CN109917372A - 基于目标预测的扩展目标量测集划分和跟踪方法 - Google Patents
基于目标预测的扩展目标量测集划分和跟踪方法 Download PDFInfo
- Publication number
- CN109917372A CN109917372A CN201811626739.8A CN201811626739A CN109917372A CN 109917372 A CN109917372 A CN 109917372A CN 201811626739 A CN201811626739 A CN 201811626739A CN 109917372 A CN109917372 A CN 109917372A
- Authority
- CN
- China
- Prior art keywords
- target
- state
- tracking
- measurement
- divided
- 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.)
- Pending
Links
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000000977 initiatory effect Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract 2
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 description 13
- 238000000342 Monte Carlo simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及信息处理技术领域,尤其是一种基于目标预测的扩展目标量测集划分和跟踪方法,其步骤为:(1)初始化参数:初始目标状态x0={m0,P0},其中,m0为运动状态,P0为运动误差的协方差矩阵,状态噪声协方差为Q,目标初始权重为w0;(2)当k≥1帧时,对量测集Zk进行划分;(3)根据量测信息,利用ET‑GM‑PHD跟踪算法框架对目标运动状态进行多假设滤波;(4)对低权重目标分量进行删减,相似的目标分量进行合并,高权重目标分量进行状态提取;(5)若下一帧观测信息到达,转到步骤(2)进行迭代;否则,跟踪过程结束,本发明提高了紧邻目标的划分精度。
Description
技术领域
本发明涉及信息处理技术领域,具体领域为一种基于目标预测的扩展目 标量测集划分和跟踪方法。
背景技术
传统雷达系统中单个目标视为单个点,而随着雷达精度提高,在激光雷 达等高精度雷达的量测系统中,单个目标可能占据多个分辨单元,造成单个 目标由多个点表示,本发明称这样的目标为扩展目标。区别于传统单点目标, 扩展目标难以确定哪些点属于同一目标,因此需要对量测集进行划分,从而 实现对多目标的跟踪。
目前,扩展目标高斯混合概率假设密度(ET-GM-PHD)跟踪算法在扩展目标 跟踪系统中被广泛使用,算法针对多扩展目标的量测集划分方法主要包括: 距离划分(DistancePartitioning,DP)和DP-Kmeans++划分算法。距离划 分算法利用量测间的距离把相邻的量测划分成一个集合,优点是算法简洁易 于实现,缺点是在两目标紧邻时失效。DP-Kmeans++算法首先利用距离划分算 法进行初步划分,然后利用Kmeans++算法将可能包含多个目标的量测集合进 行二次划分,相比于距离划分算法,提高了紧邻目标的划分效果,但因为Kmeans++算法的初始值难以被准确设置,其划分精度依然有待进一步提高。
发明内容
本发明的目的在于提供一种基于目标预测的扩展目标量测集划分和跟踪 方法,以解决现有技术中操作复杂、划分精度低的问题。
为实现上述目的,本发明提供如下技术方案:一种基于目标预测的扩展 目标量测集划分和跟踪方法,其步骤为:
(1)初始化参数:初始目标状态x0={m0,P0},其中,m0为运动状态,P0为 运动误差的协方差矩阵,状态噪声协方差为Q,目标初始权重为w0;
(2)当k≥1帧时,对量测集Zk进行划分;
(3)根据量测信息,利用ET-GM-PHD跟踪算法框架对目标运动状态进行 多假设滤波;
(4)对低权重目标分量进行删减,相似的目标分量进行合并,高权重目 标分量进行状态提取;
(5)若下一帧观测信息到达,转到步骤(2)进行迭代;否则,跟踪过 程结束。
优选的,根据步骤(2),划分步骤为:
(2.1)利用距离划分算法,将Zk划分为若干量测子集W;
(2.2)用目标的预测位置信息对目标量测集进行划分;
(2.3)为确保预测信息不准确情况下的划分精度,对Jk|k-1个量测子集的势 进行探测,若异常则用Kmeans++算法进一步划分。
优选的,根据步骤(3),目标的概率假设密度为:
其中,表示目标运动状态,运动误差的协方差矩阵,N(·)为高斯 分布。
优选的,步骤(2)所述的用目标的预测位置信息对目标量测集进行划分, 按下述步骤计算得到:
(2.2.1)令|·|表示集合的势,则对于划分p的某量测子集W,若|W|=1则 认为是杂波,若|W|>1则认为是量测。令划分p中所有杂波组成集合Zclu,所有 量测组成集合Zmea;
(2.2.2)通过提取目标预测状态的信息,可得到目标的预测位置 则Zmea被分割为Jk|k-1个子集,第j个子集表示为:
其中,表示量测到目标预测位置之间的距离,Ui表示 第i个量测到所有的目标预测位置间距离的集合,Zclu中的每个量测单独构成 一个量测子集W,每个类构成一个量测子集W。
优选的,步骤(2)探测量测子集的势是否异常的方法为:
(2.3.1)对于某划分中某量测子集W,其包含的目标数目表示为:
p(|W||Nj=m)=Pois(|W|,γm)
其中,Pois(·)是泊松分布,是产生W的目标的数量,若则认为量测 子集的势异常。
与现有技术相比,本发明的有益效果是:(1)本发明在现有量测集划分 算法的基础上进行改进,利用目标预测信息来划分紧邻目标的量测集,在目 标紧邻时提高了划分精度;
(2)本发明将提出的划分算法应用到ET-GM-PHD跟踪算法框架中,使其 针对紧邻目标的跟踪性能提升。
附图说明
图1是本发明的整体流程图;
图2是多目标交叉场景的目标轨迹图;
图3是传统方法与本发明方法100次蒙特卡洛实验的平均OSPA误差对比 图;
图4是传统方法与本发明方法100次蒙特卡洛实验的平均目标数估计对 比图;
图5是平行运动场景的目标轨迹图;
图6是传统方法与本发明方法100次蒙特卡洛实验的平均OSPA距离对比 图;
图7是传统方法与本发明方法100次蒙特卡洛实验的平均目标数估计对 比图;
图8是传统方法与本发明方法100次蒙特卡洛实验的平均时间代价对比 图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而 不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1至8,本发明提供一种技术方案:一种基于目标预测的扩展目 标量测集划分和跟踪方法,其步骤为:
(1)初始化参数:初始目标状态x0={m0,P0},其中,m0为运动状态,P0为 运动误差的协方差矩阵,状态噪声协方差为Q,目标初始权重为w0;
(2)当k≥1帧时,对量测集Zk进行划分;
(3)根据量测信息,利用ET-GM-PHD跟踪算法框架对目标运动状态进行 多假设滤波;
(4)对低权重目标分量进行删减,相似的目标分量进行合并,高权重目 标分量进行状态提取;
(5)若下一帧观测信息到达,转到步骤(2)进行迭代;否则,跟踪过 程结束。
根据步骤(2),划分步骤为:
(2.1)利用距离划分算法,将Zk划分为若干量测子集W;
(2.2)用目标的预测位置信息对目标量测集进行划分;
(2.3)为确保预测信息不准确情况下的划分精度,对Jk|k-1个量测子集的势 进行探测,若异常则用Kmeans++算法进一步划分。
根据步骤(3),目标的概率假设密度为:
其中,表示目标运动状态,运动误差的协方差矩阵,N(·)为高斯 分布。
步骤(2)所述的用目标的预测位置信息对目标量测集进行划分,按下述 步骤计算得到:
(2.2.1)令|·|表示集合的势,则对于划分p的某量测子集W,若|W|=1则 认为是杂波,若|W|>1则认为是量测。令划分p中所有杂波组成集合Zclu,所有 量测组成集合Zmea;
(2.2.2)通过提取目标预测状态的信息,可得到目标的预测位置 则Zmea被分割为Jk|k-1个子集,第j个子集表示为:
其中,表示量测到目标预测位置之间的距离,Ui表示 第i个量测到所有的目标预测位置间距离的集合,Zclu中的每个量测单独构成 一个量测子集W,每个类构成一个量测子集W。
步骤(2)探测量测子集的势是否异常的方法为:
(2.3.1)对于某划分中某量测子集W,其包含的目标数目表示为:
p(|W||Nj=m)=Pois(|W|,γm)
其中,Pois(·)是泊松分布,是产生W的目标的数量,若则认为量测 子集的势异常。
通过本技术方案,在ET-GM-PHD跟踪算法框架下,首先利用距离划分算 法对量测集进行初步聚类,然后利用跟踪算法中的目标预测信息,对目标量 测集进行二次划分,最后检测划分结果中的量测数是否存在异常,若存在则 使用Kmeans++算法对量测集第三次划分,利用多种信息确保紧邻目标量测集 的划分精度,从而提高跟踪系统的精度。
一、基础理论介绍
1.基于ET-GM-PHD的多扩展目标跟踪技术
假设单个目标的状态方程和量测方程分别表示为:
其中,xk表示k帧的目标状态,F表示状态传递矩阵,表示过程噪声, 表示量测噪声。目标每帧的量测数量服从以γ(j)为均值的 泊松分布。
令Dk|k-1表示目标的先验概率密度,则目标后验概率密度表示为
其中,伪似然函数可被表示为
其中,γ(x)是量测数的期望,pD是检测概率,wp是划分权重,是量测 空间似然,λk是杂波数均值,ck是杂波空间似然,p∠Zk表示遍历量测集Zk的 所有划分p,其中
其中,|·|表示集合的势,δ|W|,1为表示为
2.DP-Kmeans++量测集划分算法
量测集划分是ET-GM-PHD跟踪算法中的重要步骤,将量测集Zk分割成有 限数量个非空子集W,即称为一种划分,计做p。DP-Kmeans++算法可由以下 三个步骤描述:
(1)DP步骤:令距离阈值集合为则对于每个距离阈值,通过计 算量测间的距离,把所有彼此间距离小于该阈值的量测聚为一个量测子集, 得到一种划分。阈值集合可以得到n个划分。
(2)目标数分析步骤:对于某划分中某量测子集W,其包含的目标数目 表示为
p(|W||Nj=m)=Pois(|W|,γm)
其中,Pois(·)是泊松分布,是产生W的目标的数量。
Kmeans++步骤:若则执行Kmeans++算法将W分割成个子集合。
参照图1,本发明的具体实施步骤包括如下:
步骤1.令初始时刻k=0,初始化参数m0、P0。
步骤2.当k≥1,对目标状态进行预测
步骤3.量测集划分
(3.1)令表示一个给定的距离阈值,符号d(z1,z2)表示两个量测{z1,z2}∈Zk间的距离,则有量测z1和z2属于同一扩展目标,若。假设d(·,·)表示 欧氏距离,则其被表示为:
计算所有量测间的距离,并用阈值进行集合归属的判断,则可产生一个 对量测集Zk的一个划分结果p。
(3.2)令|·|表示集合的势,则对于划分p的某量测子集W,若|W|=1,则 认为是杂波,若|W|>1,则认为是量测。令划分p中所有杂波组成集合Zclu,所 有量测组成集合Zmea。通过提取目标预测状态的信息,可得到目标的预测 位置则Zmea被分割为Jk|k-1个子集,第j个子集表示为
其中,表示量测到目标预测位置之间的距离。Ui表示 第i个量测到所有的目标预测位置间距离的集合。Zclu中的每个量测单独构成 一个量测子集W,每个类构成一个量测子集W。
(3.3)对于每个划分p的每个量测子集W的势进行分析,若W由个目 标产生,则执行Kmeans++算法:在W中随机选取个点作为初始化聚类中心, 按照距离最近对W进行一步聚类,然后每类选取与聚类中心距离最远的点作 为新的聚类中心,重复上述过程,得到Kmeans++算法的初始化聚类中心集合
(3.4)对于每个把每个量测分配给对应的使和间的距离最短,量测子集W可被分为个子集聚类中心可被更新为:
(3.5)重复步骤2和步骤3,直到所有不再变化,则所有的为Kmeans++ 算法对W的最终分割结果。
步骤4.目标状态更新
(4.1)目标更新的PHD可表示为:
其中,表示目标漏检的PHD,其可被表示为:
其中,γ(j)为第j个目标产生量测数的期望。为第j个目标的检测概率。 目标被检测到的PHD可表示为:
更新的目标参数为:
(4.2)量测新息参数:
其中,函数blkdiag(·)表示产生以|W|个Rk为对角元素的对角矩阵。
(4.3)目标分量的权重更新:
其中,λk表示场景在k时刻杂波数量的期望。ck表示杂波的分布函数。
步骤5.目标分量的删减、合并、状态提取
(5.1)若目标分量的权重小于10-5则删除。
(5.2)若不同目标分量满足则加权平均 两个分量的值,其中U为预设阈值。
(5.3)若目标分量的权重满足则提取该分量的状态作为目标。
步骤6.重复步骤2-5,连续跟踪并估计目标状态。
本发明的效果可通过以下实验仿真进一步说明:
1.仿真条件及参数
假设多扩展目标在二维平面,目标运动状态为其中x和 y分别表示笛卡尔坐标,vx和vy分别表示目标在X轴、Y轴方向速度矢量。
场景参数设定如下:
Rk=diag([4,4])
Qk=diag([2,2,0,0])
S=2000×2000m2
λkck=6.25×10-7
其中,Rk表示量测噪声协方差矩阵。表示Qk过程噪声协方差矩阵。S表 示传感器探测面积。λkck表示每帧探测中单位面积的杂波率。场景中传感器的 帧间隔为1秒。目标存活概率为PS=0.99。传感器检测概率为PD=0.99。
新生目标的参数如下:
m0=[x0,y0,0,0]T
P0=diag([100,100,25,25])
2.仿真内容及结果分析
仿真实验,将本发明方法与使用距离划分和DP-Kmeans++划分方法的 ET-GM-PHD跟踪算法进行对比实验分析,主要从以下两个方面开展实验:
实验1:多目标交叉紧邻轨迹
本实验中四个目标在100内的不同时刻产生和消亡,轨迹如图2所示。
图3是传统方法与本法明方法100次蒙特卡洛实验的平均OSPA误差对比 图。可以看出,使用本发明划分方法的ET-GM-PHD跟踪算法在目标紧邻时取 得了更精准的跟踪效果。
图4是传统方法与本发明方法100次蒙特卡洛实验的平均目标数估计对 比图。可以看出,本发明方法目标数估计精度高于DP算法,且与DP-Kmeans++ 算法精度相似。
实验2:两目标紧邻平行轨迹
本实验中两个目标在100秒内紧邻平行运动,轨迹如图5所示。
图6是传统方法与本法明方法100次蒙特卡洛实验的平均OSPA误差对比 图。可以看出,在两目标长时间紧邻运动时,本发明方法精度高于传统方法。
图7是传统方法与本发明方法100次蒙特卡洛实验的平均目标数估计对 比图。可以看出,在两目标长时间紧邻运动时,本发明方法目标数估计精度 高于DP算法,且与DP-Kmeans++算法精度相似。
图8是传统方法与本发明方法100次蒙特卡洛实验的平均时间代价对比 图。可以看出,本发明方法的时间代价高于传统方法。
从实验结果中明显可以看出,针对不同形状多扩展目标的跟踪,本发明 方法在目标数估计上与DP-Kmeans++算法相似,在OSPA误差上明显小于传统 方法,说明本发明方法对扩展目标位置估计的精度更高,但本发明方法的时 间代价高于传统算法,因此本发明方法更适用于对跟踪精度要求较高的传感 器系统。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而 言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限 定。
Claims (5)
1.一种基于目标预测的扩展目标量测集划分和跟踪方法,其特征在于:其步骤为:
(1)初始化参数:初始目标状态x0={m0,P0},其中,m0为运动状态,P0为运动误差的协方差矩阵,状态噪声协方差为Q,目标初始权重为w0;
(2)当k≥1帧时,对量测集Zk进行划分;
(3)根据量测信息,利用ET-GM-PHD跟踪算法框架对目标运动状态进行多假设滤波;
(4)对低权重目标分量进行删减,相似的目标分量进行合并,高权重目标分量进行状态提取;
(5)若下一帧观测信息到达,转到步骤(2)进行迭代;否则,跟踪过程结束。
2.根据权利要求1所述的基于目标预测的扩展目标量测集划分和跟踪方法,其特征在于:根据步骤(2),划分步骤为:
(2.1)利用距离划分算法,将Zk划分为若干量测子集W;
(2.2)用目标的预测位置信息对目标量测集进行划分;
(2.3)为确保预测信息不准确情况下的划分精度,对Jk|k-1个量测子集的势进行探测,若异常则用Kmeans++算法进一步划分。
3.根据权利要求1所述的基于目标预测的扩展目标量测集划分和跟踪方法,其特征在于:根据步骤(3),目标的概率假设密度为:
其中,表示目标运动状态,运动误差的协方差矩阵,N(·)为高斯分布。
4.根据权利要求2所述的基于目标预测的扩展目标量测集划分和跟踪方法,其特征在于:步骤(2)所述的用目标的预测位置信息对目标量测集进行划分,按下述步骤计算得到:
(2.2.1)令|·|表示集合的势,则对于划分p的某量测子集W,若|W|=1则认为是杂波,若|W|>1则认为是量测。令划分p中所有杂波组成集合Zclu,所有量测组成集合Zmea;
(2.2.2)通过提取目标预测状态的信息,可得到目标的预测位置则Zmea被分割为Jk|k-1个子集,第j个子集表示为:
其中,表示量测到目标预测位置之间的距离,Ui表示第i个量测到所有的目标预测位置间距离的集合,Zclu中的每个量测单独构成一个量测子集W,每个类构成一个量测子集W。
5.根据权利要求2所述的基于目标预测的扩展目标量测集划分和跟踪方法,其特征在于:步骤(2)探测量测子集的势是否异常的方法为:
(2.3.1)对于某划分中某量测子集W,其包含的目标数目表示为:
p(|W||Nj=m)=Pois(|W|,γm)
其中,Pois(·)是泊松分布,是产生W的目标的数量,若则认为量测子集的势异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626739.8A CN109917372A (zh) | 2018-12-28 | 2018-12-28 | 基于目标预测的扩展目标量测集划分和跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626739.8A CN109917372A (zh) | 2018-12-28 | 2018-12-28 | 基于目标预测的扩展目标量测集划分和跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109917372A true CN109917372A (zh) | 2019-06-21 |
Family
ID=66959998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811626739.8A Pending CN109917372A (zh) | 2018-12-28 | 2018-12-28 | 基于目标预测的扩展目标量测集划分和跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109917372A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376581A (zh) * | 2019-06-24 | 2019-10-25 | 河海大学 | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 |
CN111077494A (zh) * | 2019-11-27 | 2020-04-28 | 江苏理工学院 | 一种跟踪方法及装置 |
CN111274529A (zh) * | 2020-02-19 | 2020-06-12 | 江苏理工学院 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001099921A (ja) * | 1999-09-30 | 2001-04-13 | Mitsubishi Electric Corp | 並列多目標追尾装置 |
CN103678949A (zh) * | 2014-01-09 | 2014-03-26 | 江南大学 | 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 |
CN107391446A (zh) * | 2017-07-24 | 2017-11-24 | 江南大学 | 基于随机矩阵的不规则形状多扩展目标形状和状态估计方法 |
CN107831490A (zh) * | 2017-12-01 | 2018-03-23 | 南京理工大学 | 一种改进的多扩展目标跟踪方法 |
-
2018
- 2018-12-28 CN CN201811626739.8A patent/CN109917372A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001099921A (ja) * | 1999-09-30 | 2001-04-13 | Mitsubishi Electric Corp | 並列多目標追尾装置 |
CN103678949A (zh) * | 2014-01-09 | 2014-03-26 | 江南大学 | 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 |
CN107391446A (zh) * | 2017-07-24 | 2017-11-24 | 江南大学 | 基于随机矩阵的不规则形状多扩展目标形状和状态估计方法 |
CN107831490A (zh) * | 2017-12-01 | 2018-03-23 | 南京理工大学 | 一种改进的多扩展目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
章涛等: "基于观测数据聚类划分的扩展目标跟踪算法", 《OURNAL OF DATA ACQUISITION AND PROCESSIN》 * |
韩玉兰等: "采用随机矩阵的多扩展目标滤波器", 《西安随机矩阵的多扩展目标滤波器》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376581A (zh) * | 2019-06-24 | 2019-10-25 | 河海大学 | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 |
CN110376581B (zh) * | 2019-06-24 | 2022-03-25 | 河海大学 | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 |
CN111077494A (zh) * | 2019-11-27 | 2020-04-28 | 江苏理工学院 | 一种跟踪方法及装置 |
CN111274529A (zh) * | 2020-02-19 | 2020-06-12 | 江苏理工学院 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
CN111274529B (zh) * | 2020-02-19 | 2023-11-24 | 江苏理工学院 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443622B (zh) | 一种基于改进联合概率数据关联的分布式目标跟踪方法 | |
CN109901153B (zh) | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 | |
CN106407677B (zh) | 一种测量数据丢失情况下的多目标跟踪方法 | |
CN110084831A (zh) | 基于YOLOv3多伯努利视频多目标检测跟踪方法 | |
CN105182291B (zh) | 自适应目标新生强度的phd平滑器的多目标跟踪方法 | |
CN106408594A (zh) | 基于多伯努利特征协方差的视频多目标跟踪方法 | |
CN109858526B (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN105137418B (zh) | 基于全邻模糊聚类的多目标跟踪与数据互联方法 | |
CN109917372A (zh) | 基于目标预测的扩展目标量测集划分和跟踪方法 | |
CN108427112A (zh) | 一种改进的多扩展目标跟踪方法 | |
CN102608568B (zh) | 一种具有固定滑窗-ospa距离航迹关联方法 | |
CN107102295A (zh) | 基于glmb滤波的多传感器tdoa无源定位方法 | |
CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
CN110503071A (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 | |
CN110501671A (zh) | 一种基于测量分配的目标跟踪方法及装置 | |
CN109946694A (zh) | 基于随机有限集的圆周sar多目标跟踪方法 | |
CN105913074B (zh) | 基于幅度与径向速度联合的sar图像动目标聚类方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN103678949A (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 | |
CN102722702A (zh) | 多特征融合的粒子滤波视频目标跟踪方法 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN105844217A (zh) | 一种基于量测驱动新生目标强度估计的phd多目标跟踪方法 | |
CN108344981A (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
CN106019253A (zh) | 基于箱粒子cphd的多扩展目标跟踪方法 | |
CN105717491A (zh) | 天气雷达回波图像的预测方法及预测装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |