CN105487061B - 目标数据关联的多特征信息融合方法 - Google Patents
目标数据关联的多特征信息融合方法 Download PDFInfo
- Publication number
- CN105487061B CN105487061B CN201510866064.4A CN201510866064A CN105487061B CN 105487061 B CN105487061 B CN 105487061B CN 201510866064 A CN201510866064 A CN 201510866064A CN 105487061 B CN105487061 B CN 105487061B
- Authority
- CN
- China
- Prior art keywords
- target
- echo
- candidate
- point
- similarity
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种目标数据关联的多特征信息融合方法，属于雷达数据处理技术领域。包括以下步骤：1）点迹预处理，对数据进行筛选并按帧存储；2）目标分类，依据目标速度大小将目标分为三类；3）点‑点关联，采用m/n逻辑法进行航迹起始，对不同类别的目标采用不同的关联策略；4）点‑航关联，对目标航迹进行外推，依据贝叶斯类的数据关联算法寻找目标候选回波；5）计算特征相似度，提取候选回波的特征信息计算特征相似度；6）计算综合关联度，依据特征相似度和特征权重计算综合关联度，选择综合关联度最大的候选回波作为目标量测。该方法能减少目标候选回波的数量，降低运算量，提升密集杂波背景下数据关联的可靠性，具有推广应用价值。
Description
技术领域
本发明涉及雷达数据处理技术领域，特别是涉及一种杂波背景下目标数据关联。
背景技术
杂波背景下的目标跟踪问题是当前的一个难点问题。目标跟踪的核心是数据关联，在工程应用中广泛使用的是贝叶斯类的数据关联算法，贝叶斯类算法主要包括以下两类：
第一类只对最新的确认量测集合进行研究因而是一种次优的贝叶斯算法，主要包括最近邻域法(NN算法)、概率最近邻域算法(PNNF)、概率数据互联算法(PDA)、联合概率数据互联算法(JPDA)等。其中，NN算法和PNNF算法是比较简单的关联算法，它是利用波门中离预测值最近的量测对目标进行状态更新，主要适用于稀疏目标环境，在杂波背景下关联错误率较高；PDA算法和JPDA算法考虑了落入相关波门内的所有候选回波，依据候选回波加权后的等效回波对目标状态进行更新，主要利用目标的位置信息完成对目标的关联。
第二类是对当前时刻以前的所有确认量测集合进行研究给出每一个量测序列的概率，是一种最优的贝叶斯算法，主要包括最优贝叶斯算法和多假设法。其中，最优贝叶斯算法利用空间积累信息和时间积累信息，综合考虑航迹附近的所有量测点迹，提供密集杂波环境下最优的性能；多假设法是以“全邻”最优滤波器和“聚”的概念为基础，将第一类贝叶斯算法看成它的一个子集进行处理，是理想条件下的最优方法。
综上可知，传统的数据关联方法利用的目标信息是有限的，主要包括目标的位置、速度等状态信息。实际上，目标反映在雷达屏幕上的回波图像包含着丰富的信息：同一时刻，不同目标回波的能量、形状和方向性等特征存在一定差异；不同时刻，同一目标回波的能量、形状和方向性等特征会发生变化，但存在着时间相关性和空间相关性。
在密集杂波背景下，采用现有的数据关联方法会产生较多的虚假航迹，特别是多个目标距离较近时，更容易出现对目标误跟踪和跟丢的情况。因此，针对此问题背景下的数据关联算法还有待进一步研究。
发明内容
本发明的目的在于利用目标回波的特征信息，提供一种杂波背景下目标数据关联的多特征信息融合方法，其中要解决的技术问题包括：
(1)雷达监视区域内目标运动状态复杂多样，传统方法对目标统一处理错误关联概率较高，需要合理设置速度区间，对目标分类处理；
(2)合理设置关联波门，在密集杂波背景下减少落入关联波门内的虚假点迹，提升算法执行效率；
(3)合理利用目标回波特征信息，在目标密集的环境下降低错误关联的概率。
本发明所述的目标数据关联的多特征信息融合方法，其特征在于包括以下技术措施：
步骤一、点迹预处理：对数据录取器送来的点迹进行预处理，利用点迹的辅助信息对数据进行筛选，并将筛选后的所有数据按帧存储；
步骤二、目标分类：依据目标速度信息采用速度分区法将目标划分为三类，慢速运动目标、中速运动目标和快速运动目标；
步骤三、点-点关联：采用m/n逻辑法进行航迹起始，对于不同类别的目标使用不同的点-点关联策略；
步骤四、点-航关联：依据目标状态方程对目标航迹进行外推，以外推点为中心，依据贝叶斯类的数据关联算法设置椭圆相关波门，若雷达测得的目标直角坐标系下的转换量测值z(k+1)满足：
则称该量测值为候选回波，式中，为目标量测的预测，S(k+1)为新息协方差，γ是一个与量测的维数有关的常数；
步骤五、计算特征相似度：提取候选回波的特征信息计算特征相似度；
步骤六、计算综合关联度：依据特征相似度结合特征权重计算综合关联度，选择综合关联度最大的候选回波作为目标量测；
步骤七、对当前时刻的目标状态进行更新，对下一帧数据重复步骤四至步骤七的计算，直至数据处理完毕，算法终止。
对比现有技术，本技术方案所述的目标数据关联的多特征信息融合方法，有益效果在于：
(1)该方法不影响现役雷达信号处理过程，不改变雷达信号处理的方式，因此不需要改变雷达的软硬件环境，只需要将杂波对消后的数据保存以方便特征提取；
(2)该方法能降低关联波门中候选回波数量，提升算法执行效率；
(3)该方法能在强杂波背景下产生较少的虚假航迹；
(4)该方法能在目标密集的环境下提升数据关联的可靠性，降低错误关联概率；
附图说明
说明书附图1是目标数据关联的多特征信息融合方法的实现流程图。
具体实施方式
以下结合说明书附图1对本发明作进一步详细描述。参照说明书附图1，本发明的具体实施方式分以下步骤：
(1)对数据录取器传送过来的点迹数据进行预处理，主要进行点迹的筛选与信息转换，利用点迹的辅助信息，将不满足条件的点迹删去，选取的条件是：凝聚的有效点数大于等于N，紧凑程度大于等于P，N为正整数，P大于0小于1，最终将所有数据按帧存储，例如，可以选取N＝100，P＝0.5。
(2)依据目标的速度将其分为慢速运动目标、中速运动目标、快速运动目标三类，对应的速度区间分别为以及[m4,+∞)，其中m2≤m1<m4≤m3，为了更好地对目标进行捕获，初始波门一般要设置的稍大，选取环形波门作为初始波门，以航迹头为中心建立一个由目标最大运动速度Vmax、最小运动速度Vmin以及采样间隔T0决定的环形波门，它的内径和外径满足
Rmin＝Vmin×T0
Rmax＝Vmax×T0
式中，Rmax和Rmin分别对应低速运动目标、中速运动目标和高速运动目标速度区间的上限和下限，例如，对于海上目标可以选取m1＝25，m2＝20，m3＝45，m4＝40，单位：节。
(3)针对目标的类型采用不同的航迹起始策略，例如，对于快速目标，选取3/4逻辑法快速建航，中速目标及慢速目标分别采用4/6逻辑法和5/8逻辑法正常航迹起始。
(4)依据目标状态方程对目标航迹进行外推，以外推点为中心，依据贝叶斯类的数据关联算法设置椭圆相关波门，若雷达测得的目标直角坐标系下的转换量测值z(k+1)满足：
则称该量测值为候选回波，式中，为目标量测的预测，S(k+1)为新息协方差，γ是一个与量测的维数有关的常数，例如，对于二维量测，当γ＝4时，目标量测落入波门的概率为0.865。
(5)提取候选回波的特征信息计算特征相似度，例如，可以选取能量、形状因子和方向性这三个特征信息计算特征相似度，目标回波的能量w是指目标回波各像素点亮度的平方和，由于船体不同部分反射程度不一样，以及海杂波的影响，回波能量是不稳定的，设k时刻第i个候选回波和k-1时刻的目标回波的能量分别为wi(k)和w(k-1)，定义目标的回波能量的相似度为
目标回波的形状因子C定义为目标形状A和目标回波周长平方L2之比
当一个区域为圆形时C＝1，当区域为其他形状时C<1，即C的值当区域为圆形时达到最大，它能够描述目标形状和圆的接近程度，设k时刻第i个候选回波和k-1时刻的目标回波的形状因子分别为Ci(k)和C(k-1)，由此可以定义目标回波形状因子的相似度为
目标回波的方向性θ是指通过对目标回波进行椭圆拟合，然后以椭圆的中心为坐标原点建立坐标系，计算出的椭圆的长轴和x轴正方向的夹角，设k时刻第i个候选回波和k-1时刻的目标回波的方向性分别为θi(k)和θ(k-1)，由此可以定义目标回波方向性的相似度为
均为大于0且小于等于1的实数。
(6)计算目标的综合关联度，综合关联度是候选回波所有特征信息相似度的加权和，假设目标有n个特征信息，第i个候选回波的第k个特征信息的相似度为权系数为α(k),k＝1,2,…,n，且则综合关联度为
式中，κi代表第i个候选回波相对于目标的综合关联度，例如，如果只提取了候选回波的三个特征信息：能量、形状因子和方向性，计算综合关联度时首先要确定权系数的值，不同类别的目标特征信息的重要程度不同，所以需要对特征信息分配不同的权值，假设目标回波的能量、形状因子和方向性的权系数为α(n),n＝1,2,3，且快速目标机动性强，目标位置和运动方向变化较大，所以快速目标回波的形状因子和回波方向性的权系数要设置的小些，回波能量的权系数要设置的大些；慢速运动在相邻帧之间的位移小，航向近似不变，所以目标回波的形状和回波方向性对计算综合关联度更重要，因此这两个特征的相似度的权系数要设置的大些；中速目标各特征相似度权系数的设置介于快速目标和慢速目标之间，各类目标特征相似度的权系数的设置如表1所示，
表1 目标特征相似度的权系数取值表
综合关联度为
选取综合关联度最大的候选回波作为k+1时刻的目标量测。
(7)对当前时刻的目标状态进行更新，重复步骤(4)-(6)，直至数据处理完毕，算法终止。
Claims (5)
1.目标数据关联的多特征信息融合方法，其特征在于，包括以下技术措施：
步骤一、点迹预处理：对数据录取器送来的点迹信息进行预处理，利用点迹的辅助信息对数据进行筛选，并将筛选后的所有数据按帧存储；
步骤二、目标分类：依据目标速度信息采用速度分区法将目标划分为三类，慢速运动目标、中速运动目标和快速运动目标；
步骤三、点-点关联：采用m/n逻辑法进行航迹起始，对于不同类别的目标使用不同的点-点关联策略；
步骤四、点-航关联：依据目标状态方程对目标航迹进行外推，以外推点为中心，依据贝叶斯类的数据关联算法设置椭圆相关波门，若雷达测得的目标直角坐标系下的转换量测值z(k+1)满足：
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>&prime;</mo>
</msup>
<msup>
<mi>S</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&le;</mo>
<mi>&gamma;</mi>
<mo>,</mo>
</mrow>
则称该量测值为候选回波，式中，为目标量测的预测，S(k+1)为新息协方差，γ是一个与量测的维数有关的常数；
步骤五、计算特征相似度：提取落入相关波门内候选回波的特征信息计算特征相似度；
步骤六、计算综合关联度：依据特征相似度结合特征权重计算综合关联度，选择综合关联度最大的候选回波作为目标量测；
步骤七、对当前时刻的目标状态进行更新，对下一帧数据重复步骤四至步骤七的计算，直至数据处理完毕，算法终止。
2.根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于，步骤一所述的点迹预处理的方法为：
利用凝聚的有效点数和紧凑程度这两个辅助信息对点迹进行筛选，选取的条件是：凝聚的有效点数大于等于100，紧凑程度大于等于0.5。
3.根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于，步骤二所述的目标分类的方法为：
设定慢速运动目标、中速运动目标和快速运动目标的速度区间分别为[0,m1]、[m2,m3]以及[m4,+∞)，其中m2≤m1＜m4≤m3，依据目标的速度对目标分类。
4.根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于，步骤五所述的计算候选回波特征相似度的方法为：
计算候选回波的能量w、形状因子C和方向性θ这三个特征信息的相似度，目标回波的能量w是指目标回波各像素点亮度的平方和，设k时刻第i个候选回波和k-1时刻的目标回波的能量分别为wi(k)和w(k-1)，则定义目标的回波能量的相似度为
<mrow>
<msubsup>
<mi>&beta;</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>w</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>w</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
目标回波的形状因子C定义为目标形状A和目标回波周长平方L2之比
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
<mi>A</mi>
</mrow>
<msup>
<mi>L</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>,</mo>
</mrow>
设k时刻第i个候选回波和k-1时刻的目标回波的形状因子分别为Ci(k)和C(k-1)，由此定义目标回波形状因子的相似度为
<mrow>
<msubsup>
<mi>&beta;</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>C</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>C</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
目标回波的方向性θ是指通过对目标回波进行椭圆拟合，然后以椭圆的中心为坐标原点建立坐标系，计算出的椭圆的长轴和x轴正方向的夹角，设k时刻第i个候选回波和k-1时刻的目标回波的方向性分别为θi(k)和θ(k-1)，由此定义目标回波方向性的相似度为
<mrow>
<msubsup>
<mi>&beta;</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>&theta;</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msup>
<mi>&theta;</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
5.根据权利要求1所述的目标数据关联的多特征信息融合方法，其特征在于，步骤六所述的计算候选回波综合关联度的方法为：
综合关联度是候选回波所有特征相似度的加权和，假设目标有n个特征信息，第i个候选回波的第k个特征信息的相似度为权系数为α(k),k＝1,2,...,n，且定义候选回波相对目标的综合关联度为
<mrow>
<msup>
<mi>&kappa;</mi>
<mi>i</mi>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&beta;</mi>
<mi>n</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&beta;</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&beta;</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&beta;</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&beta;</mi>
<mi>n</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
</mrow>
式中，κi代表第i个候选回波相对于目标的综合关联度，对于不同类型的目标，相同特征的相似度要设置不同的权系数α(k)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510866064.4A CN105487061B (zh) | 2015-12-01 | 2015-12-01 | 目标数据关联的多特征信息融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510866064.4A CN105487061B (zh) | 2015-12-01 | 2015-12-01 | 目标数据关联的多特征信息融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105487061A CN105487061A (zh) | 2016-04-13 |
| CN105487061B true CN105487061B (zh) | 2018-04-17 |
Family
ID=55674170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510866064.4A Active CN105487061B (zh) | 2015-12-01 | 2015-12-01 | 目标数据关联的多特征信息融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105487061B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106383339B (zh) * | 2016-08-30 | 2018-12-18 | 电子科技大学 | 一种多站点雷达信号级联合检测的镜像目标抑制方法 |
| CN106443618B (zh) * | 2016-09-08 | 2019-01-04 | 北京理工大学 | 一种基于标准差椭圆参数辅助的高分辨雷达航迹关联方法 |
| CN107291939B (zh) * | 2017-07-06 | 2020-08-21 | 携程计算机技术（上海）有限公司 | 酒店信息的聚类匹配方法及系统 |
| CN108156729A (zh) * | 2017-12-06 | 2018-06-12 | 北京小米移动软件有限公司 | 照明设备、照明设备的控制方法及装置 |
| CN109212514B (zh) * | 2018-09-29 | 2022-10-14 | 河北德冠隆电子科技有限公司 | 一种雷达检测设备对运动以及静止目标持续跟踪关联方法 |
| CN109655822A (zh) * | 2018-11-09 | 2019-04-19 | 上海无线电设备研究所 | 一种改进的航迹起始方法 |
| CN110673132B (zh) * | 2019-10-11 | 2022-01-11 | 电子科技大学 | 一种用于多帧联合检测与跟踪的点迹序列实时滤波方法 |
| CN111060906A (zh) * | 2019-11-15 | 2020-04-24 | 驭势（上海）汽车科技有限公司 | 一种传感数据处理方法、装置、车载设备及存储介质 |
| CN111854729B (zh) * | 2020-05-29 | 2022-03-01 | 西北工业大学 | 一种基于运动信息和属性信息的航迹关联方法 |
| CN114779204B (zh) * | 2022-06-23 | 2022-09-06 | 北京海兰信数据科技股份有限公司 | 一种基于雷达目标幅度最小二乘跟踪处理方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6894639B1 (en) * | 1991-12-18 | 2005-05-17 | Raytheon Company | Generalized hebbian learning for principal component analysis and automatic target recognition, systems and method |
| SE510543C2 (sv) * | 1997-09-26 | 1999-05-31 | Ericsson Telefon Ab L M | Förfarande för associering mellan målföljningar och användning av förfarandet i en radar |
| CN103471591B (zh) * | 2013-04-15 | 2017-06-06 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联方法 |
| 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 |
| CN104991235A (zh) * | 2015-06-15 | 2015-10-21 | 南京航空航天大学 | 一种基于雷达点迹的快速跟踪目标的方法 |
| CN104965199B (zh) * | 2015-07-28 | 2017-11-17 | 中国人民解放军海军航空工程学院 | 雷达视频运动目标特征融合判定方法 |
-
2015
- 2015-12-01 CN CN201510866064.4A patent/CN105487061B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105487061A (zh) | 2016-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105487061B (zh) | 目标数据关联的多特征信息融合方法 | |
| Brodeski et al. | Deep radar detector | |
| 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 | |
| CN111239728B (zh) | 一种基于毫米波雷达的乘客计数方法及系统 | |
| CN109061646B (zh) | 一种基于降水云识别的多普勒天气雷达定量降水估计方法 | |
| CN109655822A (zh) | 一种改进的航迹起始方法 | |
| CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
| CN113033303B (zh) | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 | |
| CN113064155A (zh) | 一种空中雷达多目标跟踪下航迹关联的优化方法 | |
| CN111929676B (zh) | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 | |
| WO2020052441A1 (zh) | 目标分类方法和相关设备 | |
| CN113671481A (zh) | 一种基于毫米波雷达的3d多目标跟踪处理方法 | |
| CN110907938A (zh) | 一种近场的快速下视合成孔径三维成像方法 | |
| Li et al. | Real-time underwater target detection for AUV using side scan sonar images based on deep learning | |
| CN113702940B (zh) | 基于多元特征信息分层融合空间集群目标分辨方法及应用 | |
| Huang et al. | A novel method for real-time ATR system of AUV based on Attention-MobileNetV3 network and pixel correction algorithm | |
| Qin et al. | Research on information fusion structure of radar and AIS | |
| Ciany et al. | Computer aided detection/computer aided classification and data fusion algorithms for automated detection and classification of underwater mines | |
| Zou et al. | Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network. | |
| CN115144847A (zh) | 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 | |
| CN113641954B (zh) | 一种复杂海洋环境中的三维声场快速预报方法及系统 | |
| CN114740466A (zh) | 一种基于得分机制的雷达目标点迹过滤方法 | |
| Wu et al. | A method with improved accuracy and robustness for object detection in wharf scenarios | |
| Zhang et al. | Underwater multi-source DOA tracking using uniform linear array based on improved GM-PHD filter | |
| CN116758261B (zh) | 基于生成对抗网络的宽带前视成像雷达目标识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Huang Yong Inventor after: Zhang Lei Inventor after: Dong Yunlong Inventor after: Liu Ningbo Inventor after: Zhu Hongpeng Inventor after: Li Xiuyou Inventor after: Jiang Baichen Inventor after: Zhang Lin Inventor after: Guan Jian Inventor before: Zhu Hongpeng Inventor before: Huang Yong Inventor before: Liu Ningbo Inventor before: Li Xiuyou Inventor before: Jiang Baichen Inventor before: Zhang Lin Inventor before: Guan Jian |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |