机动目标的检测方法外文翻译.docVIP

机动目标的检测方法 ——基于提升小波变换算法 摘 要 信号——由各种不同的频率组成的，利用小波变换有效地去除噪声可以分解成不同的频率域。小波提升算法具有某些优势，如简单计算，编程简易，测试速度快。一个基于提升小波变换算法的快捷机动检测方法被提出了。多分辨率测量数据可以通过提升小波变换算法获得，这种算法有简单容易，检测延迟，探测概率高的优势。一个五层提升小波分解的框架被用于目标的运动轨迹，测量时输出的多分辨率数据是用来更新目标状态多模式交互算法的。仿真结果表明，该算法能提取强噪声的机动的目标情况，并清楚地显示机动时刻。跟踪性能得到改善。 关键词——机动检测，小波提升变换，目标跟踪 一、介绍 在这个机动目标跟踪过程中，机动目标的一个重要因素导致跟踪性能的下降，可通过及时有效地检测目标机动的那一刻得到改善。机动检测传统算法使得总体误差概率为最小值，根据噪声和信号的概率分布，通过选择合理的方法检测阈值。但选择的阈值会导致失败报警率上升。应用多种办法对目标机动进行检测。通过把测量数据的分解成较低分辨率水平和应用低通滤波特性的小波变换的性质有效的去除噪声。所以目标运动轨迹可以清楚地观察到，更好的检测效果可以被获得。但是这个方法必须把观测数据分解成低清晰度的水平，以便检测机动时刻，然后跟踪确保这一机动时刻发生。由于其复杂的计算和机动检测延迟长，当模型不能及时更换时它可能导致目标跟踪失败。 提升小波变换算法指导了小波过滤器的领空方面，同时克服了它的传统依赖性。该算法简单且容易进行快速算法。(它的速度是传统小波变换的两倍)。反演变换具有了同样的复杂性和积极的转变。变换信号可以有随机的长度(不需要一定是2n)，甚至初始的计算也是被允许的，所以计算机的记忆可以保存。很容易被延伸到整数变换，和提供了一种精确的计算。这也更容易构建非线性小波变换融合算法。在本文中，提升小波快速算法应用于机动检测和五层框架小波提升分解被用于目标运动轨迹。输出数据被用于更新交互多模型算法的目标状态。仿真结果表明，该算法能够从强噪声的情况下获得机动目标，清楚的显示机动时刻,因此跟踪性能可以得到明显的改善。 二、机动检测 传统的机动目标跟踪算法主要基于卡尔曼滤波理论，和他们的性能很大程度上取决于准确的描绘目标运动状态。由于目标的状态模型和它的实际模型相匹配，所以目标检测可以精确地得到。但是一旦模型不匹配，目标跟踪就会失败。这种算法对总误差的最小化是有必要的。根据噪声和信号的概率分布噪音，通过定期选择合理的检测阈值。因此及时正确地检测机动，及时改变目标模型是机动目标跟踪的关键因素。 三、小波提升变换算法 有三个步骤提升小波变换融合算法：分离，预测和更新。在离散情况下，给定一个数据a0，通过一个完整的水平的提升的过程将被分解成两个部分：比例系数a1和小波系数d1。 第一步是分离：分离的过程是把a0分解为a1和d1。 有下面一些方法： 1)定义奇数点为a1和偶数点为d1。 2)分配前半部分数据到a1，再后半部分数据到d1。 3)分配的两个相近数据为a1，不同的数据为d1。 第二步是预测。预测的过程就是首先去除冗余，然后再去除更多严格的数据。预测的目的就是通过a1预测d1及形成新的预测误差d1，比如， d1?d1?P(a1) (1) 在这里,P是预测操作数，这是一个固定的操作形式，其是一种无关色数据集。 当原始d1可以全部由a1预测，预测操作数P是一种理想的预测，新d1是全零序列。但是理想预测并不存在。如果原始d1和a1有很多相关性，d1可以预测低能量的部分。 第三步是更新。更新的过程是保持a0的整个特征，它是过去的系数的子集an定义一个标量数量操作数Q(ai)和计算一些整体序列变量,如平均价值。 Q(a1) ??Q(a0) (2) 为了配合单一、反演变换，定义一个操作数U,然后更新到U(d1)。过程更新的可以描述为： （3） 正如上面所提到的，每种水平的提升是由三个步骤组成的。分离的过程可以被看作如下: （4） 这个过程的反过程是： （5） 因此,这种分解模式符合离散小波的模式。分解序列的演示模式更紧了。分离模式和预测实施要选择不同的过滤装置。提升和反演的过程展现在图1。结果表明，只有N点乘法是必须的。对于N点乘法用提升小波变换算法，而对于2N乘法用Mallat乘法算法。所以操作量可以减少一半。 传统的小波变换是在实数领域的变换，也就是说，预先分析的