CN109656271B - 一种基于数据关联思想的航迹软关联方法 - Google Patents

一种基于数据关联思想的航迹软关联方法 Download PDF

Info

Publication number
CN109656271B
CN109656271B CN201811607159.4A CN201811607159A CN109656271B CN 109656271 B CN109656271 B CN 109656271B CN 201811607159 A CN201811607159 A CN 201811607159A CN 109656271 B CN109656271 B CN 109656271B
Authority
CN
China
Prior art keywords
track
target
probability
association
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
Application number
CN201811607159.4A
Other languages
English (en)
Other versions
CN109656271A (zh
Inventor
石义芳
郭志伟
洪帅鑫
彭冬亮
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201811607159.4A priority Critical patent/CN109656271B/zh
Publication of CN109656271A publication Critical patent/CN109656271A/zh
Application granted granted Critical
Publication of CN109656271B publication Critical patent/CN109656271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/12—Target-seeking control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于数据关联思想的航迹软关联方法。航迹软关联方法通过“软”关联方式，避免传统关联算法的一对一硬关联，在复杂环境下可大大提高关联性能，航迹关联容错性更高。该方法将辅传感器的航迹作为量测，通过计算辅传感器每条航迹关联概率实现软关联并更新主传感器航迹，以实现航迹“软”关联的方式。

Description

一种基于数据关联思想的航迹软关联方法
技术领域
本发明涉及多传感器航迹关联领域，涉及一种基于数据关联的航迹软关联方法，用于解决高杂波、高漏检等复杂环境下的多传感器航迹融合问题，可有效提高复杂环境下多传感器目标跟踪问题中，融合中心的目标航迹确认速度，并减少虚假航迹数量。
背景技术
复杂环境下的多传感器目标跟踪在技术上实现相当复杂，多传感器目标跟踪一般有两种系统结构，一般分为集中式系统以及分布式系统。由于集中式融合具有通讯代价高、计算量大、系统工作不稳定等缺陷，一般采用分布式系统作为多传感器目标跟踪解决方案。基于分布式系统的多传感器目标跟踪中包括单传感器目标跟踪以及多传感器航迹融合。其中，传感器将进行局部目标跟踪得到航迹并上传至融合中心，融合中心将得到的航迹进行关联组合，找出跟踪同一目标的航迹组合然后进行融合。故融合中心需完成两个技术操作：航迹关联和航迹融合。
随着传感器技术的不断进步，传感器的监控范围越来越大，精度得到提升。虽然有利于目标的探测，但是会产生大量非感兴趣目标量测，即杂波。同时，由于恶劣天气以及环境的影响，传感器的探测概率低，目标量测不连续，严重影响目标跟踪性能。
单传感器目标跟踪中，综合概率数据关联算法(IPDA)引入目标存在概率并利用目标存在概率进行航迹管理。航迹管理功能有效解决了复杂环境下目标自动跟踪问题，可以快速得到目标航迹、抑制虚假航迹。多传感器航迹融合中，Bar-Shalom Y将统计学方法中的假设检验理论应用航迹关联中，提出先关联后融合的方法，这套算法被广泛应用航迹融合领域。然而，该算法中，传感器将所有可能航迹上传至融合中心，通讯量大且计算复杂。并且，在航迹关联阶段，该方法通过假设检验的方法唯一确定一组航迹组合，即来自传感器a的某一条航迹与传感器b的某一条航迹唯一关联，这种方式属于一对一硬关联方式，在复杂环境下航迹关联正确率急剧下降。
针对以上问题，本发明提出一种新的航迹软关联方法。利用目标跟踪中数据关联的思想，将辅传感器中的航迹当作量测，分别计算每一个“量测”的航迹关联概率以更新主传感器航迹。这样可以避免一对一硬关联，并且计算每条航迹的航迹关联概率是一种软关联方式，使得在复杂环境下航迹关联容错性更强。同时，在融合中心加入航迹管理功能，可更快速得到目标航迹，抑制虚假航迹。
发明内容
本发明的目的是针对现有技术的不足，提供一种新的航迹软关联方法，该方法利用目标跟踪中数据关联的思想，将辅传感器中的航迹当作量测，分别计算每一个“量测”的航迹关联概率以更新主传感器航迹，具体操作如下：
步骤(1)、若干传感器将航迹的目标存在概率与航迹上传条件进行对比，将满足航迹上传条件的航迹上传至融合中心；其中若干传感器中至少包括一个主传感器，一个辅传感器；
各传感器采用综合概率数据关联(IPDA)算法局部跟踪获得各自的航迹集，其中航迹集中每条航迹信息包含航迹状态和目标存在概率；将每条航迹的目标存在概率与航迹上传条件进行对比，将目标存在概率大于航迹上传条件的航迹上传至融合中心，具体是：
假设融合中心获得主传感器a的航迹集τ、辅传感器b的航迹集η，其中航迹集τ拥有n条航迹，航迹集η拥有m条航迹，具体参见公式(1)；
Figure BDA0001923828920000021
其中航迹集τ中每条航迹均包含航迹状态
Figure BDA0001923828920000022
误差协方差
Figure BDA0001923828920000023
和目标存在概率
Figure BDA0001923828920000024
同样，航迹集η中每条航迹包含
Figure BDA0001923828920000025
和
Figure BDA0001923828920000026
k为第k帧，下标k|k表示第k帧的估计值。所述的航迹上传条件为人工设定，根据本领域技术人员的经验设置，可设置为0.1。
步骤(2)、融合中心得到各传感器上传的航迹后，进行模型匹配以及身份转换；具体是：
在目标跟踪中，传感器可获得量测，包含目标量测或者杂波；其中杂波个数往往服从一定参数的泊松分布，其状态服从均匀分布，杂波密度往往是先验信息，或者通过一定方式估计而得。航迹关联过程中，将辅传感器中的航迹视为“量测”，包括目标航迹以及虚假航迹，其中目标航迹对应目标量测，虚假航迹对应杂波，即完成身份转换。
此时，定义
Figure BDA0001923828920000027
为虚假航迹发生概率，
Figure BDA0001923828920000028
为初始化虚假航迹个数，则虚假航迹的期望个数为
Figure BDA0001923828920000029
由以上公式可知，虚假航迹的个数服从二项分布，当
Figure BDA0001923828920000031
足够大时，其分布可近似为泊松分布。
目标跟踪中，目标以一定概率被探测到并返回目标量测，该概率称为探测概率。然后航迹关联阶段中，并无此概念。此时可将航迹关联阶段融合中心的探测概率设置成与目标跟踪的探测概率相同，可以为0.9。即完成模型匹配。
步骤(3)、计算辅传感器中每条航迹的航迹关联概率；
在模型匹配之后，需在融合中心中计算辅传感器中每个量测的航迹关联概率，该步骤为航迹“软关联”的核心。航迹软关联方法中，由于无法确认每条航迹的身份，故将每一条航迹均视为目标航迹，只是其发生的概率不同，即航迹关联概率不同。而航迹关联概率计算见公式(3)；
定义航迹关联事件
Figure BDA0001923828920000032
η表示辅传感器上传的航迹，η≥0。其中
Figure BDA0001923828920000033
代表辅传感器中没有与航迹τ跟踪同一目标的航迹，当η＞0时表示航迹η与航迹τ跟踪同一目标。并且，只有一个
Figure BDA0001923828920000034
事件在实际中是正确的，即两条航迹跟踪同一目标。定义
Figure BDA0001923828920000035
为
Figure BDA0001923828920000036
事件发生的概率，即航迹关联概率。
Figure BDA0001923828920000037
似然比
Figure BDA0001923828920000038
且
Figure BDA0001923828920000039
其中，Pc表示融合中心的探测概率，ρη表示杂波密度，
Figure BDA00019238289200000310
表示航迹η的概率密度函数，且其均值为
Figure BDA00019238289200000311
步骤(4)、将辅传感器每一条航迹作为量测，对第i条主传感器航迹进行更新；并利用辅传感器每条航迹的航迹关联概率将所有更新结果进行高斯混合，得到第i条主传感器航迹的最终融合结果；直至主传感器的每条航迹均获得如上最终融合结果；具体是：
在得到每条辅传感器航迹的航迹关联概率后，需利用量测依次对主传感器的航迹进行更新，利用航迹关联概率作为权重，将所有结果进行高斯混合，得到最终融合结果。而对航迹进行更新需对以下信息进行更新：航迹状态、误差协方差以及目标存在概率。
若η＝0，给定航迹关联事件
Figure BDA0001923828920000041
说明辅传感器中无航迹与之跟踪同一目标，此时主传感器中航迹状态及协方差不需更新，见公式(6)：
Figure BDA0001923828920000042
其中
Figure BDA0001923828920000043
分别表示航迹τ和航迹η融合后的结果。
若η＞0，给定关联事件
Figure BDA0001923828920000044
且η＞0，此时航迹状态以及误差协方差可根据BC融合算法进行更新，见公式(7)、(8)：
Figure BDA0001923828920000045
Figure BDA0001923828920000046
其中卡尔曼增益
Figure BDA0001923828920000047
新息协方差
Figure BDA0001923828920000048
其中
Figure BDA0001923828920000049
表示矩阵
Figure BDA00019238289200000410
的转置。航迹τ和航迹η间的互协方差见公式(11)：
Figure BDA00019238289200000411
其中I为单位矩阵。为
Figure BDA00019238289200000412
分别为传感器a和传感器b的观测矩阵，F为状态转移矩阵，Qk-1为k-1帧的过程噪声矩阵，
Figure BDA00019238289200000413
的初始化设定
Figure BDA00019238289200000414
通过每个关联事件进行上述更新，继而将融合结果进行高斯混合，见公式(12)、(13)：
Figure BDA00019238289200000415
Figure BDA00019238289200000416
而目标存在概率的融合见公式(14)：
Figure BDA0001923828920000051
其中似然比
Figure BDA0001923828920000052
步骤(5)、航迹融合完成后，对航迹进行航迹管理。航迹管理的功能是，确认每条航迹的身份，删除虚假航迹，保留感兴趣目标航迹。而航迹管理的评判指标为目标存在概率，即通过对目标存在概率的判断，实现以上功能。在航迹管理中，航迹共有三种身份：
·未知身份航迹
·确认目标航迹
·终止航迹
当目标存在概率大于确认航迹门限时，该目标存在概率对应的航迹其身份转换为确认目标航迹，若确认目标航迹的目标存在概率小于终止航迹门限，则删除该航迹，即终止航迹；若确认目标航迹的目标存在概率大于终止航迹门限，则身份不变。
当目标存在概率小于确认航迹门限时，该目标存在概率对应的航迹其身份为未知目标航迹；该目标存在概率对应的航迹下一帧重复上述步骤(1)-(4)操作直至完成航迹身份确认。
确认航迹门限、终止航迹门限为人工设定，根据本领域技术人员的经验设置；可分别设置为0.99、0.001。
本发明的有益效果：
本发明采用一种航迹软关联方法,假设每条辅传感器航迹均与主传感器航迹关联，只不过关联概率不同，这种方法避免航迹的进行一对一硬关联，并在融合中心加入航迹管理功能，使得该方法在复杂环境下更快速获得目标航迹，更好的抑制虚假航迹，表现更优。
附图说明
图1是基于数据关联思想的航迹软关联方法流程图；
图2是融合中心航迹身份转化图；
图3是航迹软关联方式、航迹硬关联方式和单传感器跟踪的平均正确航迹数对比。
具体实施方式
以下结合技术方案和附图，详细叙述本发明的具体实施方式。
图1是基于数据关联思想的航迹软关联方法流程图。
假设：空间中有2个传感器，分别为a,b，两传感器监控区域相同。在监控区域内，有3个目标并做匀速直线运动。当跟踪系统对监控区域内的目标进行跟踪时，会产生目标航迹。而航迹包含航迹状态xk、误差协方差Pk和目标存在概率ψk。该描述在数学中用概率密度函数表述，如下
p(xk,χk|Zk)
通过以上描述，开始进行本发明的实施步骤：
步骤(1)、若干传感器将航迹的目标存在概率与航迹上传条件进行对比，将满足航迹上传条件的航迹上传至融合中心；其中若干传感器中至少包括一个主传感器，一个辅传感器；
各传感器采用综合概率数据关联(IPDA)算法局部跟踪获得各自的航迹集，其中航迹集中每条航迹信息包含航迹状态和目标存在概率；将每条航迹的目标存在概率与航迹上传条件进行对比，将目标存在概率大于航迹上传条件的航迹上传至融合中心，具体是：
假设融合中心获得主传感器a的航迹集τ、辅传感器b的航迹集η，其中航迹集τ拥有n条航迹，航迹集η拥有m条航迹，具体参见公式(1)；
步骤(2)、融合中心得到各传感器上传的航迹后，进行模型匹配以及身份转换；图2是融合中心航迹身份转化图。具体是：
在目标跟踪中，传感器可获得量测，包含目标量测或者杂波；其中杂波个数往往服从一定参数的泊松分布，其状态服从均匀分布，杂波密度往往是先验信息，或者通过一定方式估计而得。航迹关联过程中，将辅传感器中的航迹视为“量测”，包括目标航迹以及虚假航迹，其中目标航迹对应目标量测，虚假航迹对应杂波，即完成身份转换。
此时，定义
Figure BDA0001923828920000061
为虚假航迹发生概率，
Figure BDA0001923828920000062
为初始化虚假航迹个数，则虚假航迹的期望个数见公式(2)。
目标跟踪中，目标以一定概率被探测到并返回目标量测，该概率称为探测概率。然后航迹关联阶段中，并无此概念。此时可将航迹关联阶段融合中心的探测概率设置成与目标跟踪的探测概率相同，可以为0.9。即完成模型匹配。
步骤(3)、计算辅传感器中每条航迹的航迹关联概率；
在模型匹配之后，需在融合中心中计算辅传感器中每个量测的航迹关联概率，该步骤为航迹“软关联”的核心。航迹软关联方法中，由于无法确认每条航迹的身份，故将每一条航迹均视为目标航迹，只是其发生的概率不同，即航迹关联概率不同。而航迹关联概率计算见公式(3)；
定义航迹关联事件
Figure BDA0001923828920000071
η表示辅传感器上传的航迹，η≥0。其中
Figure BDA0001923828920000072
代表辅传感器中没有与航迹τ跟踪同一目标的航迹，当η＞0时表示航迹η与航迹τ跟踪同一目标。并且，只有一个
Figure BDA0001923828920000073
事件在实际中是正确的，即两条航迹跟踪同一目标。定义
Figure BDA0001923828920000074
为
Figure BDA0001923828920000075
事件发生的概率，即航迹关联概率。
步骤(4)、将辅传感器每一条航迹作为量测，对第i条主传感器航迹进行更新；并利用辅传感器每条航迹的航迹关联概率将所有更新结果进行高斯混合，得到第i条主传感器航迹的最终融合结果；直至主传感器的每条航迹均获得如上最终融合结果；具体是：
在得到每条辅传感器航迹的航迹关联概率后，需利用量测依次对主传感器的航迹进行更新，利用航迹关联概率作为权重，将所有结果进行高斯混合，得到最终融合结果。而对航迹进行更新需对以下信息进行更新：航迹状态、误差协方差以及目标存在概率。
若η＝0，给定航迹关联事件
Figure BDA0001923828920000076
说明辅传感器中无航迹与之跟踪同一目标，此时主传感器中航迹状态及协方差不需更新，见公式(6)。
若η＞0，给定关联事件
Figure BDA0001923828920000077
且η＞0，此时航迹状态以及误差协方差可根据BC融合算法进行更新，见公式(7)、(8)。
通过每个关联事件进行上述更新，继而将融合结果进行高斯混合，见公式(12)、(13)。而目标存在概率的融合见公式(14)。
步骤(5)、航迹融合完成后，对航迹进行航迹管理。航迹管理的功能是，确认每条航迹的身份，删除虚假航迹，保留感兴趣目标航迹。而航迹管理的评判指标为目标存在概率，即通过对目标存在概率的判断，实现以上功能。在航迹管理中，航迹共有三种身份：
·未知身份航迹
·确认目标航迹
·终止航迹
当目标存在概率大于确认航迹门限时，该目标存在概率对应的航迹其身份转换为确认目标航迹，若确认目标航迹的目标存在概率小于终止航迹门限，则删除该航迹，即终止航迹；若确认目标航迹的目标存在概率大于终止航迹门限，则身份不变。
当目标存在概率小于确认航迹门限时，该目标存在概率对应的航迹其身份为未知目标航迹；该目标存在概率对应的航迹下一帧重复上述步骤(1)-(4)操作直至完成航迹身份确认。
确认航迹门限、终止航迹门限为人工设定，根据本领域技术人员的经验设置；可分别设置为0.99、0.001。
通过以上5个步骤可实现本发明。图2为本发明的实验结果，根据图2可知，本发明可快速得到目标航迹。表1为某几帧的平均正确航迹数对比：
本发明 硬关联 单传感器跟踪
第3帧 0 0 0
第5帧 0.0189 0.0033 0
第7帧 0.3000 0.1789 0.0911
第9帧 0.5711 0.4344 0.3389
表1某几帧的平均正确航迹数对比。

Claims (1)

1.一种基于数据关联思想的航迹软关联方法，其特征在于该方法包括以下步骤：
步骤(1)、若干传感器将航迹的目标存在概率与航迹上传条件进行对比，将满足航迹上传条件的航迹上传至融合中心；其中若干传感器中至少包括一个主传感器，一个辅传感器；
各传感器采用综合概率数据关联IPDA算法局部跟踪获得各自的航迹集，其中航迹集中每条航迹信息包含航迹状态和目标存在概率；将每条航迹的目标存在概率与航迹上传条件进行对比，将目标存在概率大于航迹上传条件的航迹上传至融合中心，具体是：
假设融合中心获得主传感器a的航迹集τ、辅传感器b的航迹集η，其中航迹集τ拥有n条航迹，航迹集η拥有m条航迹，具体参见公式(1)；
Figure FDA0003271231550000011
其中航迹集τ中每条航迹均包含航迹状态
Figure FDA0003271231550000012
误差协方差
Figure FDA0003271231550000013
和目标存在概率
Figure FDA0003271231550000014
同样，航迹集η中每条航迹包含
Figure FDA0003271231550000015
和
Figure FDA0003271231550000016
k为第k帧；下标k|k表示第k帧的估计值；
步骤(2)、融合中心得到各传感器上传的航迹后，进行模型匹配以及身份转换；具体是：
将辅传感器中的航迹视为“量测”，包括目标航迹以及虚假航迹，其中目标航迹对应目标量测，虚假航迹对应杂波，即完成身份转换；
定义
Figure FDA0003271231550000017
为虚假航迹发生概率，
Figure FDA0003271231550000018
为初始化虚假航迹个数，则虚假航迹的期望个数为
Figure FDA0003271231550000019
由以上公式可知，虚假航迹的个数服从二项分布，当
Figure FDA00032712315500000110
足够大时，其分布可近似为泊松分布；
将航迹关联阶段融合中心的探测概率设置成与目标跟踪的探测概率相同，即完成模型匹配；
步骤(3)、计算辅传感器中每条航迹的航迹关联概率；
定义航迹关联事件
Figure FDA0003271231550000021
η表示辅传感器上传的航迹，η≥0；其中
Figure FDA0003271231550000022
代表辅传感器中没有与航迹τ跟踪同一目标的航迹，当η＞0时表示航迹η与航迹τ跟踪同一目标；并且，只有一个
Figure FDA0003271231550000023
事件在实际中是正确的，即两条航迹跟踪同一目标；定义
Figure FDA0003271231550000024
为
Figure FDA0003271231550000025
事件发生的概率，即航迹关联概率；
Figure FDA0003271231550000026
似然比
Figure FDA0003271231550000027
Figure FDA0003271231550000028
其中Pc表示融合中心的探测概率，ρh表示杂波密度
Figure FDA0003271231550000029
表示航迹η的概率密度函数，且其均值为
Figure FDA00032712315500000210
步骤(4)、将辅传感器每一条航迹作为量测，对第i条主传感器航迹进行更新；并利用辅传感器每条航迹的航迹关联概率将所有更新结果进行高斯混合，得到第i条主传感器航迹的最终融合结果；直至主传感器的每条航迹均获得如上最终融合结果；具体是：
在得到每条辅传感器航迹的航迹关联概率后，需利用量测依次对主传感器的航迹进行更新，利用航迹关联概率作为权重，将所有结果进行高斯混合，得到最终融合结果；而对航迹进行更新需对以下信息进行更新：航迹状态、误差协方差以及目标存在概率；
若η＝0，给定航迹关联事件
Figure FDA00032712315500000211
说明辅传感器中无航迹与之跟踪同一目标，此时主传感器中航迹状态及协方差不需更新，见公式(6)：
Figure FDA00032712315500000212
其中，
Figure FDA00032712315500000213
和
Figure FDA00032712315500000214
分别表示航迹τ和航迹η融合后的航迹状态以及误差协方差；
若η＞0，给定关联事件
Figure FDA0003271231550000031
且η＞0，此时航迹状态以及误差协方差可根据BC融合算法进行更新，见公式(7)、(8)：
Figure FDA0003271231550000032
Figure FDA0003271231550000033
卡尔曼增益
Figure FDA0003271231550000034
新息协方差
Figure FDA0003271231550000035
其中
Figure FDA0003271231550000036
表示矩阵
Figure FDA0003271231550000037
的转置；
航迹τ和航迹η间的互协方差
Figure FDA0003271231550000038
其中I为单位矩阵，
Figure FDA0003271231550000039
分别为传感器a和传感器b的观测矩阵，F为状态转移矩阵，Qk-1为k-1帧的过程噪声矩阵，
Figure FDA00032712315500000310
的初始化设定
Figure FDA00032712315500000311
通过每个关联事件进行上述更新，继而将融合结果进行高斯混合，见公式(12)、(13)：
Figure FDA00032712315500000312
Figure FDA00032712315500000313
而目标存在概率的融合见公式(14)：
Figure FDA00032712315500000314
似然比
Figure FDA00032712315500000315
步骤(5)、航迹融合完成后，对航迹进行航迹管理；其中航迹管理的评判指标为目标存在概率；在航迹管理中，航迹共有三种身份：未知身份航迹,确认目标航迹,终止航迹；
当目标存在概率大于确认航迹门限时，该目标存在概率对应的航迹其身份转换为确认目标航迹，若确认目标航迹的目标存在概率小于终止航迹门限，则删除该航迹，即终止航迹；若确认目标航迹的目标存在概率大于终止航迹门限，则身份不变；
当目标存在概率小于确认航迹门限时，该目标存在概率对应的航迹其身份为未知目标航迹；该目标存在概率对应的航迹下一帧重复上述步骤(1)-(4)操作直至完成航迹身份确认。
CN201811607159.4A 2018-12-27 2018-12-27 一种基于数据关联思想的航迹软关联方法 Active CN109656271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811607159.4A CN109656271B (zh) 2018-12-27 2018-12-27 一种基于数据关联思想的航迹软关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811607159.4A CN109656271B (zh) 2018-12-27 2018-12-27 一种基于数据关联思想的航迹软关联方法

Publications (2)

Publication Number Publication Date
CN109656271A CN109656271A (zh) 2019-04-19
CN109656271B true CN109656271B (zh) 2021-11-02

Family

ID=66117034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811607159.4A Active CN109656271B (zh) 2018-12-27 2018-12-27 一种基于数据关联思想的航迹软关联方法

Country Status (1)

Country Link
CN (1) CN109656271B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036422B (zh) * 2019-06-04 2024-03-05 广州汽车集团股份有限公司 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质
CN113591976A (zh) * 2021-07-29 2021-11-02 杭州电子科技大学 一种基于前向全近邻解相关的乱序航迹融合方法

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103698759A (zh) * 2013-12-27 2014-04-02 武汉大学 一种基于单频网的外辐射源雷达系统及其信号处理方法
CN103759732A (zh) * 2014-01-14 2014-04-30 北京航空航天大学 一种角度信息辅助的集中式多传感器多假设跟踪方法
EP2799902A1 (en) * 2013-04-30 2014-11-05 Baselabs GmbH Method and apparatus for the tracking of multiple objects
CN104217428A (zh) * 2014-08-22 2014-12-17 南京邮电大学 一种融合特征匹配和数据关联的视频监控多目标跟踪方法
CN105700555A (zh) * 2016-03-14 2016-06-22 北京航空航天大学 一种基于势博弈的多无人机协同搜索方法
CN106054172A (zh) * 2016-06-30 2016-10-26 电子科技大学 一种随机集理论下的分布式多传感器融合方法
CN106291533A (zh) * 2016-07-27 2017-01-04 电子科技大学 一种基于amd的分布式多传感器融合算法
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
CN106872955A (zh) * 2017-01-24 2017-06-20 西安电子科技大学 基于联合概率数据关联算法的雷达多目标跟踪优化方法
CN107063259A (zh) * 2017-03-08 2017-08-18 四川九洲电器集团有限责任公司 一种航迹关联方法及电子设备
CN107507221A (zh) * 2017-07-28 2017-12-22 天津大学 结合帧差法和混合高斯模型的运动目标检测与跟踪方法
CN107516321A (zh) * 2017-07-04 2017-12-26 深圳大学 一种视频多目标跟踪方法及装置
CN107561528A (zh) * 2017-08-11 2018-01-09 中国人民解放军63870部队 一种抗航迹合并的联合概率数据关联算法
CN107688179A (zh) * 2017-08-07 2018-02-13 上海无线电设备研究所 基于多普勒信息辅助的综合概率数据互联方法
CN108344981A (zh) * 2018-01-19 2018-07-31 杭州电子科技大学 面向杂波的多传感器异步检测tsbf多目标跟踪方法
WO2018158711A1 (en) * 2017-02-28 2018-09-07 Thales Canada Inc. Apparatuses, systems, methods, and software for train control and tracking using multi sensors, ssd/qr signs, and/or rf reflectors
CN108645412A (zh) * 2018-05-31 2018-10-12 惠州华阳通用电子有限公司 一种多传感器自适应航迹起始方法
CN108717174A (zh) * 2018-04-03 2018-10-30 杭州电子科技大学 基于信息论的预测快速协方差交互融合无源协同定位方法
CN108734725A (zh) * 2018-04-11 2018-11-02 杭州电子科技大学 基于高斯过程的概率数据关联滤波扩展目标跟踪方法
CN108761514A (zh) * 2018-08-03 2018-11-06 北斗国信智能科技（北京）有限公司 一种融合北斗或gps和传感器的定位系统及定位方法
CN108801266A (zh) * 2018-06-21 2018-11-13 河南大学 一种多无人机对不确定环境搜索的航迹规划方法
CN108957438A (zh) * 2018-06-23 2018-12-07 西安电子科技大学 一种基于随机距离的滞后航迹关联融合方法及系统和应用

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102322861B (zh) * 2011-05-31 2013-03-13 电子科技大学 一种航迹融合方法
US9898687B2 (en) * 2011-08-03 2018-02-20 Trigeminal Solutions, Inc. Technique for identifying association variables
US9766623B2 (en) * 2012-01-11 2017-09-19 Vista Research, Inc. Detection and tracking of land, maritime, and airborne objects using a radar on a parasail
CN104133983B (zh) * 2014-06-30 2017-05-10 电子科技大学 基于加权负一阶rd和的多目标伯努利分布式融合方法
US20160132728A1 (en) * 2014-11-12 2016-05-12 Nec Laboratories America, Inc. Near Online Multi-Target Tracking with Aggregated Local Flow Descriptor (ALFD)
CN106934324A (zh) * 2015-12-30 2017-07-07 南京理工大学 基于简化多假设算法的雷达数据关联方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
EP2799902A1 (en) * 2013-04-30 2014-11-05 Baselabs GmbH Method and apparatus for the tracking of multiple objects
CN103698759A (zh) * 2013-12-27 2014-04-02 武汉大学 一种基于单频网的外辐射源雷达系统及其信号处理方法
CN103759732A (zh) * 2014-01-14 2014-04-30 北京航空航天大学 一种角度信息辅助的集中式多传感器多假设跟踪方法
CN104217428A (zh) * 2014-08-22 2014-12-17 南京邮电大学 一种融合特征匹配和数据关联的视频监控多目标跟踪方法
CN105700555A (zh) * 2016-03-14 2016-06-22 北京航空航天大学 一种基于势博弈的多无人机协同搜索方法
CN106054172A (zh) * 2016-06-30 2016-10-26 电子科技大学 一种随机集理论下的分布式多传感器融合方法
CN106291533A (zh) * 2016-07-27 2017-01-04 电子科技大学 一种基于amd的分布式多传感器融合算法
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
CN106872955A (zh) * 2017-01-24 2017-06-20 西安电子科技大学 基于联合概率数据关联算法的雷达多目标跟踪优化方法
WO2018158711A1 (en) * 2017-02-28 2018-09-07 Thales Canada Inc. Apparatuses, systems, methods, and software for train control and tracking using multi sensors, ssd/qr signs, and/or rf reflectors
CN107063259A (zh) * 2017-03-08 2017-08-18 四川九洲电器集团有限责任公司 一种航迹关联方法及电子设备
CN107516321A (zh) * 2017-07-04 2017-12-26 深圳大学 一种视频多目标跟踪方法及装置
CN107507221A (zh) * 2017-07-28 2017-12-22 天津大学 结合帧差法和混合高斯模型的运动目标检测与跟踪方法
CN107688179A (zh) * 2017-08-07 2018-02-13 上海无线电设备研究所 基于多普勒信息辅助的综合概率数据互联方法
CN107561528A (zh) * 2017-08-11 2018-01-09 中国人民解放军63870部队 一种抗航迹合并的联合概率数据关联算法
CN108344981A (zh) * 2018-01-19 2018-07-31 杭州电子科技大学 面向杂波的多传感器异步检测tsbf多目标跟踪方法
CN108717174A (zh) * 2018-04-03 2018-10-30 杭州电子科技大学 基于信息论的预测快速协方差交互融合无源协同定位方法
CN108734725A (zh) * 2018-04-11 2018-11-02 杭州电子科技大学 基于高斯过程的概率数据关联滤波扩展目标跟踪方法
CN108645412A (zh) * 2018-05-31 2018-10-12 惠州华阳通用电子有限公司 一种多传感器自适应航迹起始方法
CN108801266A (zh) * 2018-06-21 2018-11-13 河南大学 一种多无人机对不确定环境搜索的航迹规划方法
CN108957438A (zh) * 2018-06-23 2018-12-07 西安电子科技大学 一种基于随机距离的滞后航迹关联融合方法及系统和应用
CN108761514A (zh) * 2018-08-03 2018-11-06 北斗国信智能科技（北京）有限公司 一种融合北斗或gps和传感器的定位系统及定位方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Improved Integrated Probabilistic Data Association Algorithm Based on Amplitude Information;Li Wei等;《Robot》;20151231;第37卷(第5期);513-21 *
Research on improvement of target tracking performance of LM-IPDAF through improvement of clutter density estimation method;Yoo, In-Je等;《Journal of Korea Academia-Industrial cooperation Society》;20171231;第18卷(第5期);99-110 *
使用高斯混合滤波器的机动目标跟踪;权宏伟等;《电光与控制》;20141130;第21卷(第11期);24-27 *
基于IMM-IPDA的杂波区内机动小目标跟踪研究;王刚等;《现代雷达》;20170731;第39卷(第7期);49-53 *
基于随机有限集的多目标滤波算法研究;王利伟;《中国博士学位论文全文数据库 信息科技辑》;20180615(第06期);I135-63 *
复杂条件下多目标跟踪关键技术研究;井沛良;《中国博士学位论文全文数据库 信息科技辑》;20171115(第11期);I135-63 *
多传感器多目标跟踪算法研究及其工程实现;梅树军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140715(第07期);I136-593 *

Also Published As

Publication number Publication date
CN109656271A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN111736145B (zh) 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法
EP2332017B1 (en) Estimating a state of at least one target
CN109656271B (zh) 一种基于数据关联思想的航迹软关联方法
CN108960334B (zh) 一种多传感器数据加权融合方法
CN104680005B (zh) 基于加速因子可行域选择的非平行贮存寿命试验评估方法
CN108304685A (zh) 一种非线性退化设备剩余寿命预测方法及系统
CN111157943B (zh) 在异步网络中基于toa的传感器位置误差抑制方法
CN108985373B (zh) 一种多传感器数据加权融合方法
CN112484728B (zh) 基于ospa(2)距离的多传感器多目标航迹关联与融合方法
CN104133983A (zh) 基于加权负一阶rd和的多目标伯努利分布式融合方法
CN111259332B (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
CN104777469A (zh) 一种基于量测误差协方差矩阵范数的雷达节点选择方法
Kuzmin et al. Method of probability distribution fitting for statistical data with small sample size
CN111883265B (zh) 一种应用于火控系统的目标状态估计方法
CN117310642A (zh) 一种基于多尺度聚类的多雷达密集群目标航迹关联方法
CN109657732B (zh) 利用目标可见性实现航迹管理的多传感器航迹融合方法
CN112710306A (zh) 列车用bds与ins组合导航的自定位方法
CN104199006B (zh) 一种基于多假设联合分布滤波器的随机集跟踪方法
CN113591976A (zh) 一种基于前向全近邻解相关的乱序航迹融合方法
CN116953692A (zh) 一种主动雷达和被动雷达协同跟踪下的航迹关联方法
CN117092638A (zh) 多传感器信息在线数据融合方法
JP4488185B2 (ja) 目標追尾装置
Hwang et al. Multiple-target tracking and identity management
CN113052219B (zh) 一种异常轨迹检测方法及装置、电子设备
Xiong et al. An integrity monitoring method for multi-sensor collaborative navigation

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