CN110187335A - 针对具有非连续特性目标的粒子滤波检测前跟踪方法 - Google Patents
针对具有非连续特性目标的粒子滤波检测前跟踪方法 Download PDFInfo
- Publication number
- CN110187335A CN110187335A CN201910553215.9A CN201910553215A CN110187335A CN 110187335 A CN110187335 A CN 110187335A CN 201910553215 A CN201910553215 A CN 201910553215A CN 110187335 A CN110187335 A CN 110187335A
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- representing
- tracking
- function
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 76
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000008054 signal transmission Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
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
本发明公开了一种针对具有非连续特性目标的粒子滤波检测前跟踪方法,包括以下步骤:S1、初始化系统参数;S2、读取原始量测数据;S3、计算原始量测数据的似然比,利用似然比准则估计目标的非连续特性;S4、利用粒子滤波实现对目标运动状态的估计;S5、令迭代系数k=k+1,判断tk>L是否成立,若是则算法结束;否则返回步骤S2;其中,L表示跟踪总时间。本发明解决了针对具有非连续特性目标的检测前跟踪问题,将目标的非连续特性带入贝叶斯跟踪流程内,可以实现对非连续运动状态及其信号非连续特性的联合估计。本发明的方法避免了门限检测,尽可能的保留了原始量测的全部信息,提高了对微弱目标的检测能力。
Description
技术领域
本发明属于被动传感系统目标检测跟踪技术领域,特别涉及一种针对具有非连续特性目标的粒子滤波检测前跟踪方法。
背景技术
被动传感机制不管在军用还是民用领域都占据着重要的应用意义:1)被动探测系统本身不发射大功率信号,减少了平台的暴露时机,隐蔽性高,生存能力强。2)目标识别能力较强,通过截获发射源数据,对目标进行的特征识别,判定目标的属性、数量及工作状态等。3)体积小、重量轻,节省了收发级相关电子设备,系统成本低。可见,被动传感机制具有多种优点,在未来的实际应用中具有广阔的发展空间。
在现有的被动探测系统中,主要采用检测后跟踪技术,即先对传感器接收到的量测数据进行门限检测,然后利用过门限的点迹量测进行滤波跟踪。在门限检测过程中,由于环境及技术等原因,目标信息的漏检是必不可免的,称之为检测的不确定性。由于探测环境的日益复杂,这种不确定性在低信噪比、信杂比的情况下更为严重,导致算法检测跟踪性能严重衰减、航迹重复起始等一系列问题。一方面,由于系统的信道传输存在不确定的阻塞,数据丢包等情况,称之为系统的不确定性,将进一步导致系统传感器在随机的某些观测时间内,丢失了目标的量测信息,也称量测断续。另一方面,当目标本身非连续的向外辐射或发射信号时,传感器也将接收到断续的目标量测,称之为目标信号发射的不确定性。在实际的无源雷达、被动声呐等探测系统中,目标发射信号的这种非连续特性对目标的运动性质进行分析,为下一步系统的操作提供可靠的决策指令至关重要。文献“Bayesian Filteringwith Unknown Sensor Measurement Losses,IEEE Transactions on Control ofNetwork Systems,2018.”将由于网络传输不稳定性所引起的量测断续建模成Bernoulli和Markov随机过程,解决了量测断续未知的目标贝叶斯滤波问题。但该研究工作是基于将目标量测的断续性建模成已知的随机过程这一假设下,并没有考虑低信噪比下的检测不确定性及目标非连续特性引起的目标信号发射的不确定性。而且,由于目标非连续特性是未知的且并不具备任何随机统计特性,该算法中的量测断续模型并不能直接用于该类非连续目标的跟踪。
在已公开授权的专利《一种水下无线传感器网络的弱目标跟踪方法》(公开号:CN103152819B)中,传感器将采集到的观测数据直接作为粒子滤波跟踪算法的输入,有效避免了检测的不确定性并提高了对微弱目标的检测性能。在已公开授权的专利《基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法》(公开号:CN106501800B)中,设计了一种适用于动态系统的噪声统计特性未知的检测跟踪方法。然而,这些方法并没有考虑目标信号发射的不确定性,更没有考虑对信号的非连续特性进行估计。
发明内容
本发明的目的在于克服现有技术的不足,提供一种将目标的非连续特性带入贝叶斯跟踪流程内,可以实现对非连续运动状态及其信号非连续特性的联合估计,提高了对微弱目标的检测能力的针对具有非连续特性目标的粒子滤波检测前跟踪方法。
本发明的目的是通过以下技术方案来实现的:针对具有非连续特性目标的粒子滤波检测前跟踪方法,包括以下步骤:
S1、初始化系统参数;定义一个表征目标非连续特性的二元指示函数f(tk):
其中,tk=k·T,k表示迭代系数,T表示系统采样间隔;
根据二元指示函数f(tk)定义信号发射时间序列:
初始化系统采样间隔T、跟踪总时间L、迭代系数k,初始化目标状态,根据已知先验信息产生初始粒子状态及其相应权值为其中Q表示粒子的个数,初始化粒子权值为wq(t0)=1/Q;
S2、读取原始量测数据;
S3、计算原始量测数据的似然比,利用似然比准则估计目标的非连续特性;
S4、利用粒子滤波实现对目标运动状态的估计;
S5、令迭代系数k=k+1,判断tk>L是否成立,若是则算法结束;否则返回步骤S2。
进一步地,所述步骤S3包括以下子步骤:
S31:传感器读取当前时刻tk的原始量测平面数据,不进行阈值检测,将观测区域均匀划分成B个分辨单元,记为其中表示第b个分辨单元内的量测数据,b=1,2,…,B;
各个分辨单元内量测具有独立性,对量测数据进行似然函数建模:
其中,代表受目标影响的分辨单元集合,∝表示正比符号,x(tk)表示目标状态;表示第b个分辨单元的量测似然函数模型,表示在目标发射信号假设下的似然函数模型,则表示在目标不发射信号假设下的似然函数模型;
S32、假设目标在当前时刻tk发射信号,从时刻的粒子样本中采样预测粒子其中代表上一个信号发射时刻;
S33:计算tk时刻量测的似然比:
S34、估计目标的非连续特性的后验概率密度函数:
其中,δ(·)表示狄拉克函数;z1:k=[z1,z2,…,zk]表示t1~tk时间内的量测集合,表示信号发射时间序列的估计值;
根据似然比函数,得到:
其中,γ代表似然比的门限值,表示非连续特性的估计值;当说明否则,则执行步骤S5。
进一步地,所述步骤S4包括以下子步骤:
S41、若则进行粒子样本更新继续执行步骤S42;否则,执行步骤S5;
S42、利用马尔科夫性质及量测之间的独立性,对nk个量测平面数据进行联合建模得:
其中表示时刻子状态的转移函数,其服从高斯分布;代表时刻接收到的量测平面的子似然函数;
S43、计算粒子滤波的非归一化权值:根据步骤S42中的联合量测的计算,第q个粒子的权值更新为
其中,表示时刻第q个粒子的转移函数;
表示时刻第q个粒子状态对应的子似然函数;
对时刻第q个粒子进行积分的数学符号;代表对应上一个信号发射时刻的第q个粒子样本的权值,代表时刻第q个粒子的转移状态,新的权值的计算中利用了之间nk个时刻量测联合的结果;
S44、权值归一化处理并对粒子进行重采样:
归一化粒子权值表示为:
对归一化的粒子集合进行重采样,记录重采样之后的样本集合
S45、实现贝叶斯滤波估计,用重采样后的带权值的粒子样本近似目标状态的条件后验概率密度:
利用最小均方误差估计准则从条件后验概率密度函数中提取目标状态:
本发明的有益效果是:本发明的方法能有效解决了实际被动探测系统对微弱且具有非连续特性目标的检测跟踪问题,实现对非连续目标的动力学状态及信号的非连续特性的联合估计。首先,利用接收到的原始量测数据采用似然比准则估计出目标的非连续特性,同步估计目标发射信号时间序列;然后在估计的信号发射时刻,对多个时刻量测数据进行联合建模,并利用粒子滤波算法得到关于目标状态的条件后验概率密度函数,实现对目标动力学状态的估计。本发明的解决了针对具有非连续特性目标的检测前跟踪问题,将目标的非连续特性带入贝叶斯跟踪流程内,可以实现对非连续运动状态及其信号非连续特性的联合估计。本发明的方法避免了门限检测,尽可能的保留了原始量测的全部信息,提高了对微弱目标的检测能力。本发明可以广泛应用于无源雷达探测、阵列声呐水下目标跟踪、无人机定位跟踪等应用领域。
附图说明
图1为本发明的粒子滤波检测前跟踪方法的流程图;
图2为本实施例非连续信号的示意图;
图3是本发明实施例中两个目标发射信号的真实非连续特性;
图4是本发明实施例中3dB和9dB情况下传感器接收的非连续量测的方位历程图;
图5是本发明方法与采用过门限的传统跟踪方法在不同信噪比下的200次蒙特卡罗实验的均方根误差的对比图;
图6是本方法与采用过门限的传统跟踪方法在不同信噪比下的200次蒙特卡罗实验对非连续特性检测概率的对比图。
具体实施方式
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在MATLAB-R2017b上进行验证。下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种针对具有非连续特性目标的粒子滤波检测前跟踪方法,包括以下步骤:
S1、初始化系统参数;定义一个表征目标非连续特性的二元指示函数f(tk):
其中,tk=k·T,k表示迭代系数,T表示系统采样间隔;
根据二元指示函数f(tk)定义信号发射时间序列:
如图2所示,给出了一种非连续信号的示意图。对系统参数进行初始化,包括:系统采样间隔T=1s,跟踪总时间L=200s,考虑到目标的非连续特性,初始化变量k=0,初始化目标状态x(t0)。根据已知先验信息产生初始粒子状态及其相应权值其中Q=400表示粒子的个数,初始化粒子权值为wq(t0)=1/Q。
本实施例中设计了2个具有非连续特性的运动目标,并考虑了被动探测系统中常用的纯方位目标跟踪方法。被动传感器接收来自运动目标发射的非连续信号,并从中获取关于目标方位角的量测信息,目标的方位角状态建模成匀速直线运动。在本实施例中估计的目标状态为其中θ(tk),分别代表目标的方位角及其方位角速度。如图3所示,考虑了两种非连续特性时变的情况,目标1发射信号的固定周期8s,信号持续时间4s;目标2分别在1~69s内周期间隔为4s,70~149s内周期间隔为5s,150~200s内周期间隔为3s,单个周期内的持续时间均为1s。
S2、读取原始量测数据;
S3、计算原始量测数据的似然比,利用似然比准则估计目标的非连续特性;包括以下子步骤:
S31:传感器读取当前时刻tk的原始量测平面数据,不进行阈值检测,将观测区域均匀划分成B个分辨单元,记为其中表示第b个分辨单元内的量测数据,b=1,2,…,B;本仿真实例中,接收的各个方位角上的原始量测数据由声呐阵列信号处理结合波束形成方法仿真产生。仿真的阵列的具体参数为:阵元个数为40,均匀分布间隔为d=λ/2,λ代表声波波长。
各个分辨单元内量测具有独立性,对量测数据进行似然函数建模:
其中,代表受目标影响的分辨单元集合,∝表示正比符号,x(tk)表示目标状态;表示第b个分辨单元的量测似然函数模型,表示在目标发射信号假设下的似然函数模型,则表示在目标不发射信号假设下的似然函数模型;
量测似然模型描述了目标状态与量测值之间的统计关系,在本实施例中,似然函数采用瑞利分布,即每个分辨单元的似然函数表达式为:
其中λb表示相应的目标信号强度参数。
S32、假设目标在当前时刻tk发射信号,从时刻的粒子样本中采样预测粒子其中代表上一个信号发射时刻;nk表示之间传感器所接收的量测平面帧数,代表系统的状态转移函数。
S33:计算tk时刻量测的似然比:
S34、利用似然比准则估计目标的非连续特性,估计目标的非连续特性的后验概率密度函数:
其中,δ(·)表示狄拉克函数;z1:k=[z1,z2,…,zk]表示t1~tk时间内的量测集合,表示信号发射时间序列的估计值;
根据似然比函数,得到:
其中,γ代表似然比的门限值,表示非连续特性的估计值;当说明说明当前时刻目标发射信号,否则,说明当前时刻目标没有发射信号,则执行步骤S5。
S4、利用粒子滤波实现对目标运动状态的估计;包括以下子步骤:
S41、若则进行粒子样本更新继续执行步骤S42;否则,执行步骤S5;
S42、利用马尔科夫性质及量测之间的独立性,对nk个量测平面数据进行联合建模得:
其中表示时刻子状态的转移函数,其服从高斯分布;代表时刻接收到的量测平面的子似然函数;
S43、计算粒子滤波的非归一化权值:根据步骤S42中的联合量测的计算,第q个粒子的权值更新为
其中,表示时刻第q个粒子的转移函数;表示时刻第q个粒子状态对应的子似然函数;对时刻第q个粒子进行积分的数学符号;代表对应上一个信号发射时刻的第q个粒子样本的权值,代表时刻第q个粒子的转移状态,新的权值的计算中利用了之间nk个时刻量测联合的结果;
S44、权值归一化处理并对粒子进行重采样:
对于所有粒子q=1,2,…,Q,归一化粒子权值表示为:
对归一化的粒子集合进行重采样,记录重采样之后的样本集合
为了避免粒子权值退化,对归一化的粒子集合进行重采样,记录重采样之后的样本集合为在本实施例中,采用的重采样方法的具体步骤包括如下:
S441、产生[0,1]上的均匀分布随机数:
S442、产生粒子权值积累函数并初始化j=1;
S443、对于q=1,…,Q,如果c(j)<u(q),j=j+1;直到c(j)≥u(q),将第j个粒子复制到第q个位置上。
S45、实现贝叶斯滤波估计,用重采样后的带权值的粒子样本近似目标状态的条件后验概率密度:
利用最小均方误差估计准则从条件后验概率密度函数中提取目标状态:
S5、令迭代系数k=k+1,判断tk>L是否成立,若是则算法结束;否则返回步骤S2。
图4(a)和(b)分别提供了信噪比为3dB和9dB情况下,传感器所接收到的关于原始量测数据,图中可以明显看出在目标没有发射信号的时刻,相应的目标量测是丢失的,即是断续的。且在信噪比较低的情况下,目标的信息更容易淹没在噪声中。
图5和图6分别给出了不同信噪比下本发明提供的方法与采用过门限后的点迹量测的传统跟踪算法的跟踪精度以及对非连续特性的检测概率对比图。图6中单位“°”是本实施例中目标状态方位角的单位,“dB”是信噪比的单位。从曲线可得知,本发明提供的检测前跟踪算法性能要明显优于传统过门限方法,大大提升了在低信噪比下的检测跟踪性能。
综上所述,本发明大大提升了对具有非连续特性目标在低信噪比下的检测跟踪性能,不仅可以实现对目标轨迹的正确跟踪,还可以准确估计目标信号的非连续特性,这对于实际探测系统的对微弱目标跟踪及识别决策具有重大意义。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.针对具有非连续特性目标的粒子滤波检测前跟踪方法,其特征在于,包括以下步骤:
S1、初始化系统参数;定义一个表征目标非连续特性的二元指示函数f(tk):
其中,tk=k·T,k表示迭代系数,T表示系统采样间隔;
根据二元指示函数f(tk)定义信号发射时间序列:
初始化系统采样间隔T、跟踪总时间L、迭代系数k,初始化目标状态,根据已知先验信息产生初始粒子状态及其相应权值为其中Q表示粒子的个数,初始化粒子权值为wq(t0)=1/Q;
S2、读取原始量测数据;
S3、计算原始量测数据的似然比,利用似然比准则估计目标的非连续特性;
S4、利用粒子滤波实现对目标运动状态的估计;
S5、令迭代系数k=k+1,判断tk>L是否成立,若是则算法结束;否则返回步骤S2。
2.根据权利要求1所述的针对具有非连续特性目标的粒子滤波检测前跟踪方法,其特征在于,所述步骤S3包括以下子步骤:
S31:传感器读取当前时刻tk的原始量测平面数据,不进行阈值检测,将观测区域均匀划分成B个分辨单元,记为其中表示第b个分辨单元内的量测数据,b=1,2,…,B;
各个分辨单元内量测具有独立性,对量测数据进行似然函数建模:
其中,代表受目标影响的分辨单元集合,∝表示正比符号,x(tk)表示目标状态;表示第b个分辨单元的量测似然函数模型,表示在目标发射信号假设下的似然函数模型,则表示在目标不发射信号假设下的似然函数模型;
S32、假设目标在当前时刻tk发射信号,从时刻的粒子样本中采样预测粒子其中代表上一个信号发射时刻;
S33:计算tk时刻量测的似然比:
S34、估计目标的非连续特性的后验概率密度函数:
其中,δ(·)表示狄拉克函数;z1:k=[z1,z2,…,zk]表示t1~tk时间内的量测集合,表示信号发射时间序列的估计值;
根据似然比函数,得到:
其中,γ代表似然比的门限值,表示非连续特性的估计值;当说明否则,则执行步骤S5。
3.根据权利要求1所述的针对具有非连续特性目标的粒子滤波检测前跟踪方法,其特征在于,所述步骤S4包括以下子步骤:
S41、若则进行粒子样本更新继续执行步骤S42;否则,执行步骤S5;
S42、利用马尔科夫性质及量测之间的独立性,对nk个量测平面数据进行联合建模得:
其中表示时刻子状态的转移函数,其服从高斯分布;代表时刻接收到的量测平面的子似然函数;
S43、计算粒子滤波的非归一化权值:根据步骤S42中的联合量测的计算,第q个粒子的权值更新为
其中,表示时刻第q个粒子的转移函数;
表示时刻第q个粒子状态对应的子似然函数;
对时刻第q个粒子进行积分的数学符号;代表对应上一个信号发射时刻的第q个粒子样本的权值,代表时刻第q个粒子的转移状态,新的权值的计算中利用了之间nk个时刻量测联合的结果;
S44、权值归一化处理并对粒子进行重采样:
归一化粒子权值表示为:
对归一化的粒子集合进行重采样,记录重采样之后的样本集合
S45、实现贝叶斯滤波估计,用重采样后的带权值的粒子样本近似目标状态的条件后验概率密度:
利用最小均方误差估计准则从条件后验概率密度函数中提取目标状态:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553215.9A CN110187335B (zh) | 2019-06-25 | 2019-06-25 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553215.9A CN110187335B (zh) | 2019-06-25 | 2019-06-25 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110187335A true CN110187335A (zh) | 2019-08-30 |
CN110187335B CN110187335B (zh) | 2021-03-16 |
Family
ID=67723293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910553215.9A Active CN110187335B (zh) | 2019-06-25 | 2019-06-25 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187335B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865376A (zh) * | 2019-12-02 | 2020-03-06 | 电子科技大学 | 一种基于tbd的非直视拐角人体目标定位方法 |
CN111948657A (zh) * | 2020-07-28 | 2020-11-17 | 哈尔滨工程大学 | 一种基于多模粒子滤波的机动弱目标检测前跟踪方法 |
CN112732637A (zh) * | 2021-01-22 | 2021-04-30 | 湖南师范大学 | 一种基于贝叶斯重采样的粒子滤波的fpga硬件实现方法、装置及目标跟踪方法 |
CN112801065A (zh) * | 2021-04-12 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于时空多特征信息的被动声纳目标探测方法及装置 |
CN113917434A (zh) * | 2021-10-08 | 2022-01-11 | 陕西科技大学 | 一种基于代价参考粒子滤波器组的检测前跟踪方法 |
CN115469270A (zh) * | 2022-08-16 | 2022-12-13 | 哈尔滨工程大学 | 基于检测前跟踪的长基线定位方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014106133A (ja) * | 2012-11-28 | 2014-06-09 | Toshiba Corp | 目標検出装置及び目標検出方法 |
CN104199006A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种基于多假设联合分布滤波器的随机集跟踪方法 |
CN104714225A (zh) * | 2015-03-25 | 2015-06-17 | 电子科技大学 | 一种基于广义似然比的动态规划检测前跟踪方法 |
CN105069272A (zh) * | 2015-06-10 | 2015-11-18 | 电子科技大学 | 基于目标存在概率斜率的epf-tbd方法 |
CN106501800A (zh) * | 2016-10-28 | 2017-03-15 | 中国人民解放军信息工程大学 | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
CN107247257A (zh) * | 2017-07-03 | 2017-10-13 | 电子科技大学 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
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 |
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
-
2019
- 2019-06-25 CN CN201910553215.9A patent/CN110187335B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014106133A (ja) * | 2012-11-28 | 2014-06-09 | Toshiba Corp | 目標検出装置及び目標検出方法 |
CN104199006A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种基于多假设联合分布滤波器的随机集跟踪方法 |
CN104714225A (zh) * | 2015-03-25 | 2015-06-17 | 电子科技大学 | 一种基于广义似然比的动态规划检测前跟踪方法 |
CN105069272A (zh) * | 2015-06-10 | 2015-11-18 | 电子科技大学 | 基于目标存在概率斜率的epf-tbd方法 |
CN106501800A (zh) * | 2016-10-28 | 2017-03-15 | 中国人民解放军信息工程大学 | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
CN107247257A (zh) * | 2017-07-03 | 2017-10-13 | 电子科技大学 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
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 (2)
Title |
---|
LINGZHI FU ET AL.: "Robust Target Tracking with Discontinuous Signal for Passive Sensor Systems", 《2019 IEEE RADAR CONFERENCE (RADARCONF)》 * |
龚亚信 等: "基于粒子滤波的弱目标检测前跟踪算法", 《系统工程与电子技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865376A (zh) * | 2019-12-02 | 2020-03-06 | 电子科技大学 | 一种基于tbd的非直视拐角人体目标定位方法 |
CN111948657A (zh) * | 2020-07-28 | 2020-11-17 | 哈尔滨工程大学 | 一种基于多模粒子滤波的机动弱目标检测前跟踪方法 |
CN112732637A (zh) * | 2021-01-22 | 2021-04-30 | 湖南师范大学 | 一种基于贝叶斯重采样的粒子滤波的fpga硬件实现方法、装置及目标跟踪方法 |
CN112801065A (zh) * | 2021-04-12 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于时空多特征信息的被动声纳目标探测方法及装置 |
CN112801065B (zh) * | 2021-04-12 | 2021-06-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于时空多特征信息的被动声纳目标探测方法及装置 |
CN113917434A (zh) * | 2021-10-08 | 2022-01-11 | 陕西科技大学 | 一种基于代价参考粒子滤波器组的检测前跟踪方法 |
CN113917434B (zh) * | 2021-10-08 | 2024-05-28 | 陕西科技大学 | 一种基于代价参考粒子滤波器组的检测前跟踪方法 |
CN115469270A (zh) * | 2022-08-16 | 2022-12-13 | 哈尔滨工程大学 | 基于检测前跟踪的长基线定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110187335B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187335B (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN105929378B (zh) | 基于外辐射源联合时延与多普勒频率的直接跟踪方法 | |
CN107656264B (zh) | 杂波环境下的机会阵雷达多目标跟踪的功率资源管理方法 | |
CN111580084B (zh) | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 | |
CN104101876B (zh) | 外辐射源雷达中一种基于随机有限集的多目标跟踪方法 | |
CN109324315B (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
CN104077498B (zh) | 一种结合目标角度的外辐射源雷达多目标跟踪方法 | |
CN107526070A (zh) | 天波超视距雷达的多路径融合多目标跟踪算法 | |
CN104142496B (zh) | 基于连通域划分的统计mimo雷达多目标定位方法 | |
CN103885058B (zh) | 一种利用稀疏统计特性的机载雷达前视超分辨成像方法 | |
CN103116154B (zh) | 基于杂波环境下的发射与接收联合优化自适应滤波方法 | |
CN107346020B (zh) | 一种用于异步多基地雷达系统的分布式批估计融合方法 | |
CN106526584A (zh) | 多雷达系统中目标检测跟踪联合处理方法 | |
CN110146850B (zh) | 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法 | |
CN117169818B (zh) | 一种面向海面机动目标跟踪的雷达波形设计方法 | |
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 | |
CN105842686A (zh) | 基于粒子平滑的快速tbd检测方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
CN110456360B (zh) | 一种针对非连续目标被动多阵列声呐检测跟踪方法 | |
CN108845299B (zh) | 一种基于后验信息融合的多传感器多帧联合检测算法 | |
CN109799477B (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 | |
CN116679296A (zh) | 一种基于主辅复合滤波的远程高速目标雷达跟踪方法 | |
CN110031797B (zh) | 用于被动传感系统对具有非连续特性目标的检测跟踪方法 | |
CN114488104A (zh) | 基于交互一致性的天波超视距雷达目标跟踪方法 |
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 |