CN107703496A - 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 - Google Patents
一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 Download PDFInfo
- Publication number
- CN107703496A CN107703496A CN201710945206.5A CN201710945206A CN107703496A CN 107703496 A CN107703496 A CN 107703496A CN 201710945206 A CN201710945206 A CN 201710945206A CN 107703496 A CN107703496 A CN 107703496A
- Authority
- CN
- China
- Prior art keywords
- target
- particles
- state
- particle
- moment
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,在伯努利粒子滤波的基础上,使用交互式多模方法对滤波器中每个目标状态的采样粒子进行预测,再将预测粒子代入到传统的伯努利TBD算法中进行目标存在概率及分布密度的更新估计。本发明在低信噪比情况下,能有效地检测跟踪弱机动目标,且对目标状态的估计更加精准。
Description
技术领域
本发明涉及目标检测与跟踪技术领域,具体涉及一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法。
背景技术
低信噪比复杂背景中红外小目标检测与跟踪问题一直难以解决,究其原因是获得的远距离图像,目标成像面积小,检测到的信号相对较弱,目标被大量噪声所淹没,导致图像的信噪比很低,无法从单幅图像中检测出目标,而且目标可能会在未知时间点上出现或消失,并且无法得到形状、纹理等有用的目标特征,使得小目标检测工作变得困难起来。单帧图像处理已不能实现对目标的可靠检测与跟踪,必须对图像序列进行处理,TBD(检测前跟踪)把运动小目标的检测与跟踪问题看成是目标轨迹搜索及根据能量积累做出判决的过程,根据目标运动的连续性来检测目标。
边旭,李江勇在其发表的论文“基于粒子滤波的TBD算法研究”(激光与红外,2015,45(1):109-112.)中针对传统粒子滤波TBD算法存在的问题公开了一种基于分步采样与改进重采样的新型算法,该算法在深入研究粒子滤波基本理论与典型步骤的前提下,提出了一种基于分步采样的检测算法,并在重采样过程中提出一种新型的大权重粒子分裂方法,以改进传统重采样算法中直接复制粒子带来的样本匮乏。该算法存在的不足之处在于,在贝叶斯递归估计过程中不能对目标的势信息进行有效统计,导致在目标数目时变的情况下目标跟踪性能不理想。
邹其兵在其发表的论文“多伯努利滤波器及其在检测前跟踪中的应用”(西安电子科技大学硕士学位论文,2012.)中公开了一种基于多伯努利滤波器的检测前跟踪算法,该算法在多伯努利滤波的基础上结合检测前跟踪算法,实现了多伯努利滤波器对小目标进行检测与跟踪。该算法的不足之处在于,其无法实现目标发生机动时的检测跟踪,使得该方法在实际应用中还存在缺陷。
发明内容
本发明所要解决的是现有检测与跟踪方法在低信噪比情况下弱小目标发生较大机动时存在的目标失跟问题,提供一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,其在伯努利粒子滤波的基础上结合交互式多模方法,采用粒子滤波检测前跟踪算法,实现对弱小机动目标的精准检测与跟踪。
为解决上述问题,本发明是通过以下技术方案实现的:
一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,包括步骤如下:
步骤1、初始化目标状态:根据目标运动场景,设定初始时刻目标粒子的状态参数,并用设定的状态参数作为目标的初始分布,采样固定数目的初始目标粒子,并将初始目标采样粒子用伯努利随机集的参数集形式表示,得到初始时刻目标采样粒子伯努利随机集的后验分布;
步骤2、预测目标状态:利用前一时刻目标采样粒子伯努利随机集的后验分布和灰度图像量测数据,用交互式多模方法对目标采样粒子进行预测,得到当前时刻预测的目标采样粒子伯努利随机集的后验分布;
步骤3、更新目标状态:利用当前时刻的灰度图像量测数据,计算每个预测的目标采样粒子对应的量测似然比;并根据量测似然比,对当前时刻预测的目标采样粒子进行更新,得到当前时刻更新的目标采样粒子伯努利随机集的后验分布;
步骤4、状态估计:对更新后的目标粒子进行重采样,并得到当前时刻目标采样粒子伯努利随机集的后验分布;根据当前时刻目标采样粒子伯努利随机集的后验分布,选取存在概率大于或等于预设存在概率值的目标采样粒子的状态,作为当前时刻真实存在的目标状态;
步骤5、判断所有灰度图像是否处理完毕,若是,执行步骤6,否则,执行步骤2,处理下一帧图像;
步骤6、结束。
上述步骤1中,设定初始时刻目标粒子的状态参数包括存在概率、模型权概率、状态和权重,其中状态进一步包括位置、速度和强度。
上述步骤1中,初始时刻目标采样粒子伯努利随机集的后验分布为:
其中,q0表示初始时刻目标采样粒子的存在概率;表示初始时刻第l个目标采样粒子的模型权概率;表示初始时刻第l个目标采样粒子的状态;表示初始时刻第l个目标采样粒子状态对应的状态权重;N+B表初始时刻的目标采样粒子数目。
上述步骤2中,当前时刻预测的目标采样粒子伯努利随机集的后验分布为:
其中,qk|k-1表示从前一时刻到当前时刻目标采样粒子存在概率的预测,表示当前时刻第l个目标采样粒子的模型权概率,表示从前一时刻到当前时刻第l个目标采样粒子状态的预测,表示从前一时刻到当前时刻第l个目标采样粒子的权重的预测;N+B表当前时刻的目标采样粒子数目。
上述步骤3中,当前时刻更新的目标采样粒子伯努利随机集的后验分布为:
其中,qk表示当前时刻目标采样粒子存在概率的更新,表示当前时刻第l个目标采样粒子的模型权概率,,表示当前时刻第l个目标采样粒子状态的更新,表示当前时刻第l个目标采样粒子的权重的更新;N+B表当前时刻的目标采样粒子数目。
上述步骤4中,预设存在概率值介于0.5~0.6之间。
本发明的基本思路是:将交互式多模方法与伯努利滤波检测前跟踪方法相结合,首先在伯努利滤波的框架下,针对目标采样粒子预测阶段,实现所有粒子对于不同模型的转移预测,随后通过计算模型权概率对粒子进行模型交互。然后通过伯努利滤波更新方程对模型交互后的粒子进行更新。在此基础上结合检测前跟踪方法,具备了检测跟踪微弱目标的滤波性能,最终实现了弱目标发生较大机动时的检测跟踪问题。
与现有技术相比,本发明具有以下优点:
1、由于本发明结合了交互式多模,针对目标采样粒子预测阶段,实现所有粒子对于不同模型的转移预测,随后通过计算模型权概率对粒子进行模型交互,实现了对机动目标的检测跟踪,克服了现有技术跟踪机动目标存在的失跟问题。
2、由于本发明结合了检测前跟踪算法,目标量测模型采用传感器量测模型,不对数据做单帧阈值检测,而是将未经阈值处理的数据全部输入跟踪方法进行跟踪,克服了现有技术中粒子滤波带来的低信噪比情况下弱机动目标跟踪性能不理想的问题,有效的实现了低信噪比下弱小机动目标的检测跟踪。
附图说明
图1为本发明的流程图。
图2为本发明的仿真图;其中(a)和(b)分别表示信噪比为6dB和3dB的情况下,目标的航迹跟踪结果;(c)和(d)分别表示信噪比为6dB时,存活及新生粒子数目均为500个和1000个的目标OSPA整体跟踪误差图;(e)和(f)分别表示信噪比为3dB时,存活及新生粒子数目均为500个和1000个的目标OSPA整体跟踪误差图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,并参照附图,对本发明进一步详细说明。
参考附图1,本发明一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,其具体步骤如下:
步骤1,初始化目标状态。
根据目标运动场景,设定初始时刻目标粒子(包括持续存活粒子和新生粒子)和状态参数,包括目标位置、速度、强度、存在概率、模型权概率以及目标采样粒子的权重。用上述设定的参数作为目标的初始分布,用高斯分布采样固定数目的初始存活粒子及新生粒子,并用伯努利随机集的参数集形式表示。
初始粒子采样过程如下:
其中,p0为初始时刻目标状态的协方差。
令初始时刻k=0,目标初始分布用高斯粒子多伯努利随机集的参数集表示形式如下:
其中,q0表示初始时刻目标采样粒子的存在概率;表示初始时刻第l个目标采样粒子的模型权概率,s为模型个数;表示初始时刻第l个目标采样粒子的状态,x0表示初始时刻目标的横坐标,表示初始时刻目标的水平速度,y0表示初始时刻目标的纵坐标,表示初始时刻目标的垂直速度,I0表示初始时刻目标强度,T表示转置操作;表示初始时刻第l个目标采样粒子状态对应的状态权重;N+B表示初始时刻的目标采样粒子数目。
步骤2,预测目标状态。
目标在k时刻的状态可以用一个5维向量表示其中和Ik分别表示k时刻目标的位置、速度和强度。目标为机动目标时,其运动模型随时间发生变化,运动方程为:
xk=fk(xk-1,rk,vk-1)
其中,fk表示k时刻目标的状态转移方程,rk表示k时刻的模型变量,vk-1表示状态噪声。
假定k-1(k>1)时刻的目标采样粒子伯努利随机集后验分布为:
其中包括持续存活粒子伯努利随机集及新生粒子伯努利随机集
则k时刻预测的目标采样粒子伯努利随机集为:
其中qk-1表示目标k-1时刻的存在概率,qk|k-1表示目标从k-1时刻到k时刻目标存在概率的预测,表示从k-1时刻到k时刻持续存活粒子在模型c下的状态预测,表示k-1时刻新生目标的采样粒子到k时刻在模型c下的状态预测,表示k时刻持续存活粒子在模型c下的模型权概率,表示新生目标的采样粒子k时刻在模型c下的模型权概率,表示从k-1时刻到k时刻持续存活粒子在模型c下的权重预测,表示k-1时刻新生目标的采样粒子到k时刻在模型c下的粒子权重预测。
具体预测方法可由下列步骤来完成。
第2.1步,对k-1时刻更新后的目标采样粒子伯努利随机集后验分布,进行重采样得到k-1时刻存活粒子的采样样本。
第2.2步,根据k-1时刻灰度图像量测数据zk-1,采样B个新生粒子。
其中bk-1(x;zk-1)是目标k-1时刻的新生密度,l=N+1,…,N+B.具体过程表示如下:
首先将目标当前时刻的灰度图像量测数据zk中每一个分辨单元,按照强度大小从大到小排成一列,其中表示强度最大的分辨单元,设置合适的门限,记录门限内分辨单元的行列位置,在以上位置处即目标最可能出现的单元随机产生B个新生粒子。
第2.3步,将存活粒子采样与新生粒子采样合并,结合交互式多模方法对采样粒子进行预测,具体方式表示如下:
其中,为模型c对应的状态转移方程,c=1,…,s,s为模型总个数,νk为状态噪声。
模型权概率计算:
其中,是预测模型概率,πic为模型转移概率,是对应模型c的预测粒子量测似然比。似然比的计算公式表示如下:
由每个模型预测得到的粒子和模型权概率可以得到交互多模型混合粒子,其中l=1,…,N+B,c=1,…,s.具体计算如下:
第2.4步,计算目标的预测存在概率:
qk|k-1=pb·(1-qk-1|k-1)+ps·qk-1|k-1
其中,pb表示目标的新生概率,ps表示目标持续存活的概率,qk-1|k-1表示前一时刻的目标存在概率;
第2.5步,计算预测粒子对应的预测权重,由于粒子预测权重和预测粒子状态无关,只与上一时刻粒子的权重有关,将权重计算表示如下:
其中,pb表示目标的新生概率,ps表示目标持续存活的概率,qk-1|k-1表示前一时刻的目标存在概率,qk|k-1表示目标的预测存在概率,表示前一时刻目标采样粒子的权重;
步骤3,更新目标状态。
假设k时刻预测的目标采样粒子伯努利随机集为:
则更新的目标采样粒子伯努利随机集后验分布为:
其中,qk|k-1表示从k-1时刻到k时刻目标采样粒子存在概率的预测,qk表示k时刻目标存在概率的更新,表示k时刻第l个目标采样粒子的模型权概率,表示从k-1时刻到k时刻第l个目标采样粒子状态预测,表示k时刻第l个目标采样粒子状态的更新,表示从k-1时刻到k时刻第l个目标采样粒子的权重的预测,表示k时刻第l个目标采样粒子的权重的更新;N+B表k时刻的目标采样粒子数目。
利用k时刻目标随机集的量测似然比,更新k时刻预测完成的目标采样粒子伯努利随机集,得到k时刻目标采样粒子伯努利随机集的后验分布。
具体的更新方法可由下列步骤来完成。
第3.1步,利用当前时刻的灰度图像量测数据,计算每个预测目标采样粒子对应的量测似然比,具体计算如下:
第3.2步,根据量测似然比,对k时刻每个预测目标粒子的权重进行更新计算:
其中,为每个预测目标粒子的预测权重,表示每个预测目标采样粒子对应的量测似然比。
第3.3步,根据量测似然比对目标状态存在概率进行更新计算:
其中,qk|k-1表示k时刻目标的预测存在概率,Uk为中间变量,其具体计算如下:
其中,表示每个预测目标采样粒子对应的量测似然比,为每个预测目标粒子的预测权重。
步骤4,状态估计。
第4.1步,对更新后的目标采样粒子进行重采样,将权重大的粒子保存下来用于当前时刻目标状态的估计。状态估计具体计算如下:
其中,为重采样后保存下来的目标采样粒子的更新粒子,表示对应采样粒子的更新权重。xk为当前时刻的状态估计。
第4.2步,判断目标更新存在概率的大小。
记录存在概率大于或等于预设存在概率的目标采样粒子所对应的状态估计,将此状态估计作为当前时刻真实存在的目标状态。而对于存在概率小于预设存在概率的目标采样粒子所对应的状态估计,估计结果视为当前时刻目标不存在。在本实施例中,预设存在概率为0.5。
步骤5,判断所有灰度图像是否处理完毕,若是,执行步骤6,否则,执行步骤2,处理下一帧图像。
步骤6,结束。
本发明在伯努利粒子滤波的基础上,使用交互式多模型方法对滤波器中每个目标状态的采样粒子进行预测,再将预测粒子代入到传统的伯努利TBD算法中进行目标存在概率及分布密度的更新估计。本发明在低信噪比情况下,能有效地检测跟踪弱机动目标,且对目标状态的估计更加精准。
下面结合附图2的仿真图,对本发明的效果做进一步说明。
仿真条件:本发明在Intel(R)Core(TM)i5-5200U CPU@2.20GHz处理器的电脑上,采用MATLAB R2012a软件完成仿真。
仿真场景设置:为了验证本发明提出的一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法能精确的检测和跟踪弱小机动目标,本发明的仿真实验场景为在的二维空间[0,30]×[0,30]内,整个仿真过程共持续110帧,目标自第10帧开始出现,先持续20帧做匀速直线运动,此后再持续做20帧顺时针转弯运动,然后再持续进行20帧匀速直线运动,紧接着目标做25帧逆时针转弯运动,最后做5帧匀速直线运动,至第100帧消失。
目标状态方程为:
其中表示运动模型rk对应的状态转移矩阵,均为零均值高斯白噪声。定义F(1)为匀速直线运动模型,F(2)为顺时针转弯运动,F(3)为逆时针转弯运动。
为机动加速度。表示协方差矩阵为Qj的零均值高斯白噪声j=1,2,3,T表示采样周期,η表示目标运动噪声的功率谱密度。
量测方程为:
其中,表示目标在分辨单元(i,j)处对目标强度的贡献,是在分辨单元(i,j)处的量测噪声,为独立的高斯白噪声。∑为已知的点扩散方差,Ik为目标强度,(xk,yk)表示目标的位置。
交互式伯努利滤波器初始化时给定第一个目标的准确位置,目标初始位置(xk,yk)=(2.2,17.2),速度相关仿真参数设置为:η=0.001,α=π/30,T=1s,点扩散区域半径p=2,监测区域n×m=30×30,分辨单元尺度△x=△y=1,依据仿真所需信噪比及模糊斑点系数∑=0.9,代入信噪比公式可确定量测噪声方差σ。目标初始模型权概率γ1=γ2=γ3=1/3,初始目标强度I=15。
为了证明仿真效果,分别在信噪比为6dB和3dB的情况下,存活及新生粒子数目分别按照均为500个和1000个粒子进行50次蒙特卡洛实验。计算目标的OSPA距离,OSPA参数设置为p=1,c=30。
2,仿真结果分析
附图2(a)和图2(b)分别给出了信噪比为6dB和3dB的情况下,应用本发明的目标航迹跟踪结果图,由图2(a)、2(b)可知,本发明的方法能更好的处理目标机动问题,在目标发生转弯的时刻体现出相对优势。附图2(c)给出了信噪比为6dB时,存活及新生粒子数目均为500个的目标OSPA整体跟踪误差图,由图2(c)可知,本发明的方法表现出了相对优势,其OSPA相对稳定且小于伯努利TBD算法。图2(d)给出了信噪比为6dB时,存活及新生粒子数目均为1000个的目标OSPA整体跟踪误差图,由图2(d)可知,本发明的方法在粒子数目增多时,跟踪性能得到了进一步的提升,减小了目标发生机动时刻的估计偏差,滤波性能更加稳定。图2(e)给出了信噪比为3dB时,存活及新生粒子数目均为500个的目标OSPA整体跟踪误差图,由图2(e)可知,本发明的方法在噪声曾大的情况下,跟踪性能有所下降,但仍然具有一定的目标检测跟踪能力,并且本发明的方法表现出良好的性能。图2(f)给出了信噪比为3dB时,存活及新生粒子数目均为1000个的目标OSPA整体跟踪误差图,由图2(f)可知,本发明的方法在信噪降低后,粒子数增加时滤波性能同样得到了提升。
综上所述,从仿真效果图的分析可知,本发明提出的一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,实现了对低信噪比下弱小机动目标的检测和跟踪。目标跟踪精度高,跟踪性能良好,其性能相对优于伯努利滤波检测前跟踪算法,本发明的方法在处理机动目标跟踪问题时,在滤波性能上有明显优势,在现实工程应用中更有优势。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (6)
1.一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,其特征是,包括步骤如下:
步骤1、初始化目标状态:根据目标运动场景,设定初始时刻目标粒子的状态参数,并用设定的状态参数作为目标的初始分布,采样固定数目的初始目标粒子,并将初始目标采样粒子用伯努利随机集的参数集形式表示,得到初始时刻目标采样粒子伯努利随机集的后验分布;
步骤2、预测目标状态:利用前一时刻目标采样粒子伯努利随机集的后验分布和灰度图像量测数据,用交互式多模方法对目标采样粒子进行预测,得到当前时刻预测的目标采样粒子伯努利随机集的后验分布;
步骤3、更新目标状态:利用当前时刻的灰度图像量测数据,计算每个预测的目标采样粒子对应的量测似然比;并根据量测似然比,对当前时刻预测的目标采样粒子进行更新,得到当前时刻更新的目标采样粒子伯努利随机集的后验分布;
步骤4、状态估计:对更新后的目标粒子进行重采样,并得到当前时刻目标采样粒子伯努利随机集的后验分布;根据当前时刻目标采样粒子伯努利随机集的后验分布,选取存在概率大于或等于预设存在概率值的目标采样粒子的状态,作为当前时刻真实存在的目标状态;
步骤5、判断所有灰度图像是否处理完毕,若是,执行步骤6,否则,执行步骤2,处理下一帧图像;
步骤6、结束。
2.根据权利要求1所述的一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,其特征是,步骤1中,设定初始时刻目标粒子的状态参数包括存在概率、模型权概率、状态和权重,其中状态进一步包括位置、速度和强度。
3.根据权利要求1或2所述的一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,其特征是,步骤1中,初始时刻目标采样粒子伯努利随机集的后验分布为:
<msubsup>
<mrow>
<mo>{</mo>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msubsup>
<mi>&gamma;</mi>
<mn>0</mn>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>0</mn>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>w</mi>
<mn>0</mn>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</msubsup>
其中,q0表示初始时刻目标采样粒子的存在概率;表示初始时刻第l个目标采样粒子的模型权概率;表示初始时刻第l个目标采样粒子的状态;表示初始时刻第l个目标采样粒子状态对应的状态权重;N+B表初始时刻的目标采样粒子数目。
4.根据权利要求1所述的一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,步骤2中,当前时刻预测的目标采样粒子伯努利随机集的后验分布为:
<msubsup>
<mrow>
<mo>{</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msubsup>
<mi>&gamma;</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</msubsup>
其中,qk|k-1表示从前一时刻到当前时刻目标采样粒子存在概率的预测,表示当前时刻第l个目标采样粒子的模型权概率,表示从前一时刻到当前时刻第l个目标采样粒子状态的预测,表示从前一时刻到当前时刻第l个目标采样粒子的权重的预测;N+B表当前时刻的目标采样粒子数目。
5.根据权利要求1所述的一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,其特征是,步骤3中,当前时刻更新的目标采样粒子伯努利随机集的后验分布为:
<msubsup>
<mrow>
<mo>{</mo>
<msub>
<mi>q</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&gamma;</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>w</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>}</mo>
</mrow>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</msubsup>
其中,qk表示当前时刻目标采样粒子存在概率的更新,表示当前时刻第l个目标采样粒子的模型权概率,表示当前时刻第l个目标采样粒子状态的更新,表示当前时刻第l个目标采样粒子的权重的更新;N+B表当前时刻的目标采样粒子数目。
6.根据权利要求1所述的一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法,步骤4中,预设存在概率值介于0.5~0.6之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710945206.5A CN107703496B (zh) | 2017-10-12 | 2017-10-12 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710945206.5A CN107703496B (zh) | 2017-10-12 | 2017-10-12 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107703496A true CN107703496A (zh) | 2018-02-16 |
CN107703496B CN107703496B (zh) | 2021-04-30 |
Family
ID=61183602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710945206.5A Active CN107703496B (zh) | 2017-10-12 | 2017-10-12 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703496B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572377A (zh) * | 2018-04-13 | 2018-09-25 | 桂林电子科技大学 | 基于多普勒辅助的mw组合法探测与修复周跳改进的方法 |
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN111311006A (zh) * | 2020-02-21 | 2020-06-19 | 河海大学常州校区 | 一种可重入伯努利生产系统状态预测及生产节能调度方法 |
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
CN112328965A (zh) * | 2020-10-14 | 2021-02-05 | 南京航空航天大学 | 使用声矢量传感器阵列的多机动信号源doa跟踪的方法 |
CN112837351A (zh) * | 2021-02-02 | 2021-05-25 | 江南大学 | 一种改进的标签多伯努利分布式优化融合跟踪方法 |
CN113093174A (zh) * | 2021-03-03 | 2021-07-09 | 桂林电子科技大学 | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 |
CN114690175A (zh) * | 2022-04-12 | 2022-07-01 | 电子科技大学 | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079991B2 (en) * | 2001-04-20 | 2006-07-18 | Singapore Technologies Aerospace Ltd. | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
CN101477623A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于模糊推理的交互式多模型方法 |
US7705780B1 (en) * | 2007-12-20 | 2010-04-27 | The United States Of America As Represented By The Secretary Of The Navy | Electronic support measures (ESM) tracking system and method |
CN102096925A (zh) * | 2010-11-26 | 2011-06-15 | 中国科学院上海技术物理研究所 | 一种机动目标的实时闭环预测跟踪方法 |
CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
CN102622520A (zh) * | 2012-03-14 | 2012-08-01 | 北京航空航天大学 | 一种机动目标跟踪的分布式多模型估计融合方法 |
CN102621542A (zh) * | 2012-04-02 | 2012-08-01 | 中国人民解放军海军航空工程学院 | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 |
US8405540B2 (en) * | 2010-04-02 | 2013-03-26 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting small targets in radar images using needle based hypotheses verification |
CN103310115A (zh) * | 2013-06-27 | 2013-09-18 | 西安电子科技大学 | 一种多目标跟踪的杂波估计方法 |
CN104766320A (zh) * | 2015-04-02 | 2015-07-08 | 西安电子科技大学 | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 |
CN105353352A (zh) * | 2015-11-17 | 2016-02-24 | 中国人民解放军海军航空工程学院 | 改进搜索策略的mm-pphdf机动多目标跟踪方法 |
CN106199581A (zh) * | 2016-06-30 | 2016-12-07 | 电子科技大学 | 一种随机集理论下的多机动目标跟踪方法 |
CN106910211A (zh) * | 2015-12-21 | 2017-06-30 | 中国石油天然气股份有限公司 | 复杂环境下多机动目标跟踪方法 |
CN107045125A (zh) * | 2017-03-17 | 2017-08-15 | 电子科技大学 | 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 |
-
2017
- 2017-10-12 CN CN201710945206.5A patent/CN107703496B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079991B2 (en) * | 2001-04-20 | 2006-07-18 | Singapore Technologies Aerospace Ltd. | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
US7705780B1 (en) * | 2007-12-20 | 2010-04-27 | The United States Of America As Represented By The Secretary Of The Navy | Electronic support measures (ESM) tracking system and method |
CN101477623A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于模糊推理的交互式多模型方法 |
US8405540B2 (en) * | 2010-04-02 | 2013-03-26 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting small targets in radar images using needle based hypotheses verification |
CN102096925A (zh) * | 2010-11-26 | 2011-06-15 | 中国科学院上海技术物理研究所 | 一种机动目标的实时闭环预测跟踪方法 |
CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
CN102622520A (zh) * | 2012-03-14 | 2012-08-01 | 北京航空航天大学 | 一种机动目标跟踪的分布式多模型估计融合方法 |
CN102621542A (zh) * | 2012-04-02 | 2012-08-01 | 中国人民解放军海军航空工程学院 | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 |
CN103310115A (zh) * | 2013-06-27 | 2013-09-18 | 西安电子科技大学 | 一种多目标跟踪的杂波估计方法 |
CN104766320A (zh) * | 2015-04-02 | 2015-07-08 | 西安电子科技大学 | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 |
CN105353352A (zh) * | 2015-11-17 | 2016-02-24 | 中国人民解放军海军航空工程学院 | 改进搜索策略的mm-pphdf机动多目标跟踪方法 |
CN106910211A (zh) * | 2015-12-21 | 2017-06-30 | 中国石油天然气股份有限公司 | 复杂环境下多机动目标跟踪方法 |
CN106199581A (zh) * | 2016-06-30 | 2016-12-07 | 电子科技大学 | 一种随机集理论下的多机动目标跟踪方法 |
CN107045125A (zh) * | 2017-03-17 | 2017-08-15 | 电子科技大学 | 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 |
Non-Patent Citations (6)
Title |
---|
HUA LAN;XUEZHIWANG: "《A survey on joint tracking using expectation–maximization based techniques》", 《INFORMATION FUSION》 * |
SAMUEL P. EBENEZER、ANTONIA PAPANDREOU-SUPPAPPOLA: "《Generalized Recursive Track-Before-Detect With Proposal Partitioning for Tracking Varying Number of Multiple Targets in Low SNR》", 《 IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
吴孙勇、 廖桂生、杨志伟、李彩彩: "《基于改进粒子滤波的微弱目标检测前跟踪算法》", 《系统工程与电子技术》 * |
李淼; 龙云利; 李骏; 安玮; 周一宇: "《基于标签多伯努利滤波器的机动小目标检测前跟踪》", 《红外与毫米波学报》 * |
李翠芸; 李宁; 姬红兵: "《多伯努利滤波的快速红外弱小目标检测与跟踪》", 《西安电子科技大学学报》 * |
欧阳成: "《基于随机集理论的被动多传感器多目标跟踪》", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572377B (zh) * | 2018-04-13 | 2021-06-11 | 桂林电子科技大学 | 基于多普勒辅助的mw组合法探测与修复周跳改进的方法 |
CN108572377A (zh) * | 2018-04-13 | 2018-09-25 | 桂林电子科技大学 | 基于多普勒辅助的mw组合法探测与修复周跳改进的方法 |
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN111311006B (zh) * | 2020-02-21 | 2022-08-16 | 河海大学常州校区 | 一种可重入伯努利生产系统状态预测及生产节能调度方法 |
CN111311006A (zh) * | 2020-02-21 | 2020-06-19 | 河海大学常州校区 | 一种可重入伯努利生产系统状态预测及生产节能调度方法 |
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
CN112328965A (zh) * | 2020-10-14 | 2021-02-05 | 南京航空航天大学 | 使用声矢量传感器阵列的多机动信号源doa跟踪的方法 |
CN112328965B (zh) * | 2020-10-14 | 2024-02-20 | 南京航空航天大学 | 使用声矢量传感器阵列的多机动信号源doa跟踪的方法 |
CN112837351A (zh) * | 2021-02-02 | 2021-05-25 | 江南大学 | 一种改进的标签多伯努利分布式优化融合跟踪方法 |
CN112837351B (zh) * | 2021-02-02 | 2024-05-03 | 江南大学 | 一种改进的标签多伯努利分布式优化融合跟踪方法 |
CN113093174A (zh) * | 2021-03-03 | 2021-07-09 | 桂林电子科技大学 | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 |
CN114690175A (zh) * | 2022-04-12 | 2022-07-01 | 电子科技大学 | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 |
CN114690175B (zh) * | 2022-04-12 | 2023-10-27 | 电子科技大学 | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107703496B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703496B (zh) | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 | |
CN109508444B (zh) | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 | |
CN104766320B (zh) | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
CN108802722A (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
CN110865343B (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
EP3032496B1 (en) | State estimation apparatus, program, and integrated circuit | |
CN113534120B (zh) | 一种基于深度神经网络的多目标恒虚警率检测方法 | |
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 | |
CN106526585A (zh) | 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 | |
US9805285B2 (en) | State estimation apparatus, state estimation method, and integrated circuit | |
CN107730537B (zh) | 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法 | |
CN114330163B (zh) | 高频地波超视距雷达台风-电离层扰动动力学模型建模方法 | |
CN113311430B (zh) | 蜂群无人机数量估计和航迹生成方法 | |
Ebert et al. | Deep radar sensor models for accurate and robust object tracking | |
CN105353353B (zh) | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 | |
WO2016000487A1 (zh) | 一种基于变系数α-β滤波器的目标跟踪方法与跟踪系统 | |
ZHU et al. | Dim small targets detection based on horizontal-vertical multi-scale grayscale difference weighted bilateral filtering | |
CN112215146B (zh) | 基于随机有限集的弱小目标联合检测与跟踪系统及方法 | |
CN112415503B (zh) | 一种基于目标重跟踪的多目标粒子滤波检测前跟踪方法 | |
Li et al. | Particle filter track-before-detect algorithm with Lamarckian inheritance for improved dim target tracking | |
CN112748735A (zh) | 一种引入颜色特征的扩展目标跟踪方法 | |
CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
CN111624606A (zh) | 一种雷达图像降雨识别方法 |
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 |