CN105259554B - 一种多目标分类跟踪的方法及装置 - Google Patents
一种多目标分类跟踪的方法及装置 Download PDFInfo
- Publication number
- CN105259554B CN105259554B CN201510715896.6A CN201510715896A CN105259554B CN 105259554 B CN105259554 B CN 105259554B CN 201510715896 A CN201510715896 A CN 201510715896A CN 105259554 B CN105259554 B CN 105259554B
- Authority
- CN
- China
- Prior art keywords
- target
- coordinates
- accumulation
- point
- targetpath
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种多目标分类跟踪的方法及装置。本发明实施例方法包括:获取至少两个声探测器采集的目标数据,所述目标为所述至少两个声探测器探测区域内的飞行器,所述目标数据包括目标位置信息;对所述目标数据进行聚类,获得目标航迹;利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测。本发明实施例能有效实现对多目标的实时跟踪。
Description
技术领域
本发明涉及探测技术领域,特别涉及一种多目标分类跟踪的方法及装置。
背景技术
我国幅员辽阔,重要保卫目标分布全国,容易收到武装直升机、巡航导弹、无人驾驶飞机等高科技飞行器等的攻击,迫切需要建立保护重要区域的低空目标探测预警网。
今年来,随着声探测技术的逐渐成熟,其对低空或超低空目标特测的独特优势逐渐彰显,而声探测器组网系统是其中重要应用,声探测器组网系统用于监视某一空域,声探测器组网系统可以利用目标飞行时发出的声音信息实现探测预警,对单个目标的探测的跟踪及预警能起到很好的效果。
但在空域出现多批目标时,即便假设各声探测器扫描周期同步,但由于声传播路径不同、目标位于扫描空间位置不同等原因,在某一时刻声探测器组网系统中收到的多个声探测器的测量数据计算出的目标位置坐标在空间成团状出现,源于同意目标同一时刻的坐标不可能重合,因此会出现如下情况:不同位置的声探测器观测到同一目标;不是所有的声探测器都能观察到所有目标;从整个系统对空域的监视过程而言,由于目标出现在各声探测器作用空域的时间不同,过程中可能出现目标合批、分批和消失的情况,因而声探测器组昂系统在不同时刻探测到的目标不一定相同,所以,目前的声探测器组网系统无法有效实现多目标分类跟踪。
发明内容
本发明实施例提供了一种多目标分类跟踪的方法及装置,能有效实现对多目标的实时跟踪。
本发明实施例第一方面提供一种多目标分类跟踪的方法,包括:
获取至少两个声探测器采集的目标数据,所述目标为所述至少两个声探测器探测区域内的飞行器,所述目标数据包括目标位置信息;
对所述目标数据进行聚类,获得目标航迹;
利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测。
本发明实施例第二方面提供一种多目标分类跟踪的装置,包括:
获取单元,用于获取至少两个声探测器采集的目标数据,所述目标为所述至少两个声探测器探测区域内的飞行器,所述目标数据包括目标位置信息;
聚类单元,用于对所述目标数据进行聚类,获得目标航迹;
预测单元,用于利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中获取至少两个声探测器采集的目标数据之后,对所述目标数据进行聚类,获得目标航迹,利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测,因此能够有效实现对多目标的实时跟踪。
附图说明
图1是本发明实施例中多目标分类跟踪的方法的一个实施例示意图;
图2是本发明实施例中多目标分类跟踪的装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种多目标分类跟踪的方法及装置,能有效实现对多目标的实时跟踪。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面首先介绍本发明实施例中多目标分类跟踪的方法的实施例,所述多目标分类跟踪的方法的执行主体为多目标分类跟踪的装置,该多目标分类跟踪的装置可以应用在声探测器组网系统中。
请参阅图1,本发明实施例中多目标分类跟踪的方法的一个实施例包括:
101、获取至少两个声探测器采集的目标数据,所述目标为所述至少两个声探测器探测区域内的飞行器,所述目标数据包括目标位置信息;
本发明实施例中,所指的飞行器,可以是指定空域中飞行的向空间辐射声音的物体,也可以是设定的满足设定空间辐射声音大小的物体,例如直升机、无人驾驶飞机等;所述目标位置信息可以是目标的坐标信息。
102、对所述目标数据进行聚类,获得目标航迹;
其中,所述对所述目标数据进行聚类,获得目标航迹,可以包括:
将所述目标数据关联,得到多目标坐标集合;
计算所述多目标坐标集合中的各目标坐标点的样本密度;
根据各目标坐标点的样本密度,对所述多目标坐标集合中的各目标坐标点进行归类,获得目标航迹。
其中,将所述目标数据关联,得到多目标坐标集合,可以是按如下方式得到:
假设多目标分类跟踪的装置进过采集的目标数据关联,在时刻tk得到的多目标坐标集合为:
Dk=(X1(tk),X2(tk)…,Xn(tk))
其中,n为正整数,Xn均为二维向量,Dk为目标坐标点。
计算所述多目标坐标集合中的各目标坐标点的样本密度,可以采用如下方式:
对任一样本目标坐标点,求其距离d邻域内的样本坐标点数,记为“密度”Ki,Xi和Xk的距离dik即为它们之间的平面距离,即以每个目标坐标点为圆心,以d为半径,落入该圆内的目标坐标点数为称为该点的“密度”,按照上述方式逐一求出所述多目标坐标集合中的各目标坐标点的样本密度。
进一步的,所述根据各目标坐标点的样本密度,对所述多目标坐标集合中的各目标坐标点进行归类,获得目标航迹,可以包括:
根据各目标坐标点的样本密度,确定所有聚点;
根据每个确定的聚点,将所述多目标坐标集合中的每个目标坐标点归入距离最近的聚点形成的类,得到多个聚点;
采用重心法对所述多个聚点进行再次归类,并将再次归类后的聚点与现有目标航迹关联,得到目标航迹。
其中,所述根据各目标坐标点的样本密度,确定所有聚点,可以包括:
从所述各目标坐标点中样本密度最大的点开始,选择所述各目标坐标点中当前样本密度最大的点为第一聚点,确定所述各目标坐标点中,与所述第一聚点的距离大于D的目标坐标点为第二聚点,直至所述所有目标坐标点中的所有聚点确定完成。
进一步的,所述将再次归类后的聚点与现有目标航迹关联,得到目标航迹,可以包括:
对所述归类后的每个目标聚点,若目标聚点与现有目标航迹距离小于预设的阈值,则将所述目标聚点归入所述现有目标航迹,若目标聚点与现有目标航迹距离大于等于预设的阈值,则将所述目标聚点确定为新目标航迹。
103、利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测。
本发明实施例中获取至少两个声探测器采集的目标数据之后,对所述目标数据进行聚类,获得目标航迹,利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测,因此能够有效实现对多目标的实时跟踪。
上面介绍本发明实施例中多目标分类跟踪的方法的实施例,下面介绍本发明实施例中多目标分类跟踪的装置的实施例。
本发明实施例中多目标分类跟踪的装置200的一个实施例包括:
获取单元201,用于获取至少两个声探测器采集的目标数据,所述目标为所述至少两个声探测器探测区域内的飞行器,所述目标数据包括目标位置信息;
聚类单元202,用于对所述目标数据进行聚类,获得目标航迹;
预测单元203,用于利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测。
本发明实施例中获取单元201获取至少两个声探测器采集的目标数据之后,聚类单元202对所述目标数据进行聚类,获得目标航迹,预测单元203利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测,因此能够有效实现对多目标的实时跟踪。
进一步的,所述聚类单元202具体用于将所述目标数据关联,得到多目标坐标集合,计算所述多目标坐标集合中的各目标坐标点的样本密度,根据各目标坐标点的样本密度,对所述多目标坐标集合中的各目标坐标点进行归类,获得目标航迹。
进一步的,所述聚类单元202具体用于根据各目标坐标点的样本密度,确定所有聚点;根据每个确定的聚点,将所述多目标坐标集合中的每个目标坐标点归入距离最近的聚点形成的类,得到多个聚点;采用重心法对所述多个聚点进行再次归类,并将再次归类后的聚点与现有目标航迹关联,得到目标航迹。
进一步的,所述聚类单元202具体用于从所述各目标坐标点中样本密度最大的点开始,选择所述各目标坐标点中当前样本密度最大的点为第一聚点,确定所述各目标坐标点中,与所述第一聚点的距离大于D的目标坐标点为第二聚点,直至所述所有目标坐标点中的所有聚点确定完成。
进一步的,所述聚类单元202具体用于对所述归类后的每个目标聚点,若目标聚点与现有目标航迹距离小于预设的阈值,则将所述目标聚点归入所述现有目标航迹,若目标聚点与现有目标航迹距离大于等于预设的阈值,则将所述目标聚点确定为新目标航迹。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种多目标分类跟踪的方法,其特征在于,
获取至少两个声探测器采集的目标数据,所述目标为所述至少两个声探测器探测区域内的飞行器,所述目标数据包括目标位置信息;
将所述目标数据关联,得到多目标坐标集合,计算所述多目标坐标集合中的各目标坐标点的样本密度,根据各目标坐标点的样本密度,对所述多目标坐标集合中的各目标坐标点进行归类,获得目标航迹;
其中,将所述目标数据关联,得到多目标坐标集合,按如下方式得到:
假设多目标分类跟踪的装置进过采集的目标数据关联,在时刻tk得到的多目标坐标集合为:
Dk=(X1(tk),X2(tk)…,Xn(tk))
其中,n为正整数,Xn均为二维向量,Dk为目标坐标点;
计算所述多目标坐标集合中的各目标坐标点的样本密度,采用如下方式:
对任一样本目标坐标点,求其距离d邻域内的样本坐标点数,记为密度Ki,Xi和Xk的距离dik即为它们之间的平面距离,即以每个目标坐标点为圆心,以d为半径,落入该圆内的目标坐标点数为称为该点的密度,按照上述方式逐一求出所述多目标坐标集合中的各目标坐标点的样本密度;
利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测。
2.根据权利要求1所述的方法,其特征在于,
所述根据各目标坐标点的样本密度,对所述多目标坐标集合中的各目标坐标点进行归类,获得目标航迹,包括:
根据各目标坐标点的样本密度,确定所有聚点;
根据每个确定的聚点,将所述多目标坐标集合中的每个目标坐标点归入距离最近的聚点形成的类,得到多个聚点;
采用重心法对所述多个聚点进行再次归类,并将再次归类后的聚点与现有目标航迹关联,得到目标航迹。
3.根据权利要求2所述的方法,其特征在于,
所述根据各目标坐标点的样本密度,确定所有聚点,包括:
从所述各目标坐标点中样本密度最大的点开始,选择所述各目标坐标点中当前样本密度最大的点为第一聚点,确定所述各目标坐标点中,与所述第一聚点的距离大于D的目标坐标点为第二聚点,直至所述所有目标坐标点中的所有聚点确定完成。
4.根据权利要求3所述的方法,其特征在于,
所述将再次归类后的聚点与现有目标航迹关联,得到目标航迹,包括:
对所述归类后的每个目标聚点,若目标聚点与现有目标航迹距离小于预设的阈值,则将所述目标聚点归入所述现有目标航迹,若目标聚点与现有目标航迹距离大于等于预设的阈值,则将所述目标聚点确定为新目标航迹。
5.一种多目标分类跟踪的装置,其特征在于,包括:
获取单元,用于获取至少两个声探测器采集的目标数据,所述目标为所述至少两个声探测器探测区域内的飞行器,所述目标数据包括目标位置信息;
聚类单元,用于将所述目标数据关联,得到多目标坐标集合,计算所述多目标坐标集合中的各目标坐标点的样本密度,根据各目标坐标点的样本密度,对所述多目标坐标集合中的各目标坐标点进行归类,获得目标航迹;
其中,将所述目标数据关联,得到多目标坐标集合,按如下方式得到:
假设多目标分类跟踪的装置进过采集的目标数据关联,在时刻tk得到的多目标坐标集合为:
Dk=(X1(tk),X2(tk)…,Xn(tk))
其中,n为正整数,Xn均为二维向量,Dk为目标坐标点;
计算所述多目标坐标集合中的各目标坐标点的样本密度,采用如下方式:
对任一样本目标坐标点,求其距离d邻域内的样本坐标点数,记为密度Ki,Xi和Xk的距离dik即为它们之间的平面距离,即以每个目标坐标点为圆心,以d为半径,落入该圆内的目标坐标点数为称为该点的密度,按照上述方式逐一求出所述多目标坐标集合中的各目标坐标点的样本密度;
预测单元,用于利用卡尔曼滤波对所述目标航迹进行跟踪滤波,以进行目标位置状态估计与预测。
6.根据权利要求5所述的装置,其特征在于,
所述聚类单元具体用于根据各目标坐标点的样本密度,确定所有聚点;根据每个确定的聚点,将所述多目标坐标集合中的每个目标坐标点归入距离最近的聚点形成的类,得到多个聚点;采用重心法对所述多个聚点进行再次归类,并将再次归类后的聚点与现有目标航迹关联,得到目标航迹。
7.根据权利要求6所述的装置,其特征在于,
所述聚类单元具体用于从所述各目标坐标点中样本密度最大的点开始,选择所述各目标坐标点中当前样本密度最大的点为第一聚点,确定所述各目标坐标点中,与所述第一聚点的距离大于D的目标坐标点为第二聚点,直至所述所有目标坐标点中的所有聚点确定完成。
8.根据权利要求7所述的装置,其特征在于,
所述聚类单元具体用于对所述归类后的每个目标聚点,若目标聚点与现有目标航迹距离小于预设的阈值,则将所述目标聚点归入所述现有目标航迹,若目标聚点与现有目标航迹距离大于等于预设的阈值,则将所述目标聚点确定为新目标航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510715896.6A CN105259554B (zh) | 2015-10-28 | 2015-10-28 | 一种多目标分类跟踪的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510715896.6A CN105259554B (zh) | 2015-10-28 | 2015-10-28 | 一种多目标分类跟踪的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105259554A CN105259554A (zh) | 2016-01-20 |
CN105259554B true CN105259554B (zh) | 2018-06-22 |
Family
ID=55099315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510715896.6A Active CN105259554B (zh) | 2015-10-28 | 2015-10-28 | 一种多目标分类跟踪的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105259554B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111240355B (zh) * | 2020-01-10 | 2022-04-12 | 哈尔滨工业大学 | 基于二次聚类的多目标通信无人机的巡航编队规划系统 |
CN112418278A (zh) * | 2020-11-05 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种多类物体检测方法、终端设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040158464A1 (en) * | 2003-02-10 | 2004-08-12 | Aurilab, Llc | System and method for priority queue searches from multiple bottom-up detected starting points |
CN101770024B (zh) * | 2010-01-25 | 2011-08-31 | 上海交通大学 | 多目标跟踪方法 |
CN102833882B (zh) * | 2011-06-15 | 2015-03-18 | 中国科学院声学研究所 | 一种基于水声传感器网络的多目标数据融合方法及系统 |
-
2015
- 2015-10-28 CN CN201510715896.6A patent/CN105259554B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105259554A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787502B (zh) | 用于物体融合的目标分类集合技术 | |
CN101702200B (zh) | 一种机载激光雷达点云数据的自动分类方法 | |
CA2947138A1 (en) | Object detection device, object detection method, and object detection system | |
EP3859389B1 (en) | Merging intensities in a phd filter based on a sensor track id | |
CN105259554B (zh) | 一种多目标分类跟踪的方法及装置 | |
CN112526513A (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
CN104101875A (zh) | 一种空管雷达多目标跟踪方法 | |
CN107656265A (zh) | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 | |
CN112596049B (zh) | 一种提升无人机侦测准确率的方法 | |
CN109543704A (zh) | 汽车及车载雷达的多目标聚类方法、装置 | |
CN103954939A (zh) | 基于雷达组网的抗灵巧噪声干扰方法 | |
CN113075648A (zh) | 一种无人集群目标定位信息的聚类与滤波方法 | |
CN111812636A (zh) | 一种基于权重融合选择的粒子滤波检测前跟踪方法 | |
Doumard et al. | Radar discrimination of small airborne targets through kinematic features and machine learning | |
CN109613562A (zh) | 测风激光雷达有效探测边界的识别方法及装置 | |
CN108490429A (zh) | Tws雷达多目标跟踪方法及系统 | |
CN109297497B (zh) | 对无人机操控者溯源的方法及系统 | |
CN116975668A (zh) | 巷道围岩的应力状态的确定方法、装置和确定系统 | |
CN106093891A (zh) | 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法 | |
CN107705319B (zh) | 一种基于空天背景小目标实时检测跟踪方法 | |
CN104714226B (zh) | 一种基于相位的动态规划检测前跟踪方法 | |
Galba et al. | Public transportation bigdata clustering | |
CN105445741A (zh) | 一种目标定位的方法、装置及系统 | |
Easthope | Tracking simulated UAV swarms using particle filters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |