CN103729859B - 一种基于模糊聚类的概率最近邻域多目标跟踪方法 - Google Patents

一种基于模糊聚类的概率最近邻域多目标跟踪方法 Download PDF

Info

Publication number
CN103729859B
CN103729859B CN201310751067.4A CN201310751067A CN103729859B CN 103729859 B CN103729859 B CN 103729859B CN 201310751067 A CN201310751067 A CN 201310751067A CN 103729859 B CN103729859 B CN 103729859B
Authority
CN
China
Prior art keywords
target
probability
state
sensor
tracking
Prior art date
Application number
CN201310751067.4A
Other languages
English (en)
Other versions
CN103729859A (zh
Inventor
郭雷
胡秀华
李晖晖
Original Assignee
西北工业大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 西北工业大学 filed Critical 西北工业大学
Priority to CN201310751067.4A priority Critical patent/CN103729859B/zh
Publication of CN103729859A publication Critical patent/CN103729859A/zh
Application granted granted Critical
Publication of CN103729859B publication Critical patent/CN103729859B/zh

Links

Abstract

本发明涉及一种基于模糊聚类的概率最近邻域多目标跟踪方法。首先考虑最近邻域波门内量测来自真实目标的可能性情况,并依据模糊聚类理论改进有效量测与已有航迹的关联度判别准则,完善目标状态估计与协方差更新方程;同时,采用分布式并行处理结构,对各子传感器输出的子航迹信息进行航迹融合与状态估计,在保证跟踪实时性的同时,增强系统的鲁棒性,提高跟踪精度。试验结果表明,本发明在杂波环境下雷达/红外多传感器融合的多目标跟踪系统中,与最近邻域标准滤波器方法相比,跟踪效果较好,适用于杂波环境下的多机动目标跟踪。

Description

一种基于模糊聚类的概率最近邻域多目标跟踪方法
技术领域
[0001] 本发明属于多传感器多目标跟踪领域,具体涉及一种基于模糊聚类的概率最近邻 域多目标跟踪方法。
背景技术
[0002] 多传感器多目标跟踪问题的核心部分是数据关联和状态估计。对于三维雷达与红 外组成的典型多传感器多目标跟踪系统,由于传感器观测过程和目标跟踪环境存在很多不 确定干扰因素,数据关联与目标状态估计问题复杂困难,特别是当目标机动运动或距离较 近时,易导致多传感器多目标数据关联出现模糊情况,进而影响跟踪性能。因此,研究杂波 环境下的多目标跟踪技术具有重要应用价值。
[0003] 现有的用于数据关联的算法通常可以分为两大类,一类是基于统计的方法,包括 最近邻域法、联合概率数据关联法、加权法和经典分配法等;另一类是基于人工智能理论的 方法。传统的数据关联算法大多在关联出现模糊时可靠性下降,容易导致目标跟踪精度大 幅度降低;而且当目标数目增加时,传统的数据关联算法的计算量骤增,限制了其应用范 围。近年来,将人工智能与模式识别理论运用于数据关联领域的研究取得很大进展,其中, 基于模糊C均值聚类(Fuzzy c-means,FCM)理论的关联算法通过使目标函数最小化把量测 数据分别划分到以目标预测位置为中心的类中,对每一个预测位置分配相关联的目标点迹 来实现关联,可有效提高目标跟踪精度。
[0004] 在经典多目标数据关联及滤波算法中,最近邻域标准滤波器(Nearest Neighbor Domain Standard Filter,NNSF)由于计算简便而得到了广泛应用,但是它只适用于稀疏回 波环境下的非机动目标跟踪,与人工智能理论相结合而衍生的改进算法具有广泛的应用前 景。
发明内容
[0005] 要解决的技术问题
[0006] 为了避免现有技术的不足之处,本发明提出一种基于模糊聚类的概率最近邻域多 目标跟踪方法。
[0007] 技术方案
[0008] -种基于模糊聚类的概率最近邻域多目标跟踪方法,其特征在于步骤如下:
[0009] 步骤1:根据k-Ι时刻目标t的状态估计1)及其协方差阵PtU-Ih得到k时刻 目标t的状态预测值M -丨).义(Hi) = F (λ: / /(-丨)i'(A·-I),及协方差一步预测值Pt (k/k-ihPWk-DzFWk-DPHk-DFWk-iy+Qta-i),完成时间更新,其中,t 为某一 目标,t=l,2,···,Γ,Γ为目标跟踪系统观测区域中的Γ个目标;FWk-I)为目标t的状态 转移矩阵,QtU-I)为系统本身过程噪声序列的方差阵;
[0010] 步骤2:采用马氏距离加权的隶属度计算公式,计算有效量测与目标t之间的 最大关联概率Ut, j :
Figure CN103729859BD00051
[0012]其中:在k时刻,传感器Ss观测到的目标数为ri,传感器个数s = l,2,…,M,得到的有 效量测值为《X为有效量测数,liwPri A:为目标t的波门概率,为检
Figure CN103729859BD00052
测概率,波门内关于目标t的量测数为: 为有效量测j与目标t之间的新肩 量测值j,f 0/6-:〇为目标t的量测预
Figure CN103729859BD00053
率;[0013] 计算有效量测j与目标航迹t之间的最大关联概率 效量测j的新息协方差阵,(々/1-1))为传感器&的量测矩阵。杂波个数服从Poisson 分布,期望数为λ,〗 I明有效量测值中只有一个源 于真实目标的概率 、有效量测全部源于杂波的概
[0014]
Figure CN103729859BD00054
[0015] 爲:y为归一化的有效量测j与目标航迹t之间的关联概率,队为有效量测j与目标t 的最大关联概率,爲=j,#为关联概率取最大值时的有效量测j与目标t的新息, 史二5)(々),则此时的新息协方差为St(k:
Figure CN103729859BD00055
其中,
Figure CN103729859BD00056
为雅克比矩阵;
[0016] 求得状态估计更新值及协方差更新值Pt(Vk),完成量测更新:
[0017] 首先计算目标t的滤波增益阵为κγιοκιοζρΜΛ-υίτοοΥαο-1,得状态估 计更新表达式为f 吟:
Figure CN103729859BD00061
[0022] 其中,气为量测维数,/¾¾表示有效量测」源于目标七的最大概率,1-戍巧,表示有 效量测j被视为源于杂波的概率;得到传感器Ss监视区域中,所有目标t的状态估计值 又(/.) = (/〇|,相应的估计均方误差阵为Ps(k) = {产〇〇 };
[0023] 步骤3:对于M个传感器,反复执行步骤1和步骤2,依次求得M个传感器的各有效量 测j与目标t之间的最大关联概率ί^,^,···,^,得到各传感器S s观测下的相对应的M个局部 状态估计值龙(々),毛(々),__'丄.,(Α),及其相应的估计均方误差阵Pi(k),P2(k),…,P M(k);
[0024] 步骤4:依据步骤3中求得的各传感器&的局部状态估计.以//),七(〇,~,毛#(1),及 其相应的估计均方误差阵Pi(k),p 2(k),…,pM(k),对各传感器局部航迹信息进行加权平均 求和,得到状态融合更新^
Figure CN103729859BD00062
f,估计均方误差融合更新为Pg,
Figure CN103729859BD00063
. 得到所有目标的全局状态融合估计,实现多目标跟踪
[0025] 有益效果
[0026] 本发明提出的一种基于模糊聚类的概率最近邻域多目标跟踪方法,在NNSF的基础 上,考虑最近邻域波门内量测来自真实目标的可能性情况,并依据模糊聚类理论改进有效 量测与已有航迹的关联度判别准则,完善目标状态估计与协方差更新方程;同时,采用分布 式并行处理结构,对各子传感器输出的子航迹信息进行航迹融合与状态估计,在保证跟踪 实时性的同时,增强系统的鲁棒性,提高跟踪精度。
[0027] 本发明的有益效果:与典型NNSF算法相比,本发明借助模糊聚类理论,将多传感器 多目标跟踪问题分解为多个相对独立的单传感器多目标跟踪问题,并且,由于观测航迹的 单传感数据关联算法过程包含共同的目标航迹,因而实现了多目标数据互联和多传感器数 据融合,可以用于处理异类传感器融合或观测空间不一致的情况,提高了跟踪精度,减小了 计算复杂度;引入概率数据关联的思想,提高了杂波环境下有效量测与目标之间的关联正 确性;采用分布式并行处理结构,对各子传感器输出的子航迹信息进行航迹融合与状态估 计,增强系统的鲁棒性。
附图说明
[0028]图1是本发明结构原理图;
[0029]图2是机动目标的三维运动轨迹;
[0030] 图3是目标1利用本发明方法与NNSF算法进行仿真试验得到的位置误差比较结果;
[0031] 图4是目标1利用本发明方法与NNSF算法进行仿真试验得到的速度误差比较结果。
具体实施方式
[0032]现结合实施例、附图对本发明作进一步描述:
[0033]用于实施的硬件环境是:因特尔酷睿2双核2.93G计算机、2.OGB内存、512M显卡,运 行的软件环境是:Matlab R2012b,Windows7。我们用Matlab R2012b软件实现了本发明提出 的方法。
[0034]本发明具体实施如下:
[0035] 步骤1:对机动目标状态和滤波初值进行初始化,具体为:为简化问题,假设多传感器 系统由一部雷达和一个红外传感器组成,其监视空域完全重合,传感器均位于直角坐标原点, 采样时间同步,不考虑坐标转换与时间对准。在三维雷达与红外组成的多传感器系统中,分别 选取直角坐标系和极坐标系作为目标状态空间和多传感器系统量测空间的坐标系,且以传感 器位置作为坐标系原点,考虑其三维(X-Y-Z)监视区域中有两个机动目标。在k时刻,k= 1,2···, 对于目标七,记1(让)、7(让)、2(让)为目标运动位置,难)_、难)、汾)为目标速度,-寧)、列*)、_) 为目标加速度,选取X tU)为目标t的状态变量,r (¾卜[4¾) i@) ί⑷岸)沙) 则目标t的运动状态方程可以表示为XtU) =FWk-I )Xt(k_l )+fft(k-l ),其中,XtU-I)为目 标t在k-1时刻的运动状态信息,FWk-I)为目标t的状态转移矩阵,Wt(Ic-I)为系统过程噪 声序列。
[0036] 对于雷达传感器,量测输出为测量目标t的距离rR(k)、方位角0R(k)及俯仰角 / ,则其量测方程可表示*ZR(k) =hR(k,Xt(k) )+VR(k),
[0037]
Figure CN103729859BD00071
和分别为目标距离、方位角及俯仰角的量测噪声。
[0038] 对于红外传感器,量测输出为目标t的方位角9l(k)及俯仰角V 则其量测方程 可表示为 ζτοοζΡα,χχιοΗντοο,
[0039]
Figure CN103729859BD00081
:(¾分别为目标方位角及俯仰角的量测噪声。
[0040] 设传感器的量测噪声均为零均值高斯分布的白噪声,雷达目标距离量测方差为 40V,方位角和俯仰角量测方差均为SWad2,红外传感器的方位角和俯仰角量测方差均为 6 2mrad2。采样周期均为T = 0.2s,仿真时间为IOOs,滤波初值由前两个采样点给出,杂波个期 望数为1.5\104。目标1的初始位置为[1500,800,10]111,初始速度为[70,100,6]111/ 8;目标2 的初始位置为[800,1500,10 ]m,初始速度为[100,70,5 ]m/s;两目标首先匀速运动40s,然后 机动转弯运动30s,最后加速运动30s。由Matlab2012b仿真得出机动目标的三维运动轨迹, 如图2所示。
[0041] 步骤2:在k时刻,k=l,2···,传感器S的编号为s = l,2,传感器Ss观测到的目标数为 n,得到的有效量测值为< p),/ = U,,《丨为有效量测数目,I S 4 5; Γ,Γ为跟踪系 统观测区域中的总目标个数。对于传感器测得到的目标〖4=1,2,一,11,1^「,具体 为:根据k-Ι时刻目标t的状态估计:Τμ-l;)及其协方差阵pt(k-l),得到k时刻目标t的状态 预测值i (々/ /(- 1),f (々/ /(-1)二户(々/ A. - I (/(-丨),及协方差一步预测值Pt(k/k-1),Pt (k/k-1) =FWk-I )pt(k-l )Ft(k/k-l )T+Qt(k-1 ),完成时间更新,其中,FWk-I)为目标t 的状态转移矩阵,Qt(k-l)为系统过程噪声序列的方差阵。
[0042]步骤3:对于传感器Ss观测得到的有效量测j与目标t形成的已有航迹,构造基于马 氏距离加权的隶属度计算公式Ut^计算有效量测j与目标航迹t之间的最大关联概率&,求 得状态估计更新值f 及协方差更新值PWk),完成量测更新,具体描述如下:(a)基 于马氏距离A q(k),构造有效量测j与目标t之间的隶属度计算公式Ut,j,
[0043]
Figure CN103729859BD00082
[0044] 其中,尽,为目标t的波门概率,&为检测概率,波门内关于目标t的量测数为nt,且
Figure CN103729859BD00083
传感器Ss的量测矩阵。杂波个数服从Poisson分布,期望数为λ,当J' = U ··,·《I时,权值 表明有效量测值中只有一个源于真实目标的概率;当j = 〇时,权值
Figure CN103729859BD00091
羡明m个有效量测全部源于杂波的概率。
[0045] (b)借助模糊C均值聚类理论,依据隶属度计算公式进行关联计算,求得有效量 测j与目标t的关联概率为
Figure CN103729859BD00092
··,。记队为有效量测j与
Figure CN103729859BD00093
目标t的最大关联概率,A = max #,j,f为关联概率取最大值时的有效量测j与目标t的 新. 息协方差为 stahsviozmiopWk-DHsap+ra),其 中 %雅克比矩阵。(C)利用具体实施步骤1中得到的状态预测值 .F (A_//f-l)和协方差一步预测值PWk-I ),以及具体实施步骤2中得到的最大关联概率&, 求得状态估计更新值E(AM)及协方差更新值PHk/k),完成量测更新,具体为:计算目标t 的滤波增益阵为KtahKYiOiptU/k-DHlkpstur1,得状态估计更新表达式为
Figure CN103729859BD00094
[0049]当j = 0时,PWk)表达式受参数波门概率今,.、…检测概率4及量测维数气的影 响,当j判时,PWk)表达式中的泛Λ,表示有效量测j源于目标t的最大概率,1 -总尽,表示 有效量测j被视为源于杂波的概率。综合各种因素情况得出的协方差表达式可以有效提高 一步预测精度。因此,可得传感器Ss监视区域中,所有目标t的状态估计值无(/、)= , 相应的估计均方误差阵为ps(k) = {pt(k)}。
[0050] 步骤4:反复执行具体实施步骤2和具体实施步骤3,对于设定的两个传感器,求得 两个传感器的各有效量测j与目标t之间的最大关联概率扮、此,进而得到各传感器S s观测下 的相对应的两个局部状态估计值為、矣^),及其相应的估计均方误差阵Pi(k)、p2(k)。
[0051] 步骤5:假设各个传感器Ss信息处理系统之间的过程噪声、量测噪声互不相关,依 据具体实施步骤4中求得的各传感器Ss的局部状态估计^ (〇、,及其相应的估计均 方误差对各传感器局部航迹信息进行加权平均求和,得到状态融合更新为
Figure CN103729859BD00101
,估计均方误差融合更新为P6
Figure CN103729859BD00102
>实现所有目标的全局 状态融合估计,具体原理如图1所示。
[0052] 为了更直观的表示本发明运用于机动目标跟踪时的效果,用本发明方法、NNSF算 法(记NNSF)分别对图2中的两个机动目标进行跟踪。考虑到两目标机动运动的对称性,本发 明只分析目标1的状态估计误差。其中,目标1的位置、速度误差比较结果如图3和图4所示。 可以看出,当目标做匀速运动时,本发明方法的跟踪效果与典型NNSF算法相差不大;当多目 标运动轨迹距离相对较近时,NNSF算法自身固有的缺陷导致目标航迹之间相互聚合,造成 融合航迹的偏移,本发明方法跟踪效果明显较好;当多目标运动轨迹相交,以及目标存在较 大机动性的情况下,本发明方法跟踪性能也明显优于NNSF算法,适合于杂波环境下的多机 动目标跟踪。

Claims (1)

  1. I. 一种基于模糊聚类的概率最近邻域多目标跟踪方法,其特征在于步骤如下: 步骤1:对机动目标状态和滤波初值进行初始化,在k时刻,k=l,2···,对于目标t,记X (k)、y(k)、z(k)为目标运动位置,.i⑷、.ι·,(Α-)、f(A·)为目标速度,.ϋ⑷、f⑷、έ'(Α·)为目标加速 度,选取XtU)为目标t的状态变量,,⑷= [x(/f) i⑷i⑷y(/r) .)《岣Z(A)半) 标t的运动状态方程可以表示为Xt(Ic)=FWk-I WHk-D+fftU-l),其中,XtU-I)为目标t 在k-Ι时刻的运动状态信息,FWk-I)为目标t的状态转移矩阵,WtU-I)为系统过程噪声序 列; 根据k-Ι时刻目标t的状态估计i' (Λ -1)及其协方差阵PtU-I),得到k时刻目标t的状态 预测值(/( M -丨),.彳(H -丨)=广(H-丨).? 0 -丨),及协方差一步预测值PWk-I) ,Pt (k/k-DzFWk-Dpta-DFta/k-DT+Q^k-i),完成时间更新,其中,t 为某一目标,t=1, 2,…,Γ,Γ为目标跟踪系统观测区域中的Γ个目标;FWk-I)为目标t的状态转移矩阵,Qt (k-Ι)为系统本身过程噪声序列的方差阵; 步骤2:采用马氏距离加权的隶属度计算公式,计算有效量测值与目标t之间的最 太关联概率Ut i :
    Figure CN103729859BC00021
    其中:在k时刻,传感器&观测到的目标数为II,传感器个数8 = 1,2,···,Μ,得到的有效量 测值为= …,4,<为有效量测数,IS叫We,为目标t的波门概率,匕为检测 概率,波门内关于目标t的量测数为IU,5
    Figure CN103729859BC00022
    , 3⑷为有效量测j与目标t之间的新息,<⑷,.⑷-#(&/身_1),2:,(々)力0标_有效量 测值,1)为目标t的量测预测值,二/7'(>义(々以-1))』#)为有效量测 j的新息协方差阵,,@次以《-:〇)为传感器&的量测矩阵,杂波个数服从?〇1 sson分布,
    Figure CN103729859BC00023
    期望数为λ f-个源于真实 目标的概g 〖的概率; 计算_ 尤为归一化的有效量测j与目标t之间的关联概率,&为有效量测j与目标t的最大关联 概率,丨^为关联概率取最大值时的有效量测j与目标t的新息J ,则此时的 新息协方差为 3Ηΐο#(ι〇=Η3(ι〇ρΗΐ^-ι)『α)τ+ΐΓα),其中
    Figure CN103729859BC00031
    为雅克比矩阵; 求得状态估计更新值f @ M)及协方差更新值Pt (k/k),完成量测更新: 首先计算目标t的滤波增益阵为Kt(IOKk) zPWk-DHXl^Star1,得状态估计更 新表达式为YRM):
    Figure CN103729859BC00032
    其中,%为量测维数,找·表示有效量测j源于目标t的最大概率,AA表示有效量测j 被视为源于杂波的概率;得到传感器Ss监视区域中,所有目标t的状态估计值.UW=丨以:吵, 相应的估计均方误差阵为P s(k) = {产〇〇}; 步骤3:对于M个传感器,反复执行步骤1和步骤2,依次求得M个传感器的各有效量测j与 目标t之间的最大关联概率fo,^,···,^,得到各传感器Ss观测下的相对应的M个局部状态估 计值元⑷,.ί :⑷,…上⑷,及其相应的估计均方误差阵?^),P2(k),…,PM(k); 步骤4:依据步骤3中求得的各传感器局部状态估计i)(认毛(λ),…Λ, (々),及其相 应的估计均方误差阵Pi(k),P2(k),…,PM(k),对各传感器局部航迹信息进行加权平均求和,
    Figure CN103729859BC00033
    得到状态融合更新为
    Figure CN103729859BC00034
    )),估计均方误差融合更新为 得到所有目标的全局状态融合估计,实现多目标跟踪。
CN201310751067.4A 2013-12-30 2013-12-30 一种基于模糊聚类的概率最近邻域多目标跟踪方法 CN103729859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310751067.4A CN103729859B (zh) 2013-12-30 2013-12-30 一种基于模糊聚类的概率最近邻域多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310751067.4A CN103729859B (zh) 2013-12-30 2013-12-30 一种基于模糊聚类的概率最近邻域多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN103729859A CN103729859A (zh) 2014-04-16
CN103729859B true CN103729859B (zh) 2016-08-24

Family

ID=50453920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310751067.4A CN103729859B (zh) 2013-12-30 2013-12-30 一种基于模糊聚类的概率最近邻域多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN103729859B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103926583B (zh) * 2014-05-04 2015-03-25 中国人民解放军空军预警学院监控系统工程研究所 一种岸基近程雷达自动跟踪处理方法及装置
CN104020451B (zh) * 2014-06-03 2017-02-15 西安电子科技大学 基于聚类的外辐射源雷达目标航迹处理方法
CN104050641B (zh) * 2014-06-09 2016-09-21 中国人民解放军海军航空工程学院 基于形状方位描述符的集中式多传感器编队目标粒子滤波算法
CN104898104A (zh) * 2015-06-10 2015-09-09 中国西安卫星测控中心 基于欧氏距离均值聚类的目标联合定位方法
CN106096565B (zh) * 2016-06-16 2019-08-27 山东大学 基于传感网络的移动机器人与静态传感器的任务协作方法
CN106291533B (zh) * 2016-07-27 2018-10-16 电子科技大学 一种基于amd的分布式多传感器融合方法
CN107240119B (zh) * 2017-04-19 2019-11-08 北京航空航天大学 利用改进模糊聚类算法提取灰度不均匀红外行人的方法
CN108093213B (zh) * 2017-12-13 2020-05-08 中国人民解放军陆军工程大学 一种基于视频监控的目标轨迹模糊数据融合方法
CN108151806B (zh) * 2017-12-27 2020-11-10 成都西科微波通讯有限公司 基于目标距离的异类多传感器数据融合方法
CN108303692B (zh) * 2018-01-30 2021-02-05 哈尔滨工业大学 一种解多普勒模糊的多目标跟踪方法
CN109188423B (zh) * 2018-08-29 2020-11-10 电子科技大学 一种基于多源聚类的分布式多目标跟踪方法
CN109583488A (zh) * 2018-11-20 2019-04-05 中国科学技术大学 分布式k均值数据聚类方法
CN109581302B (zh) * 2018-12-12 2021-04-16 北京润科通用技术有限公司 一种车载雷达数据跟踪方法及系统
CN109859245B (zh) * 2019-01-22 2020-12-11 深圳大学 视频目标的多目标跟踪方法、装置及存储介质
CN111474972A (zh) * 2020-04-29 2020-07-31 蔡佳 一种基于物联网的智慧教室

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639535A (zh) * 2009-08-28 2010-02-03 茂名学院 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法
CN102147468A (zh) * 2011-01-07 2011-08-10 西安电子科技大学 基于贝叶斯理论的多传感器检测跟踪联合处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7460951B2 (en) * 2005-09-26 2008-12-02 Gm Global Technology Operations, Inc. System and method of target tracking using sensor fusion

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639535A (zh) * 2009-08-28 2010-02-03 茂名学院 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法
CN102147468A (zh) * 2011-01-07 2011-08-10 西安电子科技大学 基于贝叶斯理论的多传感器检测跟踪联合处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Aziz, Ashraf M.等.A new fuzzy clustering approach for data association and track fusion in multisensor-multitarget environment.《Aerospace Conference, 2011 IEEE》.2011,1-10. *
张俊根等.采用粒子滤波和模糊聚类法的非线性多目标跟踪.《西安电子科技大学学报(自然科学版)》.2010,第37卷(第4期),636-641. *

Also Published As

Publication number Publication date
CN103729859A (zh) 2014-04-16

Similar Documents

Publication Publication Date Title
CN105425224B (zh) 车载毫米波雷达系统多目标个数获取方法及装置
CN104809326B (zh) 一种异步传感器空间配准算法
Karabacak et al. Knowledge exploitation for human micro-Doppler classification
Ristic et al. Performance evaluation of multi-target tracking using the OSPA metric
US8374624B2 (en) Location measurement method based on predictive filter
CN103472445B (zh) 一种针对多目标场景的检测跟踪一体化方法
CN105716604A (zh) 基于地磁序列的移动机器人室内定位方法及系统
CN104713560B (zh) 基于期望最大化的多源测距传感器空间配准方法
CN105549001B (zh) 车载毫米波雷达系统多目标检测方法
CN105760811B (zh) 全局地图闭环匹配方法及装置
CN101661104B (zh) 基于雷达/红外量测数据坐标转换的目标跟踪方法
CN101783020B (zh) 一种联合概率数据关联的视频多目标快速跟踪方法
CN104076353B (zh) 一种面目标回波波束中心速度测量方法
CN107167784B (zh) 一种基于多通道比相定位的多人体目标定位跟踪方法
CN106249232B (zh) 基于目标运动态势信息数据关联策略的目标跟踪方法
CN101980044B (zh) 未知测量噪声分布下的多目标跟踪方法
CN105549012B (zh) 车载毫米波雷达系统多目标检测装置
CN103729637B (zh) 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法
CN104237853B (zh) 一种针对多帧检测前跟踪点迹序列的粒子滤波方法
CN106291533B (zh) 一种基于amd的分布式多传感器融合方法
CN106842165B (zh) 一种基于不同距离角度分辨率雷达集中式异步融合方法
CN105510896B (zh) 一种集中式多雷达数据处理的加权最近邻域数据关联方法
CN104684081A (zh) 基于距离聚类遴选锚节点的无线传感器网络节点定位算法
CN106372646B (zh) 基于srck-gmcphd滤波的多目标跟踪方法
CN104330083A (zh) 基于平方根无迹卡尔曼滤波的多机器人协同定位算法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180402

Address after: No. 1, Qin Du District, Shaanxi Province, Xianyang City, Shaanxi

Patentee after: Shaanxi Zhongke Kai Hang Technology Co., Ltd.

Address before: 710072 Xi'an friendship West Road, Shaanxi, No. 127

Patentee before: Northwestern Polytechnical University