突破传统，深海“寻宝”新利器，水下多目标声呐跟踪跟踪方法
水下多目标无源跟踪以无源声呐探测结果为输入来估计目标数目和目标状态, 并维持航迹的连续性。对于宽带目标方位估计，阵列采集的原始数据通常通过快速傅里叶变换划分到不同的频率子带，每个子带信号均满足窄带信号条件，利用方位估计算法获得各子带空间谱，将各子带空间谱累加可得到宽带空间谱。
在实际环境中，无源声呐受到海洋环境噪声等因素的影响，目标信号和背景噪声在不同频率子带的功率谱密度各不相同，弱目标在不同子带的检测结果差异较大。此时, 将各子带空间谱累加会将原本可检测到目标的子带信号淹没，导致方位估计结果中存在大量的虚警或漏检, 致使跟踪算法出现严重的性能退化。
水下多目标跟踪方法可以分为两类。第一类是传统的数据关联方法, 如多假设跟踪(MHT)和联合概率数据关联(JPDA)。由于这类方法需要将测量值与目标进行关联, 因此其计算量随着测量值和目标数的增加而增大。第二类是基于随机有限集(RFS)理论的多目标跟踪方法，包括概率假设密度(PHD)滤波器和广义标签多伯努利(GLMB)滤波器等。这类方法避免了测量值与目标之间直接关联，在降低计算量的同时实现了对目标的跟踪。
在基于RFS理论的跟踪算法中，尽管PHD滤波器具有最低的计算复杂度, 但是其运算过程中的多重积分由于没有闭式解而限制了PHD滤波器在实际工程领域的应用。为此，在线性高斯模型的假设条件下推导了PHD滤波器的闭式解，即高斯混合概率假设密度(GM-PHD)滤波器。由于GM-PHD滤波器具有提取目标状态稳定的优势，因此被广泛用于解决水下多目标跟踪问题。
针对目标信号和背景噪声功率谱密度起伏场景, 研究提出一种基于GM-PHD滤波器的子带融合跟踪方法, 以实现对水下宽带弱目标的有效跟踪。该方法将密度聚类算法(DBSCAN)嵌入GM-PHD滤波器, 实现对新生目标强度的自适应估计。利用改进的GM-PHD滤波器跟踪各子带输出的方位估计结果, 同一目标在不同子带的跟踪结果采用GCI准则进行加权融合, 得到综合利用各子带信息的处理结果。
该方法可以有效提高目标信号和背景噪声功率谱密度起伏场景下的弱目标跟踪能力和目标数目估计准确度。
参考文献：梁国龙, 张博宇, 齐滨, 郝宇, 杜致尧, 李想. 无源声呐水下多目标融合跟踪方法[J]. 声学学报, 2024, 49(3): 501-512. DOI: 10.12395/0371-0025.2022188
一、什么是无源声呐和有源声呐？
无源声呐 和 有源声呐 是两种不同的声呐系统，它们的工作原理和应用场景有所不同。
1、无源声呐就像是一个“耳朵”，它被动地接收水下目标发出的声波信号，比如船舶的螺旋桨噪声、鱼类的生物声等。通过分析这些声信号的频率、强度和方向，可以确定目标的类型、位置和运动状态。
他的特点是隐蔽性强，由于不主动发射声波，不易被对方察觉，适合用于侦察和监视；探测距离较远， 可以探测到很远距离的目标；信息量丰富： 通过分析声信号，可以获取目标的多种信息。他的局限性是需要目标产生噪声， 如果目标不产生噪声，无源声呐就无法探测到；受环境噪声影响较大， 海洋环境中的噪声会干扰信号的接收和处理。
2、有源声呐就像一个“声呐”，它主动向水中发射声波，然后接收声波遇到物体反射回来的回波。通过测量声波的发射和接收时间，可以计算出目标的距离；通过分析回波的特征，可以确定目标的类型和大小。
他的特点是探测距离近，探测精度高， 可以获得目标的精确位置和形状信息。他的局限性是易被对方发现， 发射的声波容易被对方探测到，暴露自身位置；易受环境干扰： 海水中的杂质、温度变化等都会影响声波的传播。
无源声呐 更适合用于远距离、隐蔽的探测，如潜艇的侦察和监视。有源声呐 更适合用于近距离、精确的探测，如鱼群探测、海底地形测量。在实际应用中，无源声呐和有源声呐往往结合起来使用，以发挥各自的优势，提高探测的可靠性和准确性。
二、为什么需要多目标融合跟踪？
单目标跟踪虽然可以对单个目标进行持续追踪，但在实际应用中，我们往往需要同时追踪多个目标。多目标融合跟踪 就是为了解决这种需求而发展起来的技术。
1、单目标跟踪算法的劣势：
单目标跟踪算法只能处理一个目标，当场景中出现多个目标时，算法就会失效或产生错误的跟踪结果。当多个目标发生遮挡时，单目标跟踪算法很难区分出被遮挡的目标，导致跟踪失败。目标的外观会随着光照条件、视角变化等因素发生变化，单目标跟踪算法难以适应这种变化，导致跟踪精度下降。当目标突然出现或消失时，单目标跟踪算法很难及时响应，导致跟踪中断。
2、多目标融合跟踪的优势
可以同时对多个目标进行跟踪，满足实际应用的需求。通过数据关联和特征匹配等技术，可以有效地处理目标遮挡问题。 通过引入外观模型和运动模型，可以提高算法对目标外观变化的适应性。通过引入目标检测和数据关联，可以实现对目标的实时检测和跟踪。
但， 如何将不同帧中检测到的目标正确地关联起来，是多目标跟踪的核心问题。如何提取有效的目标特征，以区分不同的目标，是提高跟踪准确性的关键。如何设计高效、鲁棒的跟踪算法，以适应复杂的场景和多样的目标，是一个挑战。
总结来说，多目标融合跟踪技术通过将多个目标的跟踪信息进行融合，克服了单目标跟踪的局限性，使得在复杂场景下对多个目标进行实时、准确的跟踪成为可能。
三、什么是高斯混合概率假设密度滤波器（GMM-PHD）？
高斯混合概率假设密度滤波器（Gaussian Mixture Probability Hypothesis Density Filter，GMM-PHD）是一种用于多目标跟踪的贝叶斯滤波器。它通过估计目标状态的概率假设密度（Probability Hypothesis Density, PHD）来实现对多个目标的跟踪。
PHD可以理解为一个函数，它描述了目标在状态空间中存在的概率密度。换句话说，PHD告诉我们，在某个特定的状态下，存在目标的概率有多大。
高斯混合则是一种将复杂的概率分布表示为多个高斯分布的线性组合的方法。在GMM-PHD中，我们用多个高斯分布来近似目标状态的PHD。
GMM-PHD在跟踪算法中，能够同时估计场景中多个目标的数量和状态，而不需要事先知道目标的数量；可以自适应地处理目标的出生和死亡事件，例如，当一个新目标进入跟踪区域时，GMM-PHD能够自动检测到并开始跟踪；对目标的遮挡和分裂有一定的鲁棒性。当目标发生遮挡或分裂时，GMM-PHD能够通过调整高斯混合成分来适应这种变化；能够有效地抑制杂波的影响，提高跟踪的准确性。
GMM-PHD滤波器主要包括两个步骤：
- 预测： 根据上一时刻的目标状态估计，预测当前时刻的目标状态。
- 更新： 将当前时刻的测量数据与预测结果进行比较，更新目标状态的估计。
在预测和更新的过程中，GMM-PHD会不断地调整高斯混合成分的数量和参数，以适应目标状态的变化。
（1）GMM-PHD的优点
- 处理多目标的能力强： 能够同时跟踪多个目标，且对目标数量没有限制。
- 对目标的出生、死亡、遮挡和分裂有较好的鲁棒性。
- 能够处理杂波。
- 数学框架严谨，具有较好的理论基础。
（2）GMM-PHD的缺点
- 计算复杂度较高： 随着目标数量的增加，计算量会急剧增加。
- 对模型的准确性要求较高： 模型参数的设置对跟踪性能有较大的影响。
总之，GMM-PHD是一种非常强大的多目标跟踪算法，在许多领域都有广泛的应用。
四、什么是广义协方差交集准则？
广义协方差交集准则是一种信息融合方法，它通过最小化融合后估计的协方差矩阵来实现不同信息源的融合。在多传感器融合或者多目标跟踪中，GCI常被用来融合不同传感器或不同滤波器产生的估计。
其核心思想是协方差矩阵反映了随机变量之间的相关性以及变量的分散程度。协方差矩阵越小，表示估计的置信度越高。GCI通过寻找多个估计的协方差矩阵的“交集”来获得一个新的协方差矩阵。这个交集表示一个最保守的估计，即融合后的估计不比任何一个原始估计更不确定。
在无源声呐系统中，不同频带（子带）的信号包含了目标的不同特征。GCI可以通过以下方式融合不同子带的信息：
- 将每个子带的估计表示为一个高斯分布： 每个子带的估计都可以用一个均值向量和协方差矩阵来表示。
- 计算各子带估计的协方差矩阵的加权和： 不同子带的估计可能具有不同的可靠性，因此需要给它们赋予不同的权重。权重的大小通常与信噪比、估计的不确定性等因素有关。
- 最小化融合后估计的协方差矩阵： 通过求解一个优化问题，找到一个使得融合后估计的协方差矩阵最小的解。这个解就是融合后的估计。
GCI在无源声呐中具有很多优势，它可以 通过融合多个子带的信息，可以提高目标位置和速度的估计精度；融合后的估计的协方差矩阵较小，表示估计的置信度更高。GCI可以通过给不同子带的估计赋予不同的权重来处理信噪比差异的问题。但GCI也有其局限性，GCI是一种保守的融合方法，融合后的估计可能过于保守，导致估计精度有所损失；当融合的子带数量较多时，计算复杂度会增加。
广义协方差交集准则是一种有效的信息融合方法，它通过最小化融合后估计的协方差矩阵来实现不同信息源的融合。在无源声呐系统中，GCI可以帮助融合不同子带的信息，提高目标跟踪的精度和可靠性。
那这项研究有什么创新之处呢？
申明：内容来源于海洋资源ocean-resource创作，未经允许，不得转载，海洋资源ocean-resource保留追究法律责任的权利。