低空目標的雷達/可見光協(xié)同監(jiān)視跟蹤方法研究

張雅雯，胡士強

上海交通大學航空航天學院，上海200240

低空目標的雷達/可見光協(xié)同監(jiān)視跟蹤方法研究

張雅雯，胡士強

上海交通大學航空航天學院，上海200240

CNKI網(wǎng)絡(luò)出版：2017-03-22,http://kns.cnki.net/kcms/detail/11.2127.TP.20170322.1923.018.html

1 引言

近年來，隨著無人機的續(xù)航能力的迅速提升和飛行范圍的不斷擴大，特別是旋翼無人機的快速發(fā)展，其在各個領(lǐng)域的普及性和應(yīng)用范圍越來越多，同時對空中交通管理機制和空域安全問題也提出了更迫切的要求[1]。考慮到未來通用航空空域開放和無人機低空飛行偵查等任務(wù)需求，本文重點研究低空空域的有效監(jiān)視和低空目標的持續(xù)跟蹤。

由于低空空域中存在背景環(huán)境雜波干擾，導致單雷達低空監(jiān)視存在一定的難度，回波信息中混雜大量干擾信息[2]，無法獲取跟蹤目標的準確信息，無人機飛行狀態(tài)和飛行路徑及其安全性無法判斷。而多傳感器融合跟蹤的深入研究隨著可見光傳感器技術(shù)的發(fā)展，目前的可見光傳感器在低空可以獲得目標的高分辨率清晰圖像信息，相比較傳統(tǒng)的紅外成像具有更多的研究價值。雷達目標跟蹤是基于點目標的量測信息進行濾波跟蹤，而可見光傳感器進行的圖像跟蹤，是基于圖像匹配度的區(qū)域跟蹤。因此，本文基于跟蹤-學習-檢測算法框架[3]，利用雷達作為主跟蹤器，可見光傳感器作為檢測器，引入PN學習過程和交互多模型算法，在離目標距離較遠時，根據(jù)雷達系統(tǒng)的量測信息作為主跟蹤信息來引導可見光傳感器對目標進行識別與學習，且目標落在可見光傳感器檢測的視角內(nèi)；當目標距離較近時，發(fā)揮可見光傳感器對近距離目標跟蹤監(jiān)測精確度高的優(yōu)勢，將可見光傳感器獲得的信息作為狀態(tài)量測反饋給雷達系統(tǒng)，使其在復雜環(huán)境下仍能實現(xiàn)抗干擾的目標跟蹤，提高了整個目標跟蹤監(jiān)視算法的可靠性和魯棒性。

2 低空空域監(jiān)視

在軍民用領(lǐng)域，空域監(jiān)視與目標跟蹤一直是最重要的研究部分。雷達是目標跟蹤識別領(lǐng)域的重要傳感器，其電磁輻射具有較強的可靠性，但由于低空空域中電磁環(huán)境復雜，雜波信噪比較強時會嚴重影響雷達的對運動目標的檢測能力[2]。廣播式自動相關(guān)監(jiān)視系統(tǒng)（ADS-B）雖然在低空空域監(jiān)視上能達到較好的精度要求，提高了空中交通監(jiān)控管理的水平[4]。但由于系統(tǒng)基站選址要求多，國產(chǎn)設(shè)備研發(fā)緩慢而進口設(shè)備價格昂貴和良好運行需要依賴配套電子設(shè)備等問題，大規(guī)模的裝備ADS-B系統(tǒng)目前具有很大的局限性。所以國際上飛機位置實時可信監(jiān)視系統(tǒng)的研究還是以融合雷達跟蹤技術(shù)的協(xié)同式空域監(jiān)視為主[5]。

多傳感器融合跟蹤算法一直是目標跟蹤的研究重點，相比較紅外成像系統(tǒng)，可見光傳感器的去噪能力和成像能力都較強，可以提供目標更加清晰的圖像信息且不易受電磁波干擾。文獻[6]提出的紅外與激光、脈沖雷達的融合跟蹤算法，相比較單雷達系統(tǒng)能得到更精確的目標跟蹤信息。文獻[7]的紅外/雷達跟蹤算法易造成融合置信度達到跟蹤門限值的情況，造成系統(tǒng)誤差較大。而可見光傳感器能提供高精度二維圖像信息，可以通過與雷達數(shù)據(jù)的時空配準，將精度更高的量測信息反饋給雷達跟蹤器，提高跟蹤的準確性。所以本文融合圖像檢測跟蹤，對進入視頻監(jiān)控區(qū)域的待跟蹤目標進行特征提取，根據(jù)空域監(jiān)管要求，搜尋重要跟蹤目標的詳細信息，提高復雜環(huán)境下的目標跟蹤的可靠性。

針對低空空域的多目標場景，對于遠程距離目標，圖像中的像素面積過小，近似為點目標，則以雷達跟蹤為主，引導可見光傳感器使目標在視頻檢測范圍內(nèi)，并給雷達提供較為精確的量測數(shù)據(jù)。而對于中近程距離目標，則設(shè)置跟蹤閾值，啟動圖像檢測跟蹤對目標進行特征提取，并對多個目標進行篩選。選擇重點跟蹤目標后，將其雷達跟蹤器與圖像檢測器提供的狀態(tài)信息同時輸入學習分類器進行樣本訓練，提高跟蹤精度，保障低空空域的安全性。系統(tǒng)工作邏輯流程圖如圖1所示。

圖1 空域目標監(jiān)視跟蹤算法流程圖

3 目標跟蹤算法

目標跟蹤算法種類繁多，且在不斷地更新優(yōu)化，但基本可分為以下兩大類：第一類是針對點目標的，以卡爾曼濾波和粒子濾波為代表的基于濾波和數(shù)據(jù)關(guān)聯(lián)的跟蹤方法，通過目標當前時刻的量測數(shù)據(jù)，通過濾波對下一時刻的狀態(tài)進行預測并更新當前狀態(tài)，實現(xiàn)跟蹤[8]；第二類是針對圖像目標，以背景建模法、光流法和Meanshift算法為代表的，根據(jù)目標特性建立模型，通過定位當前一幀圖像中與目標參考模型相似度最高的區(qū)域，將其作為下一幀預測目標的搜索中心，在一定范圍內(nèi)檢測，實現(xiàn)目標的跟蹤[9]。本文提出的協(xié)同監(jiān)視跟蹤方法是同時利用這兩大分類，發(fā)揮各自的優(yōu)勢實現(xiàn)更加魯棒、準確的跟蹤系統(tǒng)。

3.1 雷達跟蹤器

雷達目標跟蹤的濾波算法中卡爾曼濾波和粒子濾波是最具有代表性的，都是基于點目標的量測信息進行濾波，同時預測下一時刻目標的位置來實現(xiàn)跟蹤?？柭鼮V波是一種解決狀態(tài)最優(yōu)估計的遞歸算法，僅考慮前一時刻的狀態(tài)信息即可通過濾波更新當前狀態(tài)并預測下一時刻的狀態(tài)，該跟蹤算法的特點是計算量小，具有較好的實時性。不敏卡爾曼濾波（UKF）是對非線性系統(tǒng)進行狀態(tài)估計，通過選取附帶權(quán)值Wi的采樣點χi，利用權(quán)重值進行非線性變換來替代卡爾曼濾波中的狀態(tài)向量的估計值[9-11]。通常采用比例采樣方法獲得的2n+1個sigma點及權(quán)重的表達式為：

其中，κ是一個自由調(diào)整的尺度函數(shù)，表達式：

該值通常為一個小于1的常數(shù)，用于決定sigma樣點與均值間ˉ的距離；μ是輔助尺度因子；為矩陣方根的第i列；分別是計算均值和協(xié)方差矩陣時的權(quán)值，假設(shè)xi服從高斯分布。而一種自適應(yīng)的UKF濾波算法對過程噪聲未知的系統(tǒng)表現(xiàn)出更好的濾波跟蹤效果，如文獻[10]在濾波預測更新時加入了對濾波發(fā)散的判斷過程，判別表達式為：

和Qk可由Sage-Husa估計器進行優(yōu)化統(tǒng)計特性，表達式為：

若判斷式不成立，即濾波出現(xiàn)發(fā)散時，則引入自適應(yīng)加權(quán)系數(shù)λk，根據(jù)文獻[10]提供的衰減因子計算公式修正Pk|k。自適應(yīng)UKF已被驗證對突變狀態(tài)系統(tǒng)有較強的跟蹤能力，能通過修正估計噪聲來抑制濾波發(fā)散，提高了濾波模型的準確性和可靠性。針對本文的低空空域場景，空域中雜波較多且復雜，目標的系統(tǒng)噪聲未知，改進的濾波算法更能體現(xiàn)出其優(yōu)勢，能一定程度上減少噪聲突變產(chǎn)生的特性統(tǒng)計估計誤差，從而提高系統(tǒng)跟蹤能力。

自適應(yīng)UKF算法過程：

（1）計算采樣點：

（2）sigma點的進一步預測：

（3）狀態(tài)預測：

（4）sigma點的量測預測：

（5）狀態(tài)預測：

（6）發(fā)散判斷，若發(fā)散則修正，否則進入下一步

（7）更新過程：

（8）估計系統(tǒng)噪聲統(tǒng)計特性，同公式（5）、（6）。

考慮空域目標的多種運動狀態(tài)，本文結(jié)合交互式多模型（IMM）對系統(tǒng)進行建模[11]，假設(shè)目標狀態(tài)向量為，分別是量測數(shù)據(jù)坐標的位置速度和加速度信息。選取常速度（CV）、常加速度（CA）和常轉(zhuǎn)彎率（CT）三種運動模型，三維狀態(tài)方程可表示為：

其中，F(xiàn)i為第i運動模型的狀態(tài)矩陣，ω是轉(zhuǎn)彎角速率。

3.2 可見光傳感器檢測

多傳感器目標跟蹤中，紅外因其測角精度高等優(yōu)勢，一直被認為是與雷達融合跟蹤的理想選擇。但可見光傳感器能提供更精確的圖像信息，具有更可靠的目標檢測能力。文獻[12]使用CCD攝像頭和雷達模塊組裝的目標識別跟蹤器，經(jīng)過坐標對應(yīng)性匹配得到混合量測后進行卡爾曼濾波跟蹤，針對近距離，機動性不強的目標表現(xiàn)出較好的跟蹤結(jié)果。文獻[13]中通過從圖像中提取目標的姿態(tài)作為額外屬性信息進行數(shù)據(jù)關(guān)聯(lián)融合跟蹤，得到較好的跟蹤效果，研究重點是數(shù)據(jù)融合，對目標圖像信息未能有效利用。由于對低空空域監(jiān)視管理的迫切要求，跟蹤系統(tǒng)要能對空域目標的安全性進行判斷，特別是無反饋機動飛行器的“敵我性”，那么有效地提取“危險”目標圖像特征信息是很有必要的。

本文提出的低空空域監(jiān)視算法同樣屬于多傳感器協(xié)同融合跟蹤，該算法根據(jù)目標距離遠近，采用不同的跟蹤模式，間接減小了融合跟蹤的復雜度。對于遠距離目標，可見光傳感器提供與雷達量測相同的，但精度更高的目標的二維狀態(tài)信息，并反饋給雷達濾波跟蹤。而對于中近程目標，可見光傳感器提供目標的二維圖像，將其圖像特征作為目標特征屬性，輸入分類器進行目標篩選。為保障空域安全性，可以通過目標的圖像特征匹配確定“敵我性”，一旦發(fā)現(xiàn)可疑目標出現(xiàn)在近地區(qū)域，即啟動視頻跟蹤器進行重點跟蹤。Kalal提出的TLD算法是近年來跟蹤效果較好的算法之一，其跟蹤器部分是基于光流法實現(xiàn)的，即利用運動圖像序列中，強度數(shù)據(jù)在前后幀的時域變化的相關(guān)性來確定的[3]。由于背景天空和目標無人機的灰度梯度相差較大，故圖像檢測跟蹤也采用TLD的跟蹤算法。

3.3 PN學習算法

PN學習是通過結(jié)構(gòu)化的未標記樣本屬性的在線學習來提升系統(tǒng)分類性能的算法，通過PN約束鑒別分類器判斷的樣本是否與約束假設(shè)相一致。其中P約束是減少錯誤被標記為負的正樣本，N約束是減少錯誤被標記為正的負樣本[14]。本文提出低空空域協(xié)同監(jiān)視跟蹤系統(tǒng)，也是基于PN學習算法，對兩個傳感器的量測數(shù)據(jù)進行正負樣本訓練。

本文中的PN約束首先要根據(jù)k時刻的跟蹤器的目標狀態(tài)信息中的距離特征進行判斷，設(shè)定一個跟蹤閾值α。當目標距離值大于該閾值時，判斷為遠距離點目標，雷達跟蹤目標的量測結(jié)果輸入學習器作為“正”樣本。同時，將該目標位置為中心，半徑為r的區(qū)域定為目標候選區(qū)，獲取可見光傳感器對該區(qū)域的檢測結(jié)果根據(jù)P約束將目標精確的位置信息標記為“正”樣本更新樣本集，根據(jù)N約束將區(qū)域外的虛檢目標信息作為“負”樣本。當k時刻目標距離值小于跟蹤閾值時，將圖像檢測器提取的目標圖像灰度值，作為目標特征屬性進行特相似度閾值匹配。定義跟蹤目標的haar-like特征值為，相似度閾值為β，根據(jù)P約束將相似度大于該閾值的目標的可見光傳感器的量測結(jié)果輸入學習器作為“正”樣本，根據(jù)N約束將小于該閾值的目標雷達跟蹤器結(jié)果標記為“負”樣本，輸入到學習器更新樣本集。最后，輸入“正”樣本的三維量測結(jié)果作為k時刻的狀態(tài)信息進行濾波跟蹤。本文在采用Adaboost分類器，將傳感器得到的當前時刻的目標信息，包括目標距離和haar-like灰度特征相似度，作為目標量測的特征屬性進行分類，實現(xiàn)更精確的跟蹤系統(tǒng)。PN算法偽代碼流程圖如下：

Input：

k時刻目標估計狀態(tài)Xk,樣本訓練集Ak

4 量測數(shù)據(jù)處理

4.1 量測數(shù)據(jù)分類

由于圖像傳感器是針對一定成像面積大小的目標對象進行的識別和跟蹤，而當目標距離較遠時，像素面積很小，相當于點目標。由經(jīng)驗閾值相關(guān)資料發(fā)現(xiàn)若雷達測得目標距離為16 km，可見光傳感器無法識別目標對象，導致目標跟蹤漂移或是量測數(shù)據(jù)不夠準確[15]。而當目標距離較近時，雷達跟蹤出現(xiàn)目標信噪比低，強雜波干擾影響等問題，而可見光傳感器可發(fā)揮其目標檢測實時性好，精確度高的優(yōu)勢。

4.2 時空配準

由于雷達系統(tǒng)的作用距離遠大于圖像識別系統(tǒng)的作用距離，而可見光傳感器的回波頻率要高于雷達回波信息的頻率，傳輸數(shù)據(jù)率高，在連續(xù)兩組雷達量測數(shù)據(jù)間，會提供多幅圖像數(shù)據(jù)[13]。為使雷達跟蹤部分和可見光目標檢測部分的數(shù)據(jù)輸入給學習部分時，同一時刻提供的某目標的量測值統(tǒng)一，需要對兩個傳感器在時間序列上進行配準。對于空間配準的處理，采用將雷達和可見光傳感器放置在同一平臺上，獲取兩種傳感器探測范圍的重疊區(qū)的數(shù)據(jù)，如圖2所示。

圖2 雷達與可見光傳感器的空間配準

5 仿真實驗

5.1 仿真實驗條件

為簡便實驗，假設(shè)雷達/可見光協(xié)同監(jiān)視系統(tǒng)的兩個傳感器都布置于坐標原點，設(shè)機動目標在三維空間的初始位置為（10 000，2 000，6 000）（單位：m），由遠距離機動靠近傳感器，且始終處于監(jiān)視區(qū)域。設(shè)空域中目標正在執(zhí)行巡視搜查任務(wù)，使仿真實驗具有較高真實性：首先目標先以30 m/s的速度勻速飛行進入監(jiān)視區(qū)域；然后由于任務(wù)需要，做勻速圓周運動，轉(zhuǎn)速率為0.01 rad/s；接著在空中周旋監(jiān)視，以蛇形運動30 s后再轉(zhuǎn)彎回頭，轉(zhuǎn)速率為0.06 rad/s；緊接著以20 m/s2的加速度俯沖拉升至近地面約2 400 m高度，繼續(xù)以30 m/s速度勻速向傳感器靠近飛行。目標真實運動軌跡如圖3所示。

圖3 目標的運動軌跡

圖4 不同濾波算法的目標xyz軸的RMSE結(jié)果

圖5 不同濾波算法的目標方位角、俯仰角和距離誤差結(jié)果

圖6 不同融合算法的目標xyz軸的RMSE結(jié)果

圖7 不同融合算法的目標方位角、俯仰角和距離誤差結(jié)果

5.2 仿真實驗結(jié)果

根據(jù)圖4～7兩組實驗結(jié)果圖，并結(jié)合表1的目標的xyz位置的誤差精度結(jié)果可以發(fā)現(xiàn)，本文提出的雷達跟蹤與圖像檢測結(jié)合的目標監(jiān)視跟蹤系統(tǒng)，并采用改進的自適應(yīng)UKF濾波算法表現(xiàn)出較好的跟蹤效果，能實現(xiàn)低空空域目標的有效監(jiān)視。從圖4、5和表1的數(shù)據(jù)可以看出，相較于傳統(tǒng)的無跡卡爾曼濾波，本文中改進的算法具有更高的精確度，特別是z軸的位置誤差，精度提高了一倍以上。傳統(tǒng)的UKF隨著實驗時間的增加，目標位置誤差和方位角、俯仰角和距離誤差都呈現(xiàn)明顯的發(fā)散趨勢，整體波形較為不穩(wěn)定，而本文算法的目標位置誤差發(fā)散趨勢不明顯，角度距離誤差小且保持收斂趨勢。因為系統(tǒng)噪聲發(fā)生變化時，本文算法中的自適應(yīng)無跡卡爾曼濾波對量測的修正與噪聲的優(yōu)化估計過程，使監(jiān)視跟蹤算法表現(xiàn)出較好的系統(tǒng)魯棒性。從圖6，7和表1的數(shù)據(jù)可以看出，與傳統(tǒng)的紅外/雷達融合跟蹤算法相比，機動目標的跟蹤結(jié)果都呈現(xiàn)一定的收斂趨勢，但本文提出的方法系統(tǒng)誤差更小，精度更高，收斂速度較快。由于本次仿真中運動目標在z軸上加速俯沖拉伸，出現(xiàn)了強機動性，所以同樣濾波算法下不同跟蹤方法的xy軸位置精度優(yōu)化效果更明顯，而同樣的跟蹤方法不同的濾波算法的z軸位置精度優(yōu)化效果更突出。通過仿真實驗，本文提出的協(xié)同監(jiān)視跟蹤算法明顯提高了跟蹤精度和增強了系統(tǒng)穩(wěn)定性，實現(xiàn)了低空空域目標的有效跟蹤。

圖8 目標真實運動軌跡與濾波預測軌跡

表1不同跟蹤算法的目標位置誤差的平均精度m

6 結(jié)束語

本文基于TLD的架構(gòu)，提出的結(jié)合雷達作為主跟蹤器，可見光圖像檢測器和學習器三部分的協(xié)同監(jiān)視跟蹤算法，經(jīng)過數(shù)據(jù)仿真實驗驗證了其可靠性和準確性。該算法是通過在線學習部分，實現(xiàn)雷達數(shù)據(jù)與可見光傳感器數(shù)據(jù)的相互反饋與信息更新，提高了空域中目標跟蹤的精確度。算法結(jié)合了點目標跟蹤與圖像跟蹤各自的優(yōu)勢，其中雷達的目標識別跟蹤解決了單純圖像目標在遠距離時成像模糊等問題，可見光傳感器的圖像檢測解決了近距離目標受低空空域雜波干擾大，造成目標跟蹤結(jié)果誤差較大的問題。本文提出的多傳感器融合協(xié)同跟蹤算法是間接降低了異類數(shù)據(jù)融合的復雜度，相比較紅外/雷達融合的跟蹤算法，明顯提高了目標跟蹤結(jié)果的準確性，并利用改進的自適應(yīng)無跡卡爾曼濾波算法對噪聲優(yōu)化估計的特點，提高了跟蹤系統(tǒng)的魯棒性，實現(xiàn)了低空空域目標的有效監(jiān)視跟蹤。

[1] 高萍，王古常，鄭幸，等.無人機空域飛行的現(xiàn)狀及發(fā)展趨勢[C]//第五屆中國無人機大會論文集：飛行控制及空域管理，2014，5：627-630.

[2] 李彬彬，馮新喜，王朝英，等.雜波環(huán)境下多被動傳感器單目標跟蹤算法[J].電光與控制，2012，19（8）：11-14.

[3] Kalal Z，Mikolajczyk K，Matas J.Tracking-Learning-Detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（7）：1409-1422.

[4] 楊榮盛.低空空域監(jiān)視對策研究[D].四川廣漢：中國民用航空飛行學院，2011.

[5] 張軍.空域監(jiān)視技術(shù)的新進展及應(yīng)用[J].航空學報，2011，32（1）：1-14.

[6] 朱安福，景占榮.多傳感器信息融合的目標跟蹤研究[J].計算機工程與應(yīng)用，2009，45（25）：7-9.

[7] 倪龍強，高社生，孟祥欣，等.一種紅外與雷達信息融合跟蹤算法及其性能分析[J].火炮發(fā)射與控制學報，2014，35（4）：44-48.

[8] 孫福明.機動目標跟蹤狀態(tài)估計與數(shù)據(jù)關(guān)聯(lián)技術(shù)的研究[D].合肥：中國科學技術(shù)大學，2007.

[9] 許曉航.復雜背景下空面目標視頻跟蹤方法及實驗系統(tǒng)研究[D].上海：上海交通大學，2013.

[10] 石勇，韓崇昭.自適應(yīng)UKF算法在目標跟蹤中的應(yīng)用[J].自動化學報，2011，37（6）：755-759.

[11] 王曉東，賈繼鵬.一種基于IMMPDA-UKF的機動目標跟蹤算法[J].電子測量技術(shù)，2014，37（10）：5-8.

[12] Du Y K，Jeo M.Data fusion of radar and image measurements for multi-object tracking via Kalman filtering[J].Information Sciences，2014，278：641-652.

[13] Alouani A T，Shetty S.A multi-sensor tracking system with an image-based maneuver detector[C]//American Control Conference，1996：167-181.

[14] Kalal Z，Matas J，Mikolajczyk K.P-N learning：bootstrapping binary classifiers by structural constraints[C]//IEEE Conference on Computer Vision and Pattern Recognition，2010：49-56.

[15] 侯志強，李鴻艷，韓崇昭，等.基于雷達與圖像信息融合的目標跟蹤仿真研究[J].系統(tǒng)仿真學報，2004，16（8）：1831-1834.

ZHANG Yawen,HU Shiqiang.Research on radar/visible light surveillance and tracking methods of target in lowaltitude airspace.Computer Engineering andApplications,2018,54（6）：234-240.

ZHANG Yawen,HU Shiqiang

School ofAeronautics andAstronautics,Shanghai Jiao Tong University,Shanghai 200240,China

With the great development of general aviation and rotor unmanned aerial vehicle,the urgent need is to guarantee the safety of airspace monitoring and management.Since radar has a wide tracking-blind area in low-airspace,radar echo will be disturbed easily by cluster waves which result in exception of the target information gathering.Large-scale arrangement of ADS-B system also has a limitation,thus research on low-airspace surveillance and management has been a hot topic nowadays.Here,a radar/visible light monitoring and tracking method is proposed,which targeting the rotorcraft in low-altitude airspace.Based on the framework of Tracking-Learning-Detecting（TLD）,the radar is set as main tracker and visible light sensor as detector.Measurement model switching and data online update can be completed through interactive multi-model method and PN-learning process,while making the target state information and monitoring/tracking system more accurate.The availability has been verified by results of numerical simulation.

airspace surveillance;radar;visible light sensor;Tracking-Learning-Detecting（TLD）;target tracking

近年來，隨著通用航空和旋翼無人機的飛速發(fā)展，對相關(guān)空域的安全性監(jiān)視與管理提出了迫切要求。由于雷達在低空空域存在探測盲區(qū)，極易受到雜波干擾，無法準確獲取目標信息，而ADS-B系統(tǒng)大規(guī)模布設(shè)存在局限性，低空空域的有效監(jiān)視與管理成為研究的熱點。研究了一種低空目標的雷達/可見光協(xié)同監(jiān)視跟蹤方法，該方法基于跟蹤-學習-檢測（TLD）架構(gòu)，將雷達作為主跟蹤器，可見光傳感器作為檢測器，通過交互多模型算法和學習器實現(xiàn)量測模型切換和數(shù)據(jù)在線更新，從而獲取更準確的目標狀態(tài)信息，實現(xiàn)低空空域更精確的監(jiān)視和目標跟蹤，數(shù)據(jù)仿真說明了該方法的有效性。

空域監(jiān)視；雷達；可見光傳感器；跟蹤-學習-檢測；協(xié)同跟蹤

2016-10-13

2017-01-04

1002-8331（2018）06-0234-07

A

TN953

10.3778/j.issn.1002-8331.1610-0149

航空科學基金（No.20142057006）。

張雅雯（1991—），女，碩士研究生，主要研究方向：目標跟蹤與信息融合，E-mail：zhimeyw@aliyun.com；胡士強（1969—），男，教授，博士生導師，主要研究方向：信息融合技術(shù)，圖像理解與分析研究。