CN110058222B - 一种基于传感器选择的双层粒子滤波检测前跟踪方法 - Google Patents

一种基于传感器选择的双层粒子滤波检测前跟踪方法 Download PDF

Info

Publication number
CN110058222B
CN110058222B CN201910248976.3A CN201910248976A CN110058222B CN 110058222 B CN110058222 B CN 110058222B CN 201910248976 A CN201910248976 A CN 201910248976A CN 110058222 B CN110058222 B CN 110058222B
Authority
CN
China
Prior art keywords
target
particle
sensor
weight
threshold
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
CN201910248976.3A
Other languages
English (en)
Other versions
CN110058222A (zh
Inventor
薛安克
花文号
陈霄
申屠晗
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 CN201910248976.3A priority Critical patent/CN110058222B/zh
Publication of CN110058222A publication Critical patent/CN110058222A/zh
Application granted granted Critical
Publication of CN110058222B publication Critical patent/CN110058222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—Extracting wanted echo-signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于传感器选择的双层粒子滤波检测前跟踪方法，属于雷达检测前跟踪技术领域，特别涉及多雷达多目标粒子滤波检测前跟踪技术领域，该发明在跟踪层和检测层中分别加入一种管理传感器粒子权重的思想，使得算法能够在每一帧甚至每一轮检测中选择不同传感器的量测数据用于估计目标状态。该方法能够在远距离下准确的检测到每一帧的目标数目，降低了虚警率，提高了目标正确检测概率。

Description

一种基于传感器选择的双层粒子滤波检测前跟踪方法
技术领域
本发明属于雷达检测前跟踪技术领域，涉及多雷达多目标粒子滤波检测前跟踪技术领域，具体涉及一种基于传感器选择的双层粒子滤波检测前跟踪方法。
背景技术
在低信噪比多目标的复杂环境下，提高目标的定位精度已经成为一个重要的研究方向。相较于传统的单雷达探测技术，多雷达协同探测不仅可以增大对目标的探测距离，对一个目标同时具有多个量测，可以明显提高目标的检测概率。
雷达探测系统对多个弱目标的检测跟踪问题一直都是一项技术难题。检测前跟踪技术是对目标运动信息数据进行长时间能量积累，提高信噪比，从而改善传感器在低信噪比条件下对微弱目标的检测与跟踪性能，是一种有效的检测与跟踪弱目标的方法。因而，更适合于在复杂环境下弱目标的检测与跟踪处理。
传统的粒子滤波多目标检测前跟踪算法多采用单个传感器，而且通常需要目标数目固定或者已知目标的最大数目。或者容易丢失目标。由于使用传感器选择方法对多个目标进行检测跟踪，可以对多个传感器获得的量测信息进行择优选取并进行融合，避免了直接融合多个传感器量测信息带来的虚假目标产生的问题，降低目标的虚警率，提高目标检测概率和跟踪精度。
发明内容
本发明考虑多个雷达对远距离多个目标的检测和跟踪所造成的虚假目标产生的问题。针对多雷达多目标，提出了一种基于传感器选择的双层粒子滤波检测前跟踪方法。
本发明方法的具体步骤是：
步骤1、初始化系统参数包括：雷达扫描周期T、观测总帧数K、初始化粒子数目N；
步骤2、读取多个雷达的第k帧量测
Figure BDA0002011844790000011
其中，r为雷达数，
Figure BDA0002011844790000012
表示第r个雷达的第k帧回波数据的量测单元(m,n,p)中的量测，R为雷达总数目，m、n、p分别表示距离单元、多普勒单元以及方位单元；
步骤3、使用的k-1时刻的跟踪子粒子群
Figure BDA0002011844790000021
对目标i进行跟踪，其中i为目标，
Figure BDA0002011844790000022
表示第k-1时刻目标i的第j个粒子；
步骤3.1、计算跟踪目标集向量axe的列数和行数，将列数赋值给变量T1，其中T1表示跟踪目标集中的目标个数；
步骤3.2、设置粒子权重阈值YU1；
步骤3.3、对已跟踪目标集中的每个目标根据不同雷达量测计算其对应的权重。若第r个传感器观测为zr,k，第t个目标的状态为
Figure BDA0002011844790000023
则目标t的权重为：
Figure BDA0002011844790000024
其中
Figure BDA0002011844790000025
表示目标t基于第r个传感器的第k帧量测所计算的权重；
步骤3.4、设置一个大小为R，初始值为零的行向量num1，其中R为雷达总数目；
步骤3.5、将步骤3.3中计算出来的每一个权重
Figure BDA00020118447900000210
与步骤3.2设定的阈值比较大小。小于阈值的视为雷达r没有探测到目标t，不对向量num1做任何处理。大于阈值的视为雷达r探测到目标t，则num1(r)＝num1(r)+1，循环，直至所有雷达对每个目标计算的权重都和设定的阈值比较完毕；
步骤3.6、比较向量num1的所有列的值，找到其中的最小值并赋值给c1，然后c1乘以某个0-1之间的系数之后，最终的c1作为之后计算的参考指标。
步骤3.7、设置一个大小为N，初始值为零的行向量count1；
步骤3.8、粒子群
Figure BDA0002011844790000026
进行状态转移；
步骤3.9、粒子j对应传感器r的权重
Figure BDA0002011844790000027
其中，
Figure BDA0002011844790000028
表示第j个粒子根据传感器r的量测计算出来的权重：
Figure BDA0002011844790000029
步骤3.10、将粒子j对应传感器r的权重
Figure BDA0002011844790000031
与步骤3.2中设定的阈值比较大小。对于小于阈值的则count1(j)＝count1(j)+1，否则不对count1(j)做处理。最后将count1(j)的值与雷达总数目和步骤3.6中求的c1之间的差值，R-c1，做比较，如果count1(j)>R-c1，就将粒子j对应传感器r的权重
Figure BDA0002011844790000032
全部置1；
步骤3.11、判断j＜N，若满足条件转步骤3.8；
步骤3.12、对根据不同雷达量测计算出来的粒子权重进行归一化：
Figure BDA0002011844790000033
步骤3.13、将多个传感器对同一目标粒子计算得到的权重相融合：
Figure BDA0002011844790000034
步骤3.14、采用系统重采样的方法获得k时刻的子粒子群
Figure BDA0002011844790000035
其中，i为第i个目标；
步骤3.15、计算目标i的检测概率，检测概率低于检测阈值的判定为虚假目标，将虚假目标航迹剔除；
步骤3.16、判断跟踪目标集的目标个数是否跟踪完毕，如果没有则转步骤3；
步骤4、产生探测粒子群
Figure BDA0002011844790000036
用于检测出新目标，其中，j表示第j个粒子；
步骤4.1、计算出上一帧跟踪以及上一轮新检测出来的目标集向量ExitAx的列数和行数，将列数赋值给变量T2，其中T2表示检测目标集中的目标个数；
步骤4.2、设置粒子权重阈值YU2；
步骤4.3、对上一帧以及上一轮新检测出来的目标集中的每个目标根据不同雷达量测计算权重。若第r个传感器观测为zr,k，第t个目标的状态为
Figure BDA0002011844790000037
则目标t的权重为：
Figure BDA0002011844790000041
其中
Figure BDA0002011844790000042
表示目标t基于第r个传感器的第k帧量测所计算的权重；
步骤4.4、设置一个大小为R，初始值为零的行向量num2，其中R为雷达总数目；
步骤4.5、将步骤4.3中计算出来的每一个权重
Figure BDA0002011844790000043
与步骤4.2设定的阈值比较大小。小于阈值的视为雷达r没有探测到目标t，不对向量num2做任何处理。大于阈值的视为雷达r探测到目标t，则num2(r)＝num2(r)+1，循环，直至所有雷达对每个目标计算的权重都和设定的阈值比较完毕；
步骤4.6、比较向量num2的所有列的值，找到其中的最小值并赋值给c2，然后c2乘以某个0-1之间的系数之后，最终的c2作为之后计算的参考指标。
步骤4.7、设置一个大小为N，初始值为零的行向量count2；
步骤4.8、探测粒子群进行状态转移；
步骤4.9、计算第j个粒子与目标集中的各个目标之间的距离，如果存在至少有一个小于设定门槛值，则将粒子j对应传感器r的权重
Figure BDA0002011844790000044
全部置1，否则转步骤4.10；
步骤4.10、粒子j对应传感器r的权重
Figure BDA0002011844790000045
其中，
Figure BDA0002011844790000046
表示第j个粒子根据传感器r的量测计算出来的权重：
Figure BDA0002011844790000047
步骤4.11、将粒子j对应传感器r的权重
Figure BDA0002011844790000048
与步骤4.2中设定的阈值比较大小。对于小于阈值的则count2(j)＝count2(j)+1，否则不对count(j)做处理。最后将count2(j)的值与雷达总数目和步骤4.6中求的c2之间的差值，R-c2，做比较，如果count2(j)>R-c2，就将粒子j对应传感器r的权重
Figure BDA0002011844790000049
全部置1；
步骤4.12、判断j＜N，若满足条件转步骤4.8；
步骤4.13、对根据不同雷达量测计算出来的粒子权重进行归一化：
Figure BDA0002011844790000051
步骤4.14、将多个传感器对同一目标粒子计算得到的权重相融合：
Figure BDA0002011844790000052
步骤4.15、采用系统重采样方法对粒子群进行重采样；
步骤4.16、计算目标的状态估计值，判断该目标是否为新生目标，如果不是新生目标，则输出检测目标集，如果是新生目标，则将该目标放入检测目标集，转步骤4，循环，直到检测不到新生目标，输出检测目标集。
步骤5、将新生目标集输入到跟踪目标集中，判断新生目标是否属于已跟踪目标，如果新生目标属于已跟踪目标，则剔除新生目标，反之，将其输出到最终的目标集；
步骤6、输出最终的目标集
Figure BDA0002011844790000053
其中，sk表示k时刻系统输出的目标集合。
本发明给出了一种基于传感器选择的双层粒子滤波检测前跟踪方法，该方法在跟踪层和检测层中分别加入一种管理传感器粒子权重的思想，该方法能够在每一帧甚至每一轮检测中选择不同传感器的量测用于估计目标状态。该方法能够准确的检测到每一帧的目标数目，降低了虚警率，提高了目标正确检测概率。
具体实施方式：
本发明主要采用计算机仿真的方法进行验证，所有步骤都在matlab-2016a上验证正确。具体实施步骤如下：
(1)初始化系统参数：雷达扫描周期T＝2，观测总帧数K＝30，初始化粒子数目N＝3000。
(2)读取多个传感器的第k帧量测。
Figure BDA0002011844790000054
其中，R为传感器总数目。
(3)按上述步骤3对跟踪目标集中的目标进行跟踪。
(a)获得跟踪粒子群
Figure BDA0002011844790000061
其中，N为粒子数目。
(b)计算跟踪目标集向量axe的列数和行数，将列数赋值给变量T1，设定权重阈值YU1。
(c)对已跟踪目标集中的每个目标根据不同雷达量测计算其对应的权重。若第r个传感器观测为zr,k，第t个目标的状态为
Figure BDA0002011844790000062
则目标t的权重为：
Figure BDA0002011844790000063
(d)设置一个大小为R，初始值为零的行向量num1，其中R为雷达总数目。
(e)判断
Figure BDA0002011844790000064
如果满足条件那么第r个雷达视为检测到第t个目标，则num1(r)＝num1(r)+1，循环，直至所有雷达对每个目标计算的权重都和设定的阈值比较完毕。
(f)比较向量num1的所有列的值，找到其中的最小值并赋值给c1，然后c1乘以比例系数之后获得的值作为之后计算的参考指标。
(g)设置一个大小为N，初始值为零的行向量count1。
(h)粒子群
Figure BDA0002011844790000065
进行状态转移。
(i)粒子j对应传感器r的权重
Figure BDA0002011844790000066
其中，
Figure BDA0002011844790000067
表示第j个粒子根据传感器r的量测计算出来的权重：
Figure BDA0002011844790000068
(j)判断
Figure BDA0002011844790000069
如果满足条件则count1(j)＝count1(j)+1，直至r>R；否则不对count1(j)做处理。
(k)判断count1(j)>R-c1，如果满足条件则将粒子j对应传感器r的权重
Figure BDA00020118447900000610
全部置1。
(l)判断j＜N，若满足条件转(h)，其中，N为粒子总数。
(m)对根据不同雷达量测计算出来的粒子权重进行归一化：
Figure BDA0002011844790000071
(n)将多个传感器对同一目标粒子计算得到的权重相融合：
Figure BDA0002011844790000072
(o)计算目标i的检测概率，将虚假目标航迹剔除。
(p)判断跟踪目标集的目标个数是否跟踪完毕，如果没有则转上述(3)。
(4)按上述步骤4使用粒子群对新目标进行探测。
(a)获得探测粒子群
Figure BDA0002011844790000073
其中，N为粒子数目。
(b)计算出上一帧跟踪以及上一轮新检测出来的目标集向量ExitAx的列数和行数，将列数赋值给变量T2，并且设定权重阈值YU2。
(c)对上一帧以及上一轮新检测出来的目标集中的每个目标根据不同雷达量测计算权重。若第r个传感器观测为zr,k，第t个目标的状态为
Figure BDA0002011844790000074
则目标t的权重为：
Figure BDA0002011844790000075
(d)设置一个大小为R，初始值为零的行向量num2，其中R为雷达总数目。
(e)判断
Figure BDA0002011844790000076
如果满足条件那么第r个雷达视为检测到第t个目标，则num2(r)＝num2(r)+1，循环，直至所有雷达对每个目标计算的权重都和设定的阈值比较完毕。
(f)比较向量num2的所有列的值，找到其中的最小值并赋值给c2，然后c2乘以比例系数之后获得的值作为之后计算的参考指标。
(g)设置一个大小为N，初始值为零的行向量count2。
(h)对探测粒子群
Figure BDA0002011844790000077
进行状态转移。
(i)计算第j个粒子与目标集中的各个目标之间的距离，如果存在至少有一个小于设定门槛值，则将粒子j对应传感器r的权重
Figure BDA0002011844790000081
全部置1，否则转向(j)。
(j)粒子j对应传感器r的权重
Figure BDA0002011844790000082
其中，
Figure BDA0002011844790000083
表示第j个粒子根据传感器r的量测计算出来的权重：
Figure BDA0002011844790000084
(k)判断
Figure BDA0002011844790000085
如果满足条件则count2(j)＝count2(j)+1，直至r>R；否则不对count2(j)做处理。
(l)判断count2(j)>R-c2，如果满足条件则将粒子j对应传感器r的权重
Figure BDA0002011844790000086
全部置1。
(m)判断j＜N，若满足条件转(h)，其中，N为粒子总数。
(n)对根据不同雷达量测计算出来的粒子权重归一化：
Figure BDA0002011844790000087
(o)将多个传感器对同一目标粒子计算得到的权重相融合：
Figure BDA0002011844790000088
(p)采用系统重采样方法对粒子群进行重采样。
(q)计算目标的状态估计值，判断该目标是否为新生目标，如果不是新生目标，则输出检测目标集，如果是新生目标，则将该目标放入检测目标集，转上述(4)，循环，直到检测不到新生目标，输出检测目标集。
(5)将新生目标集输入到跟踪目标集中，判断新生目标是否属于已跟踪目标，如果新生目标属于已跟踪目标，则剔除新生目标，反之，将其输出到最终的目标集；
(6)输出最终的目标集
Figure BDA0002011844790000089
其中，sk表示k时刻系统输出的目标集合。

Claims (1)

1.一种基于传感器选择的双层粒子滤波检测前跟踪方法，其特征在于：该方法包括以下步骤：
步骤1、初始化系统参数包括：传感器扫描周期T、观测总帧数K、初始化粒子数目N；
步骤2、读取多个传感器的第k帧量测
Figure FDA0002650253700000011
其中，r为传感器数，
Figure FDA0002650253700000012
表示第r个传感器的第k帧回波数据的量测单元(m,n,p)中的量测，R为传感器总数目，m、n、p分别表示距离单元、多普勒单元以及方位单元；
步骤3、使用的k-1时刻的跟踪子粒子群
Figure FDA0002650253700000013
对目标i进行跟踪，其中i为目标，
Figure FDA0002650253700000014
表示第k-1时刻目标i的第j个粒子；
步骤3.1、计算跟踪目标集向量axe的列数和行数，将列数赋值给变量T1，其中T1表示跟踪目标集中的目标个数；
步骤3.2、设置粒子权重阈值YU1；
步骤3.3、对已跟踪目标集中的每个目标根据不同传感器量测计算其对应的权重；若第r个传感器观测为zr,k，第t个目标的状态为
Figure FDA0002650253700000015
则目标t的权重为：
Figure FDA0002650253700000016
其中
Figure FDA0002650253700000017
表示目标t基于第r个传感器的第k帧量测所计算的权重；
步骤3.4、设置一个大小为R，初始值为零的行向量num1，其中R为传感器总数目；
步骤3.5、将步骤3.3中计算出来的每一个权重
Figure FDA0002650253700000018
与步骤3.2设定的阈值比较大小；小于阈值的视为传感器r没有探测到目标t，不对向量num1做任何处理；大于阈值的视为传感器r探测到目标t，则num1(r)＝num1(r)+1，循环，直至所有传感器对每个目标计算的权重都和设定的阈值比较完毕；
步骤3.6、比较向量num1的所有列的值，找到其中的最小值并赋值给c1，然后c1乘以某个0-1之间的系数之后，最终的c1作为之后计算的参考指标；
步骤3.7、设置一个大小为N，初始值为零的行向量count1；
步骤3.8、粒子群
Figure FDA0002650253700000021
进行状态转移；
步骤3.9、粒子j对应传感器r的权重
Figure FDA0002650253700000022
其中，
Figure FDA0002650253700000023
表示第j个粒子根据传感器r的量测计算出来的权重：
Figure FDA0002650253700000024
步骤3.10、将粒子j对应传感器r的权重
Figure FDA0002650253700000025
与步骤3.2中设定的阈值比较大小；对于小于阈值的则count1(j)＝count1(j)+1，否则不对count1(j)做处理；最后将count1(j)的值与传感器总数目和步骤3.6中求的c1之间的差值，R-c1，做比较，如果count1(j)>R-c1，就将粒子j对应传感器r的权重
Figure FDA0002650253700000026
全部置1；
步骤3.11、判断j<N，若满足条件转步骤3.8；
步骤3.12、对根据不同传感器量测计算出来的粒子权重进行归一化：
Figure FDA0002650253700000027
步骤3.13、将多个传感器对同一目标粒子计算得到的权重相融合：
Figure FDA0002650253700000028
步骤3.14、采用系统重采样的方法获得k时刻的子粒子群
Figure FDA0002650253700000029
其中，i为第i个目标；
步骤3.15、计算目标i的检测概率，检测概率低于检测阈值的判定为虚假目标，将虚假目标航迹剔除；
步骤3.16、判断跟踪目标集的目标个数是否跟踪完毕，如果没有则转步骤3；
步骤4、产生探测粒子群
Figure FDA0002650253700000031
用于检测出新目标，其中，j表示第j个粒子；
步骤4.1、计算出上一帧跟踪以及上一轮新检测出来的目标集向量ExitAx的列数和行数，将列数赋值给变量T2，其中T2表示检测目标集中的目标个数；
步骤4.2、设置粒子权重阈值YU2；
步骤4.3、对上一帧以及上一轮新检测出来的目标集中的每个目标根据不同传感器量测计算权重；若第r个传感器观测为zr,k，第t个目标的状态为
Figure FDA0002650253700000032
则目标t的权重为：
Figure FDA0002650253700000033
其中
Figure FDA0002650253700000034
表示目标t基于第r个传感器的第k帧量测所计算的权重；
步骤4.4、设置一个大小为R，初始值为零的行向量num2，其中R为传感器总数目；
步骤4.5、将步骤4.3中计算出来的每一个权重
Figure FDA0002650253700000035
与步骤4.2设定的阈值比较大小；小于阈值的视为传感器r没有探测到目标t，不对向量num2做任何处理；大于阈值的视为传感器r探测到目标t，则num2(r)＝num2(r)+1，循环，直至所有传感器对每个目标计算的权重都和设定的阈值比较完毕；
步骤4.6、比较向量num2的所有列的值，找到其中的最小值并赋值给c2，然后c2乘以某个0-1之间的系数之后，最终的c2作为之后计算的参考指标；
步骤4.7、设置一个大小为N，初始值为零的行向量count2；
步骤4.8、探测粒子群进行状态转移；
步骤4.9、计算第j个粒子与目标集中的各个目标之间的距离，如果存在至少有一个小于设定门槛值，则将粒子j对应传感器r的权重
Figure FDA0002650253700000036
全部置1，否则转步骤4.10；
步骤4.10、粒子j对应传感器r的权重
Figure FDA0002650253700000037
其中，
Figure FDA0002650253700000038
表示第j个粒子根据传感器r的量测计算出来的权重：
Figure FDA0002650253700000041
步骤4.11、将粒子j对应传感器r的权重
Figure FDA0002650253700000042
与步骤4.2中设定的阈值比较大小；对于小于阈值的则count2(j)＝count2(j)+1，否则不对count2(j)做处理；最后将count2(j)的值与传感器总数目和步骤4.6中求的c2之间的差值，R-c2，做比较，如果count2(j)>R-c2，就将粒子j对应传感器r的权重
Figure FDA0002650253700000043
全部置1；
步骤4.12、判断j<N，若满足条件转步骤4.8；
步骤4.13、对根据不同传感器量测计算出来的粒子权重进行归一化：
Figure FDA0002650253700000044
步骤4.14、将多个传感器对同一目标粒子计算得到的权重相融合：
Figure FDA0002650253700000045
步骤4.15、采用系统重采样方法对粒子群进行重采样；
步骤4.16、计算目标的状态估计值，判断该目标是否为新生目标，如果不是新生目标，则输出检测目标集，如果是新生目标，则将该目标放入检测目标集，转步骤4，循环，直到检测不到新生目标，输出检测目标集；
步骤5、将新生目标集输入到跟踪目标集中，判断新生目标是否属于已跟踪目标，如果新生目标属于已跟踪目标，则剔除新生目标，反之，将其输出到最终的目标集；
步骤6、输出最终的目标集
Figure FDA0002650253700000046
其中，sk表示k时刻系统输出的目标集合。
CN201910248976.3A 2019-03-29 2019-03-29 一种基于传感器选择的双层粒子滤波检测前跟踪方法 Active CN110058222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910248976.3A CN110058222B (zh) 2019-03-29 2019-03-29 一种基于传感器选择的双层粒子滤波检测前跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910248976.3A CN110058222B (zh) 2019-03-29 2019-03-29 一种基于传感器选择的双层粒子滤波检测前跟踪方法

Publications (2)

Publication Number Publication Date
CN110058222A CN110058222A (zh) 2019-07-26
CN110058222B true CN110058222B (zh) 2020-11-24

Family

ID=67318017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910248976.3A Active CN110058222B (zh) 2019-03-29 2019-03-29 一种基于传感器选择的双层粒子滤波检测前跟踪方法

Country Status (1)

Country Link
CN (1) CN110058222B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853399A (zh) * 2019-10-12 2020-02-28 惠州市德赛西威智能交通技术研究院有限公司 一种基于超声波传感器车位检测系统的车位识别补偿方法
CN111812636B (zh) * 2020-06-01 2023-06-13 杭州电子科技大学 一种基于权重融合选择的粒子滤波检测前跟踪方法
CN112347208B (zh) * 2020-10-20 2023-05-26 燕山大学 一种基于分布式传感网络的多目标检测与跟踪方法
CN112711020A (zh) * 2020-12-08 2021-04-27 中国人民解放军海军航空大学 基于循环阈值距离分割的群目标跟踪方法
CN113687340B (zh) * 2021-08-24 2024-02-23 重庆交通大学 一种基于毫米波雷达的远距离运动目标检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043150A (zh) * 2010-12-06 2011-05-04 电子科技大学 用于微弱目标检测的改进型粒子滤波检测前跟踪方法
CN104181524A (zh) * 2014-08-27 2014-12-03 电子科技大学 一种自适应粒子数的多目标粒子滤波检测前跟踪方法
JP5985372B2 (ja) * 2012-11-28 2016-09-06 株式会社東芝 目標検出装置及び目標検出方法
CN107656265A (zh) * 2017-09-19 2018-02-02 电子科技大学 针对多帧检测前跟踪短航迹的粒子滤波融合方法
CN107783104A (zh) * 2017-10-17 2018-03-09 杭州电子科技大学 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043150A (zh) * 2010-12-06 2011-05-04 电子科技大学 用于微弱目标检测的改进型粒子滤波检测前跟踪方法
JP5985372B2 (ja) * 2012-11-28 2016-09-06 株式会社東芝 目標検出装置及び目標検出方法
CN104181524A (zh) * 2014-08-27 2014-12-03 电子科技大学 一种自适应粒子数的多目标粒子滤波检测前跟踪方法
CN107656265A (zh) * 2017-09-19 2018-02-02 电子科技大学 针对多帧检测前跟踪短航迹的粒子滤波融合方法
CN107783104A (zh) * 2017-10-17 2018-03-09 杭州电子科技大学 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Particle Filter Track-before-detect Algorithm or Multi-Radar System;Dayu Huang,et al;《ELEKTRONIKA IR ELEKTROTECHNIKA》;20131231;全文 *
Multisensor fusion for 3D target tracking using track-before-detect particle;Nima Moshtagh,et al;《Signal Processing, Sensor/Information Fusion, and Target Recognition》;20151231;全文 *
Two-Layer Particle Filter for Multiple Target Detection and Tracking;ANGEL F. GARCA-FERNANDEZ,et al;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;20130731;全文 *
低可观测多目标检测跟踪算法的研究;黄志成;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615;全文 *
基于粒子滤波的多异步传感器检测前跟踪算法;杜郑成等;《火力与指挥控制》;20190131;全文 *
多目标粒子滤波检测前跟踪算法研究;苟清松;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;全文 *

Also Published As

Publication number Publication date
CN110058222A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN103885057B (zh) 自适应变滑窗多目标跟踪方法
CN106772352B (zh) 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法
CN109858526B (zh) 一种目标跟踪中基于传感器的多目标轨迹融合方法
CN109143224A (zh) 一种多目标关联方法和装置
CN109521420B (zh) 基于多特征匹配的多目标跟踪方法
CN105137420A (zh) 一种多帧积累的非相干mimo雷达检测和定位方法
CN104237853B (zh) 一种针对多帧检测前跟踪点迹序列的粒子滤波方法
CN106872958A (zh) 基于线性融合的雷达目标自适应检测方法
CN110738275B (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN107656265A (zh) 针对多帧检测前跟踪短航迹的粒子滤波融合方法
CN107703496A (zh) 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法
CN107340517B (zh) 一种多传感器多帧检测前跟踪方法
CN111830501B (zh) Hrrp历史特征辅助的信号模糊数据关联方法及系统
CN110187335A (zh) 针对具有非连续特性目标的粒子滤波检测前跟踪方法
CN113534133B (zh) 基于期望最大迭代算法的雷达多目标联合检测及跟踪方法
CN106772299B (zh) 一种基于距离匹配的pd雷达微弱目标动态规划检测方法
CN107202989A (zh) 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法
CN110007299A (zh) 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法
CN111812636B (zh) 一种基于权重融合选择的粒子滤波检测前跟踪方法
CN111366900B (zh) 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质
CN111505649A (zh) 一种拖曳式被动阵列声呐低信噪比舰船运动目标检测方法
CN105652256B (zh) 一种基于极化信息的高频地波雷达tbd方法
CN108761384A (zh) 一种抗差的传感器网络目标定位方法
CN102621535A (zh) 一种高效的协方差矩阵结构估计方法

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