CN108320302A - 基于随机超曲面的CBMeMBer多目标跟踪方法 - Google Patents
基于随机超曲面的CBMeMBer多目标跟踪方法 Download PDFInfo
- Publication number
- CN108320302A CN108320302A CN201810079318.1A CN201810079318A CN108320302A CN 108320302 A CN108320302 A CN 108320302A CN 201810079318 A CN201810079318 A CN 201810079318A CN 108320302 A CN108320302 A CN 108320302A
- Authority
- CN
- China
- Prior art keywords
- target
- extended
- representing
- measurement
- bernoulli
- 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 50
- 238000005259 measurement Methods 0.000 claims description 54
- 238000009826 distribution Methods 0.000 claims description 41
- 230000004083 survival effect Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
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
- G06T7/277—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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机超曲面的CBMeMBer多目标跟踪方法，主要解决在对多扩展目标跟踪过程中无法估计出多扩展目标形状问题，并且也能降低算法复杂度的同时提高对多扩展目标跟踪的精度。本发明实现的步骤如下：(1)输入量测；(2)量测划分；(3)随机超曲面建模目标量测源；(4)预测目标状态；(5)更新目标状态；(6)修剪目标状态；(7)提取目标状态；(8)判断是否为最后一次迭代，若是，则结束，否则，返回步骤(2)进行下一次跟踪。本发明通过利用随机超曲面建模目标量测源，使得能对目标质心位置实时精确估计的同时，也能够估计出目标的形状，于此同时降低了算法的时间复杂度。
Description
技术领域
本发明属于信息处理技术领域，更进一步涉及目标跟踪技术领域中的一种基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer(Cardinality Balanced Multi-TargetMulti-Bernoulli Filter)多目标跟踪方法。本发明可以用于将智能交通监控、军事目标检测等系统，所检测到的多个运动目标的观测信息模拟成的运动目标，进行实时目标跟踪以及对目标的形状进行估计。
背景技术
多目标跟踪不仅在导弹防御、跟踪与反击、战场监视等军事领域，而且在视频监控、空中交通管制、医疗诊断等民用领域也具有广阔的应用前景。传统的目标跟踪领域，通常把目标看作点，忽略其形状信息。而随着雷达、红外等传感器分辨率的不断提高，可获得目标信息也随之增多，综合利用这些信息，不仅可以提高目标的跟踪精度和稳定性，同时也能获得关于目标的属性，有利于后续进一步处理。传统的多目标跟踪算法需要解决复杂的数据关联问题，计算复杂，适用性较差，对于扩展目标来说这一问题尤为突出。近年来，Mahler提出的基于随机有限集(RFS)的多目标跟踪方法由于避免了多目标跟踪中复杂的数据关联问题受到普遍关注，并产生了不少成果。Vo在此基础上提出了势均衡多目标多伯努利滤波算法，该算法通过传递有限的、数目随时间变化的假设航迹来完整传递多目标的存活概率和后验概率密度函数提高了随机集滤波的可靠性,但无法估计出多扩展目标形状。本发明在势均衡多目标多伯努利滤波算法的基础上，提出了基于随机超曲面的CBMeMBer多目标跟踪方法，估计出多扩展目标形状的同时，提高跟踪精度和减小计算复杂度。
河南科技大学在其申请的专利文献“基于无迹卡尔曼滤波的机动扩展目标跟踪方法”(专利申请号201610809777.1，公开号CN106443661A)中公开了一种基于无迹卡尔曼滤波的目标跟踪方法。该方法实现的具体步骤是，(1)对扩展目标运动状态与扩展形态参数进行初始化；(2)依据扩展目标距离像量测的特点利用支撑函数建立机动扩展目标形态的过程；(3)使用支撑函数通过对目标状态建模以对各机动模型进行精确描述；(4)无迹卡尔曼滤波与多模型算法相结合建立系统模型集，实现机动扩展目标运动状态和扩展形态的联合跟踪。该方法虽然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估计，但是，该方法仍然存在的不足之处是，由于在使用支撑函数对目标状态联合建模过程中无法解决数据关联问题，只能够实现对单目标的跟踪。
西安电子科技大学在其申请的专利文献“基于箱粒子滤波的扩展目标CBMeMBer跟踪方法”(专利申请号201510531101.6，公开号CN105354860A)中公开了一种基于箱粒子滤波的扩展目标CBMeMBer目标跟踪方法，。该方法实现的具体步骤是，首先，进行扩展目标量测生成以及扩展目标量测划分；其次，将目标状态转化为区间形式；最后，用基于箱粒子滤波的CBMeMBer方法对目标状态进行预测更新，完成目标的跟踪和状态估计。该方法存在的不足之处是，由于该方法对扩展目标量测划分之后，没有利用子集中量测之间的关系更新似然函数，进而无法在对多扩展目标进行跟踪的同时估计出目标的形状。
发明内容
本发明的目的是针对上述现有技术的不足，提出一种基于随机超曲面的势均衡多目标多伯努利CBMeMBer多目标跟踪方法，以实现对多扩展目标精确跟踪的同时估计出目标的形状。
为实现上述目的，本发明的具体步骤如下：
(1)输入多扩展目标量测：
输入由传感器检测到的一段待跟踪视频序列中的一帧图像的多扩展目标量测；
(2)划分多扩展目标量测：
使用距离划分方法，将接收到的多扩展目标量测划分成多个单元；
(3)用随机超曲面对多扩展目标量测源建模：
(3a)构建一个长短轴描述扩展目标大小，长轴方向描述扩展目标运动方向的椭圆；
(3b)使用高斯分布，近似椭圆随机超曲面尺度因子的分布；
(3c)按照下式，确定扩展目标表面产生量测的等效散射中心位置量测源的坐标位置：
其中，y表示量测源在二维坐标系中的坐标位置，m表示扩展目标质心在二维坐标系中的坐标位置，s表示随机超曲面尺度因子，其取值为0与1之间的实数，a和b分别表示扩展目标椭圆形状的长轴与短轴，sin表示正弦操作，cos表示余弦操作，φ表示扩展目标的运动方向，θ表示用量测到目标质心的向量与x轴正半轴的夹角近似的量测源在极坐标系下的极角，表示开根号操作，A表示直角坐标与极坐标的转化向量，T表示转置操作；
(4)预测多扩展目标状态：
(4a)利用势均衡多扩展目标多伯努利CBeMeBer预测方法，预测用随机集描述的多扩展目标多伯努利概率分布；
(4b)整理合并用随机集描述的多扩展目标多伯努利概率分布，得到预测后用随机集描述的多扩展目标多伯努利概率分布；
(5)更新多扩展目标状态：
(5a)利用似然函数公式，计算每一个量测划分单元的似然函数值；
(5b)用似然函数值更新用随机集描述的多扩展目标多伯努利分布；
(6)修剪多扩展目标状态：
去除多扩展目标状态中存活概率小于存活概率门限值的目标状态；若剩余的扩展目标状态总数仍大于状态总数门限值，则取存活概率靠前的扩展目标状态且状态数目等于状态总数门限值；
(7)提取多扩展目标状态：
(7a)利用目标总数计算公式，计算扩展目标总数；
(7b)对每一个存活概率进行归一化处理，得到每一扩展目标状态所占的权值；
(7c)对多扩展目标状态求加权平均，得到最终估计的多扩展目标状态；
(8)判断下一次迭代所需要的多扩展目标量测是否到达，若是，则将迭代次数加1后执行步骤(2)，否则，执行步骤(9)；
(9)结束多扩展目标跟踪。
本发明与现有技术相比具有以下优点：
第一，由于本发明采用随机超曲面对多扩展目标量测源进行建模，利用尺度因子使量测源分布在缩小的尺度椭圆之上，能够有效的描述出多扩展目标的形状，克服了现有技术无法出估计扩展目标形状的问题，从而可以在对多扩展目标精确跟踪的同时估计出多扩展目标的形状。
第二，由于本发明在对多扩展目标多伯努利概率分布预测和更新过程中，将多扩展目标状态用随机集来描述，能够有效克服了现有技术在多扩展目标跟踪过程中数据关联问题，使得本发明能够大幅度减小计算复杂度，从而可以有效地跟踪多扩展目标。
附图说明
图1为本发明的流程图；
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
结合附图1中，对本发明的具体步骤做进一步的描述。
步骤1，输入多扩展目标量测。
输入由传感器检测到的一段待跟踪视频序列中的一帧图像的多扩展目标量测。
多扩展目标是指，多个能在同一时刻产生的多个量测的运动目标。
步骤2，划分多扩展目标量测。
使用如下距离划分方法，将接收到的多扩展目标量测划分成多个单元：
计算所有量测两两之间的马氏距离，将马氏距离小于距离门限的所有量测划分到同一单元，所述距离门限为一个由扩展目标大小确定的先验值。
步骤3，用随机超曲面对多扩展目标量测源建模。
构建一个长短轴描述扩展目标大小，长轴方向描述扩展目标运动方向的椭圆使用高斯分布，近似椭圆随机超曲面尺度因子的分布。
按照下式，确定量测源的坐标位置：
其中，y表示量测源在二维坐标系中的坐标位置，m表示扩展目标质心在二维坐标系中的坐标位置，s表示随机超曲面尺度因子，其取值为0与1之间的实数，a和b分别表示扩展目标椭圆形状的长轴与短轴，sin表示正弦操作，cos表示余弦操作，φ表示扩展目标的运动方向，θ表示量测源在极坐标系下的极角，这里用量测到目标质心的向量与x轴正半轴的夹角近似，表示开根号操作，A表示直角坐标与极坐标的转化向量，T表示转置操作。
量测源是指，扩展目标表面产生量测的等效散射中心位置，概括来说随机超曲面是一种描述量测源的特殊模型，量测源分布于缩小的扩展目标真实形状上。集假定S为以β为中心的群目标或者扩展目标的扩散形状的边界，以m表示以为中心的群目标或扩展目标的质心，则量测源可描述为
y∈m+s(S-m)
步骤4，预测多扩展目标状态。
利用势均衡多扩展目标多伯努利CBeMeBer预测方法，得到用随机集描述的的预测后的多扩展目标多伯努利概率分布：
其中，表示第k次迭代中第i个存活目标P的预测存活概率，表示第k次迭代中第i个存活目标P的预测概率分布，Mk表示第k次迭代中存活目标的总数，∪表示并集操作，表示第k次迭代中第j个新生目标Γ的存活概率，表示第k次迭代中第j个新生目标Γ的概率分布，MΓ,k表示第k次迭代中新生目标的总数。
整理合并用随机集描述的多扩展目标多伯努利概率分布，得到用下式表示用随机集描述的预测后的多扩展目标多伯努利概率分布：
其中，表示合并后第k次迭代中第t个目标的预测存活概率，表示合并后第k次迭代中第t个目标的预测概率分布，M表示合并后第k次迭代中预测目标的总数，M＝Mk+MΓ,k。
步骤5，更新多扩展目标状态。
利用如下似然函数计算公式，计算每一个量测划分单元的似然函数值：
其中，ΨW表示第W个划分单元的似然函数值，∫ds表示积分操作，表示高斯分布符号，zk表示第k次迭代中第W个划分单元中的一个量测，h(·)表示伪量测，xk表示第k次迭代中扩展目标的预测粒子状态，R表示高斯分布的协方差矩阵，f(s)表示尺度因子s的概率分布。
用似然函数值更新多扩展目标多伯努利分布，得到用如下公式表示的用随机集描述的更新后的多扩展目标多伯努利概率分布：
其中，表示第k次迭代中第n个漏检目标L的更新存活概率，表示第k次迭代中第n个漏检目标L的更新概率分布，rW,k表示第k次迭代中由第W个量测划分单元更新得到的目标存活概率，pW,k表示第k次迭代中由第W个量测划分单元更新得到的目标概率分布，∈表示属于符号，Y表示量测划分集合。
步骤6，修剪多扩展目标状态。
去除多扩展目标状态中存活概率小于存活概率门限值的目标状态；若剩余的扩展目标状态总数仍大于状态总数门限值，则使扩展目标状态总数等于状态总数门限值。
步骤7，提取多扩展目标状态。
利用如下目标总数计算公式，计算扩展目标总数：
其中，Nk表示第k次迭代中估计的目标总数，∑表示求和操作。
对每一个存活概率进行归一化处理，得到每一扩展目标状态所占的权值。
对多扩展目标状态求加权平均，得到最终估计的多扩展目标状态。
步骤8，判断下一次迭代的所需要的量测是否到达，若是，则将迭代次数加1后执行步骤2，否则，执行步骤9。
步骤9，结束多扩展目标跟踪。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真实验条件：
本发明仿真实验的硬件测试平台是：处理器Intel Core i3-7100CPU，主频为3.90GHz，内存8GB；软件平台为：Windows 7旗舰版，64位操作系统，MATLAB R2014a，。
2.仿真内容及其仿真结果分析：
附图2为本发明的仿真图，其中，图2(a)为本发明仿真实验所跟踪的真实目标轨迹图，图2(a)中，用圆点表示扩展目标的新生位置，用三角形表示扩展目标的消失位置，圆点与三角形之间的连线表示目标的运动轨迹。
图2(b)为本发明仿真实验估计出的扩展目标形状及局部放大图，图2(b)截取的时刻共有5个椭圆表示的扩展目标，其中实线椭圆表示的是真实扩展目标形状，点虚线椭圆表示本发明方法估计出的扩展目标形状，图2(b)中方框内的小坐标系为局部放大图。
图2(c)为本发明仿真实验对场景中扩展目标总数的估计图，图2(c)以实线标示的曲线表示真实目标数的连线，以点虚线标示的曲线表示本发明方法估计出的目标数的连线。
图2(d)为本发明仿真实验的目标形状误差结果图，图2(d)中的连线表示目标形状最优子模式分配ospa结果图，横坐标表示迭代次数，纵坐标表示目标形状最优子模式分配ospa大小。
图2(e)为本发明仿真实验的目标质心位置误差结果图，图2(e)以五角星标示的曲线表示本发明方法目标质心位置最优子模式分配ospa大小连线，以黑点标示的连线表示势均衡多目标多伯努利滤波方法的目标质心位置最优子模式分配结果图，横坐标表示迭代次数，纵坐标表示目标质心位置最优子模式分配ospa大小。
由图2(b)和图2(d)可以看出，本发明方法可以准确估计出场景中多扩展目标形状，图2(c)可以看出本发明方法可以精确估计出场景中多扩展目标数，图2(e)可以看出与势均衡多目标多伯努利滤波方法相比，本发明方法可以跟踪精度更高。综上所述，本发明方法在对多扩展目标跟踪过程中可以准确估计出多扩展目标的形状的同时，提高了跟踪精度。
Claims (9)
1.一种基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，用随机超曲面对多扩展目标量测源建模，通过计算修正后的似然函数值迭代更新多扩展目标形状，具体步骤包括如下：
(1)输入多扩展目标量测：
输入由传感器检测到的一段待跟踪视频序列中的一帧图像的多扩展目标量测；
(2)划分多扩展目标量测：
使用距离划分方法，将接收到的多扩展目标量测划分成多个单元；
(3)用随机超曲面对多扩展目标量测源建模：
(3a)构建一个长短轴描述扩展目标大小，长轴方向描述扩展目标运动方向的椭圆；
(3b)使用高斯分布，近似椭圆随机超曲面尺度因子的分布；
(3c)按照下式，确定扩展目标表面产生量测的等效散射中心位置量测源的坐标位置：
其中，y表示量测源在二维坐标系中的坐标位置，m表示扩展目标质心在二维坐标系中的坐标位置，s表示随机超曲面尺度因子，其取值为0与1之间的实数，a和b分别表示扩展目标椭圆形状的长轴与短轴，sin表示正弦操作，cos表示余弦操作，φ表示扩展目标的运动方向，θ表示用量测到目标质心的向量与x轴正半轴的夹角近似的量测源在极坐标系下的极角，表示开根号操作，A表示直角坐标与极坐标的转化向量，T表示转置操作；
(4)预测多扩展目标状态：
(4a)利用势均衡多扩展目标多伯努利CBeMeBer预测方法，预测用随机集描述的多扩展目标多伯努利概率分布；
(4b)整理合并用随机集描述的多扩展目标多伯努利概率分布，得到预测后用随机集描述的多扩展目标多伯努利概率分布；
(5)更新多扩展目标状态：
(5a)利用似然函数公式，计算每一个量测划分单元的似然函数值；
(5b)用似然函数值更新用随机集描述的多扩展目标多伯努利分布；
(6)修剪多扩展目标状态：
去除多扩展目标状态中存活概率小于存活概率门限值的目标状态；若剩余的扩展目标状态总数仍大于状态总数门限值，则取存活概率靠前的扩展目标状态且状态数目等于状态总数门限值；
(7)提取多扩展目标状态：
(7a)利用目标总数计算公式，计算扩展目标总数；
(7b)对每一个存活概率进行归一化处理，得到每一扩展目标状态所占的权值；
(7c)对多扩展目标状态求加权平均，得到最终估计的多扩展目标状态；
(8)判断下一次迭代所需要的多扩展目标量测是否到达，若是，则将迭代次数加1后执行步骤(2)，否则，执行步骤(9)；
(9)结束多扩展目标跟踪。
2.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(1)中所述的多扩展目标是指，多个能在同一时刻产生的多个量测的运动目标。
3.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(2)中所述距离划分方法的步骤如下：
第一步，计算所有量测两两之间的马氏距离；
第二步，将马氏距离小于距离门限的所有量测划分到同一单元；所述距离门限为一个由扩展目标大小确定的先验值。
4.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(3c)中所述的量测源是指，扩展目标表面产生量测的等效散射中心位置。
5.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(4a)中所述的用随机集描述的多扩展目标多伯努利概率分布的描述如下：
其中，表示第k次迭代中第i个存活目标P的预测存活概率，表示第k次迭代中第i个存活目标P的预测概率分布，Mk表示第k次迭代中存活目标的总数，∪表示并集操作，表示第k次迭代中第j个新生目标Γ的存活概率，表示第k次迭代中第j个新生目标Γ的概率分布，MΓ,k表示第k次迭代中新生目标的总数。
6.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(4b)中所述的用随机集描述的多扩展目标多伯努利概率分布式如下：
其中，表示合并后第k次迭代中第t个目标的预测存活概率，表示合并后第k次迭代中第t个目标的预测概率分布，M表示合并后第k次迭代中预测目标的总数，M＝Mk+MΓ,k。
7.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(5a)中所述的似然函数公式如下：
其中，ΨW表示第W个划分单元的似然函数值，∫ds表示积分操作，表示高斯分布符号，zk表示第k次迭代中第W个划分单元中的一个量测，h(·)表示伪量测，xk表示第k次迭代中扩展目标的预测粒子状态，R表示高斯分布的协方差矩阵，f(s)表示尺度因子s的概率分布。
8.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(5b)中所述的用随机集描述的多扩展目标多伯努利分布式如下：
其中，表示第k次迭代中第n个漏检目标L的更新存活概率，表示第k次迭代中第n个漏检目标L的更新概率分布，rW,k表示第k次迭代中由第W个量测划分单元更新得到的目标存活概率，pW,k表示第k次迭代中由第W个量测划分单元更新得到的目标概率分布，∈表示属于符号，Y表示量测划分集合。
9.根据权利要求1所述的基于随机超曲面的势均衡多目标多伯努利滤波CBMeMBer多目标跟踪方法，其特征在于，步骤(7a)中所述的目标总数计算公式如下：
其中，Nk表示第k次迭代中估计的目标总数，∑表示求和操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810079318.1A CN108320302B (zh) | 2018-01-26 | 2018-01-26 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810079318.1A CN108320302B (zh) | 2018-01-26 | 2018-01-26 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108320302A true CN108320302A (zh) | 2018-07-24 |
| CN108320302B CN108320302B (zh) | 2019-10-11 |
Family
ID=62888699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810079318.1A Active CN108320302B (zh) | 2018-01-26 | 2018-01-26 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108320302B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136167A (zh) * | 2019-04-11 | 2019-08-16 | 上海交通大学 | 面向监视系统的多群目标跟踪方法及跟踪系统 |
| CN110895332A (zh) * | 2019-12-03 | 2020-03-20 | 电子科技大学 | 一种扩展目标的分布式跟踪方法 |
| CN113344970A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975575A (zh) * | 2010-10-15 | 2011-02-16 | 西安电子科技大学 | 基于粒子滤波的被动传感器多目标跟踪方法 |
| CN102184554A (zh) * | 2011-05-28 | 2011-09-14 | 西安电子科技大学 | 基于激活区域背景感知的红外目标跟踪方法 |
| CN103942535A (zh) * | 2014-03-28 | 2014-07-23 | 广东威创视讯科技股份有限公司 | 多目标跟踪方法及装置 |
| CN104730511A (zh) * | 2015-04-10 | 2015-06-24 | 西安电子科技大学 | 星凸模型下的势概率假设密度多扩展目标跟踪方法 |
| 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 |
| CN105513081A (zh) * | 2015-12-21 | 2016-04-20 | 中国兵器工业计算机应用技术研究所 | 一种多目标的跟踪识别方法 |
| CN106408594A (zh) * | 2016-09-28 | 2017-02-15 | 江南大学 | 基于多伯努利特征协方差的视频多目标跟踪方法 |
-
2018
- 2018-01-26 CN CN201810079318.1A patent/CN108320302B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975575A (zh) * | 2010-10-15 | 2011-02-16 | 西安电子科技大学 | 基于粒子滤波的被动传感器多目标跟踪方法 |
| CN102184554A (zh) * | 2011-05-28 | 2011-09-14 | 西安电子科技大学 | 基于激活区域背景感知的红外目标跟踪方法 |
| CN103942535A (zh) * | 2014-03-28 | 2014-07-23 | 广东威创视讯科技股份有限公司 | 多目标跟踪方法及装置 |
| 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 |
| CN104730511A (zh) * | 2015-04-10 | 2015-06-24 | 西安电子科技大学 | 星凸模型下的势概率假设密度多扩展目标跟踪方法 |
| CN105513081A (zh) * | 2015-12-21 | 2016-04-20 | 中国兵器工业计算机应用技术研究所 | 一种多目标的跟踪识别方法 |
| CN106408594A (zh) * | 2016-09-28 | 2017-02-15 | 江南大学 | 基于多伯努利特征协方差的视频多目标跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李翠芸等: "一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器", 《控制与决策》 * |
| 苗雨等: "箱粒子广义标签多伯努利滤波的目标跟踪算法", 《西安交通大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136167A (zh) * | 2019-04-11 | 2019-08-16 | 上海交通大学 | 面向监视系统的多群目标跟踪方法及跟踪系统 |
| CN110895332A (zh) * | 2019-12-03 | 2020-03-20 | 电子科技大学 | 一种扩展目标的分布式跟踪方法 |
| CN113344970A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108320302B (zh) | 2019-10-11 |
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 | |
| CN103729859B (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
| Granström et al. | New prediction for extended targets with random matrices | |
| CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
| CN107300698B (zh) | 一种基于支持向量机的雷达目标航迹起始方法 | |
| CN108168564A (zh) | 一种基于lhd灰色关联度的航迹关联方法 | |
| CN109002835A (zh) | 一种基于最大熵模糊聚类的粒子滤波数据关联方法 | |
| CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
| CN108320302B (zh) | 基于随机超曲面的CBMeMBer多目标跟踪方法 | |
| CN106054167B (zh) | 基于强度滤波器的多扩展目标跟踪方法 | |
| CN113808174A (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
| CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
| CN111693984A (zh) | 一种改进的ekf-ukf动目标跟踪方法 | |
| CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
| CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
| CN105913080B (zh) | 基于随机矩阵机动非椭圆扩展目标的联合跟踪与分类方法 | |
| CN117036400A (zh) | 基于混合高斯模型模糊聚类数据关联的多目标群跟踪方法 | |
| CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
| CN113311430B (zh) | 蜂群无人机数量估计和航迹生成方法 | |
| 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 | |
| Sun et al. | Performance evaluation for shape estimation of extended objects using a modified hausdorff distance | |
| CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
| CN104850856A (zh) | 近邻传播观测聚类的多扩展目标跟踪方法 | |
| Yan et al. | Explainable Gated Bayesian Recurrent Neural Network for Non-Markov State Estimation | |
| CN104467742A (zh) | 基于高斯混合模型的传感器网络分布式一致性粒子滤波器 |
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 |