CN109085569B - 一种基于区域划分的多雷达航迹关联方法 - Google Patents
一种基于区域划分的多雷达航迹关联方法 Download PDFInfo
- Publication number
- CN109085569B CN109085569B CN201810914787.0A CN201810914787A CN109085569B CN 109085569 B CN109085569 B CN 109085569B CN 201810914787 A CN201810914787 A CN 201810914787A CN 109085569 B CN109085569 B CN 109085569B
- Authority
- CN
- China
- Prior art keywords
- track
- radar
- association
- coordinates
- flight path
- 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
Links
Images
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于区域划分的多雷达航迹关联方法,针对目前多雷达航迹关联融合算法计算量大及航迹关联时易受其他航迹影响而产生关联错误等缺陷,对其进行改进。首先在数据预处理的时候对航迹进行区域划分,后续的关联融合流程再基于航迹区号进行关联计算,避免不相干航迹的干扰,使算法能在处理流程上提高航迹关联的准确性。而且能够最大程度的避免大量不必要的冗余计算,使得算法更适用于数据量大的场景。
Description
技术领域
本发明属于数据融合技术领域,具体涉及一种基于区域划分的多雷达航迹关联方法。
背景技术
多雷达航迹关联算法是一种解决利用多个传感器对多个目标进行跟踪,并且成功关联融合的算法。雷达的坐标通常在不同位置,目标通常会产生多个航迹,雷达得到的目标观测值就是目标距离雷达的径向距离,仰视角,方位角等数据。相对于单雷达而言,在极坐标下就可以完成对目标的跟踪,可以避免极坐标和三维坐标的转换带来的误差而且数据量也小得多。然而当雷达目标数较多时采集到的数据量通常较为庞大,而且航迹又是动态变化的,会给关联融合计算带来不少压力。当计算量庞大时,传统的多雷达关联融合算法不能及时处理,造成航迹积压,从而影响航迹更新的实时性,多雷达的实时性和准确性优势也就失去了意义。因此,设计一种适用于数据量大的多雷达多目标航迹关联融合算法,降低航迹关联时的计算量,提高算法的响应速度,提高航迹更新的实时性,是多雷达多目标航迹关联融合应用的关键之一。
目前主流的多雷达多目标航迹关联融合算法大多是基于航迹间的距离的计算,有些算法还基于历史航迹集合进行距离计算,然后得出关联矩阵,通过最优分配,进行航迹关联。这些算法通常具有较好的航迹融合效果,如基于拓扑统计距离的航迹抗差关联算法,基于自适应滑动窗均值OSPA(Optimal Sub-Pattern Assignment)航迹关联算法等。这些算法基于目标点对的欧式距离计算出隶属度,然后迭代取得平均隶属度最大的目标航迹对为匹配的目标点对。在航迹较少时,这些算法都可以取得良好的航迹关联结果,但是航迹和雷达数较多时,算法中计算航迹间隶属度时会出现大量冗余计算,算法的空间复杂度和时间复杂度都会指数增长,影响算法的效率和准确性。
发明内容
针对现有算法中计算量大,计算复杂等缺陷,本发明以减轻计算量并从算法流程角度提高关联准确性为设计思路,引入航迹区域划分(Regional Division)技术,提出一种基于区域划分的多雷达多目标航迹关联融合算法,在航迹统一坐标系后对航迹进行区域划分处理,只计算航迹与其周围的9个区域航迹的关联度,大量减少了不必要的冗余计算,有效地降低了算法的时间消耗,提高了航迹关联融合算法的处理能力和关联准确度。
为实现上述目的,本发明采用的技术方案为一种基于区域划分的多雷达航迹关联融合算法,包含以下步骤:
步骤1:输入源航迹;
步骤2:航迹坐标转换及不同雷达坐标系下航迹坐标的统一;
步骤3:根据区域实际情况,确定区域划分时的分区大小d;
步骤4:根据区域划分规则,将区域划分为若干个边长为d的正方形小区域,并计算航迹的区域号;
步骤5:对航迹区域判定,如果其周围9个区域没有其他航迹则关联成功,结束关联,如果有则进入步骤6;
步骤6:对所有关联状态源航迹与附近9个区域的融合航迹求似然值,然后给出相应似然矩阵;
步骤7:根据双门限法最优匹配准则选出一种最优的分配方式,并将关联结果标记给当前源航迹;
步骤8:对航迹进行k最邻近分类算法(K-Nearest Neighbor,KNN)计算;若满足KNN准则就与其所对应的航迹关联成功,结束关联。
进一步地,所述步骤2中,根据式(1)将每个航迹的极坐标(ρ,θ)转化为平面直角坐标(x,y);
由于式(1)中航迹中的(ρ,θ)都是雷达以自身作为极坐标原点观测得到的,计算得出的平面坐标都是在以雷达本身作为原点的坐标系下的坐标位置,所以要将不同雷达坐标系在的数据统一到同一个雷达坐标系;本方法用坐标平移法将不同坐标系的航迹数据统一到同一个坐标系;假设有雷达一和雷达二,将雷达一坐标系下平面坐标转换到雷达二坐标系下时,将前者航迹坐标记为(x,y),后者为目标航迹坐标,记为(X,Y),且雷达一坐标系原点在雷达二的(△x,△y)处,则将所有雷达一观测到的航迹平面坐标通过式(2)统一到雷达二的坐标系下。
进一步地,所述步骤3中,区域划分中要先选取合理的d值,d的大小要满足如下两个条件:
(1)雷达在观测航迹时,在目标角度和径向距离上会有一定误差,记同一航迹的最大观测误差为Δd;为了保证同一个航迹由不同雷达观测到的数据可以成功关联,所以分区大小d>Δd;
(2)本方法所用的八位数区号一共可以表示4*103*103=4000000个分区;记在直角坐标系下,区域所跨X轴长度最长为LX,区域所跨Y轴长度最长为LY,总面积是覆盖所有雷达扫描区域的最小矩形;分区大小d的大小要满足2000*d>=LX,2000*d>=LY,即d>=max(LX/2000,LY/2000);
结合1和2所述分区大小d取满足条件(3)的最小值:
d>=maxd%1000=0(Δd,max(LX/2000,LY/2000)) (3)
进一步地,所述八位整数区号是表示规则为:区号高四位为X轴分区,高四位第一位表示航迹横坐标x与0的大小关系,后三位表示X轴上的位置;低四位为Y轴分区,低四位第一位表示航迹纵坐标y与0的大小关系,后三位表示Y轴上的位置。
进一步地,为了方便后续的航迹区号计算,d取满足式(1)的整千数。
进一步地,所述步骤4中,记航迹的直角坐标为(x,y),此航迹的区号为L,航迹区号的计算方式如下:
将所有航迹按照(4)式计算出航迹的区号L,并进行航迹关联。
进一步地,所述步骤6中,进行似然值计算前,要将不同时间下的航迹进行时空对准,统一到同一个时空下。本发明采用的时空对准的方法为线性外推。记目标航迹的最新更新时间为t1,坐标为(x1,y1),当前航迹的最新更新时间为t2(t1>t2),坐标为(x2,y2),速度为v2,当前航迹在t1时刻位置信息(x,y)表示为:
通过式(5),在航迹计算前,将航迹统一到同一时空下,然后进行航迹间的似然值计算;计算所有可能的关联航迹对,得出关联矩阵P,其中每一个元素P[i,j]都对应航迹i和航迹j的似然值。并根据似然值阈值Rmin,按(6)式过滤掉似然值过小的航迹对。
进一步地,所述步骤7的具体方法为,设矩阵中某一元素的位置为i、j,值为P[i,j],所在行的和为Si,所在列的和为Sj;
对矩阵P的所有元素都用(7)式计算,进行归一化,使矩阵每行的和与每列的和都为1,最终得到矩阵Q,Q[i,j]值越大,代表该元素对应的源航迹与该元素对应的系统航迹的隶属度越高;按照隶属度最高原则,对航迹进行关联关系分配;设隶属度阈值为q,如果矩阵最高隶属度小q,则关联关系分配完成。
本发明达到的有益效果:
1、由于进行了区域划分,大部分计算工作都转移到了数据预处理,后续关联算法基于区域划分,可以避免大量冗余的距离比较运算,简化计算量,提升算法效率。
2、相较于传统的多雷达多目标航迹关联融合算法,本发明将所有的航迹数据按照平面坐标系进行区域划分,后续算法流程基于区域划分,计算航迹间的似然值矩阵时,可以减少矩阵规模,进一步提升算法效率,并设置似然值和隶属度的双门限,减少了错误的干扰项,进一步提升航迹关联的准确率。
3、本发明的区域划分方式主要在数据预处理部分,和后续的关联融合流程耦合度不高。所以此发明对一般的关联融合算法都有可用性,可为其他关联融合算法提供参考和启示。
附图说明
图1是一种基于区域划分的多雷达航迹关联方法的具体流程图。
图2是本发明区域划分的说明图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明针对目前多雷达航迹关联融合算法计算量大及航迹关联时易受其他航迹影响而产生关联错误等缺陷,对其进行改进。首先在数据预处理的时候对航迹进行区域划分,后续的关联融合流程再基于航迹区号进行关联计算,避免不相干航迹的干扰,使算法能在处理流程上提高航迹关联的准确性。而且能够最大程度的避免大量不必要的冗余计算,使得算法更适用于数据量大的场景。该方案的具体流程如图1所示,下面对本发明做进一步详细说明:
步骤1:输入源航迹。
步骤2:航迹坐标转换及不同雷达坐标系下航迹坐标的统一。
根据式(1)将每个航迹的极坐标(ρ,θ)转化为平面直角坐标(x,y)。
由于式(1)中航迹中的(ρ,θ)都是雷达以自身作为极坐标原点观测得到的,计算得出的平面坐标都是在以雷达本身作为原点的坐标系下的坐标位置,所以要将不同雷达坐标系在的数据统一到同一个雷达坐标系。本发明用坐标平移法将不同坐标系的航迹数据统一到同一个坐标系。假设有雷达一和雷达二,将雷达一坐标系下平面坐标转换到雷达二坐标系下时,将前者航迹坐标记为(x,y),后者为目标航迹坐标,记为(X,Y),且雷达一坐标系原点在雷达二的(△x,△y)处,则将所有雷达一观测到的航迹平面坐标通过式(2)统一到雷达二的坐标系下。
步骤3:根据区域大小和雷达观测误差,确定分区大小d的值。
区域划分是值将雷达所扫描的区域面积S划分成若干个边长为d(分区大小)的正方形区域。如图2所示,要先选取合理的d值。d的大小要满足如下两个条件:
(1)雷达在观测航迹时,在目标角度和径向距离上会有一定误差,所以多部雷达对同一航迹的坐标观测是有误差的,经过极坐标转为直角坐标和误差会进一步放大,记同一航迹的最大观测误差为△d。为了保证同一个航迹由不同雷达观测到的数据可以成功关联,所以d>△d。
(2)本发明采用的区号是一个八位整数的逻辑区号,区号表示规则为:区号高四位为X轴分区,高四位第一位表示航迹横坐标x与0的大小关系,后三位表示X轴上的位置。低四位为Y轴分区,低四位第一位表示航迹纵坐标y与0的大小关系,后三位表示Y轴上的位置。所以本发明所用的八位数区号一共可以表示4*103*103=4000000个分区。记在直角坐标系下,区域所跨X轴长度最长为LX,区域所跨Y轴长度最长为LY,总面积是覆盖所有雷达扫描区域的最小矩形。d的大小要满足2000*d>=LX,2000*d>=LY,即d>=max(LX/2000,LY/2000)。
结合1和2所述分区大小d取满足条件(3)的最小值。
d>=maxd%1000=0(Δd,max(LX/2000,LY/2000)) (3)
步骤4:在直角坐标系下,将区域划分为若干个边长为d的正方形小区域,计算所有航迹的所属区号。
如图一所示,从坐标原点开始向四周进行区域划分,将区域划分为若干个边长为d的正方形小区域。
为了方便后续的航迹区号计算,d取满足式(3)的整千数。记航迹的直角坐标为(x,y),此航迹的区号为L,航迹区号的计算方式如下:
将所有航迹按照(4)式计算出航迹的区号L,并进行航迹关联。
步骤5:对航迹进行区域判定,如果其周围9个区域(以此航迹区号为中心边长3d的正方形区域)没有其他航迹,说明此航迹只被单个雷达观测到,则关联成功,结束关联。如果有,转步骤6。
步骤6:航迹周围9个区域如果有其他航迹,则进行似然值计算,得出关联矩阵。
进行似然值计算前,要将不同时间下的航迹进行时空对准,统一到同一个时空下。本发明采用的时空对准的方法为线性外推。记目标航迹的最新更新时间为t1,坐标为(x1,y1),当前航迹的最新更新时间为t2(t1>t2),坐标为(x2,y2),速度为v2,当前航迹在t1时刻位置信息(x,y)表示为:
通过式(5),在航迹计算前,将航迹统一到同一时空下,然后进行航迹间的似然值计算。计算所有可能的关联航迹对,得出关联矩阵P,其中每一个元素P[i,j]都对应航迹i和航迹j的似然值。并根据似然值阈值Rmin,按(6)式过滤掉似然值过小的航迹对。
步骤7:将矩阵归一化,根据双门限法最优匹配准则选出一种最优的分配方式,并将关联结果标记给当前源航迹。
设矩阵中某一元素的位置为i、j,值为P[i,j],所在行的和为Si,所在列的和为Sj。
对矩阵P的所有元素都用(7)式计算,进行归一化,使矩阵每行的和与每列的和都为1,最终得到矩阵Q,Q[i,j]值越大,代表该元素对应的源航迹与该元素对应的系统航迹的隶属度越高。按照隶属度最高原则,对航迹进行关联关系分配。设隶属度阈值为q,如果矩阵最高隶属度小q,则关联关系分配完成。
步骤8:对航迹间的关联关系利用KNN算法计算,若满足KNN准则,则表明该航迹对关联成功。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (8)
1.一种基于区域划分的多雷达航迹关联方法,其特征在于:包含以下步骤:
步骤1:输入源航迹;
步骤2:航迹坐标转换及不同雷达坐标系下航迹坐标的统一;
步骤3:根据区域实际情况,确定区域划分时的分区大小d;
步骤4:根据区域划分规则,将区域划分为若干个边长为d的正方形小区域,并计算航迹的区域号;
步骤5:对航迹区域判定,如果其周围9个区域没有其他航迹则关联成功,结束关联,如果有则进入步骤6;
步骤6:对所有关联状态源航迹与附近9个区域的融合航迹求似然值,然后给出相应似然矩阵;
步骤7:根据双门限法最优匹配准则选出一种最优的分配方式,并将关联结果标记给当前源航迹;
步骤8:对航迹进行k最邻近分类算法KNN计算;若满足KNN准则就与其所对应的航迹关联成功,结束关联。
2.根据权利要求1所述的一种基于区域划分的多雷达航迹关联方法,其特征在于:所述步骤2中,根据式(1)将每个航迹的极坐标(ρ,θ)转化为平面直角坐标(x,y);
由于式(1)中航迹中的(ρ,θ)都是雷达以自身作为极坐标原点观测得到的,计算得出的平面坐标都是在以雷达本身作为原点的坐标系下的坐标位置,所以要将不同雷达坐标系在的数据统一到同一个雷达坐标系;本方法用坐标平移法将不同坐标系的航迹数据统一到同一个坐标系;假设有雷达一和雷达二,将雷达一坐标系下平面坐标转换到雷达二坐标系下时,将前者航迹坐标记为(x,y),后者为目标航迹坐标,记为(X,Y),且雷达一坐标系原点在雷达二的(△x,△y)处,则将所有雷达一观测到的航迹平面坐标通过式(2)统一到雷达二的坐标系下
3.根据权利要求1所述的一种基于区域划分的多雷达航迹关联方法,其特征在于:所述步骤3中,区域划分中要先选取合理的d值,d的大小要满足如下两个条件:
(1)雷达在观测航迹时,在目标角度和径向距离上会有一定误差,记同一航迹的最大观测误差为Δd;为了保证同一个航迹由不同雷达观测到的数据可以成功关联,所以分区大小d>Δd;
(2)本方法所用的八位整数区号一共可以表示4*103*103=4000000个分区;记在直角坐标系下,区域所跨X轴长度最长为LX,区域所跨Y轴长度最长为LY,总面积是覆盖所有雷达扫描区域的最小矩形;分区大小d的大小要满足2000*d>=LX,2000*d>=LY,即d>=max(LX/2000,LY/2000);
结合1和2所述分区大小d取满足条件(3)的最小值:
4.根据权利要求3所述的一种基于区域划分的多雷达航迹关联方法,其特征在于:八位整数区号是表示规则为:区号高四位为X轴分区,高四位第一位表示航迹横坐标x与0的大小关系,后三位表示X轴上的位置;低四位为Y轴分区,低四位第一位表示航迹纵坐标y与0的大小关系,后三位表示Y轴上的位置。
5.根据权利要求1所述的一种基于区域划分的多雷达航迹关联方法,其特征在于:为了方便后续的航迹区号计算,d取满足式(1)的整千数。
7.根据权利要求2所述的一种基于区域划分的多雷达航迹关联方法,其特征在于:所述步骤6中,进行似然值计算前,要将不同时间下的航迹进行时空对准,统一到同一个时空下;所述时空对准的方法为线性外推;记目标航迹的最新更新时间为t1,坐标为(x1,y1),当前航迹的最新更新时间为t2(t1>t2),坐标为(x2,y2),速度为v2,当前航迹在t1时刻位置信息(x,y)表示为:
通过式(5),在航迹计算前,将航迹统一到同一时空下,然后进行航迹间的似然值计算;计算所有可能的关联航迹对,得出关联矩阵P,其中每一个元素P[i,j]都对应航迹i和航迹j的似然值;并根据似然值阈值Rmin,按(6)式过滤掉似然值过小的航迹对
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810914787.0A CN109085569B (zh) | 2018-08-13 | 2018-08-13 | 一种基于区域划分的多雷达航迹关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810914787.0A CN109085569B (zh) | 2018-08-13 | 2018-08-13 | 一种基于区域划分的多雷达航迹关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109085569A CN109085569A (zh) | 2018-12-25 |
CN109085569B true CN109085569B (zh) | 2022-11-01 |
Family
ID=64834562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810914787.0A Active CN109085569B (zh) | 2018-08-13 | 2018-08-13 | 一种基于区域划分的多雷达航迹关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109085569B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856624B (zh) * | 2019-01-03 | 2021-03-16 | 中国人民解放军空军研究院战略预警研究所 | 一种针对单雷达直线航迹线的目标状态估计方法 |
CN110045363B (zh) * | 2019-05-08 | 2021-07-06 | 中国人民解放军空军研究院战略预警研究所 | 基于相对熵的多雷达航迹关联方法 |
CN110686679B (zh) * | 2019-10-29 | 2021-07-09 | 中国人民解放军军事科学院国防科技创新研究院 | 高轨光学卫星海上目标中断航迹关联方法 |
CN110929810B (zh) * | 2019-12-27 | 2022-06-07 | 航天南湖电子信息技术股份有限公司 | 一种低慢小目标探测系统多源数据融合方法 |
CN111198369B (zh) * | 2020-01-03 | 2023-06-27 | 电子科技大学 | 一种基于距离约束的分块配对及定位方法 |
CN114895295B (zh) * | 2022-04-19 | 2023-06-02 | 中国电子科技集团公司第十研究所 | 一种基于k近邻的通信散点关联加速方法及系统 |
CN115542307B (zh) * | 2022-09-15 | 2023-06-06 | 河北省交通规划设计研究院有限公司 | 一种基于高精度地图的高速场景多雷达航迹融合方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2814009A1 (en) * | 2010-10-08 | 2012-04-12 | Loctronix Corporation | Doppler aided inertial navigation |
JP5503578B2 (ja) * | 2011-03-10 | 2014-05-28 | パナソニック株式会社 | 物体検出装置及び物体検出方法 |
CN105259553B (zh) * | 2015-11-11 | 2017-10-24 | 西安电子科技大学 | 基于距离‑瞬时多普勒像的微动目标散射点航迹关联方法 |
CN107169301B (zh) * | 2017-06-08 | 2020-05-12 | 中国人民解放军海军航空大学 | 一种分而治之航迹关联方法 |
-
2018
- 2018-08-13 CN CN201810914787.0A patent/CN109085569B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109085569A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085569B (zh) | 一种基于区域划分的多雷达航迹关联方法 | |
CN109118500B (zh) | 一种基于图像的三维激光扫描点云数据的分割方法 | |
CN107071743B (zh) | 一种基于随机森林的快速KNN室内WiFi定位方法 | |
CN111540005B (zh) | 基于二维栅格地图的回环检测方法 | |
CN106529591A (zh) | 一种基于改进的mser图像匹配算法 | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN110049549B (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN111929653B (zh) | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 | |
CN111160212A (zh) | 一种基于YOLOv3-Tiny改进的跟踪学习检测系统及方法 | |
CN111050282A (zh) | 一种多次模糊推理加权knn定位方法 | |
CN112767456A (zh) | 一种三维激光点云快速重定位方法 | |
CN110807774B (zh) | 一种点云分类与语义分割方法 | |
CN106771329B (zh) | 一种无人机减速过程中运行速度的检测方法 | |
CN111182447A (zh) | 一种指纹法室内定位技术 | |
Chen et al. | Deep neural network based on feature fusion for indoor wireless localization | |
Xu et al. | A hybrid approach using multistage collaborative calibration for wireless sensor network localization in 3D environments | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
CN112797976A (zh) | 定位检测方法、装置、计算机设备以及可读存储介质 | |
Ravankar et al. | Robot mapping using k-means clustering of laser range sensor data | |
CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
CN116244391A (zh) | 一种海量航迹目标典型阵位提取方法 | |
CN115356718A (zh) | 一种基于交叉熵模糊聚类的多目标跟踪数据关联方法 | |
CN115049010A (zh) | 一种基于进化聚类的多目标分群技术 | |
Hou et al. | Fast 2d map matching based on area graphs | |
CN112767438B (zh) | 结合时空运动的多目标跟踪方法 |
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 |