CN106405538B - 一种适用于杂波环境的多目标跟踪方法及跟踪系统 - Google Patents
一种适用于杂波环境的多目标跟踪方法及跟踪系统 Download PDFInfo
- Publication number
- CN106405538B CN106405538B CN201610942027.1A CN201610942027A CN106405538B CN 106405538 B CN106405538 B CN 106405538B CN 201610942027 A CN201610942027 A CN 201610942027A CN 106405538 B CN106405538 B CN 106405538B
- Authority
- CN
- China
- Prior art keywords
- target
- moment
- measurement
- current time
- existing
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000013589 supplement Substances 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 175
- 239000011159 matrix material Substances 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 239000004744 fabric Substances 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 239000000047 product Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 description 10
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- -1 generate Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
Abstract
本发明提供一种适用于杂波环境的多目标跟踪方法，其中，所述方法包括：预测步骤、分类步骤、更新步骤、裁减与提取步骤、生成步骤、补充步骤、合并步骤。本发明还提供一种适用于杂波环境的多目标跟踪系统。本发明提供的技术方案具有处理速度快的特点，同时有效地解决了现有方法在新目标出现后的前几个时间步不能提供新目标状态估计的问题。
Description
技术领域
本发明涉及多传感器信息融合技术领域，尤其涉及一种适用于杂波环境的多目标跟踪方法及跟踪系统。
背景技术
贝叶斯滤波技术能够提供一种强大的统计方法工具，用于协助解决杂波环境下以及测量数据具有不确定性情况下的多传感器信息的融合与处理。在现有技术中，用于杂波环境的多目标跟踪有效方法主要有：基于高斯混合概率假设密度滤波器的目标跟踪方法和传递边缘分布的测量驱动目标跟踪方法。这两种目标跟踪方法的主要问题是计算量较大，并且在新目标出现后的最初几个时间步中不能提供其状态估计，如何有效提供新目标在其出现后的最初几个时间步的状态估计，同时减少计算量是多目标贝叶斯滤波方法中需要探索和解决的一个关键技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种适用于杂波环境的多目标跟踪方法及其系统，旨在解决现有技术中在新目标出现后的最初几个时间步中不能提供其状态估计以及计算量大的问题。
本发明提出一种适用于杂波环境的多目标跟踪方法，主要包括：
预测步骤、根据前一时刻各个目标的边缘分布和存在概率，以及当前时刻与前一时刻的时间差，预测前一时刻已存在的各个目标在当前时刻的边缘分布和存在概率；
其中，以k-1表示前一时刻，k表示当前时刻，tk-1表示前一时刻的时间，tk表示当前时刻的时间，k-1时刻目标i的边缘分布和存在概率分别表示为N(xi,k-1；mi,k-1,Pi,k-1)和ρi,k-1，其中N表示高斯分布，i＝1,2,…Nk-1，xi,k-1为k-1时刻目标i的状态向量，mi,k-1和Pi,k-1分别表示k-1时刻目标i的状态均值和协方差，Nk-1为前一时刻目标的总数；
由k-1时刻目标i的边缘分布N(xi,k-1；mi,k-1,Pi,k-1)和存在概率ρi,k-1，预测k-1时刻的目标i在k时刻的边缘分布和存在概率分别为N(xi,k；mi,k|k-1,Pi,k|k-1)和ρi,k|k-1，其中mi,k|k-1＝Fi,k|k-1mi,k-1，Pi,k|k-1＝Qi,k-1+Fi,k|k-1Pi,k-1(Fi,k|k-1)T，ρi,k|k-1＝pS,k(Δtk)ρi,k-1，Fi,k|k-1为状态转移矩阵，上标T表示矩阵或向量的转置，Δtk＝tk-tk-1为k时刻与k-1时刻的时间差，Qi,k-1为k-1时刻目标i的过程噪声协方差矩阵，pS,k(Δtk)为目标的幸存概率，且T为采样周期，δ为给定的常数，i＝1,2,…Nk-1；
分类步骤、根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量集，确定出测量集中的每个测量是否源于前一时刻已存在的目标，并分别进行归类；
更新步骤、根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻源于已存在目标的测量，利用贝叶斯规则确定前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率；
裁减与提取步骤、根据前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率，将存在概率小于第一阈值的目标裁减掉，同时提取存在概率大于第二阈值的目标的边缘分布作为当前时刻的输出；
生成步骤、利用当前时刻的其它测量和其前两时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
补充步骤、提取新目标在当前时刻的边缘分布对当前时刻的输出进行补充，并提取新目标在前两个时刻的状态估计分别对前两个时刻的输出进行补充；
合并步骤、将在所述裁减与提取步骤中裁减后余下目标的边缘分布和存在概率，分别与在所述生成步骤中生成的新目标在当前时刻的边缘分布和存在概率进行合并，形成当前时刻各个目标的边缘分布和存在概率，并作为下一次递归的输入。
优选的，所述分类步骤具体包括：根据k-1时刻已存在的目标i在k时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及k时刻的测量集合中的第j个测量yj,k，确定测量yj,k是否源于已存在目标，并分别进行归类；
其中，所述确定测量yj,k是否源于已存在目标，并分别进行归类的步骤包括：
子步骤A、求取概率其中，Hk为观测矩阵，Rk为观测噪声方差矩阵，pD,k为目标的检测概率，λc,k为杂波密度；
子步骤B、若将测量yj,k归入其它测量类；若将测量yj,k归入源于已存在目标的测量，在测量集合中的每个测量处理后，测量集合中yk的测量被分为两类，一类是源于已存在目标的测量，表示为另一类是其它测量，表示为其中M1,k和M2,k分别源于已存在目标测量的数目和其它测量的数目，且M1,k+M2,k＝Mk。
优选的，所述更新步骤具体包括：根据前一时刻已存在的各个目标在当前时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及当前时刻源于已存在目标的测量集合利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率；
其中，所述利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率的步骤包括：
子步骤C、利用贝叶斯规则对测量处理，得到目标i对应于测量的存在概率均值向量和协方差矩阵其中在所有的M1,k个测量处理后，各个目标对应于各测量的更新边缘分布和存在概率分别为和其中i＝1,…,Nk-1，j＝1,…,M1,k；
子步骤D、设其中则k时刻目标i的更新边缘分布取为相应的存在概率取为其中i＝1,…,Nk-1，当q＝M1,k+1时有
优选的，所述生成步骤具体包括：利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
其中，所述利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标的步骤包括：
子步骤E、从中取测量从中取测量从中取测量计算得到 其中e＝1,…,M2,k-2，f＝1,…,M2,k-1，g＝1,…,M2,k，||·||2表示向量的2范数，|·|表示取绝对值，(·,·)表示两向量的内积；
子步骤F、判断条件vmin≤vf,e≤vmax、vmin≤vg,f≤vmax、ag,f,e≤amax和cg,f,e≥cmin是否满足，其中vmin、vmax、amax和cmin为4个给定的参数，分别表示最小速度、最大速度、最大加速度和夹角余弦的最小值；若4个条件同时满足，利用测量 和测量由最小二乘法得到一个新目标的在k时刻的状态均值协方差和边缘分布其中 σw为测量噪声的标准差；同时，指定新目标的存在概率取为新目标在k-1时刻的状态估计为其中新目标在k-2时刻的状态估计为其中
另一方面，本发明还提供一种适用于杂波环境的多目标跟踪系统，所述系统包括：
预测模块，用于根据前一时刻各个目标的边缘分布和存在概率，以及当前时刻与前一时刻的时间差，预测前一时刻已存在的各个目标在当前时刻的边缘分布和存在概率；
其中，以k-1表示前一时刻，k表示当前时刻，tk-1表示前一时刻的时间，tk表示当前时刻的时间，k-1时刻目标i的边缘分布和存在概率分别表示为N(xi,k-1；mi,k-1,Pi,k-1)和ρi,k-1，其中N表示高斯分布，i＝1,2,…Nk-1，xi,k-1为k-1时刻目标i的状态向量，mi,k-1和Pi,k-1分别表示k-1时刻目标i的状态均值和协方差，Nk-1为前一时刻目标的总数；
由k-1时刻目标i的边缘分布N(xi,k-1；mi,k-1,Pi,k-1)和存在概率ρi,k-1，预测k-1时刻的目标i在k时刻的边缘分布和存在概率分别为N(xi,k；mi,k|k-1,Pi,k|k-1)和ρi,k|k-1，其中mi,k|k-1＝Fi,k|k-1mi,k-1，Pi,k|k-1＝Qi,k-1+Fi,k|k-1Pi,k-1(Fi,k|k-1)T，ρi,k|k-1＝pS,k(Δtk)ρi,k-1，Fi,k|k-1为状态转移矩阵，上标T表示矩阵或向量的转置，Δtk＝tk-tk-1为k时刻与k-1时刻的时间差，Qi,k-1为k-1时刻目标i的过程噪声协方差矩阵，pS,k(Δtk)为目标的幸存概率，且T为采样周期，δ为给定的常数，i＝1,2,…Nk-1；
分类模块，用于根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量集，确定出测量集中的每个测量是否源于前一时刻已存在的目标，并分别进行归类；
更新模块，用于根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻源于已存在目标的测量，利用贝叶斯规则确定前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率；
裁减与提取模块，用于根据前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率，将存在概率小于第一阈值的目标裁减掉，同时提取存在概率大于第二阈值的目标的边缘分布作为当前时刻的输出；
生成模块，用于利用当前时刻的其它测量和其前两时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
补充模块，用于提取新目标在当前时刻的边缘分布对当前时刻的输出进行补充，并提取新目标在前两个时刻的状态估计分别对前两个时刻的输出进行补充；
合并模块，用于将在所述裁减与提取步骤中裁减后余下目标的边缘分布和存在概率，分别与在所述生成步骤中生成的新目标在当前时刻的边缘分布和存在概率进行合并，形成当前时刻各个目标的边缘分布和存在概率，并作为下一次递归的输入。
优选的，所述分类模块具体用于：根据k-1时刻已存在的目标i在k时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及k时刻的测量集合中的第j个测量yj,k，确定测量yj,k是否源于已存在目标，并分别进行归类；
其中，所述分类模块包括：
第一子模块，用于求取概率其中，Hk为观测矩阵，Rk为观测噪声方差矩阵，pD,k为目标的检测概率，λc,k为杂波密度；
第二子模块，用于若将测量yj,k归入其它测量类；若将测量yj,k归入源于已存在目标的测量，在测量集合中的每个测量处理后，测量集合中yk的测量被分为两类，一类是源于已存在目标的测量，表示为另一类是其它测量，表示为其中M1,k和M2,k分别源于已存在目标测量的数目和其它测量的数目，且M1,k+M2,k＝Mk。
优选的，所述更新模块具体用于：根据前一时刻已存在的各个目标在当前时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及当前时刻源于已存在目标的测量集合利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率；
其中，所述更新模块包括：
第三子模块，用于利用贝叶斯规则对测量处理，得到目标i对应于测量的存在概率均值向量和协方差矩阵其中在所有的M1,k个测量处理后，各个目标对应于各测量的更新边缘分布和存在概率分别为和其中i＝1,…,Nk-1，j＝1,…,M1,k；
第四子模块，用于设其中则k时刻目标i的更新边缘分布取为相应的存在概率取为其中i＝1,…,Nk-1，当q＝M1,k+1时有
优选的，所述生成模块具体用于：利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
其中，所述生成模块包括：
第五子模块，用于从中取测量从中取测量从中取测量计算得到 其中e＝1,…,M2,k-2，f＝1,…,M2,k-1，g＝1,…,M2,k，||·||2表示向量的2范数，|·|表示取绝对值，(·,·)表示两向量的内积；
第六子模块，用于判断条件vmin≤vf,e≤vmax、vmin≤vg,f≤vmax、ag,f,e≤amax和cg,f,e≥cmin是否满足，其中vmin、vmax、amax和cmin为4个给定的参数，分别表示最小速度、最大速度、最大加速度和夹角余弦的最小值；若4个条件同时满足，利用测量和测量由最小二乘法得到一个新目标的在k时刻的状态均值协方差和边缘分布其中 σw为测量噪声的标准差；同时，指定新目标的存在概率取为新目标在k-1时刻的状态估计为其中新目标在k-2时刻的状态估计为其中
本发明提供的技术方案，通过预测、分类、更新、裁减与提取、生成、补充、合并这些步骤，利用最小二乘法估计新目标在其出现后的最初3个时间步的状态估计，有效地解决了现有方法在新目标出现后的前几个时间步不能提供新目标状态估计的问题，具有处理速度快的特点，且其计算量明显小于现有方法，具有很强的实用性。
附图说明
图1为本发明一实施方式中适用于杂波环境的多目标跟踪方法流程图；
图2为本发明一实施方式中适用于杂波环境的多目标跟踪系统的内部结构示意图；
图3为本发明一实施方式中利用本发明实施例提供的传感器在50个扫描周期的测量数据图；
图4为本发明一实施方式中根据本发明适用于杂波环境下的多目标跟踪方法与高斯混合概率假设密度滤波方法经过一次实验得到的OSPA距离示意图；
图5为本发明一实施方式中根据本发明用于适用于杂波环境下的多目标跟踪方法与高斯混合概率假设密度滤波方法在经过100次实验得到的平均OSPA距离示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下将对本发明所提供的一种适用于杂波环境的多目标跟踪方法进行详细说明。
请参阅图1，为本发明一实施方式中适用于杂波环境的多目标跟踪方法流程图。
在步骤S1中，预测步骤、根据前一时刻各个目标的边缘分布和存在概率，以及当前时刻与前一时刻的时间差，预测前一时刻已存在的各个目标在当前时刻的边缘分布和存在概率。
在本实施方式中，所述预测步骤S1具体包括：
以k-1表示前一时刻，k表示当前时刻，tk-1表示前一时刻的时间，tk表示当前时刻的时间，k-1时刻目标i的边缘分布和存在概率分别表示为N(xi,k-1；mi,k-1,Pi,k-1)和ρi,k-1，其中N表示高斯分布，i＝1,2,…Nk-1，xi,k-1为k-1时刻目标i的状态向量，mi,k-1和Pi,k-1分别表示k-1时刻目标i的状态均值和协方差，Nk-1为前一时刻目标的总数；
由k-1时刻目标i的边缘分布N(xi,k-1；mi,k-1,Pi,k-1)和存在概率ρi,k-1，预测k-1时刻的目标i在k时刻的边缘分布和存在概率分别为N(xi,k；mi,k|k-1,Pi,k|k-1)和ρi,k|k-1，其中mi,k|k-1＝Fi,k|k-1mi,k-1，Pi,k|k-1＝Qi,k-1+Fi,k|k-1Pi,k-1(Fi,k|k-1)T，ρi,k|k-1＝pS,k(Δtk)ρi,k-1，Fi,k|k-1为状态转移矩阵，上标T表示矩阵或向量的转置，Δtk＝tk-tk-1为k时刻与k-1时刻的时间差，Qi,k-1为k-1时刻目标i的过程噪声协方差矩阵，pS,k(Δtk)为目标的幸存概率，且T为采样周期，δ为给定的常数，i＝1,2,…Nk-1。
在步骤S2中，分类步骤、根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量集，确定出测量集中的每个测量是否源于前一时刻已存在的目标，并分别进行归类。
在本实施方式中，所述分类步骤S2具体包括：根据k-1时刻已存在的目标i在k时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及k时刻的测量集合中的第j个测量yj,k，确定测量yj,k是否源于已存在目标，并分别进行归类；
其中，所述确定测量yj,k是否源于已存在目标，并分别进行归类的步骤包括：
子步骤A、求取概率其中，Hk为观测矩阵，Rk为观测噪声方差矩阵，pD,k为目标的检测概率，λc,k为杂波密度；
子步骤B、若将测量yj,k归入其它测量类；若将测量yj,k归入源于已存在目标的测量，在测量集合中的每个测量处理后，测量集合中yk的测量被分为两类，一类是源于已存在目标的测量，表示为另一类是其它测量，表示为其中M1,k和M2,k分别源于已存在目标测量的数目和其它测量的数目，且M1,k+M2,k＝Mk。
在步骤S3中，更新步骤、根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻源于已存在目标的测量，利用贝叶斯规则确定前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率。
在本实施方式中，所述更新步骤S3具体包括：根据前一时刻已存在的各个目标在当前时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及当前时刻源于已存在目标的测量集合利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率；
其中，所述利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率的步骤包括：
子步骤C、利用贝叶斯规则对测量处理，得到目标i对应于测量的存在概率均值向量和协方差矩阵其中在所有的M1,k个测量处理后，各个目标对应于各测量的更新边缘分布和存在概率分别为和其中i＝1,…,Nk-1，j＝1,…,M1,k；
子步骤D、设其中则k时刻目标i的更新边缘分布取为相应的存在概率取为其中i＝1,…,Nk-1，当q＝M1,k+1时有
在步骤S4中，裁减与提取步骤、根据前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率，将存在概率小于第一阈值的目标裁减掉，同时提取存在概率大于第二阈值的目标的边缘分布作为当前时刻的输出。
在步骤S5中，生成步骤、利用当前时刻的其它测量和其前两时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布。
在本实施方式中，所述生成步骤S5具体包括：利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
其中，所述利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标的步骤包括：
子步骤E、从中取测量从中取测量从中取测量计算得到 其中e＝1,…,M2,k-2，f＝1,…,M2,k-1，g＝1,…,M2,k，||·||2表示向量的2范数，|·|表示取绝对值，(·,·)表示两向量的内积；
子步骤F、判断条件vmin≤vf,e≤vmax、vmin≤vg,f≤vmax、ag,f,e≤amax和cg,f,e≥cmin是否满足，其中vmin、vmax、amax和cmin为4个给定的参数，分别表示最小速度、最大速度、最大加速度和夹角余弦的最小值；若4个条件同时满足，利用测量 和测量由最小二乘法得到一个新目标的在k时刻的状态均值协方差和边缘分布其中 σw为测量噪声的标准差；同时，指定新目标的存在概率取为新目标在k-1时刻的状态估计为其中新目标在k-2时刻的状态估计为其中
在步骤S6中，补充步骤、提取新目标在当前时刻的边缘分布对当前时刻的输出进行补充，并提取新目标在前两个时刻的状态估计分别对前两个时刻的输出进行补充。
在步骤S7中，合并步骤、将在所述裁减与提取步骤中裁减后余下目标的边缘分布和存在概率，分别与在所述生成步骤中生成的新目标在当前时刻的边缘分布和存在概率进行合并，形成当前时刻各个目标的边缘分布和存在概率，并作为下一次递归的输入。
本发明提供的一种适用于杂波环境的多目标跟踪方法，通过预测、分类、更新、裁减与提取、生成、补充、合并这些步骤，利用最小二乘法估计新目标在其出现后的最初3个时间步的状态估计，有效地解决了现有方法在新目标出现后的前几个时间步不能提供新目标状态估计的问题，具有处理速度快的特点，且其计算量明显小于现有方法，具有很强的实用性。
请参阅图2，所示为本发明一实施方式中适用于杂波环境的多目标跟踪系统10的结构示意图。
在本实施方式中，适用于杂波环境的多目标跟踪系统10，主要包括预测模块11、分类模块12、更新模块13、裁减与提取模块14、生成模块15、补充模块16以及合并模块17。
预测模块11，用于根据前一时刻各个目标的边缘分布和存在概率，以及当前时刻与前一时刻的时间差，预测前一时刻已存在的各个目标在当前时刻的边缘分布和存在概率。
在本实施方式中，所述预测模块11具体用于：
以k-1表示前一时刻，k表示当前时刻，tk-1表示前一时刻的时间，tk表示当前时刻的时间，k-1时刻目标i的边缘分布和存在概率分别表示为N(xi,k-1；mi,k-1,Pi,k-1)和ρi,k-1，其中N表示高斯分布，i＝1,2,…Nk-1，xi,k-1为k-1时刻目标i的状态向量，mi,k-1和Pi,k-1分别表示k-1时刻目标i的状态均值和协方差，Nk-1为前一时刻目标的总数；
由k-1时刻目标i的边缘分布N(xi,k-1；mi,k-1,Pi,k-1)和存在概率ρi,k-1，预测k-1时刻的目标i在k时刻的边缘分布和存在概率分别为N(xi,k；mi,k|k-1,Pi,k|k-1)和ρi,k|k-1，其中mi,k|k-1＝Fi,k|k-1mi,k-1，Pi,k|k-1＝Qi,k-1+Fi,k|k-1Pi,k-1(Fi,k|k-1)T，ρi,k|k-1＝pS,k(Δtk)ρi,k-1，Fi,k|k-1为状态转移矩阵，上标T表示矩阵或向量的转置，Δtk＝tk-tk-1为k时刻与k-1时刻的时间差，Qi,k-1为k-1时刻目标i的过程噪声协方差矩阵，pS,k(Δtk)为目标的幸存概率，且T为采样周期，δ为给定的常数，i＝1,2,…Nk-1。
分类模块12，用于根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量集，确定出测量集中的每个测量是否源于前一时刻已存在的目标，并分别进行归类。
在本实施方式中，所述分类模块12具体用于：根据k-1时刻已存在的目标i在k时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及k时刻的测量集合中的第j个测量yj,k，确定测量yj,k是否源于已存在目标，并分别进行归类；
其中，所述分类模块12包括：第一子模块和第二子模块。
第一子模块，用于求取概率其中，Hk为观测矩阵，Rk为观测噪声方差矩阵，pD,k为目标的检测概率，λc,k为杂波密度。
第二子模块，用于若将测量yj,k归入其它测量类；若将测量yj,k归入源于已存在目标的测量，在测量集合中的每个测量处理后，测量集合中yk的测量被分为两类，一类是源于已存在目标的测量，表示为另一类是其它测量，表示为其中M1,k和M2,k分别源于已存在目标测量的数目和其它测量的数目，且M1,k+M2,k＝Mk。
更新模块13，用于根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻源于已存在目标的测量，利用贝叶斯规则确定前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率。
在本实施方式中，所述更新模块13具体用于：根据前一时刻已存在的各个目标在当前时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及当前时刻源于已存在目标的测量集合利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率；
其中，所述更新模块13包括：第三子模块和第四子模块。
第三子模块，用于利用贝叶斯规则对测量处理，得到目标i对应于测量的存在概率均值向量和协方差矩阵其中在所有的M1,k个测量处理后，各个目标对应于各测量的更新边缘分布和存在概率分别为和其中i＝1,…,Nk-1，j＝1,…,M1,k。
第四子模块，用于设其中则k时刻目标i的更新边缘分布取为相应的存在概率取为其中i＝1,…,Nk-1，当q＝M1,k+1时有
裁减与提取模块14，用于根据前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率，将存在概率小于第一阈值的目标裁减掉，同时提取存在概率大于第二阈值的目标的边缘分布作为当前时刻的输出。
生成模块15，用于利用当前时刻的其它测量和其前两时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布。
在本实施方式中，所述生成模块15具体用于：利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
其中，所述生成模块15包括：第五子模块和第六子模块。
第五子模块，用于从中取测量从中取测量从中取测量计算得到 其中e＝1,…,M2,k-2，f＝1,…,M2,k-1，g＝1,…,M2,k，||·||2表示向量的2范数，|·|表示取绝对值，(·,·)表示两向量的内积。
第六子模块，用于判断条件vmin≤vf,e≤vmax、vmin≤vg,f≤vmax、ag,f,e≤amax和cg,f,e≥cmin是否满足，其中vmin、vmax、amax和cmin为4个给定的参数，分别表示最小速度、最大速度、最大加速度和夹角余弦的最小值；若4个条件同时满足，利用测量和测量由最小二乘法得到一个新目标的在k时刻的状态均值协方差和边缘分布其中 σw为测量噪声的标准差；同时，指定新目标的存在概率取为新目标在k-1时刻的状态估计为其中新目标在k-2时刻的状态估计为其中
补充模块16，用于提取新目标在当前时刻的边缘分布对当前时刻的输出进行补充，并提取新目标在前两个时刻的状态估计分别对前两个时刻的输出进行补充。
合并模块17，用于将在所述裁减与提取步骤中裁减后余下目标的边缘分布和存在概率，分别与在所述生成步骤中生成的新目标在当前时刻的边缘分布和存在概率进行合并，形成当前时刻各个目标的边缘分布和存在概率，并作为下一次递归的输入。
本发明提供的一种适用于杂波环境的多目标跟踪系统10，通过预测模块11、分类模块12、更新模块13、裁减与提取模块14、生成模块15、补充模块16以及合并模块17这些模块，利用最小二乘法估计新目标在其出现后的最初3个时间步的状态估计，有效地解决了现有方法在新目标出现后的前几个时间步不能提供新目标状态估计的问题，具有处理速度快的特点，且其计算量明显小于现有方法，具有很强的实用性。
以下通过将本发明的适用于杂波环境的多目标跟踪系统10与现有的高斯混合概率假设密度滤波器进行对比来说明本发明的有益效果。
作为本发明的一个实例，考虑二维空间[-1000m，1000m]×[-1000m，1000m]中运动的目标，目标的状态由位置和速度构成，表示为其中x和y分别表示位置分量，和分别表示速度分量，上标T表示向量的转置；过程噪声方差矩阵为其中，Δtk＝tk-tk-1为当前时刻与前一时刻的时间差，σv为过程噪声标准差；观测噪声方差矩阵σw为观测噪声的标准差；参数δ取为δ＝2.5，最小速度vmin、最大速度vmax、最大加速度amax和夹角余弦的最小值cmin分别取为vmin＝30ms-1、vmax＝80ms-1、amax＝10ms-2和cmin＝0.94。
为了产生仿真数据，取幸存概率pS,k＝1.0、检测概率pD,k＝0.95、杂波密度λc,k＝2.5×10-6m-2、过程噪声的标准差σv＝1ms-2、观测噪声的标准差σw＝2m和传感器的扫描周期T＝1s。一次实验中传感器在50个扫描周期的仿真观测数据如图3所示。
为了处理仿真数据，将本发明与高斯混合概率假设密度滤波器的相关参数设置为pS,k＝1.0、pD,k＝0.95、λc,k＝2.5×10-6m-2、σw＝2m、σv＝1ms-2、第一阈值为10-3、第二阈值为0.5、高斯混合概率假设密度滤波器新目标的权重为wγ＝0.1，新目标的协方差为图4为用现有的高斯混合概率假设密度滤波器与本发明对图3中的数据处理得到的最优亚模式分配(Optimal Subpattern Assignment，OSPA)距离。图5为用现有的高斯混合概率假设密度滤波器与本发明分别进行50次Monte Carlo实验得到的平均OSPA距离。
现有的高斯混合概率假设密度滤波器与本发明的实验结果比较表明，本发明的方法可以获得更为精确和可靠的目标状态估计、其OSPA距离比现有的这种方法得到的OSPA距离要小，特别在多目标出现的最初时刻(t＝1s至t＝16s)，OSPA距离减小更为明显。
表1
表1显示了现有的高斯混合概率假设密度滤波器与本发明在50次实验中得到的一次实验的平均执行时间，结果表明本发明的平均执行时间明显小于现有的高斯混合概率假设密度滤波器。
本发明提供的技术方案，通过预测、分类、更新、裁减与提取、生成、补充、合并这些步骤，利用最小二乘法估计新目标在其出现后的最初3个时间步的状态估计，有效地解决了现有方法在新目标出现后的前几个时间步不能提供新目标状态估计的问题，具有处理速度快的特点，且其计算量明显小于现有方法，具有很强的实用性。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种适用于杂波环境的多目标跟踪方法，其特征在于，所述方法包括：
预测步骤、根据前一时刻各个目标的边缘分布和存在概率，以及当前时刻与前一时刻的时间差，预测前一时刻已存在的各个目标在当前时刻的边缘分布和存在概率；
其中，以k-1表示前一时刻，k表示当前时刻，tk-1表示前一时刻的时间，tk表示当前时刻的时间，k-1时刻目标i的边缘分布和存在概率分别表示为N(xi,k-1；mi,k-1,Pi,k-1)和ρi,k-1，其中N表示高斯分布，i＝1,2,…Nk-1，xi,k-1为k-1时刻目标i的状态向量，mi,k-1和Pi,k-1分别表示k-1时刻目标i的状态均值和协方差，Nk-1为前一时刻目标的总数；
由k-1时刻目标i的边缘分布N(xi,k-1；mi,k-1,Pi,k-1)和存在概率ρi,k-1，预测k-1时刻的目标i在k时刻的边缘分布和存在概率分别为N(xi,k；mi,k|k-1,Pi,k|k-1)和ρi,k|k-1，其中mi,k|k-1＝Fi,k|k-1mi,k-1，Pi,k|k-1＝Qi,k-1+Fi,k|k-1Pi,k-1(Fi,k|k-1)T，ρi,k|k-1＝pS,k(Δtk)ρi,k-1，Fi,k|k-1为状态转移矩阵，上标T表示矩阵或向量的转置，Δtk＝tk-tk-1为k时刻与k-1时刻的时间差，Qi,k-1为k-1时刻目标i的过程噪声协方差矩阵，pS,k(Δtk)为目标的幸存概率，且T为采样周期，δ为给定的常数，i＝1,2,…Nk-1；
分类步骤、根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量集，确定出测量集中的每个测量是否源于前一时刻已存在的目标，并分别进行归类；
更新步骤、根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻源于已存在目标的测量，利用贝叶斯规则确定前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率；
裁减与提取步骤、根据前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率，将存在概率小于第一阈值的目标裁减掉，同时提取存在概率大于第二阈值的目标的边缘分布作为当前时刻的输出；
生成步骤、利用当前时刻的其它测量和其前两时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
补充步骤、提取新目标在当前时刻的边缘分布对当前时刻的输出进行补充，并提取新目标在前两个时刻的状态估计分别对前两个时刻的输出进行补充；
合并步骤、将在所述裁减与提取步骤中裁减后余下目标的边缘分布和存在概率，分别与在所述生成步骤中生成的新目标在当前时刻的边缘分布和存在概率进行合并，形成当前时刻各个目标的边缘分布和存在概率，并作为下一次递归的输入；
所述分类步骤具体包括：根据k-1时刻已存在的目标i在k时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及k时刻的测量集合中的第j个测量yj,k，确定测量yj,k是否源于已存在目标，并分别进行归类；
其中，所述确定测量yj,k是否源于已存在目标，并分别进行归类的步骤包括：
子步骤A、求取概率其中，Hk为观测矩阵，Rk为观测噪声方差矩阵，pD,k为目标的检测概率，λc,k为杂波密度；
子步骤B、若将测量yj,k归入其它测量类；若将测量yj,k归入源于已存在目标的测量，在测量集合中的每个测量处理后，测量集合中yk的测量被分为两类，一类是源于已存在目标的测量，表示为另一类是其它测量，表示为其中M1,k和M2,k分别源于已存在目标测量的数目和其它测量的数目，且M1,k+M2,k＝Mk；
所述生成步骤具体包括：利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
其中，所述利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标的步骤包括：
子步骤E、从中取测量从中取测量从中取测量计算得到 其中e＝1,…,M2,k-2，f＝1,…,M2,k-1，g＝1,…,M2,k，||·||2表示向量的2范数，|·|表示取绝对值，(·,·)表示两向量的内积；
子步骤F、判断条件vmin≤vf,e≤vmax、vmin≤vg,f≤vmax、ag,f,e≤amax和cg,f,e≥cmin是否满足，其中vmin、vmax、amax和cmin为4个给定的参数，分别表示最小速度、最大速度、最大加速度和夹角余弦的最小值；若4个条件同时满足，利用测量 和测量由最小二乘法得到一个新目标的在k时刻的状态均值协方差和边缘分布其中 σw为测量噪声的标准差；同时，指定新目标的存在概率取为新目标在k-1时刻的状态估计为其中新目标在k-2时刻的状态估计为其中
2.如权利要求1所述的适用于杂波环境的多目标跟踪方法，其特征在于，所述更新步骤具体包括：根据前一时刻已存在的各个目标在当前时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及当前时刻源于已存在目标的测量集合利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率；
其中，所述利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率的步骤包括：
子步骤C、利用贝叶斯规则对测量处理，得到目标i对应于测量的存在概率均值向量和协方差矩阵其中在所有的M1,k个测量处理后，各个目标对应于各测量的更新边缘分布和存在概率分别为和其中i＝1,…,Nk-1，j＝1,…,M1,k；
子步骤D、设其中则k时刻目标i的更新边缘分布取为相应的存在概率取为其中i＝1,…,Nk-1，当q＝M1,k+1时有
3.一种适用于杂波环境的多目标跟踪系统，其特征在于，所述系统包括：
预测模块，用于根据前一时刻各个目标的边缘分布和存在概率，以及当前时刻与前一时刻的时间差，预测前一时刻已存在的各个目标在当前时刻的边缘分布和存在概率；
其中，以k-1表示前一时刻，k表示当前时刻，tk-1表示前一时刻的时间，tk表示当前时刻的时间，k-1时刻目标i的边缘分布和存在概率分别表示为N(xi,k-1；mi,k-1,Pi,k-1)和ρi,k-1，其中N表示高斯分布，i＝1,2,…Nk-1，xi,k-1为k-1时刻目标i的状态向量，mi,k-1和Pi,k-1分别表示k-1时刻目标i的状态均值和协方差，Nk-1为前一时刻目标的总数；
由k-1时刻目标i的边缘分布N(xi,k-1；mi,k-1,Pi,k-1)和存在概率ρi,k-1，预测k-1时刻的目标i在k时刻的边缘分布和存在概率分别为N(xi,k；mi,k|k-1,Pi,k|k-1)和ρi,k|k-1，其中mi,k|k-1＝Fi,k|k-1mi,k-1，Pi,k|k-1＝Qi,k-1+Fi,k|k-1Pi,k-1(Fi,k|k-1)T，ρi,k|k-1＝pS,k(Δtk)ρi,k-1，Fi,k|k-1为状态转移矩阵，上标T表示矩阵或向量的转置，Δtk＝tk-tk-1为k时刻与k-1时刻的时间差，Qi,k-1为k-1时刻目标i的过程噪声协方差矩阵，pS,k(Δtk)为目标的幸存概率，且T为采样周期，δ为给定的常数，i＝1,2,…Nk-1；
分类模块，用于根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量集，确定出测量集中的每个测量是否源于前一时刻已存在的目标，并分别进行归类；
更新模块，用于根据前一时刻已存在的各个目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻源于已存在目标的测量，利用贝叶斯规则确定前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率；
裁减与提取模块，用于根据前一时刻已存在的各个目标在当前时刻的更新边缘分布和更新存在概率，将存在概率小于第一阈值的目标裁减掉，同时提取存在概率大于第二阈值的目标的边缘分布作为当前时刻的输出；
生成模块，用于利用当前时刻的其它测量和其前两时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
补充模块，用于提取新目标在当前时刻的边缘分布对当前时刻的输出进行补充，并提取新目标在前两个时刻的状态估计分别对前两个时刻的输出进行补充；
合并模块，用于将在所述裁减与提取步骤中裁减后余下目标的边缘分布和存在概率，分别与在所述生成步骤中生成的新目标在当前时刻的边缘分布和存在概率进行合并，形成当前时刻各个目标的边缘分布和存在概率，并作为下一次递归的输入；
所述分类模块具体用于：根据k-1时刻已存在的目标i在k时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及k时刻的测量集合yk＝(y1,k,…,yMk,k)中的第j个测量yj,k，确定测量yj,k是否源于已存在目标，并分别进行归类；
其中，所述分类模块包括：
第一子模块，用于求取概率其中，Hk为观测矩阵，Rk为观测噪声方差矩阵，pD,k为目标的检测概率，λc,k为杂波密度；
第二子模块，用于若将测量yj,k归入其它测量类；若将测量yj,k归入源于已存在目标的测量，在测量集合中的每个测量处理后，测量集合中yk的测量被分为两类，一类是源于已存在目标的测量，表示为另一类是其它测量，表示为其中M1,k和M2,k分别源于已存在目标测量的数目和其它测量的数目，且M1,k+M2,k＝Mk；
所述生成模块具体用于：利用k时刻的其它测量k-1时刻的其它测量和k-2时刻的其它测量产生新目标，并利用最小二乘法估计新目标在当前时刻的状态均值、协方差和边缘分布；
其中，所述生成模块包括：
第五子模块，用于从中取测量从中取测量从中取测量计算得到 其中e＝1,…,M2,k-2，f＝1,…,M2,k-1，g＝1,…,M2,k，||·||2表示向量的2范数，|·|表示取绝对值，(·,·)表示两向量的内积；
第六子模块，用于判断条件vmin≤vf,e≤vmax、vmin≤vg,f≤vmax、ag,f,e≤amax和cg,f,e≥cmin是否满足，其中vmin、vmax、amax和cmin为4个给定的参数，分别表示最小速度、最大速度、最大加速度和夹角余弦的最小值；若4个条件同时满足，利用测量和测量由最小二乘法得到一个新目标的在k时刻的状态均值协方差和边缘分布其中 σw为测量噪声的标准差；同时，指定新目标的存在概率取为新目标在k-1时刻的状态估计为其中新目标在k-2时刻的状态估计为其中
4.如权利要求3所述的适用于杂波环境的多目标跟踪系统，其特征在于，所述更新模块具体用于：根据前一时刻已存在的各个目标在当前时刻的预测边缘分布N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，以及当前时刻源于已存在目标的测量集合利用贝叶斯规则确定当前时刻各个已存在目标的更新边缘分布和存在概率；
其中，所述更新模块包括：
第三子模块，用于利用贝叶斯规则对测量处理，得到目标i对应于测量的存在概率均值向量和协方差矩阵其中在所有的M1,k个测量处理后，各个目标对应于各测量的更新边缘分布和存在概率分别为和其中i＝1,…,Nk-1，j＝1,…,M1,k；
第四子模块，用于设其中则k时刻目标i的更新边缘分布取为相应的存在概率取为其中i＝1,…,Nk-1，当时有
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610820697 | 2016-09-13 | ||
| CN2016108206976 | 2016-09-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106405538A CN106405538A (zh) | 2017-02-15 |
| CN106405538B true CN106405538B (zh) | 2018-11-20 |
Family
ID=58013616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610942027.1A Expired - Fee Related CN106405538B (zh) | 2016-09-13 | 2016-11-01 | 一种适用于杂波环境的多目标跟踪方法及跟踪系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106405538B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018049602A1 (zh) * | 2016-09-14 | 2018-03-22 | 深圳大学 | 一种适用于杂波环境的多目标跟踪方法及跟踪系统 |
| CN108921870B (zh) * | 2018-07-03 | 2019-08-09 | 深圳大学 | 三维空间转弯机动目标的轨迹起始方法及装置 |
| CN109800721B (zh) * | 2019-01-24 | 2020-10-23 | 深圳大学 | 一种多目标跟踪方法及系统 |
| CN110376581B (zh) * | 2019-06-24 | 2022-03-25 | 河海大学 | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 |
| CN110501671B (zh) * | 2019-08-30 | 2021-04-13 | 深圳大学 | 一种基于测量分配的目标跟踪方法及装置 |
| JP7197456B2 (ja) * | 2019-10-15 | 2022-12-27 | 株式会社Soken | 物体追跡装置 |
| CN112906743B (zh) * | 2021-01-19 | 2021-11-19 | 中国人民解放军国防科技大学 | 一种快速多传感器集势概率假设密度滤波方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6226409B1 (en) * | 1998-11-03 | 2001-05-01 | Compaq Computer Corporation | Multiple mode probability density estimation with application to sequential markovian decision processes |
| 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 |
| CN104318059A (zh) * | 2014-09-24 | 2015-01-28 | 深圳大学 | 用于非线性高斯系统的目标跟踪方法和跟踪系统 |
| CN104867163A (zh) * | 2015-05-28 | 2015-08-26 | 深圳大学 | 一种传递边缘分布的测量驱动目标跟踪方法与跟踪系统 |
| 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 |
-
2016
- 2016-11-01 CN CN201610942027.1A patent/CN106405538B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6226409B1 (en) * | 1998-11-03 | 2001-05-01 | Compaq Computer Corporation | Multiple mode probability density estimation with application to sequential markovian decision processes |
| 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 |
| CN104318059A (zh) * | 2014-09-24 | 2015-01-28 | 深圳大学 | 用于非线性高斯系统的目标跟踪方法和跟踪系统 |
| CN104867163A (zh) * | 2015-05-28 | 2015-08-26 | 深圳大学 | 一种传递边缘分布的测量驱动目标跟踪方法与跟踪系统 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Online visual multi-object tracking based on fuzzy logic;Liang-qun Li et al.;《Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD)》;20160815;1001-1005 * |
| 狄拉克加权和概率假设密度滤波器;刘宗香 等;《信号处理》;20150515;505-513 * |
| 非线性高斯系统边缘分布多目标贝叶斯滤波器;刘宗香 等;《电子学报》;20150915;1689-1695 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106405538A (zh) | 2017-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106405538B (zh) | 一种适用于杂波环境的多目标跟踪方法及跟踪系统 | |
| CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
| Kirubarajan et al. | Bearings-only tracking of maneuvering targets using a batch-recursive estimator | |
| CN103729854B (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
| Reuter | Multi-object tracking using random finite sets | |
| US10935653B2 (en) | Multi-target tracking method and tracking system applicable to clutter environment | |
| CN105719312A (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 | |
| Wang et al. | Knowledge-aided parametric adaptive matched filter with automatic combining for covariance estimation | |
| Ruiz et al. | Partial least square/projection to latent structures (PLS) regression to estimate impact localization in structures | |
| WO2018098926A1 (zh) | 一种适用于闪烁噪声的多目标跟踪方法及系统 | |
| Qiao et al. | Human activity classification based on micro-Doppler signatures separation | |
| Gader et al. | Feature analysis for the NIITEK ground-penetrating radar using order-weighted averaging operators for landmine detection | |
| Scionti et al. | Tools to improve detection of structural changes from in-flight flutter data | |
| CN104240542B (zh) | 一种基于地磁传感器网络的机场场面机动目标识别方法 | |
| Ilisei et al. | A technique for the automatic estimation of ice thickness and bedrock properties from radar sounder data acquired at Antarctica | |
| Yuksel et al. | Hierarchical methods for landmine detection with wideband electro-magnetic induction and ground penetrating radar multi-sensor systems | |
| Makkonen et al. | Improving reliability for classification of metallic objects using a WTMD portal | |
| CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
| Schoenecker et al. | Extreme-value analysis for mlML-PMHT, Part 2: target trackability | |
| Hu et al. | EMI-based classification of multiple closely spaced subsurface objects via independent component analysis | |
| Liu et al. | A recognition method for time-frequency overlapped waveform-agile radar signals based on matrix transformation and multi-scale center point detection | |
| Chen et al. | Multi-target joint detection, tracking and classification with merged measurements using generalized labeled multi-Bernoulli filter | |
| Koch | On Indistinguishability and Antisymmetry Properties in Multiple Target Tracking. | |
| Gorji et al. | Tracking multiple unresolved targets using MIMO radars | |
| Tennisson | Support Vector Machine for real time analysis of rocks and structures |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181120 Termination date: 20191101 |