CN107730537B - 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法 - Google Patents

基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法 Download PDF

Info

Publication number
CN107730537B
CN107730537B CN201710910667.9A CN201710910667A CN107730537B CN 107730537 B CN107730537 B CN 107730537B CN 201710910667 A CN201710910667 A CN 201710910667A CN 107730537 B CN107730537 B CN 107730537B
Authority
CN
China
Prior art keywords
measurement
box
target
time
particles
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
Application number
CN201710910667.9A
Other languages
English (en)
Other versions
CN107730537A (zh
Inventor
吴孙勇
宁巧娇
薛秋条
蔡如华
刘义强
孙希延
纪元法
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201710910667.9A priority Critical patent/CN107730537B/zh
Publication of CN107730537A publication Critical patent/CN107730537A/zh
Application granted granted Critical
Publication of CN107730537B publication Critical patent/CN107730537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法，用箱粒子PHD滤波的方法去处理低信噪比条件下的弱目标，先用均值滤波可以弱化单点尖锐噪声的影响，更能突出目标所在的区域，再根据极大不交叉原则获得目标所在区域作为区间量测；以数十个箱粒子代替数百个点粒子，有效的降低了计算复杂度，提高计算效率，同时可以得到较准确的目标状态。

Description

基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法
技术领域
本发明涉及目标检测与跟踪技术领域，具体涉及一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法。
背景技术
检测前跟踪(TBD)是解决低信噪比条件下弱目标检测与跟踪(Small TargetsDetection and Tracking,SDT)问题的一种有效方法。TBD技术通常不用事先设定门限，而是直接利用原始量测数据完成目标的检测和跟踪，这样可以最大限度的保留目标的信息，从而表现出优于传统方法的检测跟踪性能。概率假设密度(PHD)滤波是一种基于随机有限集理论下的滤波，PHD可以有效地避免数据关联问题和解决量测不确定性问题。因此已经有学者将PHD滤波应用于TBD领域，在理论证明和仿真实验上都证明了方法的可行性和有效性。虽然上述方法取得了一定的成果，但是也存在着不足，由于TBD直接对原始量测数据进行处理，这样会加大计算量，从而降低了计算效率。
发明内容
本发明所要解决的是现有PHD滤波的检测前跟踪方法中存在计算复杂度高和运行效率低的问题，提供一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法。
为解决上述问题，本发明是通过以下技术方案实现的：
基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法，包括步骤如下：
步骤1、初始化目标的状态，即k＝1时刻持续存活的箱粒子集；
步骤2、利用传感器获取k时刻的观测强度量测，并对所获取的观测强度量测进行均值滤波，以抑制观测强度量测中的噪声；
步骤3、对抑制噪声后的观测强度量测进行排序后，以不重叠原则获得随机个数的k时刻区间量测；
步骤4、根据区间量测产生k时刻的新生箱粒子集；
步骤5、将k时刻新生箱粒子集和k时刻持续存活的箱粒子集进行合并，并将其作为k+1时刻初始化的箱粒子集；
步骤6、将k+1时刻初始化的箱粒子集通过PHD状态转移方式传递箱粒子及其对应的权值；
步骤7、重复步骤2和3，获得k+1时刻区间量测；利用所获得的k+1时刻区间量测根据约束算法去约束步骤6得到的箱粒子，并根据PHD算法用k+1时刻的区间量测来更新箱粒子及其对应的权值；
步骤8、先将k+1时刻每一个区间量测更新后的箱粒子所对应的权值进行求和，并将所得到的权值和作为第k+1时刻区间量测是真实目标量测的概率去与预设的门限进行比较，当第k+1时刻区间量测是真实目标量测的概率大于预设的门限时，则认为该区间量测为真实目标量测，从而提取k+1时刻目标的状态以及目标的个数，否则，转至步骤9：
步骤9、判断第k+1时刻是否达到预设的时间：若未达到，执行箱粒子的随机划分重采样，并将重采样得到的箱粒子集作为k+1时刻持续存活的箱粒子集，并令k＝k+1，循环执行步骤2～9；否则，结束循环。
上述步骤3中，对抑制噪声后的观测强度量测按从大到小进行排序。
上述步骤9中，重采样后得到的箱粒子的权值大小是根据步骤6得到的箱粒子权值而给出的。
与现有技术相比，本发明采用箱粒子PHD滤波的方法去处理低信噪比条件下的弱目标，先用均值滤波可以弱化单点尖锐噪声的影响，更能突出目标所在的区域，再根据极大不交叉原则获得目标所在区域作为区间量测；以数十个箱粒子代替数百个点粒子，有效的降低了计算复杂度，提高计算效率，同时可以得到较准确的目标状态。
附图说明
图1为基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法的流程图。
图2是本发明方法在某时刻无噪声条件下目标观测强度量测图。
图3是本发明方法在某时刻有噪声条件下目标观测强度量测图。
图4是本发明方法在某时刻均值滤波处理后的目标观测强度量测图。
图5是本发明方法在某时刻从均值滤波处理后的目标观测强度量测图中挑选出的区间量测。
图6本发明方法和现有传统方法在不同信噪比条件下的平均OSPA误差图。
图7本发明方法和现有传统方法在不同信噪比条件下不同时刻下的OSPA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。
针对现有粒子概率假设密度滤波的检测前跟踪算法中存在计算复杂度高，计算效率低的问题，本发明对弱目标检测与跟踪方法进行研究。
(1)建立目标的状态方程和观测强度量测方程(即传感器观测方程)。
(1.1)建立目标的状态方程：
Figure BDA0001424892790000021
其中，
Figure BDA0001424892790000022
为k时刻目标的状态，
Figure BDA0001424892790000023
和
Figure BDA0001424892790000024
分别代表目标的位置，速度和强度。vk为已知的过程噪声，fk(.)为已知的非线性函数，Nk为k时刻目标的个数。
(1.2)建立目标的观测强度量测方程：
假设k时刻传感器产生一幅关于监测区域的二维图像，每一幅图像包含n×m的像元，每一个分辨单元对应一个矩形区域△x×△y，且每一分辨单元(i,j)的中心为(i△x,j△y)，i＝1,…,n，j＝1,…,m。则分辨单元(i,j)的观测强度
Figure BDA0001424892790000031
可以表示为：
Figure BDA0001424892790000032
其中，
Figure BDA0001424892790000033
为零均值高斯白噪声，即
Figure BDA0001424892790000034
并且单元之间是相互独立的。
Figure BDA0001424892790000035
为目标
Figure BDA0001424892790000036
对分辨单元(i,j)的贡献强度，一般采用传感器点扩散函数的形式：
Figure BDA0001424892790000037
其中，∑为传感器引入的模糊参数，一般是已知的。目标的强度量测
Figure BDA0001424892790000038
如图2所示，观测强度量测
Figure BDA0001424892790000039
如图3所示。
观测方程中，在计算k时刻感应单元(i,j)的观测强度时，只须要计算以感应单元(i,j)为中心的4×4区域内目标的贡献强度。可以有效的减少计算复杂度，对结果的影响完全可以忽略不计。
(2)根据观测强度量测方程获取区间量测。
(2.1)根据均值滤波平滑量测
Figure BDA00014248927900000310
Figure BDA00014248927900000311
均值滤波平滑量测后得到的量测
Figure BDA00014248927900000312
如图4所示。
(2.2)将通过均值滤波平滑后的量测
Figure BDA00014248927900000313
从大到小排序，取量测值较大的l个：
Figure BDA00014248927900000314
其中，强度量测
Figure BDA00014248927900000315
对应的位置为(ie△x,je△y)。
(2.3)将所得量测扩展成区间量测：
Figure BDA00014248927900000316
其中，p为预设参数，可以决定区间量测的大小。在这l个区间量测中根据强度从大到小挑出不重叠的rk≤l个区间即为k时刻的区间量测集。最后，将这rk个区间量测用于箱粒子概率假设密度滤波中进行目标跟踪。k时刻获得的区间量测如图5所示。
使用空间域噪声平滑算法去抑制强度观测图像中的噪声，再将分辨单元强度从大到小排序，选出较大分辨单元再以将其扩展成区间，再从中挑选不交叉区间作为区间量测。得到的区间量测的个数是随机的。
(3)箱粒子PHD的预测。
包含了新生粒子的产生和持续存活粒子的传递，对于新生粒子而言，
Figure BDA0001424892790000041
是由k-1时刻的区间量测集zk-1所产生的Nk,new个新生的箱粒子。对于持续存活的粒子而言，
Figure BDA0001424892790000042
是k-1时刻所有存活的箱粒子。从而得到k时刻所有的箱粒子
Figure BDA0001424892790000043
Nk＝Nk-1+Nk,new为箱粒子的总个数。接下来通过包含函数[fk|k-1]和存活概率
Figure BDA0001424892790000044
来传递这些粒子：
Figure BDA0001424892790000045
Figure BDA0001424892790000046
对于新生的箱粒子是根据当前时刻区间量测均匀产生的，且一个区间量测产生一个新生箱粒子。
(4)箱粒子PHD的权值更新。
Figure BDA0001424892790000047
Figure BDA0001424892790000048
其中，似然函数为广义似然函数：
Figure BDA0001424892790000049
Figure BDA00014248927900000410
为约束传播算法。通过对应的区间量测[zj]来约束箱粒子
Figure BDA00014248927900000411
的大小，文中用的约束算法为：[y]＝[y]∩[yz]，[x]＝[x]∩[xz]。区间量测为
Figure BDA00014248927900000412
其中，[xz]＝[ie△x-p,ie△x+p]T，[yz]＝[je△y-p,je△y+p]T。
(5)估计目标的状态。
所有区间量测对应所有箱粒子的更新权值，即：
Figure BDA00014248927900000413
再求出各个量测的权值和：
Figure BDA00014248927900000414
从而将得到的权值和作为第j个区间量测是真实目标量测的概率，当这个概率大于一定的门限τ时，一般τ＝0.75，则认为对应的量测为真实目标的量测：
Figure BDA00014248927900000415
最后对于所有的
Figure BDA00014248927900000416
提取当前时刻目标的状态，即：
Figure BDA0001424892790000051
对于目标的状态估计，采用的是各个预测分量与各个区间量测之间的一个对应概率大小来确定预测分量的状态哪一个才是真正的目标，这样可以避免用k-mean聚类算法中由于聚类中心的选取有偏而导致最终目标状态的估计而产生的偏差。
(6)判断第k时刻是否达到预设的时间，若未达到，执行箱粒子的重采样。
计算目标的期望数
Figure BDA0001424892790000052
也就是真实量测的个数，再以将选中的箱粒子随机划分为多个箱粒子的方式代替传统的复制方式。设Nk+1为重采样的粒子数，则重采样后得到的新的箱粒子和权值为：
Figure BDA0001424892790000053
此时得到的箱粒子集作为k时刻的箱粒子集，令k＝k+1，循环执行步骤3～6。否则，结束。
基于上述研究，本发明所提出的一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法，如图1所示，其具体包括如下步骤：
步骤1、初始化目标的状态，即k＝1时刻目标的初始状态。
步骤2、首先通过传感器获取k时刻的观测强度量测，其次通过均值滤波抑制观测强度量测中的噪声。再次根据抑制噪声后的观测强度量测按从大到小排列方式选定部分区域，并将其扩展成区间，最后以不重叠原则获得随机个数的区间量测。
步骤3、根据步骤2得到的区间量测产生k时刻的新生箱粒子集。
步骤4、将步骤3得到的k时刻新生箱粒子集和k时刻持续存活的箱粒子集合并得到k+1时刻初始化的箱粒子集。
步骤5、将k+1时刻初始化的箱粒子集通过PHD状态转移方式传递箱粒子和它对应的权值。
步骤6、引入k+1时刻的区间量测根据约束算法约束步骤5得到的箱粒子的大小，并根据PHD算法用k+1时刻的区间量测来更新箱粒子对应的权值，从而得到更新后的箱粒子和其对应的权值。
步骤7、通过k+1时刻的每一个区间量测分别更新所有箱粒子的权值大小，再将其求和得到该区间量测是真实目标量测的概率。当这个概率大于预设的门限时，则认为该量测为真实目标量测，从而提取k+1时刻目标的状态以及目标的个数。
步骤8、判断第k+1时刻是否达到预设的时间，若未达到，执行箱粒子的随机划分重采样。重采样后得到的箱粒子的权值大小是根据步骤6得到的箱粒子权值而给出的。此时得到的箱粒子集作为k+1时刻持续存活的箱粒子集。令k＝k+1，循环执行步骤2～8。否则，结束循环。
实验仿真：
(1)仿真条件：本发明仿真是在处理器为Inter(R)Core(TM)i5-4590CPU@3.30GHz、内存为4.00GB的硬件环境和MATLAB R2013a的软件环境下进行。
(2)仿真内容：目标的运动模型为：
[xk+1]＝F[xk]+[vk]
其中，
Figure BDA0001424892790000061
是目标的状态区间，vk为零均值高斯白噪声，其协方差为：
Figure BDA0001424892790000062
q1＝0.001，q2＝0.01分别表示目标运动和强度的过程噪声大小。传感器以间隔T＝1s接收30帧图像，其他参数值为：△x＝△y＝1，n＝m＝20，∑＝1，I＝1。k时刻的区间量测为经过均值滤波处理后挑选得到的区间量测，决定区间量测大小参数p＝1。目标的存活概率为PS＝0.99，检测概率为PD＝0.95，杂波为服从均值为λ＝1的泊松分布的随机有限集。新生箱粒子的速度
Figure BDA0001424892790000063
均服从-0.4m/s～0.4m/s的均匀分布，强度值服从0.5～1.5的均匀分布。目标1在1s～27s做匀速直线运动，初始状态为[5；0.4；15；-0.4；1]。目标2在10s～30s做匀速直线运动，初始状态为[4；0.4；10；-0.4；1]。
(3)仿真结果和分析：
在信噪比为5.3dB时，k＝12时刻的目标量测如图2，图3，图4和图5所示，其分别代表不含噪声的强度量测图，真实强度量测图，均值滤波处理后的强度量测图和挑选出的区间量测。由图可以看出在有噪声的情况下，目标基本淹没在噪声之中，经过均值滤波处理后，图像会变得模糊，但相比与图3更能凸显目标所在区域。最后挑出的量测包含了真实目标所在的区域以及由噪声影响而得到的虚假量测。
本发明设计的方法为箱粒子概率假设密度滤波的弱目标检测与跟踪(BOX-PHD-SDT)与传统SMC-PHD-TBD方法做比较，图6横坐标为信噪比，纵坐标为做100次蒙特卡罗实验，不同信噪比下平均总体OSPA误差，图7横坐标为时间，纵坐标为不同信噪比条件下的平均总体最优子模式分配(OSPA)。由于在初始时刻，目标的初始状态选取为空集的情况，所以两种算法在开始都还不能估计出目标的状态。而在t＝10s，第二个目标出现，这时候会对目标的状态和数目的估计产生一定的影响，故而此时目标总体估计误差会偏大。对比可以看出本发明方法可以更好的跟踪目标，其检测与跟踪性能优于传统SMC-PHD-TBD方法。
两种方法在不同信噪比下，单次运行所需时间如下：
Figure BDA0001424892790000071
由表中可以看出本发明在所需的箱粒子少很多的情况下，所需的运行时间也相比与传统方法缩短了几十倍，明显的可以看出本发明的具有较高的计算效率。
综上所述，本发明可以实现低信噪比条件下的弱目标的检测与跟踪，跟踪效果要优于传统方法，同时本发明所需的时间更短，计算效率更高。
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 (3)

1.基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法，其特征是，包括步骤如下：
步骤1、初始化目标的状态，即k＝1时刻持续存活的箱粒子集；
步骤2、利用传感器获取k时刻的观测强度量测，并对所获取的观测强度量测进行均值滤波，以抑制观测强度量测中的噪声；
步骤3、对抑制噪声后的观测强度量测进行排序后，从中选出量测值较大的l个量测扩展成区间量测，并在l个区间量测中根据强度从大到小挑出不重叠的rk个区间即为k时刻区间量测；其中l和rk为设定值，且rk≤l；
步骤4、根据区间量测产生k时刻的新生箱粒子集；
步骤5、将k时刻新生箱粒子集和k时刻持续存活的箱粒子集进行合并，并将其作为k+1时刻初始化的箱粒子集；
步骤6、将k+1时刻初始化的箱粒子集通过概率假设密度状态转移方式传递箱粒子及其对应的权值；
步骤7、重复步骤2和3，获得k+1时刻区间量测；利用所获得的k+1时刻区间量测根据约束算法去约束步骤6得到的箱粒子，并根据概率假设密度算法用k+1时刻的区间量测来更新箱粒子及其对应的权值；
步骤8、先将k+1时刻每一个区间量测更新后的箱粒子所对应的权值进行求和，并将所得到的权值和作为第k+1时刻区间量测是真实目标量测的概率去与预设的门限进行比较，当第k+1时刻区间量测是真实目标量测的概率大于预设的门限时，则认为该区间量测为真实目标量测，从而提取k+1时刻目标的状态以及目标的个数，否则，转至步骤9：
步骤9、判断第k+1时刻是否达到预设的时间：若未达到，执行箱粒子的随机划分重采样，并将重采样得到的箱粒子集作为k+1时刻持续存活的箱粒子集，并令k＝k+1，循环执行步骤2～9；否则，结束循环。
2.根据权利要求1所述基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法，其特征是，步骤3中，对抑制噪声后的观测强度量测按从大到小进行排序。
3.根据权利要求1所述基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法，其特征是，步骤9中，重采样后得到的箱粒子的权值大小是根据步骤6得到的箱粒子权值而给出的。
CN201710910667.9A 2017-09-29 2017-09-29 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法 Active CN107730537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710910667.9A CN107730537B (zh) 2017-09-29 2017-09-29 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710910667.9A CN107730537B (zh) 2017-09-29 2017-09-29 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法

Publications (2)

Publication Number Publication Date
CN107730537A CN107730537A (zh) 2018-02-23
CN107730537B true CN107730537B (zh) 2020-07-07

Family

ID=61209214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710910667.9A Active CN107730537B (zh) 2017-09-29 2017-09-29 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法

Country Status (1)

Country Link
CN (1) CN107730537B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108981707B (zh) * 2018-07-25 2020-09-22 西安电子科技大学 基于时差量测箱粒子phd的被动跟踪多目标方法
CN109508444B (zh) * 2018-12-18 2022-11-04 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
CN113409363B (zh) * 2020-03-17 2024-04-05 西安电子科技大学 一种基于bp-pmbm滤波算法的多目标跟踪方法
CN113093174B (zh) * 2021-03-03 2023-05-30 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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023254A (zh) * 2016-05-19 2016-10-12 西安电子科技大学 基于箱粒子phd滤波的多目标视频跟踪方法
CN106019253A (zh) * 2016-05-19 2016-10-12 西安电子科技大学 基于箱粒子cphd的多扩展目标跟踪方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7773459B2 (en) * 2006-01-13 2010-08-10 Furuno Electric Co., Ltd. Underwater sounding method and apparatus
CN103678949B (zh) * 2014-01-09 2016-06-01 江南大学 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法
CN105652250B (zh) * 2016-01-15 2018-01-05 西北工业大学 一种基于双层期望最大化的机动目标跟踪技术

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023254A (zh) * 2016-05-19 2016-10-12 西安电子科技大学 基于箱粒子phd滤波的多目标视频跟踪方法
CN106019253A (zh) * 2016-05-19 2016-10-12 西安电子科技大学 基于箱粒子cphd的多扩展目标跟踪方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Box-Particle CPHD Filter for Multi-Target Tracking;Meng Liang 等;《2015 International Conference on Control, Automation and Information Sciences》;20151031;第80-84页 *
Box-Particle Implementation and Comparison of Cardinalized Probability Hypothesis Density Filter;Song L 等;《RADIOENGINEERING》;20160430;第177-186页 *
Box-particle PHD filter for multi-target tracking;Schikora M 等;《International Conference on Information Fusion》;20120831;全文 *
基于箱粒子的多扩展目标PHD滤波;宋骊平 等;《控制与决策》;20151031;第30卷(第10期);论文第3节 *
箱粒子滤波及其在目标跟踪中的应用研究;赵雪刚;《中国优秀硕士学位论文全文数据库信息科技辑》;20141115;论文第1.2.2节、第二章、第三章 *
箱粒子滤波理论综述;于洁 等;《电光与控制》;20151130;第56-60页 *

Also Published As

Publication number Publication date
CN107730537A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
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
Punithakumar et al. A sequential Monte Carlo probability hypothesis density algorithm for multitarget track-before-detect
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
CN106526585B (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
CN113376613B (zh) 用于雷达探测的恒虚警检测方法、装置及电子设备
CN109031229B (zh) 一种杂波环境下目标跟踪的概率假设密度方法
CN108665420B (zh) 基于变分贝叶斯模型的红外弱小目标图像背景抑制方法
CN110349188B (zh) 基于tsk模糊模型的多目标跟踪方法、装置及存储介质
CN107274410B (zh) 自适应的人造目标恒虚警率检测方法
CN112561881A (zh) 基于评价模型的红外图像自适应数据增强方法
CN105975772B (zh) 基于概率假设密度滤波的多目标检测前跟踪方法
WO2015178148A1 (ja) 状態推定装置、プログラムおよび集積回路
CN104463876A (zh) 一种基于自适应滤波的复杂背景下图像多圆快速检测方法
CN109828275B (zh) 一种零度层亮带的识别方法和系统
CN105866748B (zh) 一种基于检测先验的固定窗长恒虚警检测方法
CN109949337A (zh) 基于高斯混合背景模型的运动目标检测方法及装置
Tah et al. Moving object detection and segmentation using background subtraction by Kalman filter
CN115546501B (zh) 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法
Fu et al. A new method for noise estimation in single-band remote sensing images
CN107767401A (zh) 基于核相关滤波的红外目标实时跟踪方法及装置
Al-Bayati et al. Automatic thresholding techniques for SAR images
Chaudhary et al. SEM image denoising and contour image estimation using deep learning
Feng et al. A robust Student's-t distribution PHD filter with OCSVM updating for multiple human tracking
Davey et al. H-PMHT for correlated targets
Sugandi et al. A moving object tracking based on color information employing a particle filter algorithm

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