distance-Doppler spectrum is utilized to assist detection and tracking. In the detection stage， we have designed an adaptive detection method to adjust the detection threshold based on the clutter background where the missed target is located， enabling re-detection. Furthermore， the classification information has the capability to filter the clutter measurements generated by re-detection. In the tracking phase， a neural enhancement message passing algorithm is used to unify the data association and measurement classification module. The Dempster-Shafer rule is used to fuse the probabilistic data association confidence and classification confidence， which may help to better allocate the confidence between different information sources， effectively solve the problem of information conflict， and improve the accuracy of data association. It is thought that this framework could be an effective way of linking classification information， target detection and target tracking. Experimental results combining radar measurement data and simulation data suggest that the proposed method could help avoid the problems of incomplete target tracking caused by target omission and the problem of erroneous shutdown between clutter and target. This method could improve the performance of radar target detection and tracking in cluttered environment.

Key words: target tracking, adaptive detection, neural network, classification information, message passing

中图分类号:

马恩淳, 白向龙, 潘泉, 王增福. 分类信息辅助的自适应检测与跟踪方法[J]. 航空学报, 2026, 47(3): 631553.

Enchun MA, Xianglong BAI, Quan PAN, Zengfu WANG. Classification information-assisted adaptive target detection and tracking method[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(3): 631553.

图/表 20

表 1

因子节点定义

因子节点	定义
$f X k$	$∏ i = 1 N k f x i, k$ ，其中 $f x i, k = p (x i, k \| x i, k - 1)$
$f S k$	$∏ i = 1 N k f s i, k$ ，其中 $f s i, k = p (s i, k \| s i, k - 1)$
$f Z k$	$∏ j = 1 M k ∏ i = 1 N k f z j, k i$ ，其中 $f z j, k i = p (z j, k \| x i, k) f F A (z j, k) a i, j, k$
$f E k$	$∏ i = 1 N k f E i, k$ ，其中 $f E i, k = p (E i, k (a ˜ i, k))$
$f I k$	$∏ j = 1 M k f I j, k$ ，其中 $f I j, k = p (I j, k (a ¯ j, k))$
$f A k$	$∏ i = 1 N k f a i, 0, k$ ，其中 $f a i, 0, k = P d (s i, k) ϑ 1 - a i, 0, k a i, 0, k = 0 1 - P d (s i, k) a i, 0, k a i, 0, k = 1$
$f Ω k$	$∏ j = 1 M k f Ω j, k$ ，其中 $f Ω j, k = p (a 0, j, k = 0 \| Ω j, k) a 0, j, k = 0 p (a 0, j, k = 1 \| Ω j, k) a 0, j, k = 1$

表 1

图 1

表 2

表 3

表 4

图 2

图 3

图 4

图 5

图 6

图 7

表 5

图 8

图 9

图 10

图 11

图 12

表 6

图 13

图 14

参考文献 38

[1]	GROSSI E， LOPS M， VENTURINO L. A novel dynamic programming algorithm for track-before-detect in radar systems［J］. IEEE Transactions on Signal Processing， 2013， 61（10）： 2608-2619.
[2]	邹鲲，廖桂生，李军，等. 非高斯杂波下知识辅助检测器敏感性分析［J］. 电子与信息学报， 2014， 36（1）： 181-186.
	ZOU K， LIAO G S， LI J， et al. Sensitivity analysis of knowledge aided detector in non-Gaussian clutter［J］. Journal of Electronics & Information Technology， 2014， 36（1）： 181-186 （in Chinese）.
[3]	卢术平，宋海洋，易伟，等. 基于雷达知识库的知识辅助恒虚警检测算法［J］. 现代雷达， 2017， 39（6）： 46-49， 58.
	LU S P， SONG H Y， YI W， et al. Knowledge-aided CFAR algorithm based on radar knowledge base［J］. Modern Radar， 2017， 39（6）： 46-49， 58 （in Chinese）.
[4]	刘红亮，周生华，刘宏伟，等. 一种航迹恒虚警的目标检测跟踪一体化算法［J］. 电子与信息学报， 2016， 38（5）： 1072-1078.
	LIU H L， ZHOU S H， LIU H W， et al. An integrated target detection and tracking algorithm with constant track false alarm rate［J］. Journal of Electronics & Information Technology， 2016， 38（5）： 1072-1078 （in Chinese）.
[5]	鲁瑞莲. 基于信息辅助的雷达检测跟踪一体化方法研究［D］. 西安：西安电子科技大学， 2018.
	LU R L. Study of information aided radar detection and tracking coprocessing［D］. Xi’an： Xidian University， 2018 （in Chinese）.
[6]	ZHAO H， SHAO X W， KATABIRA K， et al. Joint tracking and classification of moving objects at intersection using a single-row laser range scanner［C］∥2006 IEEE Intelligent Transportation Systems Conference. Piscataway： IEEE Press， 2006： 287-294.
[7]	BAE S H. Survey of amplitude-aided multi-target tracking methods［J］. IET Radar， Sonar & Navigation， 2019， 13（2）： 243-253.
[8]	ZHANG C， MU Y X， XIA Z H， et al. Feature extraction for moving targets based on the statistical characteristics of echo amplitude with the L-band fully polarimetric radar［J］. Remote Sensing， 2023， 15（1）： 80.
[9]	ZHONG J S， LUO Y T， ZHANG Y， et al. A novel approach to maneuvering target tracking based on random motion model using random Kalman filtering［C］∥International Conference on Signal Processing and Communication Security （ICSPCS 2022）. Washington， D.C.：SPIE， 2022： 22.
[10]	刘红亮，陈超，岳凯. 基于跟踪信息的多帧联合检测方法［J］. 系统工程与电子技术， 2021， 43（8）： 2124-2128.
	LIU H L， CHEN C， YUE K. Multi-frame joint detection method based on tracking information［J］. Systems Engineering and Electronics， 2021， 43（8）： 2124-2128 （in Chinese）.
[11]	GUAN Y S， WANG Y P. Joint detection and tracking scheme for target tracking in moving platform［C］∥2020 IEEE Radar Conference （RadarConf20）. Piscataway： IEEE Press， 2020： 1-4.
[12]	孙伟峰，李小彤，纪永刚，等. 基于检测-跟踪联动的紧凑型高频地波雷达弱目标自适应检测方法［J］. 电子与信息学报， 2023， 45（8）： 2955-2964.
	SUN W F， LI X T， JI Y G， et al. An adaptive weak target detection method using joint detection and tracking for compact high frequency surface ware radar［J］. Journal of Electronics & Information Technology， 2023， 45（8）： 2955-2964 （in Chinese）.
[13]	YANG W， FU Y W， LONG J Q， et al. Joint detection， tracking， and classification of multiple targets in clutter using the PHD filter［J］. IEEE Transactions on Aerospace and Electronic Systems， 2012， 48（4）： 3594-3609.
[14]	RICHARDS M A， SCHEER J A， HOLM W A. Principles of modern radar： Basic principles［M］. London： Institution of Engineering and Technology， 2010.
[15]	LI Y G， ZHANG G F， DOVIAK R J. Ground clutter detection using the statistical properties of signals received with a polarimetric radar［J］. IEEE Transactions on Signal Processing， 2014， 62（3）： 597-606.
[16]	SHI S N， LIANG X， SHUI P L， et al. Low-velocity small target detection with Doppler-guided retrospective filter in high-resolution radar at fast scan mode［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（11）： 8937-8953.
[17]	SHUI P L， GUO Z X， SHI S N. Feature-compression-based detection of sea-surface small targets［J］. IEEE Access， 2019， 8： 8371-8385.
[18]	GAO C， YAN J K， PENG X J， et al. Signal structure information-based target detection with a fully convolutional network［J］. Information Sciences， 2021， 576： 345-354.
[19]	BAR-SHALOM Y， KIRUBARAJAN T， GOKBERK C. Tracking with classification-aided multiframe data association［J］. IEEE Transactions on Aerospace and Electronic Systems， 2005， 41（3）： 868-878.
[20]	BAI X L， WANG Z F， PAN Q， et al. Classification-aided robust multiple target tracking using neural enhanced message passing［J］. IEEE Transactions on Aerospace and Electronic Systems， 2025， 61（2）： 3882-3903.
[21]	WEN L W， DING J S， XU Z. Multiframe detection of sea-surface small target using deep convolutional neural network［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 60： 5107116.
[22]	ZAECH J N， LINIGER A， DAI D X， et al. Learnable online graph representations for 3D multi-object tracking［J］. IEEE Robotics and Automation Letters， 2022， 7（2）： 5103-5110.
[23]	LUNA E， SANMIGUEL J C， MARTÍNEZ J M， et al. Graph neural networks for cross-camera data association［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2023， 33（2）： 589-601.
[24]	WANG Z H， LI Z Y， LENG J X， et al. Multiple pedestrian tracking with graph attention map on urban road scene［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（8）： 8567-8579.
[25]	TEDESCHINI B C， BRAMBILLA M， BARBIERI L， et al. Cooperative lidar sensing for pedestrian detection： Data association based on message passing neural networks［J］. IEEE Transactions on Signal Processing， 2023， 71： 3028-3042.
[26]	JOHNSON M J， DUVENAUD D， WILTSCHKO A B， et al. Composing graphical models with neural networks for structured representations and fast inference［C］∥Proceedings of the 30th International Conference on Neural Information Processing Systems. New York： ACM， 2016： 2954-2962.
[27]	KUCK J， CHAKRABORTY S， TANG H， et al. Belief propagation neural networks［C］∥Proceedings of the 34th International Conference on Neural Information Processing Systems. New York： ACM， 2020： 667-678.
[28]	SATORRAS V G， AKATA Z， WELLING M. Combining generative and discriminative models for hybrid inference［C］∥Proceedings of the 33rd International Conference on Neural Information Processing Systems. New York： ACM， 2019： 13820-13830.
[29]	SATORRAS V G， WELLING M. Neural enhanced belief propagation on factor graphs［C］∥International Conference on Artificial Intelligence and Statistics.， 2020
[30]	SHAFER G. A Mathematical Theory of Evidence［M］. Princeton： Princeton University Press， 1976.
[31]	何友，修建娟，关欣，等. 雷达数据处理及应用［M］. 3版. 北京：电子工业出版社， 2013.
	HE Y， XIU J J， GUAN X. Radar data processing with applications［M］. 3rd ed. Beijing： Publishing House of Electronics Industry， 2013 （in Chinese）.
[32]	卜月华，王维凡，吕新忠. 图论及其应用［M］. 2版. 南京：东南大学出版社， 2015.
	BU Y H， WANG W F， LV X Z. Graph theory and its application［M］. 2nd ed. Nanjing： Southeast University Press， 2015 （in Chinese）.
[33]	梁建. 高频地波雷达目标二维CFAR检测及软件实现［D］. 青岛：中国海洋大学， 2014.
	LIANG J. Target CFAR detection method and software implementation with two-dimension data for HFSWR［D］. Qingdao： Ocean University of China， 2014 （in Chinese）.
[34]	OH S， RUSSELL S， SASTRY S. Markov chain Monte Carlo data association for multi-target tracking［J］. IEEE Transactions on Automatic Control， 2009， 54（3）： 481-497.
[35]	DE WIND H J， CILLIERS J E， HERSELMAN P L. DataWare： Sea clutter and small boat radar reflectivity databases［J］. IEEE Signal Processing Magazine， 2010， 27（2）： 145-148.
[36]	BAKKER R， CURRIE B. The McMaster IPIX radar sea clutter database［EB/OL］. （2023-11-01）［2024-11-01］. .
[37]	WENG X S， WANG J R， HELD D， et al. 3D multi-object tracking： A baseline and new evaluation metrics［C］∥2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Piscataway： IEEE Press， 2020： 10359-10366.
[38]	SCHUHMACHER D， VO B T， VO B N. A consistent metric for performance evaluation of multi-object filters［J］. IEEE Transactions on Signal Processing， 2008， 56（8）： 3447-3457.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

网络结构	作用
Conv.（8，（2，2），（0，1），（1，2））	特征提取
Batch normalization（8）， ReLU
MaxPooling（2，2）
Conv.（16，（2，2），（0，1），（1，2））
Batch normalization（8），ReLU
MaxPooling（2，2）
Conv.（32，（2，2），（0，1），（1，2））
Batch normalization（8），ReLU
MaxPooling（2，2）
Flatten layer
Linear（64，8），Sigmoid

网络结构	作用
Linear（9，8），ReLu	量测分类
Linear（8，4），ReLu
Linear（4，1），Sigmoid

雷达参数	CSIR数据集	IPIX数据集
中心频率/GHz	9	9.39
工作模式	驻留模式	驻留模式
脉冲重复频率/kHz	5	1

雷达参数	CIATDT方法	CFAR+NEMP方法
ATMR	0.975	0.768
AMOTA	0.864	0.767
RMSE-R	4.261	4.934
RMSE-V	0.046	0.044
MOSPA	5.512	5.704

雷达参数	CIATDT方法	CFAR+NEMP方法
ATMR	0.967	0.467
AMOTA	0.804	0.750
RMSE-R	4.561	5.034
RMSE-V	0.032	0.029
MOSPA	5.635	5.644

分类信息辅助的自适应检测与跟踪方法

Classification information-assisted adaptive target detection and tracking method

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 38

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郑礼雄, 陈喆, 王鑫, 招启军. 融合数据自适应BPNN的倾转旋翼机回转颤振边界预测[J]. 航空学报, 2025, 46(S1): 732159-732159.
[2]	贺炅, 任斌武, 杜思亮, 徐尤松, 王博. 基于ADRC-RBF倾转四旋翼无人机姿态自适应控制[J]. 航空学报, 2025, 46(S1): 732189-732189.
[3]	章涛, 李攀, 王梓旭, 朱振华. 面向直升机姿态控制的强化学习奖励函数设计[J]. 航空学报, 2025, 46(S1): 732184-732184.
[4]	寇容海, 李文博, 党庆庆, 谢进进. 数据与模型驱动的航天器姿态控制系统故障诊断[J]. 航空学报, 2025, 46(S1): 732259-732259.
[5]	陈海鹏, 符文星, 闫杰. 基于AGABP神经网络的运载火箭推力偏移损失故障在线诊断[J]. 航空学报, 2025, 46(8): 231148-231148.
[6]	陈谋, 黄正国, 申耀华, 刘凡. 先进飞行器复合抗干扰控制技术综述[J]. 航空学报, 2025, 46(6): 531303-531303.
[7]	杨智春, 杨特. 动载荷识别物理嵌入式神经网络模型与方法[J]. 航空学报, 2025, 46(5): 531450-531450.
[8]	丁奇帅, 雷帮军, 吴正平. 基于孪生网络的轻量型无人机单目标跟踪算法[J]. 航空学报, 2025, 46(4): 330925-330925.
[9]	王磊, 叶秋炫, 张劲. 联合小波变换与深度卷积神经网络的测距仪频谱感知方法[J]. 航空学报, 2025, 46(24): 332044-332044.
[10]	荣尔超, 张钰迎, 梁峻宁, 吕熙敏. 基于神经网络气动NMPC的尾座式VTOL无人机轨迹跟踪控制[J]. 航空学报, 2025, 46(24): 331995-331995.
[11]	高栋, 赖普坚, 王世磊, 程塨. 基于特征协同重构的RGB-T无人机目标跟踪[J]. 航空学报, 2025, 46(23): 632017-632017.
[12]	逯宇斌, 聂小华, 吴振. 基于可解释性机器学习算法的碳纤维增强复合材料剩余刚度预测方法[J]. 航空学报, 2025, 46(21): 532249-532249.
[13]	樊佳坤, 艾俊强, 董宁娟, 徐家宽, 乔磊, 白俊强. 基于卷积神经网络的超声速后掠翼横流驻波转捩预测方法[J]. 航空学报, 2025, 46(20): 532012-532012.
[14]	王雨桐, 罗骁, 刘红阳, 宋超, 赵莹, 周铸. 基于多保真深度神经网络的超声速客机声爆预测[J]. 航空学报, 2025, 46(20): 531936-531936.
[15]	赵辰豪, 吴德伟, 何晶, 吴倩. 一种无人机视觉位姿估计的语义特征匹配算法[J]. 航空学报, 2025, 46(2): 330406-330406.