CN109239647B - 一种基于多维拟合的多目标跟踪方法 - Google Patents

一种基于多维拟合的多目标跟踪方法 Download PDF

Info

Publication number
CN109239647B
CN109239647B CN201811026116.7A CN201811026116A CN109239647B CN 109239647 B CN109239647 B CN 109239647B CN 201811026116 A CN201811026116 A CN 201811026116A CN 109239647 B CN109239647 B CN 109239647B
Authority
CN
China
Prior art keywords
time
matrix
method based
target tracking
doa
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
CN201811026116.7A
Other languages
English (en)
Other versions
CN109239647A (zh
Inventor
庄杰
张添
万群
殷吉昊
王威
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811026116.7A priority Critical patent/CN109239647B/zh
Publication of CN109239647A publication Critical patent/CN109239647A/zh
Application granted granted Critical
Publication of CN109239647B publication Critical patent/CN109239647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

本发明提供一种基于多维拟合的多目标跟踪方法,该方法包括以下步骤：1)对待跟踪目标的位置通过高斯牛顿算法得到多个目标的DOA测试值，并对该测试值采用预测门限检验，2)采用卡尔曼滤波器对第一阶段的测试值进行平滑处理。本发明很大程度上减少了多目标跟踪问题中的计算量大的问题，并且能处理多目标位置出现交叉的跟踪问题。

Description

一种基于多维拟合的多目标跟踪方法
技术领域
本发明涉及一种多目标跟踪方法，特别是涉及一种基于多维拟合的多目标跟踪方法。
背景技术
多个移动目标的DOA（direction-of-arrival，DOA，来波方向）跟踪方法一直以来是信号处理的热点问题。针对此问题以往的DOA跟踪算法是假设目标的方向在短时间窗内不随时间变化下用经典的基于子空间的DOA估计算法去估计信源方位，如利用最小二乘算法、牛顿法、最大似然算法，利用前一时刻的位置信息去估计下一时刻的位置信息以跟踪运动信源的DOA。但这些方法都难以避开“数据关联”的难题，即处理两个连续时间不同信号间的DOA估计，因此，这些方法都有着计算复杂度大的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于多维拟合的多目标跟踪方法，用于解决现有技术中计算复杂度大的问题。
为实现上述目的及其他相关目的，本发明提供一种基于多维拟合的多目标跟踪方法，所述基于多维拟合的多目标跟踪方法包括:
通过高斯牛顿算法对待跟踪目标的位置进行计算得到多个目标的DOA测试值，并对该测试值采用预测门限检验；
采用卡尔曼滤波器对所述DOA测试值进行平滑处理；
所述基于多维拟合的多目标跟踪方法还包括以下步骤：
批量输入
Figure 367703DEST_PATH_IMAGE002
个目标在
Figure 691368DEST_PATH_IMAGE004
时刻的状态向量
Figure 143209DEST_PATH_IMAGE006
和模型误差协方差矩阵
Figure 69577DEST_PATH_IMAGE008
,
Figure 556053DEST_PATH_IMAGE010
；
根据
Figure 909674DEST_PATH_IMAGE012
预测
Figure 848811DEST_PATH_IMAGE014
时刻的状态向量
Figure 454236DEST_PATH_IMAGE016
，提取所述状态向量
Figure DEST_PATH_IMAGE017
的第一个元素作为预测DOA值
Figure DEST_PATH_IMAGE019
,
Figure 998480DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE021
表示系统从k-1时刻到
Figure 192177DEST_PATH_IMAGE014
时刻的状态转移矩阵；
将所述预测DOA值
Figure 618610DEST_PATH_IMAGE019
作为初始值，采用高斯牛顿算法求得测试值
Figure DEST_PATH_IMAGE023
；
根据第k时刻的模型误差方差估计值
Figure DEST_PATH_IMAGE025
和测量误差的方差估计值
Figure DEST_PATH_IMAGE027
求得第k－1时刻的模型误差方差估计值
Figure DEST_PATH_IMAGE029
和
Figure DEST_PATH_IMAGE031
，其中
Figure DEST_PATH_IMAGE033
表示模型误差，
Figure DEST_PATH_IMAGE035
表示测量误差，
Figure DEST_PATH_IMAGE037
表示样本的数量；
计算第t时刻的模型误差协方差矩阵
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE041
表示F的共轭转置；
计算卡尔曼滤波器增益
Figure DEST_PATH_IMAGE043
，
Figure DEST_PATH_IMAGE045
表示测量矩阵C的共轭转置，
Figure DEST_PATH_IMAGE047
表示k时刻的残差协方差矩阵，
Figure DEST_PATH_IMAGE049
；
更新k时刻的状态向量
Figure DEST_PATH_IMAGE051
；
提取状态向量
Figure DEST_PATH_IMAGE053
的第一个元素作为第
Figure 322999DEST_PATH_IMAGE014
时刻的DOA估计值
Figure DEST_PATH_IMAGE055
；
计算
Figure DEST_PATH_IMAGE057
用于下次迭代；
所述采用高斯牛顿算法求得测试值
Figure 456171DEST_PATH_IMAGE023
具体包括：
计算一阶偏导向量
Figure DEST_PATH_IMAGE059
：
Figure DEST_PATH_IMAGE061
，
其中，
Figure DEST_PATH_IMAGE063
表示矩阵的迹，
Figure DEST_PATH_IMAGE065
为信号子空间投影算子，R表示阵列信号的二阶协方差矩阵，
Figure DEST_PATH_IMAGE067
；
计算二阶偏导矩阵
Figure DEST_PATH_IMAGE069
：
Figure DEST_PATH_IMAGE071
其中，i，j表示矩阵的行与列的序号，
Figure DEST_PATH_IMAGE073
表示二阶偏导矩阵
Figure 571501DEST_PATH_IMAGE074
的第i行的第j列元素；
计算残差向量
Figure 344285DEST_PATH_IMAGE076
，
Figure 25933DEST_PATH_IMAGE078
表示矩阵H的逆；
若满足不等式
Figure 341508DEST_PATH_IMAGE080
，则更新
Figure 207833DEST_PATH_IMAGE082
，否则
Figure 343279DEST_PATH_IMAGE084
，
Figure 953252DEST_PATH_IMAGE086
为预设阈值，S表示残差协方差矩阵，
Figure 857754DEST_PATH_IMAGE088
表示误差向量的第m个元素。
可选地，所述系统从k-1时刻到
Figure 426139DEST_PATH_IMAGE014
时刻的状态转移矩阵F为：
Figure 783302DEST_PATH_IMAGE090
，T是跟踪的时间间隔，即每隔T秒，跟踪一次目标的方位信息。
可选地，所述的
Figure 196966DEST_PATH_IMAGE092
服从自由度为1的
Figure 955974DEST_PATH_IMAGE094
分布。
可选地，所述
Figure 429681DEST_PATH_IMAGE096
服从均值为0，方差为
Figure 536790DEST_PATH_IMAGE098
的高斯分布。
可选地，所述
Figure 363931DEST_PATH_IMAGE100
服从均值为0，方差为
Figure 367660DEST_PATH_IMAGE102
的高斯分布。
如上所述，本发明的一种基于多维拟合的多目标跟踪方法，主要用于改善现有多目标跟踪算法的复杂度大和准确度低的问题，特别用于解决运动的目标状态交叉时现有算法无法正确检测目标信息的问题。具有以下有益效果：
本发明提高了现有多目标跟踪算法的准确度并减少计算量；当运动的目标状态交叉时本算法能正确预测目标位置。
附图说明
图1为本发明所述方法的流程图；
图2为待跟踪目标的DOA运动图；
图3为本发明算法的跟踪结果图；
图4为传统MUSIC算法的跟踪结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且排除像这里一样定义，不会用理想化或过于正式的含义来解释。
具体地，请参阅图1，本发明提供一种基于多维拟合的多目标跟踪方法，包括以下步骤：
(1)批量输入
Figure 887634DEST_PATH_IMAGE002
个目标在
Figure 344023DEST_PATH_IMAGE004
时刻的状态向量
Figure 240435DEST_PATH_IMAGE006
和模型误差协方差矩阵为
Figure 833090DEST_PATH_IMAGE008
,
Figure 523965DEST_PATH_IMAGE010
；所述模型是卡尔曼滤波器的目标动态模型。
(2)根据
Figure 467651DEST_PATH_IMAGE012
预测
Figure 902174DEST_PATH_IMAGE014
时刻的状态向量
Figure 614915DEST_PATH_IMAGE016
，提取状态向量
Figure 476692DEST_PATH_IMAGE017
的第一个元素作为预测DOA值
Figure 783040DEST_PATH_IMAGE019
,
Figure 880309DEST_PATH_IMAGE010
；
(3)将步骤(2)中的预测DOA值
Figure 421509DEST_PATH_IMAGE019
作为初始值，采用高斯牛顿算法求测试值
Figure 578821DEST_PATH_IMAGE023
，具体算法流程如图2所示。
(3.1)计算一阶偏导向量
Figure 372465DEST_PATH_IMAGE059
：
Figure 273425DEST_PATH_IMAGE061
，
其中，
Figure DEST_PATH_IMAGE103
表示矩阵的迹，
Figure 242649DEST_PATH_IMAGE065
为信号子空间投影算子，
Figure 570862DEST_PATH_IMAGE073
表示二阶偏导矩阵
Figure 586223DEST_PATH_IMAGE074
的第i行的第j列元素；R表示阵列信号的二阶协方差矩阵，
Figure 290874DEST_PATH_IMAGE104
。
(3.2)计算二阶偏导矩阵
Figure 708080DEST_PATH_IMAGE069
：
Figure DEST_PATH_IMAGE105
(3.3)计算残差向量
Figure 879298DEST_PATH_IMAGE106
，
Figure DEST_PATH_IMAGE107
表示矩阵H的逆；
所述的残差向量
Figure DEST_PATH_IMAGE109
可以通过以下方法获得：
多维子空间的拟合问题为：
Figure DEST_PATH_IMAGE111
，其中
Figure 113446DEST_PATH_IMAGE112
为信号子空间投影算子，
Figure 231574DEST_PATH_IMAGE114
表示阵列天线接受的信号。
对上式展开，
Figure 627921DEST_PATH_IMAGE116
其中
Figure 438882DEST_PATH_IMAGE118
表示在第
Figure 553468DEST_PATH_IMAGE120
个时间周期
Figure 209709DEST_PATH_IMAGE122
，
Figure 726141DEST_PATH_IMAGE124
内信号
Figure 708003DEST_PATH_IMAGE126
的协方差矩阵，其中
Figure 44307DEST_PATH_IMAGE067
。
由于
Figure 769817DEST_PATH_IMAGE128
随第
Figure 16122DEST_PATH_IMAGE130
Figure 27940DEST_PATH_IMAGE132
个元素
Figure 726906DEST_PATH_IMAGE134
相关，对上式求得一阶导数和二阶导数，
Figure 380741DEST_PATH_IMAGE136
分别表示误差向量
Figure 478623DEST_PATH_IMAGE109
的第i个和第j个元素。
Figure 661342DEST_PATH_IMAGE138
Figure 113183DEST_PATH_IMAGE140
另一方面，对
Figure 39551DEST_PATH_IMAGE142
进行二阶泰勒展开，
Figure 994869DEST_PATH_IMAGE144
，
Figure 755014DEST_PATH_IMAGE146
表示第m个目标的DOA信息。
对上式求导得，
Figure 553206DEST_PATH_IMAGE148
。
令
Figure 158631DEST_PATH_IMAGE150
得，
Figure 93089DEST_PATH_IMAGE152
将
Figure 758556DEST_PATH_IMAGE154
一阶导数和二阶导数带入上式并舍去二阶偏导项得，
Figure 44044DEST_PATH_IMAGE156
由
Figure 242124DEST_PATH_IMAGE160
，可得
Figure 78493DEST_PATH_IMAGE162
，其中，
Figure 585698DEST_PATH_IMAGE164
；
Figure 795575DEST_PATH_IMAGE166
，
Figure 970205DEST_PATH_IMAGE168
。
(3.4)若满足不等式
Figure DEST_PATH_IMAGE169
，则更新
Figure 243054DEST_PATH_IMAGE170
，否则
Figure DEST_PATH_IMAGE171
；
(4)根据第k时刻的模型误差方差估计值
Figure 50604DEST_PATH_IMAGE025
和测量误差的方差估计值
Figure 660577DEST_PATH_IMAGE027
求得第k－1时刻的模型误差方差估计值
Figure 565079DEST_PATH_IMAGE029
和
Figure 602305DEST_PATH_IMAGE031
，再利用
Figure 225048DEST_PATH_IMAGE029
近似
Figure 638711DEST_PATH_IMAGE172
；
(5)计算第t时刻的模型误差协方差矩阵
Figure 397720DEST_PATH_IMAGE039
，
Figure 871427DEST_PATH_IMAGE041
表示H的共轭转置；
(6)计算卡尔曼滤波器增益
Figure 715886DEST_PATH_IMAGE043
，
Figure 933241DEST_PATH_IMAGE045
表示测量矩阵C的共轭转置，
Figure 809405DEST_PATH_IMAGE047
表示k时刻的残差协方差矩阵；其中
Figure DEST_PATH_IMAGE173
；
(7)更新k时刻的
Figure 594959DEST_PATH_IMAGE174
；
(8)提取状态向量
Figure 51348DEST_PATH_IMAGE053
的第一个元素作为第
Figure 682180DEST_PATH_IMAGE014
时刻的DOA估计值
Figure 681360DEST_PATH_IMAGE055
；
(9)计算
Figure 496870DEST_PATH_IMAGE057
用于下次迭代。
Figure 315921DEST_PATH_IMAGE176
为目标个数；
Figure DEST_PATH_IMAGE177
表示矩阵的迹；
Figure 281603DEST_PATH_IMAGE021
表示系统从
Figure DEST_PATH_IMAGE179
时刻到
Figure 400869DEST_PATH_IMAGE014
时刻的状态转移矩阵；
Figure DEST_PATH_IMAGE181
为
Figure 793804DEST_PATH_IMAGE179
时刻的残差协方差矩阵；
Figure 224785DEST_PATH_IMAGE086
为预设阈值；
Figure DEST_PATH_IMAGE183
的表示模型误差方差估计值；
Figure 820590DEST_PATH_IMAGE184
表示样本的数量；
Figure DEST_PATH_IMAGE185
表示当前状态与预测状态之间的差值；
Figure 794362DEST_PATH_IMAGE186
表示测量误差的方差估计值；
Figure DEST_PATH_IMAGE187
表示测量误差；
Figure DEST_PATH_IMAGE189
表示测量矩阵。
本发明提供一种基于多维拟合的多目标跟踪方法，所要解决的技术问题主要用于改善当前现有多目标跟踪算法的复杂度和准确度。本发明将此问题分为两个阶段，第一阶段对待跟踪目标的位置通过高斯牛顿算法得到多个目标的DOA测试值，并对该测试值采用预测门限检验，第二阶段采用卡尔曼滤波器对第一阶段的测试值进行平滑处理。本发明很大程度上减少了多目标跟踪问题中的计算量大的问题，并且能处理多目标位置出现交叉的跟踪问题。
于本实施例中，步骤(1)中第
Figure DEST_PATH_IMAGE191
Figure DEST_PATH_IMAGE193
个信源在k时刻的状态向量定义为：
Figure DEST_PATH_IMAGE195
，其中
Figure DEST_PATH_IMAGE197
表示
Figure DEST_PATH_IMAGE199
的速度，
Figure DEST_PATH_IMAGE201
表示
Figure 106001DEST_PATH_IMAGE199
的加速度。
Figure 24278DEST_PATH_IMAGE199
表示第m个目标在第k个时刻的DOA信息。
于本实施例中，步骤（2）中
Figure 800605DEST_PATH_IMAGE202
，T是跟踪的时间间隔。
于本实施例中，步骤（3）中
Figure DEST_PATH_IMAGE203
服从自由度为1的
Figure DEST_PATH_IMAGE205
分布，故
Figure 300987DEST_PATH_IMAGE086
的选择由自由度为1，置信度为
Figure DEST_PATH_IMAGE207
的
Figure 298375DEST_PATH_IMAGE205
分布表得到，一般有
Figure DEST_PATH_IMAGE209
。
于本实施例中，步骤（4）
Figure DEST_PATH_IMAGE211
服从均值为0，方差为
Figure 376052DEST_PATH_IMAGE212
的高斯分布，根据
Figure 956069DEST_PATH_IMAGE096
得到估计值
Figure DEST_PATH_IMAGE213
。
于本实施例中，步骤（4）
Figure DEST_PATH_IMAGE215
服从均值为0，方差为
Figure 576537DEST_PATH_IMAGE102
的高斯分布，其中
Figure DEST_PATH_IMAGE217
,根据
Figure 482176DEST_PATH_IMAGE100
得到估计值
Figure DEST_PATH_IMAGE219
。
于本实施例中，选取如下迭代初始值，其中初始值
Figure DEST_PATH_IMAGE221
和
Figure DEST_PATH_IMAGE223
由高斯牛顿算法求出，而
Figure DEST_PATH_IMAGE225
，
Figure DEST_PATH_IMAGE227
，
Figure DEST_PATH_IMAGE229
，
Figure DEST_PATH_IMAGE231
。
Figure DEST_PATH_IMAGE233
表示第m个目标的在时刻2的准确状态向量，
Figure DEST_PATH_IMAGE235
表示第m个目标的在时刻2被卡尔曼滤波处理后的状态向量。
至于
Figure DEST_PATH_IMAGE237
的初始值由于卡尔曼滤波器更新DOA估计值时会延迟一步，为简单起见，将其初始值设置为0，而模型仿真结果显示卡尔曼滤波器能够迅速收敛和跟踪DOA估计值。
Figure DEST_PATH_IMAGE239
的初始值
Figure DEST_PATH_IMAGE241
，将
Figure DEST_PATH_IMAGE244
带入
Figure 365860DEST_PATH_IMAGE241
得
Figure DEST_PATH_IMAGE245
，
Figure DEST_PATH_IMAGE247
初始值为
Figure DEST_PATH_IMAGE248
，其中
Figure DEST_PATH_IMAGE250
，
Figure DEST_PATH_IMAGE252
设置为任意小的两个正数。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种基于多维拟合的多目标跟踪方法，其特征在于，所述基于多维拟合的多目标跟踪方法包括:
通过高斯牛顿算法对待跟踪目标的位置进行计算得到多个目标的DOA测试值，并对该测试值采用预测门限检验；
采用卡尔曼滤波器对所述DOA测试值进行平滑处理；
所述基于多维拟合的多目标跟踪方法还包括以下步骤：
批量输入M个目标在k-1时刻的状态向量
Figure FDA0002673682370000011
和模型误差协方差矩阵
Figure FDA0002673682370000012
根据
Figure FDA0002673682370000013
预测k时刻的状态向量
Figure FDA0002673682370000014
提取所述状态向量
Figure FDA0002673682370000015
的第一个元素作为预测DOA值
Figure FDA0002673682370000016
其中F表示系统从k-1时刻到k时刻的状态转移矩阵；
将所述预测DOA值
Figure FDA0002673682370000017
作为初始值，采用高斯牛顿算法求得测试值
Figure FDA0002673682370000018
根据第k时刻的模型误差方差估计值
Figure FDA0002673682370000019
和测量误差的方差估计值
Figure FDA00026736823700000110
求得第k－1时刻的模型误差方差估计值
Figure FDA00026736823700000111
和
Figure FDA00026736823700000112
其中em表示模型误差，εm表示测量误差，L表示样本的数量；
计算第t时刻的模型误差协方差矩阵
Figure FDA00026736823700000113
FH表示F的共轭转置；
计算卡尔曼滤波器增益
Figure FDA00026736823700000114
CH表示测量矩阵C的共轭转置，S(k)表示k时刻的残差协方差矩阵，
Figure FDA00026736823700000115
更新k时刻的状态向量
Figure FDA00026736823700000116
提取状态向量
Figure FDA00026736823700000117
的第一个元素作为第k时刻的DOA估计值
Figure FDA00026736823700000118
计算
Figure FDA00026736823700000119
用于下次迭代；
所述采用高斯牛顿算法求得测试值
Figure FDA00026736823700000120
具体包括：
计算一阶偏导向量r：
Figure FDA00026736823700000121
其中，Tr(·)表示矩阵的迹，Πη为信号子空间投影算子，R表示阵列信号的二阶协方差矩阵，η＝[θ1,θ2,...,θM]；
计算二阶偏导矩阵H：
Figure FDA0002673682370000021
其中，i，j表示矩阵的行与列的序号，[H]i,j表示二阶偏导矩阵H的第i行的第j列元素；
计算残差向量Δη＝H-1r，H-1表示矩阵H的逆；
若满足不等式ΔηTS-1Δη＜λ，则更新
Figure FDA0002673682370000022
否则
Figure FDA0002673682370000023
λ为预设阈值，S表示残差协方差矩阵，[Δη]m表示误差向量的第m个元素。
2.根据权利要求1所述的一种基于多维拟合的多目标跟踪方法，其特征在于，所述系统从k-1时刻到k时刻的状态转移矩阵F为：
Figure FDA0002673682370000024
T是跟踪的时间间隔。
3.根据权利要求2所述的一种基于多维拟合的多目标跟踪方法，其特征在于，所述的ΔηTS-1Δη服从自由度为1的χ2分布。
4.根据权利要求3所述的一种基于多维拟合的多目标跟踪方法，其特征在于，所述em(k)服从均值为0，方差为
Figure FDA0002673682370000025
的高斯分布。
5.根据权利要求4所述的一种基于多维拟合的多目标跟踪方法，其特征在于，所述εm(k)服从均值为0，方差为
Figure FDA0002673682370000026
的高斯分布。
CN201811026116.7A 2018-09-04 2018-09-04 一种基于多维拟合的多目标跟踪方法 Active CN109239647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811026116.7A CN109239647B (zh) 2018-09-04 2018-09-04 一种基于多维拟合的多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811026116.7A CN109239647B (zh) 2018-09-04 2018-09-04 一种基于多维拟合的多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN109239647A CN109239647A (zh) 2019-01-18
CN109239647B true CN109239647B (zh) 2020-11-13

Family

ID=65060399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811026116.7A Active CN109239647B (zh) 2018-09-04 2018-09-04 一种基于多维拟合的多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN109239647B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982556A (zh) * 2012-11-01 2013-03-20 江苏科技大学 基于流形上粒子滤波算法的视频目标跟踪方法
CN104021293A (zh) * 2014-06-09 2014-09-03 哈尔滨工业大学深圳研究生院 一种基于结构最小二乘法的联合到达角-频率估计方法
CN105549005A (zh) * 2015-11-04 2016-05-04 上海大学 一种基于网格划分的动态目标波达方向跟踪方法
CN105676181A (zh) * 2016-01-15 2016-06-15 浙江大学 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法
CN106066471A (zh) * 2016-06-01 2016-11-02 安徽建筑大学 一种移动目标的定位方法及系统
CN107450577A (zh) * 2017-07-25 2017-12-08 天津大学 基于多传感器的无人机智能感知系统和方法
CN108318856A (zh) * 2018-02-02 2018-07-24 河南工学院 一种异构网络下快速精准的目标定位与跟踪方法
CN108414995A (zh) * 2018-03-12 2018-08-17 中国人民解放军国防科技大学 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10809366B2 (en) * 2015-02-04 2020-10-20 Artsys360 Ltd. Multimodal radar system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982556A (zh) * 2012-11-01 2013-03-20 江苏科技大学 基于流形上粒子滤波算法的视频目标跟踪方法
CN104021293A (zh) * 2014-06-09 2014-09-03 哈尔滨工业大学深圳研究生院 一种基于结构最小二乘法的联合到达角-频率估计方法
CN105549005A (zh) * 2015-11-04 2016-05-04 上海大学 一种基于网格划分的动态目标波达方向跟踪方法
CN105676181A (zh) * 2016-01-15 2016-06-15 浙江大学 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法
CN106066471A (zh) * 2016-06-01 2016-11-02 安徽建筑大学 一种移动目标的定位方法及系统
CN107450577A (zh) * 2017-07-25 2017-12-08 天津大学 基于多传感器的无人机智能感知系统和方法
CN108318856A (zh) * 2018-02-02 2018-07-24 河南工学院 一种异构网络下快速精准的目标定位与跟踪方法
CN108414995A (zh) * 2018-03-12 2018-08-17 中国人民解放军国防科技大学 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FFT-basedAdaptive2-DDOAEstimationfor;Jie Zhuang等;《2017 22nd International Conference on Digital Signal Processing (DSP)》;20171231;全文 *

Also Published As

Publication number Publication date
CN109239647A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN107045125B (zh) 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
CN107561503B (zh) 一种基于多重渐消因子的自适应目标跟踪滤波方法
CN106372646B (zh) 基于srck-gmcphd滤波的多目标跟踪方法
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN107831490A (zh) 一种改进的多扩展目标跟踪方法
CN107300698B (zh) 一种基于支持向量机的雷达目标航迹起始方法
Zhou et al. Abrupt motion tracking via adaptive stochastic approximation Monte Carlo sampling
CN112597820A (zh) 一种基于雷达信号分选的目标聚类方法
CN109752710A (zh) 一种基于稀疏贝叶斯学习的快速目标角度估计方法
CN104268567A (zh) 一种观测数据聚类划分的扩展目标跟踪方法
CN115204212A (zh) 一种基于stm-pmbm滤波算法的多目标跟踪方法
CN109696651B (zh) 一种基于m估计的低快拍数下波达方向估计方法
CN112328965B (zh) 使用声矢量传感器阵列的多机动信号源doa跟踪的方法
CN109239647B (zh) 一种基于多维拟合的多目标跟踪方法
CN109783960A (zh) 一种基于网格部分细化的波达方向估计方法
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN112991394A (zh) 基于三次样条插值和马尔科夫链的kcf目标跟踪方法
CN113030940A (zh) 一种转弯机动下的多星凸型扩展目标跟踪方法
CN112415468A (zh) 一种基于多伯努利滤波的doa跟踪方法
CN109375160B (zh) 纯方位无源定位中一种测角误差估计方法
CN108469627B (zh) 基于时频差的地面同频多静止辐射源定位方法及系统
CN115982569A (zh) 基于单源点检测的欠定混合矩阵估计方法、系统及介质
CN112185412A (zh) 一种多目标声信号混叠下的识别方法
CN110880012A (zh) 多侦察平台脉间捷变雷达辐射源频率信息关联方法
CN113971688B (zh) 一种增强id重识别的无锚多目标跟踪方法

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