CN109671096A - 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 - Google Patents
一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 Download PDFInfo
- Publication number
- CN109671096A CN109671096A CN201710960963.XA CN201710960963A CN109671096A CN 109671096 A CN109671096 A CN 109671096A CN 201710960963 A CN201710960963 A CN 201710960963A CN 109671096 A CN109671096 A CN 109671096A
- Authority
- CN
- China
- Prior art keywords
- target
- extension
- survival
- moment
- measurement
- 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
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
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公布了一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法,主要解决了量测划分下多扩展目标跟踪问题。所述方法包括:首先,根据时空相关性原则,将当前量测集化分为存活扩展和新生扩展目标量测;其次,利用FCM算法对存活扩展目标量测进行划分;对新生扩展目标量测空间进行动态网格处理,依据网格密度及仰视距离去除杂波量测,并进行网格聚类法划分;最后,利用GM‑PHD滤波器和ET‑GM‑PHD滤波器分别对存活和新生多扩展目标状态进行估计得到其运动轨迹。本发明能够对多扩展目标进行准确跟踪,特别是在目标交叉时刻,具有对量测划分准确,目标数目估计准确,跟踪精度高和实时性好等优点。
Description
技术领域
本发明属于多扩展目标跟踪技术领域,特别是一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法。
背景技术
近年来,随着现代先进传感器技术取得了长足的进步,新型传感器可对运动目标上的多个观测点提供多个量测值,这类目标被称为扩展目标(Extended Target,ET)。作为多目标跟踪的关键技术之一,多扩展目标跟踪技术越来越多地被应用于自动雷达对车辆跟踪、海事雷达对近距离飞机或舰船跟踪等领域。由于扩展目标在同一时刻会产生多个量测,因此,传统的点目标PHD跟踪技术不能直接应用于扩展目标跟踪,否则将导致多扩展目标数目的估计值偏大问题。2009年,Mahler将点目标PHD滤波理论推广到了扩展目标的跟踪中,提出了扩展目标概率假设密度(Extended Target Probability Hypothesis Density,ET-PHD)滤波器,给出了ET-PHD滤波器的递推公式。2010年,等人在Mahler的研究基础上给出了ET-PHD滤波器的高斯混合实现形式,即ET-GM-PHD滤波器。
对于多扩展目标跟踪,首先要解决的是对当前量测集进行有效地划分问题。目前,有研究人员提出了一些量测划分方法,但都存在着明显不足。等人提出了基于距离的量测集划分法,文中将离得近的量测划分为同一子集,离得远的量测被划分为不同的子集,然后将划分结果直接用于ET-GM-PHD滤波器。这种方法在扩展目标距离较远时可取得良好的跟踪效果,但在距离较近时跟踪效果较差。GRANSTROM K于2012年在的基础上提出了距离辅助量测集划分的改进方法。该方法对量测划分的精度虽然有一定的提高,但是计算量的增加导致跟踪实时性下降。2013年,Li Y X等人提出了基于K-means++的量测集划分法,但量测划分的结果过分依赖于K的初值,不当的K初值会使跟踪误差变大。随后,韩崇昭等人提出了基于共享最近邻(Shared Nearest Neighbor,SNN)相似度的量测集划分算法,该算法的量测划分结果虽然不受量测密度的影响,但会受到参数K值的影响。2017年,冯新喜等人提出了基于改进OPTICS的量测集划分法,该方法对初始点的选择不敏感,在滤除杂波的同时能够对量测进行有效划分,但对量测簇的特征提取比较复杂。
发明内容
本发明所解决的技术问题在于提供一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法。
实现本发明目的的技术解决方案为:首先,根据时空相关性,将当前量测划分为存活扩展目标量测和新生扩展目标量测,提高了量测划分的准确性。其次,利用FCM算法对存活扩展目标进行量测划分,由于初选了初始聚类中心,在减少方法迭代次数的同时,又避免陷入局部最优解。接着,对新生扩展目标的量测空间进行滤除杂波处理,通过网格聚类实现对新生目标量测集的划分,有效减少了杂波的干扰,提高了计算速度。最后,利用GM-PHD滤波器和ET-GM-PHD滤波器,得到存活和新生多扩展目标的运动轨迹,提高了跟踪精度和实时性。
本发明与现有技术相比主要有以下优点:
1.根据目标跟踪过程中存活扩展目标相邻时刻相距较近,而新生扩展目标与存活扩展目标相距较远的特点,引入时空关联的思想,将当前量测集划分为存活扩展目标量测集与新生扩展目标量测集,有效提高了量测划分的准确性。
2.在对存活扩展目标量测采用FCM算法进行划分时,通过选取初始聚类中心,能很好的避免算法陷入局部极值点,收敛速度比随机选取初始聚类中心快很多。再用GM-PHD技术进行滤波,大大降低了算法的计算量,提高了存活多扩展目标跟踪的实时性,提高了跟踪精度,并对目标数目估计更准确。
3.对新生扩展目标的量测通过网格密度及仰视距离去除杂波量测,减少了杂波的干扰,采用基于网格聚类的方法进行量测划分,相对于距离划分法计算量显著下降,提高了新生多扩展目标跟踪的实时性,提高了跟踪精度,并对目标数目估计更准确。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的流程图。
图2为包含杂波的扩展目标量测。
图3为扩展目标的真实轨迹与距离划分法得到的估计轨迹。
图4为扩展目标的真实轨迹与本发明算法得到的估计轨迹。
图5为扩展目标距离较近时,本发明算法与距离划分法得到的估计轨迹值比较。
图6为本发明算法与距离划分法OSPA距离比较。
图7为扩展目标的真实数目与本发明算法及距离划分法估计扩展目标数目的比较。
具体实施方式
依据附图,对本发明的技术方案作具体说明。
所述一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法,具体实施步骤为:
步骤1根据时空近邻原则,对k时刻量测集划分为存活扩展目标量测和新生扩展目标量测。
(1)存活扩展目标目标量测集的划分
存活扩展目标量测为k时刻所有存活扩展目标量测的并集这里,为k时刻第i个存活扩展目标的量测值,计算公式为
其中,Zk表示k时刻所有目标的量测值,Zi,k表示第i个扩展目标在k时刻的量测值,表示k时刻第i个存活扩展目标质心的量测预估值,表示zi,k与的欧氏距离,ε表示距离阈值。通过PHD滤波器的预测步公式提取存活目标的位置信息得到,PHD滤波器的预测步公式为
其中,βk(x)表示k时刻新生扩展目标的PHD,Ps表示扩展目标的存活概率,表示单个扩展目标的转移密度函数。
(2)新生扩展目标量测集的划分
k时刻新生扩展目标量测集(包含杂波)为
步骤2确定存活扩展目标量测集进行FCM分类的类别数。
首先,判断k时刻第i个存活扩展目标的量测值为空集即是否成立,如果成立则说明k时刻第i个存活扩展目标已消亡,存活扩展目标个数则相应的减少1个,如果不成立,则存活扩展目标个数保持不变;然后,用k-1时刻的存活扩展目标个数减去空集的个数,即得到FCM分类算法的类别数ck。
步骤3确定FCM算法初始聚类中心的选取。
由于同一个存活扩展目标在同一时刻产生的量测在空间上距离比较接近,选取FCM算法的初始聚类中心为k时刻第i个存活扩展目标质心的量测预估值
步骤4存活扩展目标量测集的划分,并得到存活扩展目标质心的估计值。
将k时刻第i个存活扩展目标的量测值代入FCM算法ujk和vi进行迭代计算,每步迭代都沿着使目标函数J(U,V)减小的方向进行,当minJ(U,V)时FCM算法收敛,得到第i类目标量测集阳第i类聚类中心则为k时刻对存活扩展目标量测集的划分,为第i个存活扩展目标质心的估计值,存活扩展目标质心的估计值为ujk和vi计算公式为
其中,为欧氏距离,m为加权指数。
其中,uik为模糊分类隶属度值。
目标函数J(U,V)表达式为
其中,为xk到vi的欧氏距离,A为对称正定阵,vi表示第i类的聚类中心。
步骤5对新生扩展目标量测集进行动态网格化处理。
(1)新生扩展目标量测集的网格化处理
首先,设当前时刻量测数据个数为n,网格划分步长l的初值为l=n/2;然后,对量测空间的每一维按步长l进行均匀划分,并统计有效网格的个数记为m,当m>n/6时,即完成对新生扩展目标量测集的网格化处理。
(2)目标量测点位于网格线上的处理
称位于网格线的目标量测点为边界点,计算边界点与附近有效网格的欧氏距离,并将其划入欧氏距离最小所对应的有效网格中。
步骤6对新生扩展目标量测集进行杂波的滤除处理。
设第i个网格包含量测点个数为该网格的密度ρi,比较所有网格密度ρi与网格密度阈值ερ的大小,如果网格密度ρi小于ερ,则网格所包含的量测为杂波量测。保留网格密度ρi大于密度阈值ερ的网格,剔除网格密度ρi小于密度阈值ερ的网格,即除去了杂波的量测,实现了对新生扩展目标量测集的杂波滤除处理,从而消除了大部分杂波对跟踪性能的影响。网格密度阈值ερ表达式为
其中,n表示有效单元格数目,max(ρi)表示有效单元格密度的最大值,min(ρi)表示有效单元格密度的最小值。
步骤7对新生扩展目标量测集采用网格聚类法进行划分。
(1)新生扩展目标量测的获得
通过比较网格密度ρi与有效单元格仰视距离阈值εδ的大小,网格密度ρi大于εδ的网格所包含的量测即为新生扩展目标量测。有效单元格仰视距离阈值εδ的表达式为
其中,n表示所有有效单元格数目,δi表示有效单元格i的仰视距离,max(δi)表示单元格仰视距离的最大值,min(δi)表示单元格仰视距离的最小值。有效单元格i的仰视距离δi的表达式为
其中,坐标(xi,yi)和(xj,yj)分别表示网格i和网格j的几何中心。
(2)基于网格聚类方法的新生扩展目标量测集划分
由于新生扩展目标量测值均在有效单元格内,对新生扩展目标量测集的划分可通过对有效单元格的聚类实现。根据这一思想,首先,选取单元格密度ρi及仰视距离δi均大于有效单元格仰视距离阈值εδ的单元格作为单元格初始聚类中心;其次,对每个非聚类中心的有效单元格P判断其归属,在单元格密度ρi比P高的初始聚类中心中,若第i个与其距离最近,则将有效单元格P归属于第i类,直至完成对所有有效单元格的聚类;最后,判断不同类别有效单元格是否连通,如果连通则将其合并为一类。
步骤8实现对存活多扩展目标状态的估计。
将步骤4得到的存活扩展目标质心的估计值带入GM-PHD的更新步公式Dk|k(xk),再从中提取存活目标的位置信息,得到存活多扩展目标状态的估计值。GM-PHD的更新步公式为
其中,Dk|k-1(xk)表示k-1时刻存活目标的PHD,PD,k(x)表示检测目标的概率。
步骤9根据ET-GM-PHD的更新步,实现对新生多扩展目标状态的估计。
根据ET-GM-PHD的更新步公式提取新生目标的位置信息,得到新生多扩展目标状态的估计。ET-GM-PHD的更新步公式为
其中,表示新生目标在k-1时刻的PHD;表示新生目标的伪似然函数;当新生目标的量测为空时,当新生目标的量测不为空时,
下面对本发明的方法进行仿真验证。
仿真实验采用距离划分算法与本发明算法对多扩展目标的跟踪性能进行比较。仿真实验在Inter(R)Core(TM)i5-3337U 1.80GHz处理器、4GB内存的PC上,使用MATLABR2014b平台实现。模拟一个多目标的跟踪区域为[-1000m,1000m]×[-1000m,1000m]二维平面,跟踪时间长度为T=100s,采样时间间隔为ΔT=1s,在监测的时间段内,先后出现2个运动的存活扩展目标和1个运动的新生扩展目标。记k时刻扩展目标的状态为向量其中,[xk,yk]T表示扩展目标的位置,表示扩展目标的速度;[ω1,k,ω2,k]T表示均值为零的高斯白噪声,分量的标准差均为20m/s2。扩展目标的运动模型为
扩展目标的量测模型为
其中,[r1,k,r2,k]T表示均值为零的高斯白噪声,分量的标准差均为20m。
实验中所模拟的3个扩展目标中,存活扩展目标1的存活时间为1s~100s,初始状态为[250,250,250/99,-1150/99]T;存活扩展目标2的存活时间为1s~100s,初始状态为[-250,-250,1150/99,-250/99]T;新生扩展目标1的存活时间为67s~100s,初始状态为[-250,-250,250/33,650/33]T。
扩展目标的存活概率为Ps=0.99,传感器检测目标的概率为PD=0.99。每一时刻每个扩展目标产生的量测个数服从期望值为20的泊松分布;每一时刻杂波产生的量测个数服从期望值为6的泊松分布。最大高斯项分量数Jmax=100,修剪门限T=10-6,合并门限U=4,距离阈值ε=150。实验结果如图2至图7所示。
图2显示了1s~100s时间段内产生的量测,包含了扩展目标量测与杂波量测。图3和图4分别给出了距离划分算法和本发明算法对多扩展目标的跟踪轨迹。从图中可以看出,当多个扩展目标之间距离较大时,两种算法跟踪效果都很好,但当扩展目标之间的距离较小时,本发明算法的跟踪效果明显优于距离划分算法。图5给出了两种算法在45s~66s时间段内,两个扩展目标距离较近时的跟踪轨迹,从图中可以明显看出本发明算法对跟踪轨迹更准确。这是因为距离划分法在扩展目标离得近时难以对量测集进行准确划分,从而导致跟踪轨迹不准确;而本发明的算法在扩展目标离得近时对量测仍能实现有效划分,跟踪轨迹也更加准确。
为了比较距离划分算法与本发明算法对多扩展目标的跟踪性能,采用最优子模式分配(Optimal Subpattern Assignment,OSPA)距离作为多扩展目标跟踪精度的评价指标,OSPA的定义如下
其中,X和分别为扩展目标状态的真实值与估计值,其维数分别为n和m,且满足n≥m;p为OSPA矩阵的阶数,c表示截断门限,实验中取IIk表示{1,2,…,k}所有排列组成的集合;若m≥n,
图6显示了通过100次Monte Carlo仿真后,本发明方法和距离划分法目标跟踪的OSPA距离。从图中可以看出,本发明方法的OSPA距离较小且平稳,说明本发明算法在目标跟踪精度的准确性上高于距离划分法,这是因为本发明算法能够有效减少杂波的干扰,使得量测集划分更准确。
图7显示了通过100次Monte Carlo仿真后,本发明方法和距离划分法对扩展目标数目的估计值。从图中可以看出,本发明算法对扩展目标数目估计更加准确,尤其在扩展目标距离较近时。
综上所述,本发明公布的一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法,与传统的距离划分法算法相比,可避免量测划分的不准确,有效减小杂波的干扰,降低计算量,具有跟踪精度高且实时性强的优点。本发明的一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法在基于量测划分处理下的多扩展目标跟踪方面具有积极的意义。
Claims (4)
1.一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法,包括以下步骤:
第一步,根据时空近邻原则,将k时刻量测划分为存活扩展目标量测和新生扩展目标量测。
第二步,对存活目标量测集进行FCM算法的分类,实现对存活目标的量测划分,并得到存活扩展目标的质心估计值。
第三步,对新生扩展目标量测集进行动态网格化和滤除杂波处理。
第四步,对新生扩展目标量测集进行网格聚类法划分。
第五步,将FCM算法得到的存活扩展目标质心估计值带入GM-PHD的更新公式,得到存活多扩展目标的状态估计值。
第六步,根据ET-GM-PHD的更新步,得到新生多扩展目标的状态估计值。
2.根据权利要求1所述的一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法,其特征在于,所述第一步中,根据时空近邻原则,将k时刻量测划分为存活扩展目标量测和新生扩展目标量测。具体是,由确定第i个存活扩展目标在k时刻的测值集其中,Zk为k时刻所有目标的测值集,Zi,k为第i个扩展目标在k时刻的测值集,为k时刻第i个存活扩展目标质心的量测预估值,ε为距离阈值。在k时刻所有存活扩展目标量测的并集即为k时刻存活扩展目标量测。由确定k时刻新生扩展目标的量测集。
3.根据权利要求1所述的一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法,其特征在于,所述第二步中,对存活目标量测集进行FCM算法的分类,实现对存活目标的量测划分,并得到存活扩展目标的质心估计值。具体是,首先,确定FCM算法的类别数。具体为,判断k时刻第i个存活扩展目标的量测值是否为空集,如果是,则存活目标个数相应减少1个,再用k-1时刻的存活目标个数减去空集的个数得到FCM算法的类别数ck;其次,选取k时刻第i个存活扩展目标质心的量测预估值作为FCM算法的初始聚类中心;然后,将k时刻第i个存活扩展目标的量测值代入FCM算法的模糊分类隶属度ujk和第i类的聚类中心vi进行迭代计算,计算公式为
其中,为欧氏距离,m为加权指数。
其中,uik为模糊分类隶属度值。
最后,FCM算法收敛后得到第i类量测集及第i类聚类中心则为k时刻对存活扩展目标量测集的划分,为k时刻第i个存活扩展目标质心的量测估计值。
4.根据权利要求1所述的一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法,其特征在于,所述第四步中,对新生扩展目标量测集进行网格聚类划分。具体是,首先,选取单元格密度ρi及仰视距离δi均大于有效单元格仰视距离阈值的单元格作为单元格初始聚类中心;然后,对每个非聚类中心的有效单元格P进行聚类;最后,判断不同类别有效单元格之间是否连通,如果连通将其合并为一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710960963.XA CN109671096B (zh) | 2017-10-13 | 2017-10-13 | 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710960963.XA CN109671096B (zh) | 2017-10-13 | 2017-10-13 | 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671096A true CN109671096A (zh) | 2019-04-23 |
CN109671096B CN109671096B (zh) | 2023-07-28 |
Family
ID=66139326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710960963.XA Active CN109671096B (zh) | 2017-10-13 | 2017-10-13 | 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671096B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077494A (zh) * | 2019-11-27 | 2020-04-28 | 江苏理工学院 | 一种跟踪方法及装置 |
CN111753906A (zh) * | 2020-06-24 | 2020-10-09 | 中科三清科技有限公司 | 污染物传输轨迹的聚类方法、装置、电子设备及存储介质 |
CN113344039A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 一种基于时空关联的多扩展目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945553A (zh) * | 2012-11-27 | 2013-02-27 | 西安电子科技大学 | 基于自动差分聚类算法的遥感图像分割方法 |
CN104268567A (zh) * | 2014-09-18 | 2015-01-07 | 中国民航大学 | 一种观测数据聚类划分的扩展目标跟踪方法 |
CN106154274A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标多基地融合跟踪方法 |
-
2017
- 2017-10-13 CN CN201710960963.XA patent/CN109671096B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945553A (zh) * | 2012-11-27 | 2013-02-27 | 西安电子科技大学 | 基于自动差分聚类算法的遥感图像分割方法 |
CN104268567A (zh) * | 2014-09-18 | 2015-01-07 | 中国民航大学 | 一种观测数据聚类划分的扩展目标跟踪方法 |
CN106154274A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标多基地融合跟踪方法 |
Non-Patent Citations (1)
Title |
---|
李翠芸等: "基于Mean Shift迭代的新生未知多扩展目标跟踪", 《控制与决策》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077494A (zh) * | 2019-11-27 | 2020-04-28 | 江苏理工学院 | 一种跟踪方法及装置 |
CN111753906A (zh) * | 2020-06-24 | 2020-10-09 | 中科三清科技有限公司 | 污染物传输轨迹的聚类方法、装置、电子设备及存储介质 |
CN111753906B (zh) * | 2020-06-24 | 2021-01-26 | 中科三清科技有限公司 | 污染物传输轨迹的聚类方法、装置、电子设备及存储介质 |
CN113344039A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 一种基于时空关联的多扩展目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109671096B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156984B (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN108802722B (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
CN105182291B (zh) | 自适应目标新生强度的phd平滑器的多目标跟踪方法 | |
CN102253426B (zh) | 采用空间密度聚类进行雷电运动预测的方法 | |
CN101639535A (zh) | 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法 | |
CN103678949B (zh) | 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 | |
CN101980044B (zh) | 未知测量噪声分布下的多目标跟踪方法 | |
CN105740904B (zh) | 一种基于dbscan聚类算法的出行与活动模式识别方法 | |
CN109858526B (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN107677997A (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
CN106780557A (zh) | 一种基于光流法和关键点特征的运动目标跟踪方法 | |
CN103559724A (zh) | 一种高粘连度细胞环境下的多细胞同步跟踪方法 | |
CN102608568B (zh) | 一种具有固定滑窗-ospa距离航迹关联方法 | |
CN104835178A (zh) | 一种低信噪比运动小目标的跟踪与识别的方法 | |
CN109671096A (zh) | 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 | |
CN106646450A (zh) | 基于距离分步聚类的雷达航迹抗差关联方法 | |
CN110210730A (zh) | 一种区域综合能源系统能效状态评价方法 | |
CN110348488A (zh) | 一种基于局部密度峰值聚类的模态辨识方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN108344981A (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
CN109511085A (zh) | 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN110849372A (zh) | 一种基于em聚类的水下多目标轨迹关联方法 | |
CN106019253A (zh) | 基于箱粒子cphd的多扩展目标跟踪方法 | |
CN109917372A (zh) | 基于目标预测的扩展目标量测集划分和跟踪方法 |
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 |