基于HRRP辅助分类的多目标跟踪在空间雷达网络中的应用：一种增强的混合MF-BP方法

《Aerospace》：Multi-Target Tracking with HRRP-Aided Classification for Space-Based Radar Networks: An Enhanced Hybrid MF-BP Approach

　　

摘要

在密集杂波和复杂场景中，基于空间的雷达多目标跟踪的数据关联是一个重大挑战，这通常会导致跟踪错误和目标丢失。本文提出了一种基于分类的消息传递算法（CA-MP-SBRs），该算法采用混合平均场和信念传播（MF-BP）框架，并结合目标分类信息进行增强。我们利用高分辨率距离剖面（HRRP）数据，通过卷积神经网络（CNN）对目标进行分类。然后将分类结果无缝集成到MF-BP框架中，以共同推断目标运动状态、可见性状态、数据关联和类别索引。仿真结果表明，结合基于HRRP的分类可以提高数据关联的可靠性和跟踪精度。具体而言，与基于分类的高斯混合概率假设密度算法（CA-GM-PHD）相比，所提出的CA-MP-SBRs将平均均方根误差（RMSE）、最优子模式分配（OSPA）和广义最优子模式分配（GOSPA）分别降低了33.4%、31.7%和32.1%；而与基于分类的标记多伯努利跟踪算法（CA-LMB-SBRs）相比，相应的降低幅度分别为23.2%、25.6%和30.3%。这些结果证实了CA-MP-SBRs在密集目标场景中跟踪多种类型目标的有效性。