一、无人机MiniSAR成像特性与多目标跟踪难点分析
1. 无人机MiniSAR成像基本原理
MiniSAR属于侧视合成孔径雷达，无人机沿航迹方向飞行，雷达发射线性调频信号，接收地面场景回波信号。利用平台运动构建虚拟合成孔径，对回波进行距离向脉冲压缩、方位向相干积累，得到二维SAR图像。图像每个像素的灰度值对应场景单元的雷达后向散射系数。对于地面运动目标，目标自身存在径向速度，会造成回波多普勒中心偏移，在SAR图像上表现为方位向位置偏移、图像散焦。运动目标不会出现在真实地理坐标位置，这是SAR动目标区别于静态地物的核心特征。而无人机平台本身不是理想匀速直线运动载体，多旋翼无人机受气流影响存在俯仰、滚转、偏航抖动，小型固定翼存在航迹扰动，会引入额外相位误差，进一步加剧目标散焦、几何畸变，给目标量测提取带来误差。
2. 无人机MiniSAR多目标跟踪核心难点
（1）地杂波背景强，虚警点数量高
地面草地、岩石、建筑棱角都具备较强雷达散射特性，形成大量杂波点。MiniSAR发射功率有限，回波信噪比偏低，恒虚警检测会提取大量杂波虚警点迹混入目标量测集合。虚警过多会显著提升数据关联计算量，容易将杂波误判为目标，生成虚假轨迹。
（2）运动目标成像畸变，外观特征不稳定
运动目标在SAR图像上发生方位偏移与散焦，目标散射轮廓会随目标运动速度、无人机飞行姿态发生变化，不存在稳定外观特征。可见光跟踪常用的颜色、纹理特征完全失效，仅依靠点迹位置信息做关联，密集目标场景极易发生ID混淆。
（3）无人机平台运动扰动引入量测偏差
惯性导航设备存在定位误差，无人机姿态抖动带来成像几何形变，使得检测得到的目标像素坐标转换到大地坐标系时带有系统性误差。传统跟踪算法假设量测噪声服从固定高斯分布，无法适配时变量测误差，造成滤波估计漂移。
（4）目标密集与短暂遮挡导致轨迹断裂
当多个运动目标空间距离接近，或者目标被建筑物、树林短暂遮挡时，MiniSAR回波信号减弱，目标发生漏检。传统轨迹管理机制在连续少量漏检后直接终止轨迹，造成目标轨迹碎片化。
（5）机载嵌入式算力约束
无人机机载处理单元算力有限，复杂深度学习模型、高复杂度关联算法难以满足实时处理要求，算法优化必须兼顾跟踪性能与计算开销。
二、MiniSAR多目标跟踪算法优化设计
本文优化算法整体框架分为四个模块：MiniSAR图像预处理与杂波抑制模块、动目标检测与量测提取模块、改进运动模型与滤波估计模块、自适应数据关联与轨迹管理模块。整体流程：对MiniSAR原始图像序列做杂波抑制，降低虚警；检测模块提取候选目标点迹；利用改进运动模型预测目标状态；采用自适应数据关联匹配量测与已有轨迹；最后由轨迹管理模块完成轨迹新增、维持、删除。
1. 基于图像域的地杂波抑制优化
传统方案直接对原始SAR图像做恒虚警检测，杂波散射点大量保留。本文在检测前增加杂波背景估计与背景差分优化处理。利用MiniSAR连续图像序列中静态地物散射特性稳定，运动目标位置随帧变化的特点，构建场景杂波背景图。选取连续多帧无目标区域图像估计杂波统计分布，对图像进行归一化处理，抑制静态强散射杂波。同时采用单元平均恒虚警（CA-CFAR）结合有序统计恒虚警（OS-CFAR）混合检测策略。在均匀杂波区域采用CA-CFAR，计算速度快；杂波边缘、建筑周边不均匀区域切换OS-CFAR，减少杂波边缘虚警。该方案相比单一CFAR，在控制计算量前提下降低杂波虚警率，减少后续跟踪模块输入的虚假点迹。
2. 适配无人机扰动的目标运动模型改进
经典卡尔曼滤波多采用匀速模型（CV）或者匀加速模型（CA），假设目标运动状态平稳，量测噪声为固定参数高斯噪声。但无人机姿态扰动带来时变的量测误差，固定噪声协方差矩阵无法适配。本文采用自适应噪声协方差卡尔曼滤波，对量测噪声矩阵进行实时更新。提取无人机惯导输出的姿态角、飞行速度、位置误差参数，建立姿态误差与MiniSAR图像地理坐标转换误差的映射关系。将无人机平台扰动参数作为输入，实时调整卡尔曼滤波R矩阵（量测噪声协方差）。当无人机姿态抖动剧烈时，自动增大量测噪声权重，降低当前帧量测对状态更新的影响；飞行平稳时减小噪声权重，信任量测信息。该改进能够有效抑制平台扰动带来的状态估计漂移，提升目标位置预测精度。
目标状态向量定义：
x = [x, ẋ, y, ẏ]^T
其中 (x, y) 为目标大地坐标，ẋ, ẏ 为目标二维速度。状态转移矩阵采用匀速模型，适配地面车辆、人员等低速运动目标场景。
3. 改进自适应数据关联算法
多目标跟踪核心难点是数据关联，即把当前帧检测点迹和已有轨迹进行匹配。传统最近邻法（NN）计算简单，但密集目标场景匹配错误率高；联合概率数据关联（JPDA）性能好，但计算复杂度随目标数量指数上升，不适合机载实时运算。本文设计阈值自适应的概率数据关联优化算法。
（1）构建关联门限，利用卡尔曼预测值建立椭圆关联波门，仅落入波门内的候选点参与关联计算，筛除无关点迹，减少计算量。关联波门大小不是固定值，根据目标预测不确定度自适应调整：当目标长时间稳定跟踪，预测不确定性低，缩小波门；目标存在漏检、平台扰动大时，扩大关联波门。
（2）对波门内多个候选量测计算关联概率，对有效量测加权更新目标状态，舍弃低概率虚警点。相比JPDA，本文算法不枚举所有目标-量测组合假设，降低计算开销；相比最近邻算法，能够处理一个轨迹对应多个候选点的模糊情况，显著减少密集目标下ID切换问题。
4. 轨迹管理策略优化
轨迹管理负责新轨迹初始化、轨迹维持、轨迹删除。传统策略：连续多帧无匹配量测直接删除轨迹，造成目标短暂遮挡、漏检时轨迹中断。优化轨迹管理规则如下：（1）轨迹初始化：连续2帧检测到匹配点迹，才确认生成有效轨迹；单帧孤立点直接判定为虚警，避免杂波生成虚假轨迹。
（2）轨迹维持：设置允许漏检帧数阈值，当目标发生短暂漏检，不立即删除轨迹，依靠运动模型继续预测目标状态，保留轨迹；若后续帧重新检测到目标，则恢复轨迹关联。
（3）轨迹销毁：连续超过设定阈值帧数无匹配量测，判定目标离开观测区域或者消失，删除轨迹，释放存储资源。
同时增加轨迹质量评分机制，对每条轨迹实时计算置信度，综合关联概率、目标散射特征相似度、连续跟踪帧数得到轨迹分数。低分轨迹优先进行剔除，进一步抑制虚假轨迹存续。
5. 轻量化特征辅助关联
MiniSAR图像目标无光学纹理，但运动目标后向散射强度具备一定稳定性。提取候选目标单元平均后向散射系数作为一维特征，作为位置关联之外的辅助判别条件。当两个目标位置邻近、关联概率接近时，利用散射系数相似度辅助判断，减少身份混淆。该特征提取计算开销极低，不会给机载嵌入式系统带来较大算力负担。三、算法验证与结果分析
1. 数据集构建
本文采用两组数据开展验证：（1）第一组为基于MiniSAR回波仿真生成的图像序列，模拟无人机存在姿态抖动，场景包含地杂波、5个低速运动目标，目标存在近距离交汇场景；
（2）第二组为小型固定翼无人机搭载MiniSAR外场实测图像序列，监测区域为城郊道路，包含车辆目标与建筑、树木杂波。
对比算法选取：传统CA-CFAR+最近邻跟踪算法、标准JPDA卡尔曼跟踪算法。评价指标选取：多目标跟踪准确率MOTA、多目标跟踪精确率MOTP、ID切换次数、轨迹断裂次数、单帧平均处理耗时。
2. 仿真实验结果分析
仿真场景下，传统最近邻算法MOTA为62.7%，ID切换次数21次，密集目标交汇时大量轨迹断裂；标准JPDA算法MOTA达到78.4%，跟踪效果提升，但单帧计算耗时高，难以满足无人机实时处理。本文优化算法MOTA达到86.1%，ID切换次数下降至6次，轨迹断裂显著减少；同时通过关联波门筛选简化计算，单帧运算耗时远低于JPDA，兼顾跟踪性能与实时性。仿真结果表明：
（1）杂波抑制模块有效降低虚警量测；
（2）自适应噪声卡尔曼滤波能够抵抗无人机姿态扰动带来的量测偏差；
（3）改进概率数据关联在目标近距离交汇场景下，有效降低目标身份混淆。
3. 实测MiniSAR图像序列验证
实测场景杂波分布不均匀，建筑强散射点多，目标信噪比低于仿真数据。传统最近邻算法产生大量虚假轨迹，MOTA仅54.3%。优化算法经过杂波预处理，虚警点大幅减少，MOTA提升至77.2%。在目标被树木短暂遮挡场景，依靠轨迹维持机制，未发生轨迹丢失；无人机飞行扰动阶段，目标位置估计误差保持稳定，没有出现跟踪漂移。实测数据同时暴露算法局限性：
（1）当目标长时间完全遮蔽、目标径向速度过大造成目标严重散焦时，仍然会出现目标丢失；
（2）当大量目标高度密集重叠，散射特征混叠，关联性能会出现下降。
针对无人机载MiniSAR平台，本文分析MiniSAR成像特点以及多目标跟踪面临的强地杂波、平台姿态扰动、目标成像畸变、算力受限等难点，完成一套完整的多目标跟踪算法优化方案。算法从杂波预处理、自适应噪声卡尔曼滤波、轻量化概率数据关联、改进轨迹管理四个层面优化，引入目标后向散射系数作为辅助关联特征。
MiniSAR聚焦于微型合成孔径雷达（SAR）制造研发，为用户提供定制化机载SAR、轻型MiniSAR、无人机载MiniSAR、SAR数据采集服务、SAR飞行服务等。如您有相关业务需求，欢迎联系！