CN107247257A - 一种基于似然函数近似的分布式多传感器检测前跟踪方法 - Google Patents
一种基于似然函数近似的分布式多传感器检测前跟踪方法 Download PDFInfo
- Publication number
- CN107247257A CN107247257A CN201710533269.XA CN201710533269A CN107247257A CN 107247257 A CN107247257 A CN 107247257A CN 201710533269 A CN201710533269 A CN 201710533269A CN 107247257 A CN107247257 A CN 107247257A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- likelihood function
- munderover
- 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
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Peptides Or Proteins (AREA)
Abstract
本发明公开了一种基于似然函数近似的分布式多传感器检测前跟踪方法,属于目标检测领域,特别设计了多传感器分布式融合和微弱目标检测跟踪技术领域。首先,每个本地传感器利用当前时刻回波数据计算似然函数;然后,通过多项式加权方法对似然函数进行近似并将相应近似参数传递至融合中心;最后,融合中心利用各传感器传递的近似参数对本地似然函数进行恢复,并利用恢复得到近似似然函数完成动态规划检测前跟踪算法值函数积累,实现目标检测。一方面,该方法采用分布式处理方法,本地传感器分担了一部分算法计算量降低了融合中心的计算负担。另一方面,该方法利用似然函数近似的方法解决了多传感器动态规划分布式处理中传输代价大的问题。
Description
技术领域
本发明属于目标检测领域,特别设计了多传感器分布式融合和微弱目标检测跟踪技术领域。
背景技术
由于不同传感器间的信息共享和互补,多传感器系统和传统单传感器系统相比具有更高的目标航迹估计精度、更好的容错性能等多种优势,近年来被广泛应用和研究。在多传感器系统中,目前常用的目标检测跟踪方式多为单帧检测结合后续滤波算法的模式,即:在每个时刻先对回波数据进行门限检测然后采用卡尔曼滤波等方法利用检测后的点迹数据对目标航迹进行跟踪。当目标信噪比比较高时,这种处理方法能够较好的恢复目标航迹,但当目标信噪比比较低时,由于目标往往无法在单帧检测时通过检测门限,该方法导致目标航迹断裂、目标漏检等情况。这导致系统的检测跟踪性能大大下降,即使利用多传感器系统的平台优势也无法很好的补偿。
动态规划检测前跟踪算法是近年来新提出的一种目标检测算法。它不在每个时刻对回波数据进行检测,而是直接联合处理多个扫描周期内的回波数据,避免了目标的信息损失,具有很好的微弱目标检测跟踪能力。目前,该方法也逐渐被应用的多传感器系统中,进一步提升多传感器系统的性能。多传感器动态规划检测前跟踪方法有两种实现方式:集中式和分布式。但这两种方式都存在着一定的不足。在集中式处理中,融合中心需要联合处理所有传感器多个扫描周期未门限检测的原始数据,承担严重的计算负担。在分布式处理中,各传感器首先计算本地似然函数,然后传递到融合中心进行处理,这虽然分担了一部分融合中心的计算负担,但传递所有状态似然函数至融合中心导致系统所需传输代价大大增加。
发明内容
本发明所要解决的技术问题是,提供一种能够高效实现的多传感器动态规划检测前跟踪算法。
本发明为解决上述技术问题所采用的技术方案是,一种基于似然函数近似的分布式多传感器检测前跟踪方法,包括以下步骤:
步骤1:初始化系统参数;
初始化系统参数,包括:系统包含的传感器数目M,各传感器位置Pm,m=1,…,M,传感器回波数据平面大小Nx×Ny,系统噪声分布为瑞利分布,算法联合处理周期数K,似然函数近似阶数R;初始化变量k=1;
步骤2:接收回波数据;
第m个传感器接收第k帧回波数据zk,m,并传递融合中心;其中m=1,…,M,Zk,m={zk,m(x,y),x=1…Nx,y=1…Ny}为k时刻第m个传感器所有分辨单元的量测值集合,zk,m(x,y)表示第(x,y)个分辨单元的量测值;
步骤3:计算传感器m,k时刻本地似然函数;
利用回波数据Zk,m计算当前时刻状态空间每个离散状态j=1,…,J的本地似然函数:
其中,xk,yk表示k时刻状态的x,y方向上的位置,表示对应的速度,表示第j个离散状态中的第i个元素,J表示离散状态的总个数; 分别表示(x,y)单元存在目标和不存在目标时量测的概率分布,由系统量测模型确定;
步骤4:本地似然函数近似参数计算;
在第m个传感器本地计算每个离散状态的似然函数近似参数:
αk,m=(φ′mφm)-1φ′mAm
其中,为瑞利分布参数,r=1,…,R为一组预先定义的的基础函数,R为似然函数的近似阶数,αk,m=(αk,m,0,…,αk,m,R)′,Am表示各离散状态对应的目标反射能量;
步骤5:传递本地似然函数近似参数c(Zk,m),b(zk,m(x,y)),αk,m,σk,m至融合中心;
步骤6:融合中心似然函数恢复;
融合中心利用下式估计本地似然函数值函数:
步骤7:融合中心动态规划积累;
如果k=1,对于所有离散状态初始化值函数为:
如果1<k<K,对于所有离散状态更新他们的值函数:
其中,为所有能够转移到的k-1时刻状态集合;
步骤8:迭代处理;
k=k+1;如果k≤K,执行步骤2,否则,执行步骤9;
步骤9:值函数检测;
将K时刻每个离散状态j=1…J的值函数与预先给定的检测门限进行比较,如果值函数超过检测门限,则认为是目标;否则,认为是噪声。
本发明的优点是采用分布式处理降低了多传感器动态规划检测前跟踪算法中融合中心计算复杂度,同时通过似然函数近似解决了分布式多传感器动态规划检测前跟踪算法中传输代价大的问题,在保证多传感器动态规划检测前跟踪算法检测跟踪性能几乎不受影响的同时,提高了算法实现效率降低了算法实现代价。本发明可以用于组网雷达协同探测、多基地雷达探测、MIMO雷达检测、阵列声呐等多个领域。
附图说明
图1为本发明的流程图。
图2为本发明与集中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的传输代价和融合中心计算消耗的CPU时间对比。
图3为本发明与与集中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的检测概率对比。
具体实施方式
本发明主要采用计算机仿真的方法进行验证,所有步骤、结论都在MATLAB-R2012b上验证确认。具体实施步骤如下:
步骤1)初始化系统参数:
初始化系统参数,包括:系统包含的传感器数目M=3,各传感器分别位于第(-40,0),(-30,-30)和(0,-35)分辨单元处,传感器回波数据平面大小Nx×Ny=80×80分辨单元,系统噪声分布为瑞利分布参数σk,m=1,算法联合处理周期数K=10,似然函数近似阶数R=2;初始化变量k=1。执行步骤2)。
步骤2)接收回波数据
第m(m=1,…,M)个传感器接收第k帧回波数据zk,m,并传递融合中心,执行步骤3)。
步骤3)计算传感器m(m=1,…,M)k时刻本地似然函数
利用回波数据zk,m计算当前时刻状态空间每个离散状态j=1,…,J的本地似然函数:
其中,xk,yk表示k时刻状态的x,y方向上的位置,表示对应的速度,表示中的第i个元素。p(zk,m(x,y)|H0)分别表示(x,y)单元存在目标和不存在目标时量测的概率分布,服从瑞利分布。
步骤4)本地似然函数近似参数计算
在第m(m=1,…,M)个传感器本地计算每个离散状态的似然函数近似参数:
αk,m=(φ′mφm)-1φ′mAm
其中,r=1,…,R。
步骤5)传递本地似然函数近似参数c(Zk,m),b(zk,m(x,y)),αk,m,σk,m至融合中心。
步骤6)融合中心似然函数恢复
融合中心利用下式估计本地似然函数值函数:
步骤7)融合中心动态规划积累
如果k=1,对于所有离散状态j=1,…,J初始化它们的值函数为:
如果1<k<K,对于所有离散状态j=1,…,J更新他们的值函数:
其中,为所有能够转移到的k-1时刻状态集合。
执行步骤8)
步骤8)迭代处理
k=k+1;如果k≤K,执行步骤2),否则,执行步骤9)。
步骤9)值函数检测
将K时刻每个离散状态j=1…J的值函数与预先给定的检测门限进行比较,如果值函数超过检测门限,则认为是目标;否则,认为是噪声。
从图2中可以看出,在该仿真条件下本发明与所需传输代价与集中式多传感器动态规划检测前跟踪算法基本相同,但融合中心计算量大大降低;和未采用似然函数近似的分布式动态规划检测前跟踪算法,本发明的传输代价明显减小,而融合中心计算时间有少量增加。综上所述,本发明是集中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的一种折中,平衡了二者的传输代价和融合中心计算代价,具有更高的实现效率。
图3中方法1为集中式集中式多传感器动态规划检测前跟踪算法,方法2为未采用似然函数近似的分布式动态规划检测前跟踪算法。为从图3中可以看出,本发明的检测概率与中式多传感器动态规划检测前跟踪算法和未采用似然函数近似的分布式动态规划检测前跟踪算法的检测概率基本相同,证明本发明所提算法实现代价的降低导致的性能损失十分有限,可以忽略不计。
Claims (1)
1.一种基于似然函数近似的分布式多传感器检测前跟踪方法,包括以下步骤:
步骤1:初始化系统参数;
初始化系统参数,包括:系统包含的传感器数目M,各传感器位置Pm,m=1,…,M,传感器回波数据平面大小Nx×Ny,系统噪声分布为瑞利分布,算法联合处理周期数K,似然函数近似阶数R;初始化变量k=1;
步骤2:接收回波数据;
第m个传感器接收第k帧回波数据zk,m,并传递融合中心;其中m=1,…,M,Zk,m={zk,m(x,y),x=1…Nx,y=1…Ny}为k时刻第m个传感器所有分辨单元的量测值集合,zk,m(x,y)表示第(x,y)个分辨单元的量测值;
步骤3:计算传感器m,k时刻本地似然函数;
利用回波数据Zk,m计算当前时刻状态空间每个离散状态的本地似然函数:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>x</mi>
<mo>&NotEqual;</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</msubsup>
</mrow>
<msub>
<mi>N</mi>
<mi>x</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>x</mi>
<mo>&NotEqual;</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
<mi>j</mi>
</msubsup>
</mrow>
<msub>
<mi>N</mi>
<mi>y</mi>
</msub>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>|</mo>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,xk,yk表示k时刻状态的x,y方向上的位置,表示对应的速度,表示第j个离散状态中的第i个元素,J表示离散状态的总个数;p(zk,m(x,y)|H0)分别表示(x,y)单元存在目标和不存在目标时量测的概率分布,由系统量测模型确定;
步骤4:本地似然函数近似参数计算;
在第m个传感器本地计算每个离散状态的似然函数近似参数:
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msup>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mi>x</mi>
</msub>
<msub>
<mi>N</mi>
<mi>y</mi>
</msub>
</mrow>
</msup>
</mfrac>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>x</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>y</mi>
</msub>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mi>b</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
αk,m=(φ′mφm)-1φ′mAm
其中,为瑞利分布参数,为一组预先定义的的基础函数,R为似然函数的近似阶数,αk,m=(αk,m,0,…,αk,m,R)′,Am表示各离散状态对应的目标反射能量;
步骤5:传递本地似然函数近似参数c(Zk,m),b(zk,m(x,y)),αk,m,σk,m至融合中心;
步骤6:融合中心似然函数恢复;
融合中心利用下式估计本地似然函数值函数:
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
<mo>-</mo>
<mi>d</mi>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
步骤7:融合中心动态规划积累;
如果k=1,对于所有离散状态初始化值函数为:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
如果1<k<K,对于所有离散状态更新他们的值函数:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&Element;</mo>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo>{</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
其中,为所有能够转移到的k-1时刻状态集合;
步骤8:迭代处理;
k=k+1;如果k≤K,执行步骤2,否则,执行步骤9;
步骤9:值函数检测;
将K时刻每个离散状态的值函数与预先给定的检测门限进行比较,如果值函数超过检测门限,则认为是目标;否则,认为是噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710533269.XA CN107247257B (zh) | 2017-07-03 | 2017-07-03 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710533269.XA CN107247257B (zh) | 2017-07-03 | 2017-07-03 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107247257A true CN107247257A (zh) | 2017-10-13 |
CN107247257B CN107247257B (zh) | 2020-03-27 |
Family
ID=60014482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710533269.XA Active CN107247257B (zh) | 2017-07-03 | 2017-07-03 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247257B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333571A (zh) * | 2018-02-07 | 2018-07-27 | 电子科技大学 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
CN110187335A (zh) * | 2019-06-25 | 2019-08-30 | 电子科技大学 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
CN110456360A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 一种针对非连续目标被动多阵列声呐检测跟踪方法 |
CN112927257A (zh) * | 2021-03-22 | 2021-06-08 | 哈尔滨理工大学 | 一种基于改进mrf的冲压件缺陷图像分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885057A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 自适应变滑窗多目标跟踪方法 |
JP2016127530A (ja) * | 2015-01-07 | 2016-07-11 | 三菱電機株式会社 | 目標追尾装置 |
CN106204641A (zh) * | 2016-06-29 | 2016-12-07 | 电子科技大学 | 一种基于多假设检验的动态规划检测前跟踪方法 |
CN106226751A (zh) * | 2016-07-08 | 2016-12-14 | 西安电子科技大学 | 基于dp‑tbd的机动目标检测与跟踪方法 |
CN106526585A (zh) * | 2016-10-26 | 2017-03-22 | 中国人民解放军空军工程大学 | 基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法 |
-
2017
- 2017-07-03 CN CN201710533269.XA patent/CN107247257B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885057A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 自适应变滑窗多目标跟踪方法 |
JP2016127530A (ja) * | 2015-01-07 | 2016-07-11 | 三菱電機株式会社 | 目標追尾装置 |
CN106204641A (zh) * | 2016-06-29 | 2016-12-07 | 电子科技大学 | 一种基于多假设检验的动态规划检测前跟踪方法 |
CN106226751A (zh) * | 2016-07-08 | 2016-12-14 | 西安电子科技大学 | 基于dp‑tbd的机动目标检测与跟踪方法 |
CN106526585A (zh) * | 2016-10-26 | 2017-03-22 | 中国人民解放军空军工程大学 | 基于高斯粒子势概率假设密度滤波的目标检测前跟踪方法 |
Non-Patent Citations (2)
Title |
---|
WEI YI ET AL.: "An Efficient Multi-Frame Track-Before-Detect Algorithm for Multi-Target Tracking", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
闫青竹 等: "杂波环境下基于粒子滤波的雷达微弱目标TBD算法", 《桂林电子科技大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333571A (zh) * | 2018-02-07 | 2018-07-27 | 电子科技大学 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
CN108333571B (zh) * | 2018-02-07 | 2020-04-21 | 电子科技大学 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
CN110187335A (zh) * | 2019-06-25 | 2019-08-30 | 电子科技大学 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
CN110187335B (zh) * | 2019-06-25 | 2021-03-16 | 电子科技大学 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
CN110456360A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 一种针对非连续目标被动多阵列声呐检测跟踪方法 |
CN110456360B (zh) * | 2019-08-19 | 2021-08-27 | 电子科技大学 | 一种针对非连续目标被动多阵列声呐检测跟踪方法 |
CN112927257A (zh) * | 2021-03-22 | 2021-06-08 | 哈尔滨理工大学 | 一种基于改进mrf的冲压件缺陷图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107247257B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247257A (zh) | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 | |
CN105740203B (zh) | 多传感器无源协同测向定位方法 | |
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
CN107066806B (zh) | 航迹关联方法及装置 | |
CN102162847B (zh) | 一种基于奇异值分解的高效航迹相关方法 | |
CN107526070A (zh) | 天波超视距雷达的多路径融合多目标跟踪算法 | |
CN105137420A (zh) | 一种多帧积累的非相干mimo雷达检测和定位方法 | |
CN104766320A (zh) | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 | |
CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
CN111601253B (zh) | 无源被动智能跟踪定位方法、系统、存储介质、跟踪定位终端 | |
CN105813020A (zh) | 一种自适应环境的rssi校正的无线传感器网络定位算法 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN104181524B (zh) | 一种自适应粒子数的多目标粒子滤波检测前跟踪方法 | |
CN104237861B (zh) | 一种未知杂波背景下的cfar检测门限获取方法 | |
CN104715154B (zh) | 基于kmdl准则判据的核k‑均值航迹关联方法 | |
CN104237853B (zh) | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 | |
CN107063259A (zh) | 一种航迹关联方法及电子设备 | |
CN108089183A (zh) | 一种用于异步多基地雷达系统的检测跟踪一体化方法 | |
CN105093196B (zh) | 基于逆伽马纹理复合高斯模型下的相干检测方法 | |
CN105093198A (zh) | 一种分布式外辐射源雷达组网探测的航迹融合方法 | |
CN105246153A (zh) | 一种室内指纹定位数据库高密度快速采集方法 | |
CN109858526A (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN110187335A (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN106646417A (zh) | 广义帕累托分布参数的迭代最大似然估计方法 | |
CN107340517A (zh) | 一种多传感器多帧检测前跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |