CN102568004A - 一种高机动目标跟踪算法 - Google Patents
一种高机动目标跟踪算法 Download PDFInfo
- Publication number
- CN102568004A CN102568004A CN2011104334224A CN201110433422A CN102568004A CN 102568004 A CN102568004 A CN 102568004A CN 2011104334224 A CN2011104334224 A CN 2011104334224A CN 201110433422 A CN201110433422 A CN 201110433422A CN 102568004 A CN102568004 A CN 102568004A
- Authority
- CN
- China
- Prior art keywords
- model
- algorithm
- target
- imm
- filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种高机动目标跟踪算法。在有色噪声条件下建立目标运动模型和观测模型,采用基于交互多模算法(IMM)的卡尔曼滤波器对机动目标进行跟踪,并且在IMM算法中将加速度自适应调整的“当前”统计模型与CV、CA模型相结合,改善整体IMM算法性能,利用隐含在当前量测中的系统模式信息,在线实时计算马尔科夫转移概率,从而获得较准确的后验估计,提高模型融合的精度。
Description
技术领域
本发明涉及信息技术领域,可用于在军事和民用领域中对高机动目标的实时跟踪中,特别涉及一种高机动目标跟踪算法。
背景技术
在军事和民用领域,譬如反导和空中交通管制中,可靠而精确的跟踪目标始终是目标跟踪系统设计的主要目的。机动目标的跟踪问题一直是人们研究的重点,实现机动目标精确跟踪,首要解决的问题就是使所建立的目标运动模型与实际的目标运动模型匹配。
在机动目标模型的建立过程中,探测器所得到的机动目标的运动状态存在着误差并且还存在一些不可预测的情况,如主观操作及周围环境的变化等因素,因此需要在机动目标模型中引入状态噪声和观测噪声,其中,引入的观测噪声与所采用探测器的精度有一定的关系,观测噪声可以通过大量的实验得到其统计特性,然而,状态噪声的统计特性则较难进行准确的估计,这需要进行人为的假设。例如,如果目标作匀速直线运动,可假设此时其状态噪声为服从零均值白色高斯分布。但上述假设对做非匀速直线机动的目标则不尽合理。机动目标跟踪基本原理如图1所示。
经过国内外学者几十年来的不断研究,提出了很多的目标模型和跟踪算法,归纳起来主要有以下几种:针对匀速直线运动的CV模型和针对匀加速度运动的CA模型是时常系统下提出的机动目标模型,这两种模型是最早也是比较简单和常见的两种运动模型,同时这两种模型还具有计算简单的优点,但是适用性较差,尤其是在目标的机动性能不断增强和机动方式多样性不断的增多的今天;七十年代R. A. Singer提出了零均值、一阶时间相关的机动加速度模型(Singer模型),机动加速度模型将目标的机动加速度表示为随机状态噪声驱动的结果,与CV/CA模型不同,机动加速度模型用有色噪声而不是用白噪声描述机动控制项更加的切合实际。但机动加速度模型也存在一些局限性,它只适用于等速至等加速范围内的目标运动,如果目标的机动性能超过这个范围,此时采用这种模型将引起较大的模型误差,从而使目标的跟踪性能降低,周宏仁教授于八十年代提出了机动目标的“当前”统计(CS)模型,“当前”统计模型与Singer模型相比主要做了两方面的改进,首先增加了加速度的均值项,其次目标机动加速度的统计特性采用修正的瑞利-马尔科夫过程描述,与Singer模型相比,“当前”统计模型考虑到当前时刻的具体机动,目标机动范围和强度变化得到更加真实地反映,比较适合于目标的机动实际;1984-1989年Blom和 Bar-Shalom提出了交互式多模型(IMM)算法,该算法具有Markov转移概率,交互式多模型算法中有多个模型并行工作,多个滤波器交互作用得到目标状态估计的结果,由于该算法达到全面自适应的能力,是一种比较理想的算法;1997年,机动目标的Jerk模型被K.Mehrotra和P.R.Mahapatra等人提出。借助于Singer模型思想,Jerk模型假设目标Jerk服从零均值、平稳的一阶时间相关过程,而且时间相关函数为指数衰减形式,与Singer相比,该模型在状态向量中增加了目标的加速度变化率(Jerk),Jerk模型是现在已知的模型阶数较高也是比较精确的模型;近年来,还有一些基于不敏kalman滤波、粒子滤波等非线性滤波的机动目标跟踪算法相继被很多学者提出,这些方法不受线性误差或高斯噪声的假定限制,但计算量比较大;此外为了克服单一模型的不足,还有很多学者提出了一些改进的 、滤波算法以及一些多种方法的组合算法。
Singer模型提出比较早,但对强机动目标的跟踪效果相对较差。与Singer模型相比,“当前”统计模型不仅能够实时地正确估计目标状态,计算量相差不大,并且不存在估计修正和时间滞后问题,由于它依赖于目标的机动频率和最大加速度等相关因素,限制了它的使用范围。相比之下,虽然Jerk模型仅仅在Singer模型的基础上增加一维向量即加速度变化率(简称Jerk机动),却将目标的加速度引入到模型中,能够更加精确的描述目标的模型,该模型也具有一些不足,在跟踪具有阶跃加速度变化率的目标时,Jerk模型存在稳态确定性误差问题。交互式多模型(IMM)算法是目前较好的目标跟踪算法,具有可调制性,但它也存在一些不足,由于交互式多模型中用到多个并行的Kalman滤波器,跟踪机动性能的提高是以较大的计算资源来换取的;同时由于模型之间的准确转换概率在验前无法获得,IMM算法的使用和跟踪精度也因为事先确定模型之间的转换概率导致受限。
目前尽管在目标跟踪技术领域已经取得了很多的成果,并且已有很多目标跟踪算法已经在工程应用中得到了很好的实现,但是在这些研究成果中,专门研究高机动目标的跟踪算法并不太多。在目前机动目标的速度以及机动性不断的提高的情况下,如何提高机动目标的跟踪性能尤其是如何提高跟踪算法的实时性具有很大的研究价值和现实意义。
在上述方法中,采用交互式多模型(IMM)目标跟踪算法,对机动目标运动状态(如位置、速度及加速度等)进行准确的估计和预测,并具有可调制性,可用于机动目标跟踪。
但是这种技术,由于交互式多模型中用到多个并行的Kalman滤波器,跟踪机动性能的提高是以较大的计算资源来换取的;同时由于模型之间的准确转换概率在验前无法获得,IMM算法的使用和跟踪精度也因为事先确定模型之间的转换概率导致受限。
发明内容
本发明的目的是,在原有技术的基础上,在有色噪声条件下建立目标运动模型和观测模型,采用基于交互多模算法(IMM)的卡尔曼滤波器对机动目标进行跟踪,并且在IMM算法中将加速度自适应调整的“当前”统计模型与CV、CA模型相结合,改善整体IMM算法性能,利用隐含在当前量测中的系统模式信息,在线实时计算马尔科夫转移概率,从而获得较准确的后验估计,提高模型融合的精度。
基于以上阐述,本发明所采用的技术方案是,一种高机动目标跟踪算法,其特征在于步骤如下:
1)建立系统基本运动模型,①根据残差d的变化进行机动辨识或者机动检测,②按照某一逻辑或准则调整滤波增益、协方差矩阵以及未知参数,并且实时辨识出目标机动特性,③由滤波算法得到目标的状态估计值和预测值,从而完成机动目标跟踪功能;
2)量测噪声相关下的卡尔曼滤波器,考虑在量测噪声相关情况下的滤波估计问题,设立
卡尔曼滤波器基本的信号模型是:
3)建立交互多模(IMM)改进算法,
在交互式多模型中第j个模型的系统方程和量测方程:
所述卡尔曼滤波的基本步骤是:
3)计算卡尔曼增益;
4)计算滤波估计;
5)计算滤波误差方差阵。
本发明在原有技术的基础上,在有色噪声条件下建立目标运动模型和观测模型,采用基于交互多模算法(IMM)的卡尔曼滤波器对机动目标进行跟踪,并且在IMM算法中将加速度极值不固定的“当前”统计模型与CV、CA模型相结合,改善整体IMM算法性能,利用隐含在当前量测中的系统模式信息,在线实时计算马尔科夫转移概率,从而获得较准确的后验估计,提高模型融合的精度。
附图说明
图1是机动目标跟踪基本原理图;
图2是本发明的计算滤波估计流程图;
图3 是本发明的Kalman滤波增益和误差方差阵计算流程图;
具体实施方式
以下结合附图和实施例对本发明作进一步说明,参见图2至图4,一种高机动目标跟踪算法,其特征在于步骤如下:
1)建立系统基本运动模型,①根据残差d的变化进行机动辨识或者机动检测,②按照某一逻辑或准则调整滤波增益、协方差矩阵以及未知参数,并且实时辨识出目标机动特性,③由滤波算法得到目标的状态估计值和预测值,从而完成机动目标跟踪功能;
2)量测噪声相关下的卡尔曼滤波器,考虑在量测噪声相关情况下的滤波估计问题,设立
卡尔曼滤波器基本的信号模型是:
观测模型是:
3)建立交互多模(IMM)改进算法,
在交互式多模型中第j个模型的系统方程和量测方程:
卡尔曼滤波的基本步骤是:
3)计算卡尔曼增益;
4)计算滤波估计;
5)计算滤波误差方差阵。
实施例:一种高机动目标跟踪算法,其具体步骤如下:
首先,建立系统基本运动模型。
机动目标跟踪本质上是指借助传感器的量测信息,通过建立准确的机动目标运动模型,对机动目标运动状态(如位置、速度及加速度等)进行准确的估计和预测。机动目标跟踪基本原理框图如图1所示。机动目标跟踪基本要素主要有以下几方面:量测数据的形成与处理、机动目标模型、机动检测与机动辨识、滤波与预测、跟踪坐标系和滤波状态变量的选取。
假设机动目标的运动模式和对目标的观测可用已知的数学模型表示,且假设模型是线性的,则离散时间下其状态方程和量测方程可表示为:
(2)
其中,向量,分别表示k时刻机动目标运动状态、量测量;和是k时刻系统的过程矩阵和量测矩阵,和是k时刻系统的过程噪声和量测噪声,为过程噪声矩阵;d为残差(新息)。由于在机动目标运动过程中目标运动模式具有不确定性,也就是公式(1)及(2)中的矩阵形式和参数,以及过程噪声不能确定。
机动目标跟踪过程本质上是自适应滤波过程。首先根据残差d的变化进行机动辨识或者机动检测,其次按照某一逻辑或准则调整滤波增益、协方差矩阵以及未知参数,并且实时辨识出目标机动特性,最后由滤波算法得到目标的状态估计值和预测值,从而完成机动目标跟踪功能。
针对“当前”统计模型自适应滤波算法中对于加速度极限值预先设定的依赖问题及取固定加速度的不足之处,本发明在“当前”统计模型的基础上,利用速度预测估计和速度滤波估计间的偏差使加速度方差自适应调整。通常对基于“当前”统计模型的自适应滤波算法的更新都是针对其机动加速度方差进行的。
在单个采样周期T内,目标速度变化和加速度变化之间的关系可以用下式表示:
k时刻目标速度估计预测值,作为k-1时刻到k时刻的速度预测估计值,没有考虑k-1时刻到k时刻间加速度扰动对观测值的影响,而考虑了k时刻的观测值,其中包含了k-1时刻到k时刻加速度扰动对观测值的影响,所以k-1时刻到k时刻加速度的扰动增量关系可以近似用目标在k时刻的速度估计值与速度估计预测值间的偏差关系来表示,即
(4)
由于机动加速度协方差与加速度扰动增量的绝对值成线性关系,而加速度增量与速度估计偏差之间在采样时间固定时也存在线性关系,所以机动加速度协方差与速度估计偏差之间也成线性关系,可用下式表示:
(5)
从上式可以看出,当目标机动时,速度估计偏差增大,所以上式中加速度方差也相应增大,从而使滤波增益值变大;当目标没有机动时,速度估计偏差较小,所以上式中的加速度方差也较小,从而滤波增益也不大。因此,式(6)给出的加速度方差公式符合其物理意义。该方法通过自适应调整方差,无需进行机动检测就能较好地反应目标的运动状态,同时不需要先验确定加速度极值,实际应用价值较高。
然后,量测噪声相关下的卡尔曼滤波器。
在带有噪声(加性的背景噪声)的观测数据中进行随机信号本身取值的估计称为波形估计。波形估计所采用的基本方法是线性最小均方估计,实现这一估计的典型滤波器是卡尔曼滤波器。这里考虑在量测噪声相关情况下的滤波估计问题。
卡尔曼滤波器基本的信号模型是
观测模型是
(7)
其中
可化为
其中
卡尔曼滤波的基本步骤如下:
(9)
(10)
(3)计算卡尔曼增益.
(4)计算滤波估计。
(5)计算滤波误差方差阵。
最后,建立交互多模(IMM)改进算法。
假设在交互式多模型中第j个模型的系统方程和量测方程如下所示:
(17)
本发明可能的应用范围:在军事和民用领域对高机动目标的实时跟踪中。
本发明通过对交互式多模型算法中影响跟踪性能的问题分析,提出改进的交互式多模型算法。在有色噪声条件下建立目标运动模型和观测模型,采用基于交互多模算法(IMM)的卡尔曼滤波器对机动目标进行跟踪。在IMM算法中将加速度自适应调整的“当前”统计模型与CV、CA模型相结合,改善整体IMM算法性能;利用隐含在当前量测中的系统模式信息,在线实时计算马尔科夫转移概率,从而获得较准确的后验估计,提高模型融合的精度。
高机动目标的跟踪问题是在目标机动的情况下实现可靠稳定精确的跟踪,随着现代航空航天技术的发展,各种飞行器的机动性能也越来越高。因此,如何提高对机动目标的跟踪性能是目前国内外研究的一个热点与难点问题,迫切需要研究更合理的机动目标模型以及性能更为优越的跟踪滤波方法。
在此背景下,本发明提出一种高机动目标跟踪算法。原有技术主要采用交互式多模型(IMM)目标跟踪算法,对机动目标运动状态(如位置、速度及加速度等)进行准确的估计和预测,并具有可调制性,可用于机动目标跟踪。但是这种技术,由于交互式多模型中用到多个并行的Kalman滤波器,跟踪机动性能的提高是以较大的计算资源来换取的;同时由于模型之间的准确转换概率在验前无法获得,IMM算法的使用和跟踪精度也因为事先确定模型之间的转换概率导致受限。本发明在原有技术的基础上,在有色噪声条件下建立目标运动模型和观测模型,采用基于交互多模算法(IMM)的卡尔曼滤波器对机动目标进行跟踪,并且在IMM算法中将加速度自适应调整的“当前”统计模型与CV、CA模型相结合,改善整体IMM算法性能,利用隐含在当前量测中的系统模式信息,在线实时计算马尔科夫转移概率,从而获得较准确的后验估计,提高模型融合的精度。
综上所述,以上所提出的有色噪声条件下的目标运动模型和观测模型、将加速度自适应调整的“当前”统计模型与CV、CA模型相结合模型、高机动目标自适应多模交互跟踪算法均为本发明的保护范围。
Claims (2)
1.一种高机动目标跟踪算法,其特征在于步骤如下:
1)建立系统基本运动模型,①根据残差d的变化进行机动辨识或者机动检测,②按照某一逻辑或准则调整滤波增益、协方差矩阵以及未知参数,并且实时辨识出目标机动特性,③由滤波算法得到目标的状态估计值和预测值,从而完成机动目标跟踪功能;
2)量测噪声相关下的卡尔曼滤波器,考虑在量测噪声相关情况下的滤波估计问题,设立卡尔曼滤波器基本的信号模型是:
X(k+1)=Φ(k+1,k)X(k)+Γ(k)w(k),Y(k)=C(k)X(k);
观测模型是:Z(k)=Y(k)+v(k);
3)建立交互多模IMM改进算法,
在交互式多模型中第j个模型的系统方程和量测方程:
Xj(k+1)=Φj(k)Xj(k)+Γjwj(k)
Zj(k+1)=Cj(k+1)Xj(k+1)+vj(k+1)
定义k时刻系统的模型状态转移概率矩阵Pij为:
通过以上公式得到修正后包含了更准确的模型概率分布信息的Pij(k+1),对交互多模型算法的交互输入进行调整时,以Pij(k+1)作为下一时刻的模型转移概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104334224A CN102568004A (zh) | 2011-12-22 | 2011-12-22 | 一种高机动目标跟踪算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104334224A CN102568004A (zh) | 2011-12-22 | 2011-12-22 | 一种高机动目标跟踪算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102568004A true CN102568004A (zh) | 2012-07-11 |
Family
ID=46413350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104334224A Pending CN102568004A (zh) | 2011-12-22 | 2011-12-22 | 一种高机动目标跟踪算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102568004A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199022A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 |
CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
CN105372659A (zh) * | 2015-11-20 | 2016-03-02 | 上海无线电设备研究所 | 道路交通监控多目标探测跟踪方法及跟踪系统 |
CN105372651A (zh) * | 2015-11-30 | 2016-03-02 | 西北农林科技大学 | 基于最优ar模型的自适应机动目标跟踪方法 |
CN105510882A (zh) * | 2015-11-27 | 2016-04-20 | 电子科技大学 | 基于目标机动参数估计的快速自适应采样周期跟踪方法 |
CN105719312A (zh) * | 2016-01-19 | 2016-06-29 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
CN105785359A (zh) * | 2016-05-19 | 2016-07-20 | 哈尔滨工业大学 | 一种多约束机动目标跟踪方法 |
CN106054170A (zh) * | 2016-05-19 | 2016-10-26 | 哈尔滨工业大学 | 一种约束条件下的机动目标跟踪方法 |
CN106709939A (zh) * | 2016-12-09 | 2017-05-24 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN104252178B (zh) * | 2014-09-12 | 2017-11-03 | 西安电子科技大学 | 一种基于强机动的目标跟踪方法 |
CN107703496A (zh) * | 2017-10-12 | 2018-02-16 | 桂林电子科技大学 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
CN107832575A (zh) * | 2017-10-10 | 2018-03-23 | 中国航空无线电电子研究所 | 基于伪测量的带反馈机动目标异步航迹融合算法 |
CN107886058A (zh) * | 2017-10-31 | 2018-04-06 | 衢州学院 | 噪声相关的两阶段容积Kalman滤波估计方法及系统 |
CN107885232A (zh) * | 2017-10-23 | 2018-04-06 | 上海机电工程研究所 | 一种用于多策略机动跟踪的滤波方法 |
CN107993257A (zh) * | 2017-12-28 | 2018-05-04 | 中国科学院西安光学精密机械研究所 | 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统 |
CN108226920A (zh) * | 2018-01-09 | 2018-06-29 | 电子科技大学 | 一种基于预测值处理多普勒量测的机动目标跟踪系统及方法 |
CN109687844A (zh) * | 2018-08-17 | 2019-04-26 | 西安理工大学 | 一种智能机动目标跟踪方法 |
CN109990786A (zh) * | 2019-02-28 | 2019-07-09 | 深圳大学 | 机动目标跟踪方法及装置 |
CN110007298A (zh) * | 2018-01-04 | 2019-07-12 | 武汉科技大学 | 一种目标超前预测跟踪方法 |
CN110261859A (zh) * | 2019-06-25 | 2019-09-20 | 北京中科海讯数字科技股份有限公司 | 一种水下机动静止交替状态目标跟踪方法 |
CN110716196A (zh) * | 2019-11-04 | 2020-01-21 | 广东中科四创科技有限公司 | 一种多点低慢小空中目标跟踪临视系统 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及系统 |
CN111157983A (zh) * | 2020-01-06 | 2020-05-15 | 南京鹰目电子科技有限公司 | 一种雷达目标跟踪方法 |
CN111208506A (zh) * | 2020-01-08 | 2020-05-29 | 中国船舶重工集团公司第七二四研究所 | 一种简化的交互式多模型跟踪方法 |
CN113064154A (zh) * | 2021-03-18 | 2021-07-02 | 沈阳理工大学 | 一种空中目标跟踪方法 |
CN113466904A (zh) * | 2021-06-11 | 2021-10-01 | 西安交通大学 | 一种动态干扰源跟踪方法及系统 |
CN113848704A (zh) * | 2021-08-30 | 2021-12-28 | 暨南大学 | 基于二阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质 |
CN114155425A (zh) * | 2021-12-13 | 2022-03-08 | 中国科学院光电技术研究所 | 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 |
CN115048621A (zh) * | 2022-07-08 | 2022-09-13 | 北京航天驭星科技有限公司 | 空间飞行器的跟踪测量方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5325098A (en) * | 1993-06-01 | 1994-06-28 | The United States Of America As Represented By The Secretary Of The Navy | Interacting multiple bias model filter system for tracking maneuvering targets |
US7079991B2 (en) * | 2001-04-20 | 2006-07-18 | Singapore Technologies Aerospace Ltd. | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
CN101299271A (zh) * | 2008-06-12 | 2008-11-05 | 复旦大学 | 一种机动目标状态方程的多项式预测模型及跟踪方法 |
CN101477623A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于模糊推理的交互式多模型方法 |
CN101644758A (zh) * | 2009-02-24 | 2010-02-10 | 中国科学院声学研究所 | 一种目标定位跟踪系统及方法 |
CN101661104A (zh) * | 2009-09-24 | 2010-03-03 | 北京航空航天大学 | 基于雷达/红外量测数据坐标转换的目标跟踪方法 |
CN102043906A (zh) * | 2010-12-15 | 2011-05-04 | 北京航空航天大学 | 一种机动目标跟踪的对角型融合方法 |
-
2011
- 2011-12-22 CN CN2011104334224A patent/CN102568004A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5325098A (en) * | 1993-06-01 | 1994-06-28 | The United States Of America As Represented By The Secretary Of The Navy | Interacting multiple bias model filter system for tracking maneuvering targets |
US7079991B2 (en) * | 2001-04-20 | 2006-07-18 | Singapore Technologies Aerospace Ltd. | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
CN101299271A (zh) * | 2008-06-12 | 2008-11-05 | 复旦大学 | 一种机动目标状态方程的多项式预测模型及跟踪方法 |
CN101477623A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于模糊推理的交互式多模型方法 |
CN101644758A (zh) * | 2009-02-24 | 2010-02-10 | 中国科学院声学研究所 | 一种目标定位跟踪系统及方法 |
CN101661104A (zh) * | 2009-09-24 | 2010-03-03 | 北京航空航天大学 | 基于雷达/红外量测数据坐标转换的目标跟踪方法 |
CN102043906A (zh) * | 2010-12-15 | 2011-05-04 | 北京航空航天大学 | 一种机动目标跟踪的对角型融合方法 |
Non-Patent Citations (6)
Title |
---|
KISHORE MEHROTRA,PRAVAS R.MAHAPATRA: "A Jerk Model for Tracking Highly Maneuvering Targets", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》, vol. 33, no. 4, 31 October 1997 (1997-10-31) * |
吴涛,汪立新,林孝焰: "改进扩展卡尔曼滤波器对机动目标的跟踪定位", 《中国通信学会第五届学术年会论文集》, 1 February 2008 (2008-02-01) * |
杨翠芳,汪圣利,周丰: "基于参数自适应Jerk模型的IMMUKF算法", 《自动化技术与应用》, vol. 29, no. 1, 25 January 2010 (2010-01-25) * |
盛琥,杨景曙,曾芳玲,张帆: "引入输入估计的交互式多模跟踪算法", 《电子学报》, vol. 37, no. 12, 31 December 2009 (2009-12-31) * |
郑黎义,潘旭东,陈兴无,宋海峰: "机动目标跟踪的自适应相互作用多模型算法", 《强激光与粒子束》, vol. 17, no. 9, 30 September 2005 (2005-09-30) * |
郝利超: "模型参数自适应的交互多模强跟踪算法", 《现代防御技术》, vol. 38, no. 2, 30 April 2010 (2010-04-30) * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199022A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 |
CN104252178B (zh) * | 2014-09-12 | 2017-11-03 | 西安电子科技大学 | 一种基于强机动的目标跟踪方法 |
CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
CN104331623B (zh) * | 2014-11-06 | 2017-07-28 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波方法 |
CN105372659A (zh) * | 2015-11-20 | 2016-03-02 | 上海无线电设备研究所 | 道路交通监控多目标探测跟踪方法及跟踪系统 |
CN105510882A (zh) * | 2015-11-27 | 2016-04-20 | 电子科技大学 | 基于目标机动参数估计的快速自适应采样周期跟踪方法 |
CN105510882B (zh) * | 2015-11-27 | 2017-11-17 | 电子科技大学 | 基于目标机动参数估计的快速自适应采样周期跟踪方法 |
CN105372651A (zh) * | 2015-11-30 | 2016-03-02 | 西北农林科技大学 | 基于最优ar模型的自适应机动目标跟踪方法 |
CN105719312B (zh) * | 2016-01-19 | 2018-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
CN105719312A (zh) * | 2016-01-19 | 2016-06-29 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
CN105785359A (zh) * | 2016-05-19 | 2016-07-20 | 哈尔滨工业大学 | 一种多约束机动目标跟踪方法 |
CN106054170A (zh) * | 2016-05-19 | 2016-10-26 | 哈尔滨工业大学 | 一种约束条件下的机动目标跟踪方法 |
CN106709939B (zh) * | 2016-12-09 | 2019-07-23 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN106709939A (zh) * | 2016-12-09 | 2017-05-24 | 中国电子科技集团公司第三研究所 | 目标跟踪方法和目标跟踪装置 |
CN107832575A (zh) * | 2017-10-10 | 2018-03-23 | 中国航空无线电电子研究所 | 基于伪测量的带反馈机动目标异步航迹融合算法 |
CN107832575B (zh) * | 2017-10-10 | 2021-07-16 | 中国航空无线电电子研究所 | 基于伪测量的带反馈机动目标异步航迹融合算法 |
CN107703496A (zh) * | 2017-10-12 | 2018-02-16 | 桂林电子科技大学 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
CN107885232A (zh) * | 2017-10-23 | 2018-04-06 | 上海机电工程研究所 | 一种用于多策略机动跟踪的滤波方法 |
CN107886058A (zh) * | 2017-10-31 | 2018-04-06 | 衢州学院 | 噪声相关的两阶段容积Kalman滤波估计方法及系统 |
CN107993257A (zh) * | 2017-12-28 | 2018-05-04 | 中国科学院西安光学精密机械研究所 | 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统 |
CN107993257B (zh) * | 2017-12-28 | 2020-05-19 | 中国科学院西安光学精密机械研究所 | 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统 |
CN110007298B (zh) * | 2018-01-04 | 2023-04-07 | 武汉科技大学 | 一种目标超前预测跟踪方法 |
CN110007298A (zh) * | 2018-01-04 | 2019-07-12 | 武汉科技大学 | 一种目标超前预测跟踪方法 |
CN108226920A (zh) * | 2018-01-09 | 2018-06-29 | 电子科技大学 | 一种基于预测值处理多普勒量测的机动目标跟踪系统及方法 |
CN108226920B (zh) * | 2018-01-09 | 2021-07-06 | 电子科技大学 | 一种基于预测值处理多普勒量测的机动目标跟踪系统及方法 |
CN109687844A (zh) * | 2018-08-17 | 2019-04-26 | 西安理工大学 | 一种智能机动目标跟踪方法 |
CN109990786B (zh) * | 2019-02-28 | 2020-10-13 | 深圳大学 | 机动目标跟踪方法及装置 |
CN109990786A (zh) * | 2019-02-28 | 2019-07-09 | 深圳大学 | 机动目标跟踪方法及装置 |
CN110261859B (zh) * | 2019-06-25 | 2023-10-31 | 北京中科海讯数字科技股份有限公司 | 一种水下机动静止交替状态目标跟踪方法 |
CN110261859A (zh) * | 2019-06-25 | 2019-09-20 | 北京中科海讯数字科技股份有限公司 | 一种水下机动静止交替状态目标跟踪方法 |
CN110716196A (zh) * | 2019-11-04 | 2020-01-21 | 广东中科四创科技有限公司 | 一种多点低慢小空中目标跟踪临视系统 |
CN110716196B (zh) * | 2019-11-04 | 2023-04-25 | 广东中科四创科技有限公司 | 一种多点低慢小空中目标跟踪临视方法 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及系统 |
CN111008364B (zh) * | 2019-12-09 | 2023-05-09 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及系统 |
CN111157983B (zh) * | 2020-01-06 | 2022-02-15 | 南京鹰目电子科技有限公司 | 一种雷达目标跟踪方法 |
CN111157983A (zh) * | 2020-01-06 | 2020-05-15 | 南京鹰目电子科技有限公司 | 一种雷达目标跟踪方法 |
CN111208506A (zh) * | 2020-01-08 | 2020-05-29 | 中国船舶重工集团公司第七二四研究所 | 一种简化的交互式多模型跟踪方法 |
CN113064154A (zh) * | 2021-03-18 | 2021-07-02 | 沈阳理工大学 | 一种空中目标跟踪方法 |
CN113064154B (zh) * | 2021-03-18 | 2023-09-01 | 沈阳理工大学 | 一种空中目标跟踪方法 |
CN113466904A (zh) * | 2021-06-11 | 2021-10-01 | 西安交通大学 | 一种动态干扰源跟踪方法及系统 |
CN113848704A (zh) * | 2021-08-30 | 2021-12-28 | 暨南大学 | 基于二阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质 |
CN113848704B (zh) * | 2021-08-30 | 2023-06-02 | 暨南大学 | 基于二阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质 |
CN114155425A (zh) * | 2021-12-13 | 2022-03-08 | 中国科学院光电技术研究所 | 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 |
CN114155425B (zh) * | 2021-12-13 | 2023-04-07 | 中国科学院光电技术研究所 | 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 |
CN115048621A (zh) * | 2022-07-08 | 2022-09-13 | 北京航天驭星科技有限公司 | 空间飞行器的跟踪测量方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102568004A (zh) | 一种高机动目标跟踪算法 | |
CN107045125B (zh) | 一种基于预测值量测转换的交互多模型雷达目标跟踪方法 | |
CN103853908B (zh) | 一种自适应交互式多模型的机动目标跟踪方法 | |
CN102622520B (zh) | 一种机动目标跟踪的分布式多模型估计融合方法 | |
CN107193009A (zh) | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN104809326A (zh) | 一种异步传感器空间配准算法 | |
CN107084714B (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
CN104035083B (zh) | 一种基于量测转换的雷达目标跟踪方法 | |
CN107462882B (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 | |
CN101661104A (zh) | 基于雷达/红外量测数据坐标转换的目标跟踪方法 | |
CN107192995A (zh) | 一种多层次信息融合的纯方位水下目标跟踪算法 | |
CN102706345B (zh) | 一种基于衰减记忆序贯检测器的机动目标跟踪方法 | |
Havangi et al. | Adaptive neuro-fuzzy extended Kaiman filtering for robot localization | |
CN104182609B (zh) | 基于去相关的无偏转换量测的三维目标跟踪方法 | |
CN103047982B (zh) | 基于角度信息的目标自适应跟踪方法 | |
CN103389094A (zh) | 一种改进的粒子滤波方法 | |
CN104833967A (zh) | 一种基于滚动时域估计的雷达目标跟踪方法 | |
CN101477623A (zh) | 基于模糊推理的交互式多模型方法 | |
CN107167799A (zh) | 基于CS‑Jerk模型的参数自适应机动目标跟踪算法 | |
Feigl et al. | Recurrent neural networks on drifting time-of-flight measurements | |
CN108303095B (zh) | 适用于非高斯系统的鲁棒容积目标协同定位方法 | |
Malleswaran et al. | IMM-UKF-TFS model-based approach for intelligent navigation | |
CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
CN102176220B (zh) | 一种同平台配置的雷达与红外传感器进行空间配准的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120711 |