CN109901154A - 基于递推rtht-tbd的自适应调整方法 - Google Patents
基于递推rtht-tbd的自适应调整方法 Download PDFInfo
- Publication number
- CN109901154A CN109901154A CN201910253414.8A CN201910253414A CN109901154A CN 109901154 A CN109901154 A CN 109901154A CN 201910253414 A CN201910253414 A CN 201910253414A CN 109901154 A CN109901154 A CN 109901154A
- Authority
- CN
- China
- Prior art keywords
- recursion
- data
- accumulation
- time
- max
- 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
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号处理领域,针对使用时间‑径向距离平面Hough变换对目标进行递推检测时存在的参数空间积累矩阵发生变化,无法正常积累的问题,提供一种基于自适应调整的实时递推RTHT‑TBD方法,实现对远距离高速微弱多目标的长时间实时检测跟踪。对于获得的最新一帧量测数据,不直接进参数积累和峰值检测,而是根据上一递推时刻的调整量以及该帧数据进行判断,对积累矩阵和存储阵列进行自适应调整,之后再进行积累检测;最后,根据各时刻检测结果对目标航迹进行关联,实现对目标的实时检测和航迹回溯。方法在实现对远距离高速微弱多目标长时间实时有效检测和航迹回溯的同时,还能够显著降低计算量,工程实践性好。
Description
技术领域
本发明属于雷达信号处理领域,用于对远距离高速微弱多目标进行长时间实时检测跟踪,适用于解决使用时间-径向距离平面Hough变换对目标进行递推检测时存在的参数空间积累矩阵发生变化,无法正常积累的问题。
背景技术
基于Hough变换(Hough Transform,HT)的检测前跟踪(Track Before Detect,TBD)方法(HT-TBD)作为一种典型的批处理帧间积累方法,通过对多帧雷达回波进行非相参积累,利用数参转换和峰值检测实现对微弱目标的有效检测和航迹回溯。对于因雷达测角误差较大,导致位置量测数据存在较大误差的远距离高速微弱目标而言,基于时间-径向距离平面的HT-TBD方法(RTHT-TBD)被证明是一种实现目标检测和航迹回溯的有效手段。
现有的HT-TBD方法大多针对量测数据帧数较少时的短时积累检测,而实际工程应用中,通常需要对目标进行长时间探测,考虑到目标检测的实时性和系统处理效率,就需要利用实时递推的HT-TBD方法进行处理。而利用递推RTHT-TBD方法对远距离高速微弱多目标进行检测跟踪时,会存在由于各递推时刻参数空间积累矩阵发生变化,无法正常积累的问题。
针对上述问题,本发明采用自适应调整方法进行处理:首先,对前一递推处理时刻得到的点数积累矩阵、能量积累矩阵以及相应的存储阵列进行保存,并记录上一递推时刻参数空间分辨单元的平移总数;然后根据最新递推处理时刻量测数据的数参转换结果对积累矩阵和存储阵列进行自适应调整;最后,利用自适应调整后的积累矩阵和存储阵列进行积累检测和后续处理,实现对递推时刻目标的检测跟踪。
发明内容
针对利用实时递推RTHT-TBD方法对微弱多目标进行实时递推检测时存在的参数空间积累矩阵发生变化,无法正常积累的问题,提供一种基于自适应调整的实时递推RTHT-TBD方法。对于获得的最新一帧量测数据,不直接进参数积累和峰值检测,而是根据上一递推时刻的参数单元调整量以及该帧数据数参转换的结果进行判断,对上一递推时刻的积累矩阵和存储阵列进行自适应调整,之后再进行积累检测;最后,根据各递推时刻检测结果对目标航迹进行关联,实现对远距离高速微弱多目标的长时间实时检测和航迹回溯。
本发明解决所述的技术问题,采用技术方案步骤如下:
步骤(一):初始时刻数据准备。首先需要初始n帧量测数据进行RTHT-TBD处理,以获得初始点数积累矩阵D0、能量积累矩阵E0和相应的存储阵列F0,为后续的递推处理进行数据准备,具体过程为:
(1)根据n帧量测中的时间和径向距离数据对径向距离数据进行规格化处理,得到规格化后的时间-径向距离量测(t,r/κ),其中κ为规格化系数;
式中rmax,tmax表示前n帧量测中径向距离与时间数据的最大值,[lg(|rmax/tmax|)]表示大于lg(|rmax/tmax|)的最小整数;
(2)离散化参数空间,将其分割为ntheta×nrou个分辨单元,其中ntheta为θ轴分辨单元数,nrou为ρ轴分辨单元数,则每个分辨单元的大小为:
Δθ=180°/ntheta
Δρ=2ρmax/nrou
式中Δθ和Δρ分别表示参数空间分辨单元在θ轴和ρ轴方向上的宽度;其中tmax为该批量测数据中t的最大值,rmax为量测数据径向距离的最大值;
(3)建立参数空间积累矩阵和相应的存储阵列,其中积累矩阵包括点数积累矩阵和能量积累矩阵,用于存储各分辨单元的点数积累值和能量积累值;存储阵列用于存储落入各分辨单元的量测点信息;
(4)利用时间-径向距离平面Hough变换方程,依次选取前n帧数据中的各量测点,将其映射到参数空间,得到对应的参数曲线ζ;
ρ=tcosθ+rsinθ
(5)对曲线ζ经过的参数空间分辨单元进行点数积累和回波能量积累,并对相应的存储阵列进行赋值;
(6)重复(4)~(5),直到前n帧量测数据全部处理完毕,得到初始点数积累矩阵D0、能量积累矩阵E0和相应的存储阵列F0;
(7)设置参数空间点数积累门限η1和能量积累门限η2,进行峰值检测,对点数积累值与能量积累值均超过门限的分辨单元进行Hough逆映射,得到可能航迹;
(8)利用目标先验信息设置速度波门和角度波门对(7)中获得的可能航迹进行进一步约束,得到前n量测数据的检测结果;
步骤(二):对从n+1帧起的量测数据进行自适应递推处理,其具体过程为:
(1)利用步骤(一)中的规格化系数κ对最新一帧量测进行规格化处理,规格化处理后的数据进行Hough变换,得到各量测点对应的参数空间变换曲线集合Ci;
(2)从Ci中取出参数空间ρ的最大值ρmax和最小值ρmin,并根据下式所得结果对积累矩阵和存储阵列进行自适应调整:
ΔGi=ρmax-Gi-1 i=1,2,…,N-n
ΔPi=|ρmin|
式中Gi表示第i次递推处理参数空间中ρ轴分辨单元数,ΔGi表示此次需要延拓的单元数,ΔPi表示此次需要平移的单元数,N表示所处理的量测数据总帧数。其中调整方式主要分为以下四种情况:
情况1.如果ΔGi≤0且ΔPi≥0,则此时积累矩阵和存储阵列不需要平移也不需要延拓;
情况2.如果ΔGi≤0且ΔPi<0,此时需要对积累矩阵和存储阵列进行平移但不需要延拓;
情况3.如果ΔGi>0且ΔPi≥0,此时需要对积累矩阵和存储阵列进行延拓但不需要平移;
情况4.如果ΔGi>0且ΔPi<0,此时需要对积累矩阵和存储阵列进行延拓和平移;
式中CC表示本次递推处理对应的积累矩阵和存储阵列,Pi表示前i次递推处理参数空间分辨单元的平移总数;
(3)剔除前一次递推处理数据中的第1帧数据在积累矩阵中的积累值和在存储阵列中的存储值;
(4)根据最新一帧量测数据的变换结果对更新后的积累矩阵和存储阵列进行积累和存储;
(5)利用点数和能量积累门限进行峰值检测,进行Hough逆映射后对得到的可能航迹进行航迹约束,获得本次递推处理的检测结果;
步骤(三):重复执行步骤(二),直至所有N帧量测数据全部处理完毕;
步骤(四):对于所获得的初始检测结果和各次递推处理检测结果,需要进行航迹合并处理,实现对同一目标航迹进行合并,剔除航迹内杂波点的目的;
航迹合并时,设置门限η3,通过对相邻两批数据检测输出的航迹进行两两比较,当两航迹中相同点个数超过门限η3时,则认为两条航迹对应同一目标,需要进行航迹合并。进行航迹合并时,对于相同时刻的不同量测点,选取回波能量较大的点作为该时刻的目标量测点。
对于各批n帧量测数据,定义门限η3为:
其中[·]表示取整运算;
最后,对航迹合并后获得的目标航迹进行输出。
本发明的有益效果说明:
(1)本发明采用自适应递推RTHT-TBD方法对远距离高速微弱多目标进行长时间实时检测和航迹回溯,有效减少了目标漏检和检测延时的问题,且采用递推处理方法,大大减少了计算量,具有较好的工程实践性;
(2)本发明采用自适应调整方法,根据各次递推处理量测数据,对参数空间积累矩阵和存储阵列进行实时调整,有效解决了递推过程中存在的参数空间积累矩阵发生变化,无法正常积累的问题。
附图说明
附图1是本发明所提技术的方法步骤流程图;
附图2是本发明具体实施中所有时刻目标真实量测与杂波分布图;
附图3是本发明具体实施中前7帧量测点数积累直方图;
附图4是本发明具体实施中前7帧量测能量积累直方图;
附图5是本发明具体实施中前7帧量测检测结果图;
附图6是本发明具体实施中第2次递推处理的检测结果图;
附图7是本发明具体实施中最终输出的检测结果图。
具体实施方法
下面结合附图对本发明基于递推RTHT-TBD的自适应调整方法进行详细描述。
实施条件:设定2个远距离高速运动目标在雷达探测范围内运动,目标1作匀加速曲线运动,目标初始位置为(255km,385km),初始速度为(4000m/s,-1000m/s),初始加速度为(-150m/s2,-150m/s2),目标从第1帧雷达量测开始运动;目标2作匀速直线运动,目标初始位置为(305km,415km),初始速度为(4000m/s,-1000m/s),目标从第5帧雷达量测开始运动。雷达位于坐标原点,量程为600km,扫描周期为1s,雷达距离量测误差为400m,角度量测误差为0.2°,处理的雷达量测总帧数为25帧,每帧数据的杂波数服从泊松分布,杂波密度为100,产生的杂波按均匀分布随机地分布在雷达视域内,SNR=4dB。参照附图1,具体实施步骤如下所示:
(1)雷达对2远距离高速目标进行探测,持续探测时间为25帧,将所有量测数据在数据空间进行叠加,得到目标真实量测与杂波点分布如附图2所示;
(2)按照步骤(一)对初始7帧量测数据进行RTHT-TBD处理,其中对前7帧量测数据进行规格化处理处理时,取规格化系数κ=105,规格化处理后,将参数空间分割为180×400个分辨单元;
(3)随后,按照步骤(一)建立参数空间积累矩阵和相应的存储阵列并对其进行初始化,利用时间-径向距离平面Hough变换方程,依次选取前7帧数据中的各量测点,将其映射到参数空间,得到对应的参数曲线;
(4)按照步骤(一)对各参数曲线经过的分辨单元进行点数和能量积累,并对相应的存储阵列进行赋值;待全部7帧量测数据全部处理完成后,即可得到初始点数积累矩阵D0、能量积累矩阵E0和相应的存储阵列F0,其中前7帧量测的点数积累直方图和能量积累直方图如附图3和附图4所示;
(5)设置参数空间点数积累门限η1=4,能量积累门限η2为最大能量积累值的0.8倍,对D0和E0进行峰值检测,对点数积累值与能量积累值均超过门限的分辨单元进行Hough逆映射,得到可能航迹;
(6)按照步骤(一)设定目标速度约束条件vmin=Ma 5,vmax=Ma 20,航向约束条件β0=120°,对候选航迹进行进一步约束,得到前7帧量测的检测结果如附图5所示。
(7)按照步骤(二)对从8帧起的量测数据进行自适应递推处理,首先利用之前所得规格化系数κ=105对最新一帧递推数据进行规格化处理;
(8)按照步骤(二)所述自适应调整的4种方式,根据各次递推时刻的数据数参转换的结果进行对积累矩阵和存储阵列进行自适应调整;
(9)按照步骤(二)对积累矩阵和存储阵列中前次处理第1帧数据对应的积累值和存储值进行剔除,对最新一帧递推量测数据进行积累和存储,实现对积累矩阵和存储阵列的更新;
(10)按照步骤(二)对更新后的积累矩阵进行峰值检测,进行Hough逆映射后对得到的可能航迹进行航迹约束,获得该次递推处理的检测结果,其中第2次递推处理的检测结果如附图6所示;
(11)按照步骤(三)将全部25帧量测处理完毕;
(12)按照步骤(四)对各次检测结果进行航迹合并,航迹合并门限η=3;
(13)对航迹合并后获得的目标航迹进行输出,输出结果如附图7所示。
由于实施实例中目标1从第1帧开始运动,目标2从第5帧开始运动,因此附图5检测结果中前7帧检测时目标1可正常检测,而目标2由于积累帧数不足无法实现有效检测;但随后,随着递推时刻的推进,在第2次递推处理时即实现了2目标的同时有效检测;最后通过附图7方法的最终检测结果可知,方法对25帧量测中的2远距离高速目标均实现了有效检测和航迹回溯。为对本发明方法性能进行验证,在本实例条件下进行400次Monte-Carlo仿真后,得到方法性能如下表所示:
性能指标 | 检测概率P<sub>d</sub> | 虚警概率P<sub>f</sub> | 递推时间/s |
指标值 | 0.97 | 0.05 | 2.7 |
由表中性能指标可以看出,本发明方法能够在虚警概率较低的情况下,对强杂波背景下的远距离高速微弱多目标实现高概率的有效检测,且较传统批处理8.1s的运行时间,可有效减少计算量,具有较好的工程实践意义。
Claims (6)
1.基于递推RTHT-TBD的自适应调整方法,其特征在于,包括以下步骤:
步骤(一)、对初始n帧量测数据进行RTHT-TBD处理,得到初始检测结果,并为后续的递推处理进行数据准备;
步骤(二)、对从n+1帧起的量测数据进行自适应递推处理,得到递推处理检测结果;
步骤(三)、重复执行步骤(二),直至所有N帧量测数据全部处理完毕;
步骤(四)、对于所获得的初始检测结果和各次递推处理检测结果,进行航迹合并处理,对获得的目标航迹进行输出。
2.根据权利要求1所述的基于递推RTHT-TBD的自适应调整方法,其特征在于,步骤(一)具体为:
(11)根据n帧量测中的时间和径向距离数据对径向距离数据进行规格化处理,得到规格化后的时间-径向距离量测(t,r/κ),其中κ为规格化系数;
(12)离散化参数空间,将其分割为ntheta×nrou个分辨单元,其中ntheta为θ轴分辨单元数,nrou为ρ轴分辨单元数;
(13)对前n帧量测数据进行时间-径向距离平面Hough变换,得到初始点数积累矩阵D0、能量积累矩阵E0和相应的存储阵列F0;
(14)设置参数空间点数积累门限η1和能量积累门限η2,进行峰值检测,对点数积累值与能量积累值均超过门限的分辨单元进行Hough逆映射,得到可能航迹;
(15)利用目标先验信息设置速度波门和角度波门对(14)中获得的可能航迹进行进一步约束,得到前n量测数据的初始检测结果。
3.根据权利要求1所述的基于递推RTHT-TBD的自适应调整方法,其特征在于,步骤(二)具体为:
(21)利用步骤(一)中的规格化系数κ对最新一帧量测进行规格化处理,对规格化处理后的数据进行Hough变换,得到各量测点对应的参数空间变换曲线集合Ci;
(22)从Ci中取出参数空间ρ的最大值ρmax和最小值ρmin,并根据下式所得结果对积累矩阵和存储阵列进行自适应调整:
ΔGi=ρmax-Gi-1i=1,2,…,N-n
ΔPi=|ρmin|
式中Gi表示第i次递推处理参数空间中ρ轴分辨单元数,ΔGi表示此次需要延拓的单元数,ΔPi表示此次需要平移的单元数,N表示所处理的量测数据总帧数;其中调整方式主要分为以下四种情况:
情况1.ΔGi≤0且ΔPi≥0,此时积累矩阵和存储阵列不平移也不延拓;
情况2.ΔGi≤0且ΔPi<0,此时对积累矩阵和存储阵列进行平移但不延拓;
情况3.ΔGi>0且ΔPi≥0,此时对积累矩阵和存储阵列进行延拓但不平移;
情况4.ΔGi>0且ΔPi<0,此时对积累矩阵和存储阵列进行延拓和平移;
式中CC表示本次递推处理对应的积累矩阵和存储阵列,Pi表示前i次递推处理参数空间分辨单元的平移总数;
(23)剔除前一次递推处理数据中的第1帧数据在积累矩阵中的积累值和在存储阵列中的存储值;
(24)根据最新一帧量测数据的变换结果对更新后的积累矩阵和存储阵列进行积累和存储;
(25)利用点数和能量积累门限进行峰值检测,进行Hough逆映射后对得到的可能航迹进行航迹约束,获得本次递推处理的检测结果。
4.根据权利要求1所述的基于递推RTHT-TBD的自适应调整方法,其特征在于,步骤(四)所述的航迹合并方法具体为:
航迹合并时,设置门限η3,通过对相邻两批数据检测输出的航迹进行两两比较,当两航迹中相同点个数超过门限η3时,则认为两条航迹对应同一目标,需要进行航迹合并;进行航迹合并时,对于相同时刻的不同量测点,选取回波能量较大的点作为该时刻的目标量测点;
对于各批n帧量测数据,定义门限η3为:
其中[·]表示取整运算。
5.根据权利要求2所述的基于递推RTHT-TBD的自适应调整方法,其特征在于,规格化系数κ的选取方法具体为:
式中rmax,tmax表示前n帧量测中径向距离与时间数据的最大值,[lg(|rmax/tmax|)]表示大于lg(|rmax/tmax|)的最小整数。
6.根据权利要求2所述的的基于递推RTHT-TBD的自适应调整方法,其特征在于,分辨单元的大小选取方法具体为:
每个分辨单元的大小为:
Δθ=180°/ntheta
Δρ=2ρmax/nrou
式中Δθ和Δρ分别表示参数空间分辨单元在θ轴和ρ轴方向上的宽度;其中tmax为该批量测数据中t的最大值,rmax为量测数据径向距离的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910253414.8A CN109901154B (zh) | 2019-03-29 | 2019-03-29 | 基于递推rtht-tbd的自适应调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910253414.8A CN109901154B (zh) | 2019-03-29 | 2019-03-29 | 基于递推rtht-tbd的自适应调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109901154A true CN109901154A (zh) | 2019-06-18 |
CN109901154B CN109901154B (zh) | 2023-03-03 |
Family
ID=66955087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910253414.8A Active CN109901154B (zh) | 2019-03-29 | 2019-03-29 | 基于递推rtht-tbd的自适应调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109901154B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
CN112213706A (zh) * | 2020-10-13 | 2021-01-12 | 中国人民解放军海军工程大学 | 多维数字化波门帧间递进关联的逻辑tbd检测方法 |
CN113075636A (zh) * | 2021-04-02 | 2021-07-06 | 中国人民解放军海军航空大学 | 量测点的平行线坐标变换及微弱目标检测方法 |
CN113702965A (zh) * | 2021-08-31 | 2021-11-26 | 中国人民解放军海军航空大学 | 基于峰值聚优的改进积累方法及强弱目标同时检测方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003021289A1 (en) * | 2001-09-05 | 2003-03-13 | Lockheed Martin Corporation | Radar system and method including superresolution raid counting |
CA2424151A1 (en) * | 2002-04-02 | 2003-10-02 | Thales Nederland B.V. | Multi-targets detection method applied in particular to surveillance radars with multi-beamforming in elevation |
US20050190951A1 (en) * | 2000-01-05 | 2005-09-01 | Haw-Jye Shyu | Composite Hough transform for multitarget multisensor tracking |
EP1588188A1 (en) * | 2003-01-30 | 2005-10-26 | Qinetiq Limited | Method of detecting a target |
CA2611978A1 (en) * | 2005-04-29 | 2006-11-09 | Thales | Markov sequential detector |
CN102298142A (zh) * | 2011-05-16 | 2011-12-28 | 中国人民解放军海军航空工程学院 | 雷达测距模糊条件下多微弱目标ht-stc-tbd检测方法 |
CN102901956A (zh) * | 2012-09-27 | 2013-01-30 | 电子科技大学 | 一种雷达微弱目标检测方法 |
CN103954949A (zh) * | 2014-04-16 | 2014-07-30 | 中国人民解放军海军航空工程学院 | 一种隐身滑跃式机动目标的多模型椭圆Hough变换积累检测方法 |
CN104166127A (zh) * | 2014-06-12 | 2014-11-26 | 中国人民解放军海军航空工程学院 | 一种波束交错投影与多假设抛物线Hough变换的滑跃式目标检测方法 |
CN106054173A (zh) * | 2016-07-27 | 2016-10-26 | 中国人民解放军海军航空工程学院 | 基于递推Hough变换的微弱多目标检测前跟踪方法 |
CN106226751A (zh) * | 2016-07-08 | 2016-12-14 | 西安电子科技大学 | 基于dp‑tbd的机动目标检测与跟踪方法 |
CN106679648A (zh) * | 2016-12-08 | 2017-05-17 | 东南大学 | 一种基于遗传算法的视觉惯性组合的slam方法 |
CN106772352A (zh) * | 2016-12-01 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 |
CN106772299A (zh) * | 2016-12-01 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 一种基于距离匹配的pd雷达微弱目标动态规划检测方法 |
CN107144836A (zh) * | 2017-04-19 | 2017-09-08 | 中国人民解放军海军航空工程学院 | 隐身和高超声速双重影响下的临近空间目标跟踪方法 |
CN107340514A (zh) * | 2017-07-10 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
CN107544066A (zh) * | 2017-07-09 | 2018-01-05 | 电子科技大学 | 一种基于检测前跟踪分布式异步迭代滤波融合方法 |
CN107576959A (zh) * | 2017-08-08 | 2018-01-12 | 电子科技大学 | 一种基于区域映射解模糊的高重频雷达目标检测前跟踪方法 |
-
2019
- 2019-03-29 CN CN201910253414.8A patent/CN109901154B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050190951A1 (en) * | 2000-01-05 | 2005-09-01 | Haw-Jye Shyu | Composite Hough transform for multitarget multisensor tracking |
WO2003021289A1 (en) * | 2001-09-05 | 2003-03-13 | Lockheed Martin Corporation | Radar system and method including superresolution raid counting |
CA2424151A1 (en) * | 2002-04-02 | 2003-10-02 | Thales Nederland B.V. | Multi-targets detection method applied in particular to surveillance radars with multi-beamforming in elevation |
EP1588188A1 (en) * | 2003-01-30 | 2005-10-26 | Qinetiq Limited | Method of detecting a target |
CA2611978A1 (en) * | 2005-04-29 | 2006-11-09 | Thales | Markov sequential detector |
CN102298142A (zh) * | 2011-05-16 | 2011-12-28 | 中国人民解放军海军航空工程学院 | 雷达测距模糊条件下多微弱目标ht-stc-tbd检测方法 |
CN102901956A (zh) * | 2012-09-27 | 2013-01-30 | 电子科技大学 | 一种雷达微弱目标检测方法 |
CN103954949A (zh) * | 2014-04-16 | 2014-07-30 | 中国人民解放军海军航空工程学院 | 一种隐身滑跃式机动目标的多模型椭圆Hough变换积累检测方法 |
CN104166127A (zh) * | 2014-06-12 | 2014-11-26 | 中国人民解放军海军航空工程学院 | 一种波束交错投影与多假设抛物线Hough变换的滑跃式目标检测方法 |
CN106226751A (zh) * | 2016-07-08 | 2016-12-14 | 西安电子科技大学 | 基于dp‑tbd的机动目标检测与跟踪方法 |
CN106054173A (zh) * | 2016-07-27 | 2016-10-26 | 中国人民解放军海军航空工程学院 | 基于递推Hough变换的微弱多目标检测前跟踪方法 |
CN106772352A (zh) * | 2016-12-01 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 |
CN106772299A (zh) * | 2016-12-01 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 一种基于距离匹配的pd雷达微弱目标动态规划检测方法 |
CN106679648A (zh) * | 2016-12-08 | 2017-05-17 | 东南大学 | 一种基于遗传算法的视觉惯性组合的slam方法 |
CN107144836A (zh) * | 2017-04-19 | 2017-09-08 | 中国人民解放军海军航空工程学院 | 隐身和高超声速双重影响下的临近空间目标跟踪方法 |
CN107544066A (zh) * | 2017-07-09 | 2018-01-05 | 电子科技大学 | 一种基于检测前跟踪分布式异步迭代滤波融合方法 |
CN107340514A (zh) * | 2017-07-10 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
CN107576959A (zh) * | 2017-08-08 | 2018-01-12 | 电子科技大学 | 一种基于区域映射解模糊的高重频雷达目标检测前跟踪方法 |
Non-Patent Citations (5)
Title |
---|
J. WANG, W. YI, T. KIRUBARAJAN AND L. KONG: "An Efficient recursive multi-frame track-before-detect algorithm", 《IEEE》 * |
L. R. MOYER, J. SPAK AND P. LAMANNA: "A Multi-Dimensional Hough Transform-Based Track-Before-Detect Technique for Detecting Weak Targets in Strong Clutter Backgrounds", 《IEEE》 * |
李岳峰,王国宏,张翔宇,于洪波: "一种距离模糊下三维空间高超声速弱目标HT-TBD算法", 《宇航学报》 * |
李林,王国宏,于洪波: "一种临近空间高超声速目标检测前跟踪算法", 《宇航学报》 * |
陈家瑞,柏磊,严俊: "一种改进积累与判决的动态规划检测前跟踪算法", 《舰船电子对抗》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
CN112213706A (zh) * | 2020-10-13 | 2021-01-12 | 中国人民解放军海军工程大学 | 多维数字化波门帧间递进关联的逻辑tbd检测方法 |
CN113075636A (zh) * | 2021-04-02 | 2021-07-06 | 中国人民解放军海军航空大学 | 量测点的平行线坐标变换及微弱目标检测方法 |
CN113702965A (zh) * | 2021-08-31 | 2021-11-26 | 中国人民解放军海军航空大学 | 基于峰值聚优的改进积累方法及强弱目标同时检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109901154B (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901154A (zh) | 基于递推rtht-tbd的自适应调整方法 | |
CN105425224B (zh) | 车载毫米波雷达系统多目标个数获取方法及装置 | |
CN101738611B (zh) | 一种水声目标信号检测和识别方法 | |
CN105929378A (zh) | 基于外辐射源联合时延与多普勒频率的直接跟踪方法 | |
CN104614653A (zh) | 基于天线阵列的局放检测装置的多局放点定位和分辨方法 | |
CN102023294B (zh) | 雷达多目标的Hough变换逐目标消除的检测方法 | |
CN107340514A (zh) | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 | |
CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN103777187B (zh) | 基于遍历随机Hough变换的弱目标检测前跟踪方法 | |
CN112051568B (zh) | 一种两坐标雷达的俯仰测角方法 | |
CN114245334B (zh) | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 | |
CN111199280B (zh) | 短波信道模型误差存在下联合信号复包络和载波相位信息的多站目标源地理坐标估计方法 | |
CN101923063A (zh) | 一种粮堆中异物的识别方法 | |
CN102338874A (zh) | 用于被动式多传感器目标跟踪的全局概率数据关联方法 | |
CN109991519B (zh) | 基于神经网络和无线传感阵列的局部放电测向方法及系统 | |
CN103376447A (zh) | 一种实现非合作双多基地雷达目标三维定位的方法 | |
CN108181620A (zh) | 一种三坐标雷达点迹质量评估方法 | |
CN108490409A (zh) | 基于航迹风险评估的三坐标雷达自动起始方法 | |
CN110412609B (zh) | 一种多脉冲激光雷达目标检测方法 | |
CN106680783A (zh) | 基于站址误差融合算法对抗欺骗式假目标的方法 | |
CN115469267A (zh) | 一种基于粒子群优化支持向量机和自主完好性监测的uwb定位方法 | |
CN107592654B (zh) | 一种基于压缩感知的同频多辐射源场强定位方法 | |
CN109946573A (zh) | 基于聚类和无线传感阵列的局部放电测向方法及系统 | |
CN106383343B (zh) | 一种基于滑窗移相的多通道相参检测方法 | |
CN109752633B (zh) | 一种对变电站局部放电信号进行定位的方法及系统 |
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 |