基于时空特征融合与注意力机制的多目标航迹预测算法

来源：信号处理杂志 2025年第11期北京时间：

作者：朱进, 张向荣, 刘希龙, 谢家强, 刘龙

摘要：在雷达多目标跟踪中，运动模型的鲁棒性将直接影响最终的跟踪性能。随着跟踪环境的日益复杂，弱约束非合作目标跟踪易出现目标相互遮挡、量测丢失、目标运动路径无约束等预测难点。针对弱约束非合作目标的运动模型构建问题，本文提出了RPN-AT-ConvLSTMT（Region Proposal Net-attention-ConvLSTM-Transformer）时空特征提取预测网络。首先，使用协方差和均值将一维雷达量测扩展到二维概率假设密度（Probability Hypothesis Density， PHD）图，实现对目标存在区域的概率化表征。其次，针对多目标跟踪的搜索区域大的问题，对图像进行多尺度特征变换、重点区域标注等预处理操作，确定跟踪的局部范围或者搜索区域以减少网络对于非相关区域的关注度。进一步地，设计一种基于区域建议网络（Region Proposal Network， RPN）的改进型多头注意力机制，通过高斯分布特性、目标运动先验及交互关系动态重构注意力权重矩阵，保证全局与局部之间的动态平衡，提高注意力机制对于存在目标区域或目标运动区域的关注度，利用Transformer编码器的并行化架构实现时空特征的深度融合与高效传递。最后，使用反向传播（Back Propagation，BP）神经网络提取出预测PHD图的高斯分布均值和协方差，完成目标状态估计。消融实验验证了注意力机制与时空融合模块的有效性。多目标跟踪仿真结果表明，在遮挡与量测丢失场景下，所提算法相较于卷积长短时记忆网络（Convolutional Long Short-Term Memory，ConvLSTM）显著提升了跟踪精度，为弱约束非合作目标跟踪提供了高鲁棒性解决方案。

关键词：雷达目标跟踪, 概率假设密度图, 卷积长短时记忆网络, 时空序列特征