CN106443661A - 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 - Google Patents
基于无迹卡尔曼滤波的机动扩展目标跟踪方法 Download PDFInfo
- Publication number
- CN106443661A CN106443661A CN201610809777.1A CN201610809777A CN106443661A CN 106443661 A CN106443661 A CN 106443661A CN 201610809777 A CN201610809777 A CN 201610809777A CN 106443661 A CN106443661 A CN 106443661A
- Authority
- CN
- China
- Prior art keywords
- target
- maneuvering
- model
- time
- extension
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 22
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，属于雷达机动目标跟踪领域，本发明的方法包括：根据高分辨率距离像量测信息的特点以及扩展目标的机动特性，利用支撑函数精确描述扩展目标的各种机动模式，最后基于无迹卡尔曼滤波与多模型算法相结合实现机动扩展目标运动状态和扩展形态的联合跟踪。本发明的方法可快速准确地利用高分辨率雷达距离像量测信息，对机动扩展目标的运动状态和扩展形态进行精确的联合估计，易于工程实现，具有较强的工程应用价值和推广前景。
Description
技术领域
本发明属于雷达机动扩展目标跟踪领域，涉及到扩展目标运动状态和扩展形态的联合估计，即基于无迹卡尔曼滤波的机动扩展目标跟踪方法。
背景技术
随着现代传感器分辨率的不断增强，在一些跟踪场景中目标不再被认为是个点源，因为除了基本的运动量测，高分辨率雷达还能提供目标的部分特征信息。这些特征信息有助于提高目标跟踪和识别的精度。
例如在一定信噪比的条件下，通过使用高距离分辨率雷达来对目标进行检测，目标的特征反射在雷达视线上所产生的的一维投影，即为目标距离像。因此，高精度雷达不但可以通过回波获取目标的径向距离、速度以及俯仰角等运动量测信息，而且还能测量出目标的宽度或大小等形状信息。在这种情况下，运动体不再被认为是点目标，而是通常被认为是具有一点扩展形态的扩展目标。近十年来，扩展目标跟踪已经成为一个研究热点。
然而，由于扩展目标真实机动过程本身所具有的复杂性，如何使用精确的数学模型来精确表征目标运动状态和扩展形态的演化过程，特别是当扩展目标机发生动时，其测量方程和运动方程都是复杂的非线性方程，这给机动扩展目标跟踪带来了困难。因此实现本发明的过程中，发明人根据距离像量测基于无迹卡尔曼滤波来对机动扩展目标的运动状态和形态进行联合跟踪，主要解决了：机动扩展目标的运动状态和扩展形态的整体描述，特别是建立目标扩展形态的时间演化模型以分别描述不同形态时间上的连续变化，并充分考虑到单一模型无法对整个机动过程充分表征，基于无迹卡尔曼滤波并采用混合系统多模型的建模思想两者相结合的方式以提到扩展目标跟踪精度。
发明内容
本发明的目的是提供一种机动扩展目标跟踪方法，所述的基于无迹卡尔曼滤波的跟踪方法，不但能够对机动过程中的扩展目标运动状态和扩展形态进行有效描述，而且可以将其整合到多模型框架中以最终得到用以描述机动扩展目标的混合系统，从而实现精确估计目标运动状态和扩展形态的目的。
本发明所采用的技术方案是：一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，包括以下步骤：
步骤一、对扩展目标运动状态与扩展形态参数进行初始化；
步骤二、依据扩展目标距离像测量的特点利用支撑函数建立机动扩展目标形态的过程；
步骤三、根据扩展目标的机动特性，使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述；
步骤四、基于无迹卡尔曼滤波与多模型算法相结合建立机动扩展目标系统模型集，从而实现机动扩展目标运动状态和扩展形态的联合跟踪。
假定机动扩展目标在k时刻的状态向量为 ， 在k时刻的的参数初始化由运动状态与扩展形态参数联合表征，，式中，是目标的扩展形态参数向量，表示质心运动状态，T表示状态向量的转置，其中，，与分别表示目标在k时刻在笛卡尔坐标平面内的位置与速度。
所述利用支撑函数建立机动扩展目标形态的过程如下：
步骤301、建立椭圆形扩展目标模型，并使用一个对称半正定矩阵来近似表征其目标形态， 其中，、 分别表示形态参数向量中的各个分量，k表示为时刻；
步骤302、利用公式来表征沿视线角方向上椭圆形目标的支撑函数；
步骤303、假定目标模型的纵向距离像为，横向距离像为，根据步骤301和步骤302，利用公式和来计算目标模型k时刻的纵向距离像为和横向距离像为。
根据扩展目标的机动特性，使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述如下：
步骤401、首先假定扩展目标在笛卡尔平面内作转弯运动，矩阵由质心运动状态转移矩阵和目标扩展形态转移矩阵两部分组成，那么其动态模型由下式表示：，其中，，，代表旋转角度，k-1代表时刻，代表系统过程噪声；
步骤402、利用以下方程表示k时刻的目标运动量测，，其中，代表径向距离，表示方位角，表示噪声。
所述步骤四包括以下过程：
步骤501、假定扩展目标发生机动时的采用以下的离散时间马尔科夫跳变系统：，式中，上标表示模型集中的第个模型，表示过程噪声，k时刻系统模式所匹配的模型的转移概率为，其中，表示k+1时刻的第j个模型，表示k时刻的第i个模型；
步骤502、对步骤501中的机动扩展目标模型集进行初始化，得到时刻的状态估计和误差协方差，其中，，e,(i)代表第i个模型的形态参数向量，T代表整个状态向量的转置；
步骤503、使用无迹卡尔曼滤波器，对每个所匹配的扩展目标模型，条件进行滤波，得到时刻目标运动状态和形态的无迹卡尔曼滤波结果和；
步骤504、假定在k-1时刻的匹配机动模型为，在k时刻的匹配机动模型是，那么预测模型概率，其中混合模型概率，相应的，根据无迹卡尔曼滤波器初始化扩展目标的状态估计和误差协方差，；
步骤505、假定，那么机动扩展目标状态的一步预测及其预测误差协方差矩阵分别为，，其中，和为过程噪声的前两阶矩，根据无迹变换可求得量测一步预测为，其中和为量测噪声的前两阶矩；
步骤506、使用无迹变换样点通过对非线性函数传播可得，而状态预测误差与量测预测误差之间的协方差阵
，最后在k时刻的目标状态滤波的更新公式为；
预测误差的协方差阵
，
而时刻的卡尔曼滤波增益阵
，
其中，为使用无迹卡尔曼滤波更新后的目标运动状态和扩展形态，为量测误差的协方差阵；假定k-1时刻每个模型，的先验概率为，那么其后验概率可以通过贝叶斯公式推导得出，其中代表零时刻到k时刻的所有量测；
步骤507、根据步骤506推导出的后验概率求出扩展目标总体估计和估计误差协方差阵；。
本发明的有益效果：本发明不但能够对机动过程中的扩展目标运动状态和扩展形态进行有效描述，而且可以将其整合到多模型框架中以最终得到用以描述机动扩展目标的混合系统，从而实现对扩展目标发生机动时运动状态与扩展形态的变化情况时进行精确实时地估计，易于工程实现，具有较强的工程应用价值和推广前景。
附图说明
图1是本发明实施方式的流程图；
图2扩展目标跟踪轨迹图；
图3 扩展目标位置的均方根误差结果；
图4 扩展目标速度的均方根误差结果；
图5 扩展目标形态的豪斯多夫距离对比结果图。
具体实施方式
如图所示，一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，包括以下步骤：
步骤一、对扩展目标运动状态与扩展形态参数进行初始化；
步骤二、依据扩展目标距离像测量的特点利用支撑函数建立机动扩展目标形态的过程；
步骤三、根据扩展目标的机动特性，使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述；
步骤四、基于无迹卡尔曼滤波与多模型算法相结合建立机动扩展目标系统模型集，从而实现机动扩展目标运动状态和扩展形态的联合跟踪。
假定机动扩展目标在k时刻的状态向量为， 在k时刻的的参数初始化由运动状态与扩展形态参数联合表征，，式中，是目标的扩展形态参数向量，表示质心运动状态，T表示状态向量的转置，其中，，与分别表示目标在k时刻在笛卡尔坐标平面内的位置与速度。
所述利用支撑函数建立机动扩展目标形态的过程如下：
步骤301、建立椭圆形扩展目标模型，并使用一个对称半正定矩阵来近似表征其目标形态， 其中，、 分别表示为描述形态参数向量中各个分量，k表示为时刻；
步骤302、利用公式来表征沿视线角方向上椭圆形目标的支撑函数；
步骤303、假定目标模型的纵向距离像为，横向距离像为，根据步骤301和步骤302，利用公式和来计算目标模型k时刻的纵向距离像为和横向距离像为。
根据扩展目标的机动特性，使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述如下：
步骤401、首先假定扩展目标在笛卡尔平面内作转弯运动，矩阵由质心运动状态转移矩阵和目标扩展形态转移矩阵两部分组成，那么其动态模型由下式表示：，其中，，，代表旋转角度，k-1代表时刻，代表过程噪声；
步骤402、利用以下方程表示k时刻的目标运动量测，，其中，代表径向距离，表示方位角，表示噪声。
所述步骤四包括以下过程：
步骤501、在现实跟踪场景中，其运动模式往往用多个机动模型来表征，特别是当扩展目标发生机动时，其运动状态往往会产生剧烈的变化。因此，采用以下的离散时间马尔科夫跳变系统：，式中，上标表示模型集中的第个模型，表示过程噪声，k时刻系统模式所匹配的模型的转移概率为，其中，表示k+1时刻的第j个模型，表示k时刻的第i个模型；
步骤502、对步骤501中的机动扩展目标模型集进行初始化，得到时刻的状态估计和误差协方差，其中，，e,(i)代表第i个模型的形态参数向量，T代表整个状态向量的转置；
步骤503、基于无迹卡尔曼滤波的机动扩展目标跟踪算法首先运行与每个目标模型相匹配的无迹卡尔曼滤波器，然后分别计算得到k时刻的状态估计和误差协方差；假设在时刻与每个机动模型所匹配的无迹卡尔曼滤波器初始条件 和已知，即。那么在时刻的和可以根据与每个机动扩展目标模型相匹配的无迹卡尔曼滤波器，对模型条件进行滤波；
步骤504、假定在k-1时刻的匹配机动模型为，在k时刻的匹配机动模型是，那么预测模型概率，其中混合模型概率，相应的，根据无迹卡尔曼滤波器初始化扩展目标的状态估计和误差协方差，；
步骤505、假定，那么机动扩展目标状态的一步预测及其预测误差协方差矩阵分别为，，其中，和为过程噪声的前两阶矩，根据无迹变换可求得量测一步预测为，其中和为量测噪声的前两阶矩；
步骤506、使用无迹变换样点通过对非线性函数传播可得，而状态预测误差与量测预测误差之间的协方差阵
，最后在k时刻的目标状态滤波的更新公式为；
预测误差的协方差阵
，
而时刻的卡尔曼滤波增益阵
，
其中，为使用无迹卡尔曼滤波更新后的目标运动状态和扩展形态，为量测误差的协方差阵；假定k-1时刻每个模型，的先验概率为，那么其后验概率可以通过贝叶斯公式推导得出，其中代表零时刻到k时刻的所有量测；
步骤507、根据步骤506推导出的后验概率求出扩展目标总体估计和估计误差协方差阵；。
本发明用于跟踪机动扩展目标跟踪的效果可以通过以下仿真实验进一步说明：
1、 仿真场景及参数
考虑如下的仿真场景，一个椭圆扩展目标沿着图2中所示的轨迹运动，途中进行了一次转弯机动。那么目标模式状态包含两个元素：一个近匀速运动和一个转弯机动，其转弯速率为。目标的长短轴长度分别为50m和，其初始运动状态为，高分辨率雷达观测点始终位于笛卡尔坐标平面的原点，它提供目标的运动量测（径向距离，方位角），以及纵向距离像和横向距离像，采样周期。
2、仿真内容及结果分析
图2给出了此场景中的椭圆目标与矩形目标的跟踪轨迹，另外此场景中的扩展目标跟踪的运动状态性能对比分别如图3和图4所示。本发明中采用均方根误差（RMSE）作为指标来评估基于无迹卡尔曼滤波的机动扩展目标运动状态（目标位置与速度）的估计性能，此外，本发明使用豪斯多夫距离来评价估计形态与真实形态之间的相似程度，豪斯多夫距离越小，表明估计出的目标形态就越接近真实目标形态。如图5如示，豪斯多夫距离的对比结果表明目标扩展形态得以精确估计。总的来说，本发明中的基于无迹卡尔曼滤波的机动扩展目标跟踪方法能够对目标的运动状态和扩展形态精确估计。
Claims (5)
1.一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，其特征在于：包括以下步骤：
步骤一、对扩展目标运动状态与扩展形态参数进行初始化；
步骤二、依据扩展目标距离像测量的特点利用支撑函数建立机动扩展目标形态的过程；
步骤三、根据扩展目标的机动特性，使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述；
步骤四、基于无迹卡尔曼滤波与多模型算法相结合建立机动扩展目标系统模型集，从而实现机动扩展目标运动状态和扩展形态的联合跟踪。
2.如权利要求1所述的一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，其特征在于：假定机动扩展目标在k时刻的状态向量为， 在k时刻的的参数初始化由运动状态与扩展形态参数联合表征，，式中，是目标的扩展形态参数向量，表示质心运动状态，T表示状态向量的转置，其中， ，与分别表示目标在k时刻在笛卡尔坐标平面内的位置与速度。
3.如权利要求2所述的一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，其特征在于：所述利用支撑函数建立机动扩展目标形态的过程如下：
步骤301、建立椭圆形扩展目标模型，并使用一个对称半正定矩阵来近似表征其目标形态， 其中，、 分别表示形态参数向量中的各个分量，k表示为时刻；
步骤302、利用公式来表征沿视线角方向上椭圆形目标的支撑函数；
步骤303、假定目标模型的纵向距离像为，横向距离像为，根据步骤301和步骤302，利用公式和来计算目标模型k时刻的纵向距离像为和横向距离像为。
4.如权利要求3所述的一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，其特征在于：根据扩展目标的机动特性，使用支撑函数通过扩展目标的运动状态和扩展形态联合建模以对各机动模式进行精确描述如下：
步骤401、首先假定扩展目标在笛卡尔平面内作转弯运动，矩阵由质心运动状态转移矩阵和目标扩展形态转移矩阵两部分组成，那么其动态模型由下式表示：，其中，，，代表旋转角度，k-1代表时刻，代表系统过程噪声；
步骤402、利用以下方程表示k时刻的目标运动量测，，其中，代表径向距离，表示方位角，表示噪声。
5.如权利要求4所述的一种基于无迹卡尔曼滤波的机动扩展目标跟踪方法，其特征在于：所述步骤四包括以下过程：
步骤501、假定扩展目标发生机动时的采用以下的离散时间马尔科夫跳变系统：，式中，上标表示模型集中的第个模型，表示过程噪声，k时刻系统模式所匹配的模型的转移概率为，其中，表示k+1时刻的第j个模型，表示k时刻的第i个模型；
步骤502、对步骤501中的机动扩展目标模型集进行初始化，得到时刻的状态估计和误差协方差，其中，，e,(i)代表第i个模型的形态参数向量，T代表整个状态向量的转置；
步骤503、使用无迹卡尔曼滤波器，对每个所匹配的扩展目标模型，条件进行滤波，得到时刻目标运动状态和形态的无迹卡尔曼滤波结果和；
步骤504、假定在k-1时刻的匹配机动模型为，在k时刻的匹配机动模型是，那么预测模型概率，其中混合模型概率，相应的，根据无迹卡尔曼滤波器初始化扩展目标的状态估计和误差协方差，；
步骤505、假定，那么机动扩展目标状态的一步预测及其预测误差协方差矩阵分别为，，其中，和为过程噪声的前两阶矩，根据无迹变换可求得量测一步预测为，其中和为量测噪声的前两阶矩；
步骤506、使用无迹变换样点通过对非线性函数传播可得，而状态预测误差与量测预测误差之间的协方差阵
，最后在k时刻的目标状态滤波的更新公式为；
预测误差的协方差阵
，
而时刻的卡尔曼滤波增益阵
，
其中，为使用无迹卡尔曼滤波更新后的目标运动状态和扩展形态，为量测误差的协方差阵；假定k-1时刻每个模型，的先验概率为，那么其后验概率可以通过贝叶斯公式推导得出，其中代表零时刻到k时刻的所有量测；
步骤507、根据步骤506推导出的后验概率求出扩展目标总体估计和估计误差协方差阵；。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610809777.1A CN106443661B (zh) | 2016-09-08 | 2016-09-08 | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610809777.1A CN106443661B (zh) | 2016-09-08 | 2016-09-08 | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106443661A true CN106443661A (zh) | 2017-02-22 |
| CN106443661B CN106443661B (zh) | 2019-07-19 |
Family
ID=58165402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610809777.1A Active CN106443661B (zh) | 2016-09-08 | 2016-09-08 | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106443661B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874701A (zh) * | 2017-04-10 | 2017-06-20 | 哈尔滨工业大学 | 一种基于模型切换次数受限的多模型机动目标跟踪滤波方法 |
| CN107102306A (zh) * | 2017-06-09 | 2017-08-29 | 河南科技大学 | 转弯速率未知的机动不规则扩展目标建模方法及跟踪算法 |
| CN107132513A (zh) * | 2017-03-31 | 2017-09-05 | 西安电子科技大学 | 基于相关距离的距离扩展目标检测方法 |
| CN107367718A (zh) * | 2017-07-14 | 2017-11-21 | 河南科技大学 | 一种多散射点量测下机动随机超曲面扩展目标建模方法 |
| CN108037502A (zh) * | 2017-09-28 | 2018-05-15 | 南通大学 | 一种无人船水质检测作业路径的双雷达精准定位方法 |
| CN108490927A (zh) * | 2018-01-24 | 2018-09-04 | 天津大学 | 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 |
| WO2019091448A1 (zh) * | 2017-11-10 | 2019-05-16 | 长城汽车股份有限公司 | 跟踪可移动目标的方法和装置 |
| CN110133612A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工业大学 | 一种基于跟踪反馈的扩展目标检测方法 |
| CN111596267A (zh) * | 2019-02-19 | 2020-08-28 | 通用汽车环球科技运作有限责任公司 | 通过跟踪解决雷达系统中的多普勒模糊 |
| CN111612810A (zh) * | 2020-04-03 | 2020-09-01 | 北京理工大学 | 基于多源信息融合的目标估计方法 |
| WO2020173105A1 (zh) * | 2019-02-28 | 2020-09-03 | 深圳大学 | 机动目标跟踪方法及装置 |
| CN111693984A (zh) * | 2020-05-29 | 2020-09-22 | 中国计量大学 | 一种改进的ekf-ukf动目标跟踪方法 |
| CN112163863A (zh) * | 2020-12-02 | 2021-01-01 | 北京圣点云信息技术有限公司 | 一种基于静脉识别的智能交互方法及子母环智能交互设备 |
| CN112229405A (zh) * | 2020-01-10 | 2021-01-15 | 四川傲势科技有限公司 | 一种基于图像跟踪与激光测距的无人机目标运动估计方法 |
| CN113628274A (zh) * | 2021-08-16 | 2021-11-09 | 南京理工大学工程技术研究院有限公司 | 一种基于交互式多模型无色滤波的机动目标状态估计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09264953A (ja) * | 1996-03-29 | 1997-10-07 | Mitsubishi Electric Corp | 航跡情報表示装置 |
| CN103632381A (zh) * | 2013-12-08 | 2014-03-12 | 中国科学院光电技术研究所 | 一种利用骨架提取特征点的扩展目标跟踪方法 |
| CN103729637A (zh) * | 2013-12-31 | 2014-04-16 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
| CN103839274A (zh) * | 2014-03-25 | 2014-06-04 | 中国科学院光电技术研究所 | 一种基于几何比例关系的扩展目标跟踪方法 |
| CN105913080A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于随机矩阵的机动非椭圆扩展目标的联合跟踪与分类方法 |
-
2016
- 2016-09-08 CN CN201610809777.1A patent/CN106443661B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09264953A (ja) * | 1996-03-29 | 1997-10-07 | Mitsubishi Electric Corp | 航跡情報表示装置 |
| CN103632381A (zh) * | 2013-12-08 | 2014-03-12 | 中国科学院光电技术研究所 | 一种利用骨架提取特征点的扩展目标跟踪方法 |
| CN103729637A (zh) * | 2013-12-31 | 2014-04-16 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
| CN103839274A (zh) * | 2014-03-25 | 2014-06-04 | 中国科学院光电技术研究所 | 一种基于几何比例关系的扩展目标跟踪方法 |
| CN105913080A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于随机矩阵的机动非椭圆扩展目标的联合跟踪与分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| LIFAN SUN，ET AL: "Joint Tracking and Classification of Extended Object Based on Support Functions", 《INFORMATION FUSION (FUSION), 2014 17TH INTERNATIONAL CONFERENCE ON》 * |
| 何佳: "小波粒子滤波算法在机动目标跟踪中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107132513A (zh) * | 2017-03-31 | 2017-09-05 | 西安电子科技大学 | 基于相关距离的距离扩展目标检测方法 |
| CN106874701A (zh) * | 2017-04-10 | 2017-06-20 | 哈尔滨工业大学 | 一种基于模型切换次数受限的多模型机动目标跟踪滤波方法 |
| CN106874701B (zh) * | 2017-04-10 | 2019-01-08 | 哈尔滨工业大学 | 一种基于模型切换次数受限的多模型机动目标跟踪滤波方法 |
| CN107102306A (zh) * | 2017-06-09 | 2017-08-29 | 河南科技大学 | 转弯速率未知的机动不规则扩展目标建模方法及跟踪算法 |
| CN107367718A (zh) * | 2017-07-14 | 2017-11-21 | 河南科技大学 | 一种多散射点量测下机动随机超曲面扩展目标建模方法 |
| CN107367718B (zh) * | 2017-07-14 | 2020-05-19 | 河南科技大学 | 一种多散射点量测下机动随机超曲面扩展目标建模方法 |
| CN108037502A (zh) * | 2017-09-28 | 2018-05-15 | 南通大学 | 一种无人船水质检测作业路径的双雷达精准定位方法 |
| CN108037502B (zh) * | 2017-09-28 | 2021-10-29 | 南通大学 | 一种无人船水质检测作业路径的双雷达精准定位方法 |
| WO2019091448A1 (zh) * | 2017-11-10 | 2019-05-16 | 长城汽车股份有限公司 | 跟踪可移动目标的方法和装置 |
| CN108490927A (zh) * | 2018-01-24 | 2018-09-04 | 天津大学 | 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 |
| CN111596267A (zh) * | 2019-02-19 | 2020-08-28 | 通用汽车环球科技运作有限责任公司 | 通过跟踪解决雷达系统中的多普勒模糊 |
| CN111596267B (zh) * | 2019-02-19 | 2023-06-09 | 通用汽车环球科技运作有限责任公司 | 通过跟踪解决雷达系统中的多普勒模糊 |
| WO2020173105A1 (zh) * | 2019-02-28 | 2020-09-03 | 深圳大学 | 机动目标跟踪方法及装置 |
| CN110133612B (zh) * | 2019-05-20 | 2021-04-02 | 哈尔滨工业大学 | 一种基于跟踪反馈的扩展目标检测方法 |
| CN110133612A (zh) * | 2019-05-20 | 2019-08-16 | 哈尔滨工业大学 | 一种基于跟踪反馈的扩展目标检测方法 |
| CN112229405A (zh) * | 2020-01-10 | 2021-01-15 | 四川傲势科技有限公司 | 一种基于图像跟踪与激光测距的无人机目标运动估计方法 |
| CN112229405B (zh) * | 2020-01-10 | 2024-03-26 | 四川傲势科技有限公司 | 一种基于图像跟踪与激光测距的无人机目标运动估计方法 |
| CN111612810A (zh) * | 2020-04-03 | 2020-09-01 | 北京理工大学 | 基于多源信息融合的目标估计方法 |
| CN111612810B (zh) * | 2020-04-03 | 2023-08-18 | 国网江西省电力有限公司上饶供电分公司 | 基于多源信息融合的目标估计方法 |
| CN111693984A (zh) * | 2020-05-29 | 2020-09-22 | 中国计量大学 | 一种改进的ekf-ukf动目标跟踪方法 |
| CN111693984B (zh) * | 2020-05-29 | 2023-04-07 | 中国计量大学 | 一种改进的ekf-ukf动目标跟踪方法 |
| CN112163863A (zh) * | 2020-12-02 | 2021-01-01 | 北京圣点云信息技术有限公司 | 一种基于静脉识别的智能交互方法及子母环智能交互设备 |
| CN113628274A (zh) * | 2021-08-16 | 2021-11-09 | 南京理工大学工程技术研究院有限公司 | 一种基于交互式多模型无色滤波的机动目标状态估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106443661B (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106443661B (zh) | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 | |
| 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 | |
| CN110208792B (zh) | 同时估计目标状态和轨迹参数的任意直线约束跟踪方法 | |
| CN104809326B (zh) | 一种异步传感器空间配准算法 | |
| CN108226920B (zh) | 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 | |
| CN104730537B (zh) | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 | |
| CN108802721B (zh) | 一种任意直线约束下目标跟踪方法 | |
| CN105447574B (zh) | 一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置 | |
| CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
| CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
| CN111965618B (zh) | 一种融合多普勒量测的转换量测跟踪方法及系统 | |
| CN111693984B (zh) | 一种改进的ekf-ukf动目标跟踪方法 | |
| CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
| CN112034445A (zh) | 基于毫米波雷达的车辆运动轨迹跟踪方法和系统 | |
| CN109856623B (zh) | 一种针对多雷达直线航迹线的目标状态估计方法 | |
| CN111736144B (zh) | 一种仅用距离观测的机动转弯目标状态估计方法 | |
| CN111722213B (zh) | 一种机动目标运动参数的纯距离提取方法 | |
| CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
| CN105373805A (zh) | 一种基于最大熵准则的多传感器机动目标跟踪方法 | |
| CN112986977A (zh) | 一种克服雷达扩展卡尔曼航迹滤波发散的方法 | |
| CN108320302A (zh) | 基于随机超曲面的CBMeMBer多目标跟踪方法 | |
| CN111896946A (zh) | 一种基于航迹拟合的连续时间目标跟踪方法 | |
| CN109375160B (zh) | 纯方位无源定位中一种测角误差估计方法 | |
| CN105549003A (zh) | 一种汽车雷达目标跟踪方法 | |
| CN113763434B (zh) | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20170222 Assignee: LUOYANG WANSHAN ELECTRONIC TECHNOLOGY Co.,Ltd. Assignor: HENAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2020980009733 Denomination of invention: Maneuvering extended target tracking method based on Unscented Kalman filter Granted publication date: 20190719 License type: Common License Record date: 20201222 |