CN110320512A - 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 - Google Patents
一种基于带标签的gm-phd平滑滤波多目标跟踪方法 Download PDFInfo
- Publication number
- CN110320512A CN110320512A CN201910612765.3A CN201910612765A CN110320512A CN 110320512 A CN110320512 A CN 110320512A CN 201910612765 A CN201910612765 A CN 201910612765A CN 110320512 A CN110320512 A CN 110320512A
- Authority
- CN
- China
- Prior art keywords
- target
- moment
- phd
- label
- gaussian
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001914 filtration Methods 0.000 title claims abstract description 38
- 239000000203 mixture Substances 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 25
- 230000004083 survival effect Effects 0.000 claims description 18
- 238000009966 trimming Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 25
- 238000009499 grossing Methods 0.000 abstract description 15
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 abstract description 2
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于带标签的GM‑PHD平滑滤波多目标跟踪方法,在建立多目标运动模型的基础上,通过带标签的GM‑PHD平滑滤波方法,获取多目标的精确位置信息及运动轨迹。将带标签算法与GM‑PHD平滑算法结合,首先为每个高斯项添加标签信息,通过管理标签实现对不同时刻目标状态之间的关联,然后通过PHD平滑滤波对目标进行前向滤波和后向平滑,给出高斯混合条件下的实现形式,引入一个判决机制,以前后两个时刻估计目标数的差值为判决条件判断目标消失的时刻,在该时刻对平滑算法进行修正,与传统平滑PHD算法相比通过管理标签实现对不同时刻目标状态之间的关联,使得目标数目突变以及航迹交叉时目标数目与目标状态的跟踪精度较之前得到明显改善,可在漏检和杂波环境下获得多目标状态的准确估计。
Description
技术领域
本发明涉及信息处理技术领域,具体而言,尤其涉及一种基于带标签的GM-PHD平滑滤波多目标跟踪方法。
背景技术
目标跟踪是对传感器接收到的量测信息进行处理,从而维持对目标当前状态估计的过程。在多目标跟踪场景中,目标个数未知且时变、量测信息不确定(杂波干扰、虚警)等因素,为多目标跟踪带来巨大困难。如何提高多目标跟踪效果一直是跟踪领域一个复杂的研究课题。
随机集跟踪方法可将跟踪问题转化为贝叶斯理论框架下状态估计问题,其基本思想是将描述目标运动信息的变量(如位置、速度、加速度)组成目标状态变量,通过目标状态演化方程进行预测,然后利用观测信息对状态预测更新。Mahler提出了有限集统计学理论,系统地解决了目标数未知且可变的多目标跟踪问题,通过近似方法得到了概率假设密度(PHD)滤波器,该滤波算法将复杂的多目标状态空间运算投影到单目标状态空间,然后通过传递全局后验概率密度的一阶矩得到各目标状态估计。使得在跟踪多目标时计算代价极大的降低,同时又保证了目标跟踪的精度。但也存在一些不足之处,对于非传统量测,如未知系统延时、有界偏差量测和未知同步偏差等,粒子量测模型就不再适用,也包括算法复杂度较高,运算速度较慢等缺点,在很大程度上影响其跟踪效果。
基于粒子实现的平滑PHD滤波器,该方法对前向滤波后的粒子,以一定的步长再进行后向滤波,以估计延迟和计算量为代价,取得准确的目标数和精确目标状态估计。由于基于RFS的多目标跟踪算法无法精确辨别单目标航迹,有学者提出为高斯项加标签的方式来实现航迹的获取。带标签的概率假设密度(LGM-PHD)滤波。LGM-PHD算法是在标准高斯概率假设密度滤波的基础上,为每个高斯项添加标签信息,通过管理标签实现对不同时刻目标状态之间的关联,达到目标航迹估计的目的。在LGM-PHD滤波算法中根据高斯分量权值和的大小实时估计目标数目,并且通过设定的提取阈值Wth来提取目标状态。更新结束后,若目标的高斯项权值小于提取阈值,则该目标会被遗漏。在多目标跟踪过程中,如果存在一些特殊的场景,比如目标航迹交叉或者目标运动比较接近,就会出现多个目标量测较为密集的情况。此时如果某个目标距其真实量测较远,而距其他目标的量测较近,更新结束后可能会出现该目标高斯项的权值较小的情况,导致漏检现象发生。在这种情况下,会产生很多短小的航迹,导致这些航迹被误认为杂波而被舍去,从而出现航迹不连续的问题。
带标签的GM-PHD平滑多目标跟踪算法,是GM-PHD平滑滤波与带标签的概率假设密度滤波的结合,首先通过结合前向滤波与后向平滑能够更加准确的估计目标出现时刻,减小目标新生时刻的确认滞后情况对后续航迹关联的影响,使得目标数目的估计更加准确,其次通过给每个高斯项添加标签信息,通过管理标签实现对不同时刻目标状态之间的关联,可在漏检和杂波环境下获得多目标状态的准确估计,理论上可完成对多目标的跟踪。
发明内容
根据上述提出现有方法中存在的跟踪可靠性的技术问题,而提供一种基于带标签的GM-PHD平滑滤波多目标跟踪方法。本发明方法在建立多目标运动模型的基础上,通过的带标签GM-PHD的平滑滤波方法,获取多目标的精确位置信息及运动轨迹。
本发明采用的技术手段如下:
一种基于带标签的GM-PHD平滑滤波多目标跟踪方法,包括如下步骤:
步骤S1:建立目标的状态方程和观测强度量测方程;
步骤S2:初始化目标的状态,对k=0时刻的强度函数和标签集合进行初始化,分别为
上式中,Jn表示第n时刻的高斯项个数,wi表示该时刻第i个高斯项的权值,N(x,m,P)表示变量x服从均值为m协方差为P的高斯分布,其中ti表示标签集中的第i个标签;
步骤S3:为每个标签设置两个初始值为0的标志量ncon和nmiss,nmiss表示标签对应高斯项未被检测到的步数即该标签对应航迹的信息缺失步数,当该标签确认为目标时ncon=1,设置初始航迹存储集合S≠φ;
步骤S4:对经过初始化处理的目标进行前项滤波处理;
步骤S5:利用滞后的L时刻的量测来平滑前向滤波后的高斯项,即更新k时刻的状态,完成多目标的后向平滑递推,其中当L=k+1时为一步后向平滑,得到后向平滑结果;
步骤S6:合并修剪高斯项;
步骤S7:估计全体目标数目,对修剪合并后的PHD进行权值求和得到全体目标数目估计
步骤S8:目标数目估计修正,设置阈值UT,当k时刻、k-2时刻的目标数与k-1时刻的目标数差值的绝对值满足大于阈值UT时,则对k-1时刻的目标数目进行修正,其修正结果为:
步骤S9:状态估计,得到确定的目标航迹。
进一步地,所述步骤S1中建立的目标状态方程为:
其中,为k时刻目标的运动状态,分别表示x-y平面中x方向和y方向的目标位置信息,和分别表示x-y平面中x方向和y方向的速度,表示目标的强度。vk为已知的过程噪声,fk(·)为已知的非线性函数,Nk为k时刻目标总数;
所述步骤S1中建立的目标观测强度量测方程:
假设k时刻传感器产生一幅关于监测区域的二维图像,即每一时刻的量测是一个二维的像素点平面。假设x轴、y轴的距离分辨单元长度分别为n和m。每一幅图像包含n×m的像元,每一个分辨单元对应一个矩形区域Δx×Δy,且每一分辨单元(i,j)的中心为(iΔx,jΔy),i=1,...,n,j=1,...,m。雷达在第i个距离单元,第j个方位单元(记为第(i,j)个分辨单元)的观测强度可表示为:
表示k时刻目标状态为的目标在(i,j)单元的点扩散函数,表示观测噪声。
进一步地,所述步骤S4中前项滤波处理包括PHD预测和PHD更新;
所述PHD预测过程,对全体目标的PHD进行预测,其中全体目标分为新生和存活两部分:
假设k-1时刻目标后验概率为高斯混合形式,k时刻的预测强度函数和预测标签集合表示如下:
其中,预测的PHD中分为杂波的PHD、新生目标的PHD、存活目标的PHD三部分;Jγk表示k时刻新生目标高斯项个数,wγk,mγk,Pγk分别表示新生目标高斯项的权值、均值、协方差,wS,k|k-1,mS,k|k-1,PS,k|k-1分别表示存活目标高斯项的权值、均值、协方差;pS,k为k时刻目标存活概率,若存活目标强度函数的参数为可推得每个高斯分量的均值和方差;预测存活目标高斯项标签不变,对新生目标高斯项赋予一个新标签tγk;
所述PHD更新过程,根据k时刻的量测数据,对预测PHD中的新生目标和存活目标分别进行更新:
由于预测得到的强度函数vk|k-1可以表示为高斯和形式:k时刻的更新强度函数和标签集表示如下:
Tk|k=Tk|k-1
其中,pD,k表示k时刻目标检测的概率,wk,mk|k,Pk|k表示更新后高斯项的权值、均值和协方差,若k时刻杂波的强度函数为κk,量测值为zk,量测噪声协方差为Rk,高斯分量的权值、均值和协方差的计算公式为:
其中,包括更新后漏检部分权值,更新后存活部分权值以及更新后新生部分权值,H为观测矩阵,为卡尔曼滤波增益。
进一步地,所述步骤S5中多目标的后向平滑递推过程,其平滑定义为:vk|l(x)=vk|k(x)Dk|l(x);在高斯混合假设条件下,平滑器的后向更新方程为:
其中,
当L=k+1时,可以得到高斯混合概率假设密度一阶平滑的形式,即:
上式中, 其中为量测ZJ的似然函数,J表示平滑使用的滞后量测的所在时刻,ZJ为J时刻的量测; 分别对应L时刻对k时刻平滑结果中的高斯项权值,预测均值,预测协方差矩阵;
Tk|k=Tk|k+1
同个高斯项平滑后标签不变,即标签值为ti(ti∈Tk|k-1)的高斯项平滑后会有(1+|Zk|)个标签值为ti的高斯项。
进一步地,所述步骤S5中多目标的后向平滑递推过程,其平滑定义为:vk|l(x)=vk|k(x)Dk|l(x);在高斯混合假设条件下,平滑器的后向更新方程为:
其中,
当L=k+1时,可以得到高斯混合概率假设密度一阶平滑的形式,即:
上式中, 其中为量测ZJ的似然函数,J表示平滑使用的滞后量测的所在时刻,ZJ为J时刻的量测; 分别对应L时刻对k时刻平滑结果中的高斯项权值,预测均值,预测协方差矩阵;
Tk|k=Tk|k+1
同个高斯项平滑后标签不变,即标签值为ti(ti∈Tk|k-1)的高斯项平滑后会有(1+|Zk|)个标签值为ti的高斯项。
进一步地,所述步骤S9状态估计的具体过程如下:
步骤S91:提取的状态集和标签集如下:
步骤S92:标签管理及航迹关联,通过对高斯项及其标签进行管理,得到确定的目标航迹。
较现有技术相比,本发明具有以下优点:
1、本发明提供的基于带标签的GM-PHD平滑滤波多目标跟踪方法,将带标签算法与GM-PHD平滑算法结合,首先为每个高斯项添加标签信息,通过管理标签实现对不同时刻目标状态之间的关联,然后通过PHD平滑滤波对目标进行前向滤波和后向平滑,给出高斯混合条件下的实现形式,引入一个判决机制,以前后两个时刻估计目标数的差值为判决条件判断目标消失的时刻,在该时刻对平滑算法进行修正。PHD平滑能够利用更多的滞后时间测量,因此可以有效提高多目标的个数和状态估计精度。
2、本发明提供的基于带标签的GM-PHD平滑滤波多目标跟踪方法,与传统平滑PHD算法相比通过管理标签实现对不同时刻目标状态之间的关联,使得目标数目突变以及航迹交叉时目标数目与目标状态的跟踪精度较之前得到明显改善,可在漏检和杂波环境下获得多目标状态的准确估计。
基于上述理由本发明可在信息处理等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明实施例中传感器获得的量测数据图。
图3为本发明实施例提供的多目标跟踪的目标真实轨迹。
图4为本发明实施例提供的带标签GM-PHD平滑滤波器经过50次蒙特卡洛仿真的跟踪结果。
图5为本发明实施例提供的目标跟踪的目标数估计图。
图6为本发明实施例提供的多目标跟踪的估计目标数目标准差图。
图7为本发明实施例提供的多目标跟踪的OSPA距离误差图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本发明实施例中使用的量测和状态模型如下:
PHD滤波是将所有目标状态和量测看作两个随机有限集,记k时刻监测区域内目标个数和传感器测量的目标个数分别为Nk和Mk,状态空间和量测空间分别为Es和Eo,F(Es)与F(Eo)分别代表状态空间和量测空间所有有限子集的集合,则目标状态集和量测集分别为:
多目标状态矢量集合为
量测矢量集合为
本发明实施例中,在传感器每一时刻获得的量测是来自于目标或杂波,而全体目标的量测来源又可分为新生目标和存活目标。
本发明实施例中,使用的平滑器分为前向滤波、后向平滑两个步骤。在前向滤波时,后验密度是贝叶斯递推的前向传播;在后向平滑时,利用滞后的L时刻的信息来更新k时刻的状态,完成多目标的后向平滑递推,其中k<L。
本发明在GM-PHD基础上为每个高斯项添加标签信息,通过管理标签实现对不同时刻目标状态之间的关联,达到目标航迹估计的目的。使用树形结构来说明标签的演变过程。在航迹初始阶段,为每个高斯项分配独特的标签,并将高斯项状态作为标签树的根节点,此时的标签树是临时航迹树,若标签树上至少有一个分支有状态估计值,则该标签树被认为是确定航迹树。
如图1所示,本发明提供了一种基于带标签的GM-PHD平滑滤波多目标跟踪方法,包括如下步骤:
步骤S1:建立目标的状态方程和观测强度量测方程;
建立的目标状态方程为:
其中,为k时刻目标的运动状态,分别表示x-y平面中x方向和y方向的目标位置信息,和分别表示x-y平面中x方向和y方向的速度,表示目标的强度。vk为已知的过程噪声,fk(·)为已知的非线性函数,Nk为k时刻目标总数;
建立的目标观测强度量测方程:
假设k时刻传感器产生一幅关于监测区域的二维图像,即每一时刻的量测是一个二维的像素点平面。假设x轴、y轴的距离分辨单元长度分别为n和m。每一幅图像包含n×m的像元,每一个分辨单元对应一个矩形区域Δx×Δy,且每一分辨单元(i,j)的中心为(iΔx,jΔy),i=1,...,n,j=1,...,m。雷达在第i个距离单元,第j个方位单元(记为第(i,j)个分辨单元)的观测强度可表示为:
表示k时刻目标状态为的目标在(i,j)单元的点扩散函数,表示观测噪声。
步骤S2:初始化目标的状态,对k=0时刻的强度函数和标签集合进行初始化,分别为
上式中,Jn表示第n时刻的高斯项个数,wi表示该时刻第i个高斯项的权值,N(x,m,P)表示变量x服从均值为m协方差为P的高斯分布,其中ti表示标签集中的第i个标签;
步骤S3:为每个标签设置两个初始值为0的标志量ncon和nmiss,nmiss表示标签对应高斯项未被检测到的步数即该标签对应航迹的信息缺失步数,当该标签确认为目标时ncon=1,设置初始航迹存储集合S≠φ;
步骤S4:对经过初始化处理的目标进行前项滤波处理;前项滤波处理包括PHD预测和PHD更新;
PHD预测过程,对全体目标的PHD进行预测,其中全体目标分为新生和存活两部分:
假设k-1时刻目标后验概率为高斯混合形式,k时刻的预测强度函数和预测标签集合表示如下:
其中,预测的PHD中分为杂波的PHD、新生目标的PHD、存活目标的PHD三部分;Jγk表示k时刻新生目标高斯项个数,wγk,mγk,Pγk分别表示新生目标高斯项的权值、均值、协方差,wS,k|k-1,mS,k|k-1,PS,k|k-1分别表示存活目标高斯项的权值、均值、协方差;pS,k为k时刻目标存活概率,若存活目标强度函数的参数为可推得每个高斯分量的均值和方差;预测存活目标高斯项标签不变,对新生目标高斯项赋予一个新标签tγk;
PHD更新过程,根据k时刻的量测数据,对预测PHD中的新生目标和存活目标分别进行更新:
由于预测得到的强度函数vk|k-1可以表示为高斯和形式:k时刻的更新强度函数和标签集表示如下:
Tk|k=Tk|k-1
其中,pD,k表示k时刻目标检测的概率,wk,mk|k,Pk|k表示更新后高斯项的权值、均值和协方差,若k时刻杂波的强度函数为κk,量测值为zk,量测噪声协方差为Rk,高斯分量的权值、均值和协方差的计算公式为:
其中,包括更新后漏检部分权值,更新后存活部分权值以及更新后新生部分权值,H为观测矩阵,为卡尔曼滤波增益。
步骤S5:利用滞后的L时刻的量测来平滑前向滤波后的高斯项,即更新k时刻的状态,完成多目标的后向平滑递推,其中当L=k+1时为一步后向平滑,得到后向平滑结果;
其平滑定义为:vk|l(x)=vk|k(x)Dk|l(x);
在高斯混合假设条件下,平滑器的后向更新方程为:
其中,
当L=k+1时,可以得到高斯混合概率假设密度一阶平滑的形式,即:
上式中, 其中为量测ZJ的似然函数,J表示平滑使用的滞后量测的所在时刻,ZJ为J时刻的量测; 分别对应L时刻对k时刻平滑结果中的高斯项权值,预测均值,预测协方差矩阵;
Tk|k=Tk|k+1
同个高斯项平滑后标签不变,即标签值为ti(ti∈Tk|k-1)的高斯项平滑后会有(1+|Zk|)个标签值为ti的高斯项。
步骤S6:合并修剪高斯项;
步骤S61:设合并门限为Umerg,将高斯项均值之间的距离小于门限Umerg的高斯项进行合并,合并后的权值为合并前各高斯项权值之和,即若有则可以把两者合并成一个分量;
步骤S62:设修剪门限Tprun,对平滑后PHD中权值小于门限的高斯项进行删剪,即若则将对应的高斯项从中剔除,得到修剪合并后的状态估计结果,其中分别对应删剪合并后的高斯项权值,均值,方差。
步骤S7:估计全体目标数目,对修剪合并后的PHD进行权值求和得到全体目标数目估计
步骤S8:目标数目估计修正,设置阈值UT,当k时刻、k-2时刻的目标数与k-1时刻的目标数差值的绝对值满足大于阈值UT时,则对k-1时刻的目标数目进行修正,其修正结果为:
步骤S9:状态估计,得到确定的目标航迹。
步骤S91:提取的状态集和标签集如下:
步骤S92:标签管理及航迹关联,通过对高斯项及其标签进行管理,得到确定的目标航迹。
实施例2
在实施例1的基础上,本实施例提供了仿真实验:
仿真条件:本实施例中提供的仿真是在主频3.0GHz的Intel(R)Pentium(R)CPUG2030、内存4.00GB的硬件环境和MATLAB R2016a的软件环境下进行的。
仿真内容:本实施例中提供的实验为对比GM-PHD滤波器、GM-PHD平滑滤波器和带标签GM-PHD平滑器三种方法的跟踪效果,取L=k+1,即一步后向平滑,仿真场景设置如下:
传感器监视的方位和斜距范围分别为[-180°,180°]和[0m,200m],采样间隔为1s,探测时间长度为100s。相继出现4个目标,不考虑衍生目标情况,杂波数均值λc,k=2;
假设在线性高斯条件下,目标在k时刻的状态向量为状态分别为目标的x轴坐标,x方向速度,y轴坐标,y方向速度,其运动方程为:
目标的运动模型为如下线性系统模型:
上式中,符号Fk为目标匀速(CT)运动模型的存活目标状态转移矩阵,G为状态噪声转移矩阵,过程噪声和观测噪声服从相互独立的零均值高斯分布。
协方差矩阵分别为:
过程噪声和观测噪声标准差为
目标存活概率为pS,k=0.99,检测概率为pD,k=0.98。杂波随机集κk在监视区域内服从泊松分布,修剪阈值为Tprun=1e-5,合并门限为Umerg=5,允许最大高斯分布数Jmax=60,目标提取状态阈值wth=0.5,结束阈值nend=5。即目标连续5个时刻没有被检测到则认为目标消亡。
4个目标在视场内相继出现后运动至仿真结束,新生时刻分别为:目标1在时刻k=2,目标2在时刻k=22,目标3在时刻k=32,目标4在时刻k=42;
4个目标初始状态设定:目标1为(40m,40m,2.5m/s,2.5m/s),目标2为(100m,20m,-2.5m/s,2m/s),目标3为(30m,140m,3m/s,0m/s),目标4为(140m,200m,2m/s,-3m/s)。
仿真实验结果及分析:
传感器量测如图2所示,目标的真实航迹如图3所示,图中“→”表示目标的起始点。采用目标状态估计、目标个数均值和最优次模式分配(optimal subpattern assignment,OSPA)距离对各方法的跟踪性能进行评价。图4为带标签GM-PHD平滑器经过50次蒙特卡洛仿真的跟踪结果。图5为三种方法的目标数的估计与真实目标数目,对带标签GM-PHD平滑算法以及传统GM-PHD平滑算法进行50次蒙特卡洛仿真,由图5可以看出带标签GM-PHD平滑算法对目标数目的估计比GM-PHD平滑在杂波环境下对目标数的估计更加准确,在目标新生时刻能够及时检测到目标,有利于后续的航迹起始处理。图6是多目标跟踪的估计目标数目标准差图。由图可以看出,只有一个目标时,GM-PHD平滑与带标签GM-PHD平滑两种算法的估计目标数目标准差接近。当在第22s,第32s,第42s出现新生目标时目标时,GM-PHD平滑算法估计数目出现较大波动,而带标签GM-PHD平滑算法的误差较小。第3阶段由于目标1、目标2依次消失,带标签GM-PHD平滑算法误差明显低于GM-PHD平滑。图7为三种方法的OSPA距离对比,由图可知整个过程可分为3个阶段:第1阶段(航迹起始阶段,第2~第42s)、第2阶段(航迹维持阶段,第42~第60s)、第3阶段(航迹终止阶段,第60~第100s)。第1阶段,新生目标分别在第2s,第22s,第32s,第42s出现,只有一个目标时GM-PHD平滑与带标签GM-PHD平滑两种算法性能接近当出现多个目标时以及在第2阶段,带标签GM-PHD平滑算法性能明显优于GM-PHD平滑,相差5m左右。第3阶段,由于目标1、目标2依次消失,GM-PHD平滑算法在目标消失时刻的OSPA距离误差急剧增大,可看出带标签GM-PHD平滑算法改善了这一性能问题。
综上所述,在杂波环境下,本发明的带标签GM-PHD平滑器通过后向平滑能够更准确地估计目标新生时刻,减小目标新生时刻的确认滞后情况对后续航迹形成的影响,通过为高斯项带标签能够在航迹交叉时提高跟踪的准确性,获得更好的目标跟踪精度。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于带标签的GM-PHD平滑滤波多目标跟踪方法,其特征在于,包括如下步骤:
步骤S1:建立目标的状态方程和观测强度量测方程;
步骤S2:初始化目标的状态,对k=0时刻的强度函数和标签集合进行初始化,分别为
上式中,Jn表示第n时刻的高斯项个数,wi表示该时刻第i个高斯项的权值,N(x,m,P)表示变量x服从均值为m协方差为P的高斯分布,其中ti表示标签集中的第i个标签;
步骤S3:为每个标签设置两个初始值为0的标志量ncon和nmiss,nmiss表示标签对应高斯项未被检测到的步数即该标签对应航迹的信息缺失步数,当该标签确认为目标时ncon=1,设置初始航迹存储集合S≠φ;
步骤S4:对经过初始化处理的目标进行前项滤波处理;
步骤S5:利用滞后的L时刻的量测来平滑前向滤波后的高斯项,即更新k时刻的状态,完成多目标的后向平滑递推,其中当L=k+1时为一步后向平滑,得到后向平滑结果;
步骤S6:合并修剪高斯项;
步骤S7:估计全体目标数目,对修剪合并后的PHD进行权值求和得到全体目标数目估计
步骤S8:目标数目估计修正,设置阈值UT,当k时刻、k-2时刻的目标数与k-1时刻的目标数差值的绝对值满足大于阈值UT时,则对k-1时刻的目标数目进行修正,其修正结果为:
步骤S9:状态估计,得到确定的目标航迹。
2.根据权利要求1所述的基于带标签的GM-PHD平滑滤波多目标跟踪方法,其特征在于,所述步骤S1中建立的目标状态方程为:
其中,为k时刻目标的运动状态,分别表示x-y平面中x方向和y方向的目标位置信息,和分别表示x-y平面中x方向和y方向的速度,表示目标的强度;vk为已知的过程噪声,fk(·)为已知的非线性函数,Nk为k时刻目标总数;
所述步骤S1中建立的目标观测强度量测方程:
假设k时刻传感器产生一幅关于监测区域的二维图像,即每一时刻的量测是一个二维的像素点平面;假设x轴、y轴的距离分辨单元长度分别为n和m;每一幅图像包含n×m的像元,每一个分辨单元对应一个矩形区域Δx×Δy,且每一分辨单元(i,j)的中心为(iΔx,jΔy),i=1,...,n,j=1,...,m;雷达在第i个距离单元,第j个方位单元(记为第(i,j)个分辨单元)的观测强度可表示为:
表示k时刻目标状态为的目标在(i,j)单元的点扩散函数,表示观测噪声。
3.根据权利要求1所述的基于带标签的GM-PHD平滑滤波多目标跟踪方法,其特征在于,所述步骤S4中前项滤波处理包括PHD预测和PHD更新;
所述PHD预测过程,对全体目标的PHD进行预测,其中全体目标分为新生和存活两部分:
假设k-1时刻目标后验概率为高斯混合形式,k时刻的预测强度函数和预测标签集合表示如下:
其中,预测的PHD中分为杂波的PHD、新生目标的PHD、存活目标的PHD三部分;Jγk表示k时刻新生目标高斯项个数,wγk,mγk,Pγk分别表示新生目标高斯项的权值、均值、协方差,wS,k|k-1,mS,k|k-1,PS,k|k-1分别表示存活目标高斯项的权值、均值、协方差;pS,k为k时刻目标存活概率,若存活目标强度函数的参数为可推得每个高斯分量的均值和方差;预测存活目标高斯项标签不变,对新生目标高斯项赋予一个新标签tγk;
所述PHD更新过程,根据k时刻的量测数据,对预测PHD中的新生目标和存活目标分别进行更新:
由于预测得到的强度函数vk|k-1可以表示为高斯和形式:k时刻的更新强度函数和标签集表示如下:
Tk|k=Tk|k-1
其中,pD,k表示k时刻目标检测的概率,wk,mk|k,Pk|k表示更新后高斯项的权值、均值和协方差,若k时刻杂波的强度函数为κk,量测值为zk,量测噪声协方差为Rk,高斯分量的权值、均值和协方差的计算公式为:
其中,包括更新后漏检部分权值,更新后存活部分权值以及更新后新生部分权值,H为观测矩阵,为卡尔曼滤波增益。
4.根据权利要求1所述的基于带标签的GM-PHD平滑滤波多目标跟踪方法,其特征在于,所述步骤S5中多目标的后向平滑递推过程,其平滑定义为:vk|l(x)=vk|k(x)Dk|l(x);在高斯混合假设条件下,平滑器的后向更新方程为:
其中,
当L=k+1时,可以得到高斯混合概率假设密度一阶平滑的形式,即:
上式中, 其中为量测ZJ的似然函数,J表示平滑使用的滞后量测的所在时刻,ZJ为J时刻的量测; 分别对应L时刻对k时刻平滑结果中的高斯项权值,预测均值,预测协方差矩阵;
Tk|k=Tk|k+1
同个高斯项平滑后标签不变,即标签值为ti(ti∈Tk|k-1)的高斯项平滑后会有(1+|Zk|)个标签值为ti的高斯项。
5.根据权利要求1所述的基于带标签的GM-PHD平滑滤波多目标跟踪方法,其特征在于,所述步骤S6合并修剪高斯项的具体过程如下:
步骤S61:设合并门限为Umerg,将高斯项均值之间的距离小于门限Umerg的高斯项进行合并,合并后的权值为合并前各高斯项权值之和,即若有则可以把两者合并成一个分量;
步骤S62:设修剪门限Tprun,对平滑后PHD中权值小于门限的高斯项进行删剪,即若则将对应的高斯项从中剔除,得到修剪合并后的状态估计结果,其中分别对应删剪合并后的高斯项权值,均值,方差。
6.根据权利要求1所述的基于带标签的GM-PHD平滑滤波多目标跟踪方法,其特征在于,所述步骤S9状态估计的具体过程如下:
步骤S91:提取的状态集和标签集如下:
步骤S92:标签管理及航迹关联,通过对高斯项及其标签进行管理,得到确定的目标航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612765.3A CN110320512A (zh) | 2019-07-09 | 2019-07-09 | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612765.3A CN110320512A (zh) | 2019-07-09 | 2019-07-09 | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110320512A true CN110320512A (zh) | 2019-10-11 |
Family
ID=68123063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910612765.3A Pending CN110320512A (zh) | 2019-07-09 | 2019-07-09 | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320512A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865343A (zh) * | 2019-11-13 | 2020-03-06 | 中国人民解放军海军航空大学 | 基于lmb的粒子滤波检测前跟踪方法及系统 |
CN110909312A (zh) * | 2019-12-18 | 2020-03-24 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN110930692A (zh) * | 2019-10-24 | 2020-03-27 | 河北德冠隆电子科技有限公司 | 一种主动式车辆连续跟踪装置、系统及方法 |
CN111291312A (zh) * | 2020-02-28 | 2020-06-16 | 大连海事大学 | 一种基于当前统计模型的模糊自适应算法的机动目标跟踪方法 |
CN111504327A (zh) * | 2020-04-30 | 2020-08-07 | 江苏理工学院 | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 |
CN111523090A (zh) * | 2020-04-24 | 2020-08-11 | 商丘师范学院 | 基于高斯混合概率假设密度的数目时变多目标跟踪方法 |
CN111722214A (zh) * | 2020-06-03 | 2020-09-29 | 昆明理工大学 | 雷达多目标跟踪phd实现方法 |
CN111811515A (zh) * | 2020-07-03 | 2020-10-23 | 浙江工业大学 | 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法 |
CN112328959A (zh) * | 2020-10-14 | 2021-02-05 | 哈尔滨工程大学 | 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法 |
CN112529797A (zh) * | 2020-12-04 | 2021-03-19 | 中国人民解放军63921部队 | 基于序列视轴指向矢量的目标轨迹确认方法 |
CN112711025A (zh) * | 2019-10-24 | 2021-04-27 | 中国科学院声学研究所 | 一种水下多站联合多目标跟踪方法及系统 |
CN112946625A (zh) * | 2021-02-04 | 2021-06-11 | 江南大学 | 基于b样条形状驱动多扩展目标航迹跟踪及分类方法 |
CN113030940A (zh) * | 2021-02-05 | 2021-06-25 | 河南科技大学 | 一种转弯机动下的多星凸型扩展目标跟踪方法 |
CN113238218A (zh) * | 2021-04-22 | 2021-08-10 | 中山大学 | 基于phd滤波的临近空间高超声速目标跟踪方法 |
CN113391285A (zh) * | 2021-05-25 | 2021-09-14 | 西安理工大学 | 一种量测随机延迟下带闪烁噪声的目标跟踪平滑方法 |
CN113534131A (zh) * | 2021-07-20 | 2021-10-22 | 西安邮电大学 | 基于gm-phd的运动参数估计组合平滑滤波方法 |
CN114325686A (zh) * | 2021-12-23 | 2022-04-12 | 中国人民解放军国防科技大学 | 基于smc-phd滤波器的多目标跟踪方法 |
CN114739383A (zh) * | 2022-03-04 | 2022-07-12 | 中国人民解放军空军工程大学 | 一种基于多目标不确定性改进的gm-phd滤波方法 |
CN115790575A (zh) * | 2023-01-31 | 2023-03-14 | 南京航空航天大学 | 一种基于多星协同无源探测的巨型星座目标跟踪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372646A (zh) * | 2016-08-30 | 2017-02-01 | 上海交通大学 | 基于srck‑gmcphd滤波的多目标跟踪方法 |
WO2017124299A1 (zh) * | 2016-01-19 | 2017-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
-
2019
- 2019-07-09 CN CN201910612765.3A patent/CN110320512A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017124299A1 (zh) * | 2016-01-19 | 2017-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 |
CN106372646A (zh) * | 2016-08-30 | 2017-02-01 | 上海交通大学 | 基于srck‑gmcphd滤波的多目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
赵甜甜: "带标签的概率假设密度滤波算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711025A (zh) * | 2019-10-24 | 2021-04-27 | 中国科学院声学研究所 | 一种水下多站联合多目标跟踪方法及系统 |
CN110930692A (zh) * | 2019-10-24 | 2020-03-27 | 河北德冠隆电子科技有限公司 | 一种主动式车辆连续跟踪装置、系统及方法 |
CN110930692B (zh) * | 2019-10-24 | 2021-06-18 | 河北德冠隆电子科技有限公司 | 一种主动式车辆连续跟踪装置、系统及方法 |
CN110865343B (zh) * | 2019-11-13 | 2022-04-29 | 中国人民解放军海军航空大学 | 基于lmb的粒子滤波检测前跟踪方法及系统 |
CN110865343A (zh) * | 2019-11-13 | 2020-03-06 | 中国人民解放军海军航空大学 | 基于lmb的粒子滤波检测前跟踪方法及系统 |
CN110909312A (zh) * | 2019-12-18 | 2020-03-24 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN110909312B (zh) * | 2019-12-18 | 2022-04-22 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN111291312A (zh) * | 2020-02-28 | 2020-06-16 | 大连海事大学 | 一种基于当前统计模型的模糊自适应算法的机动目标跟踪方法 |
CN111523090A (zh) * | 2020-04-24 | 2020-08-11 | 商丘师范学院 | 基于高斯混合概率假设密度的数目时变多目标跟踪方法 |
CN111523090B (zh) * | 2020-04-24 | 2023-03-31 | 商丘师范学院 | 基于高斯混合概率假设密度的数目时变多目标跟踪方法 |
CN111504327A (zh) * | 2020-04-30 | 2020-08-07 | 江苏理工学院 | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 |
CN111504327B (zh) * | 2020-04-30 | 2023-10-27 | 江苏理工学院 | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 |
CN111722214B (zh) * | 2020-06-03 | 2024-01-30 | 昆明理工大学 | 雷达多目标跟踪phd实现方法 |
CN111722214A (zh) * | 2020-06-03 | 2020-09-29 | 昆明理工大学 | 雷达多目标跟踪phd实现方法 |
CN111811515A (zh) * | 2020-07-03 | 2020-10-23 | 浙江工业大学 | 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法 |
CN111811515B (zh) * | 2020-07-03 | 2022-10-04 | 浙江工业大学 | 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法 |
CN112328959B (zh) * | 2020-10-14 | 2023-04-11 | 哈尔滨工程大学 | 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法 |
CN112328959A (zh) * | 2020-10-14 | 2021-02-05 | 哈尔滨工程大学 | 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法 |
CN112529797B (zh) * | 2020-12-04 | 2024-05-31 | 中国人民解放军63921部队 | 基于序列视轴指向矢量的目标轨迹确认方法 |
CN112529797A (zh) * | 2020-12-04 | 2021-03-19 | 中国人民解放军63921部队 | 基于序列视轴指向矢量的目标轨迹确认方法 |
CN112946625A (zh) * | 2021-02-04 | 2021-06-11 | 江南大学 | 基于b样条形状驱动多扩展目标航迹跟踪及分类方法 |
CN113030940A (zh) * | 2021-02-05 | 2021-06-25 | 河南科技大学 | 一种转弯机动下的多星凸型扩展目标跟踪方法 |
CN113030940B (zh) * | 2021-02-05 | 2023-11-17 | 河南科技大学 | 一种转弯机动下的多星凸型扩展目标跟踪方法 |
CN113238218A (zh) * | 2021-04-22 | 2021-08-10 | 中山大学 | 基于phd滤波的临近空间高超声速目标跟踪方法 |
CN113238218B (zh) * | 2021-04-22 | 2023-10-20 | 中山大学 | 基于phd滤波的临近空间高超声速目标跟踪方法 |
CN113391285A (zh) * | 2021-05-25 | 2021-09-14 | 西安理工大学 | 一种量测随机延迟下带闪烁噪声的目标跟踪平滑方法 |
CN113391285B (zh) * | 2021-05-25 | 2024-03-08 | 西安理工大学 | 一种量测随机延迟下带闪烁噪声的目标跟踪平滑方法 |
CN113534131B (zh) * | 2021-07-20 | 2023-08-08 | 西安邮电大学 | 基于gm-phd的运动参数估计组合平滑滤波方法 |
CN113534131A (zh) * | 2021-07-20 | 2021-10-22 | 西安邮电大学 | 基于gm-phd的运动参数估计组合平滑滤波方法 |
CN114325686A (zh) * | 2021-12-23 | 2022-04-12 | 中国人民解放军国防科技大学 | 基于smc-phd滤波器的多目标跟踪方法 |
CN114325686B (zh) * | 2021-12-23 | 2024-05-03 | 中国人民解放军国防科技大学 | 基于smc-phd滤波器的多目标跟踪方法 |
CN114739383A (zh) * | 2022-03-04 | 2022-07-12 | 中国人民解放军空军工程大学 | 一种基于多目标不确定性改进的gm-phd滤波方法 |
CN114739383B (zh) * | 2022-03-04 | 2024-05-14 | 中国人民解放军空军工程大学 | 一种基于多目标不确定性改进的gm-phd滤波方法 |
CN115790575A (zh) * | 2023-01-31 | 2023-03-14 | 南京航空航天大学 | 一种基于多星协同无源探测的巨型星座目标跟踪方法 |
CN115790575B (zh) * | 2023-01-31 | 2023-05-23 | 南京航空航天大学 | 一种基于多星协同无源探测的巨型星座目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320512A (zh) | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 | |
CN110084831B (zh) | 基于YOLOv3多伯努利视频多目标检测跟踪方法 | |
Rutten et al. | Recursive track-before-detect with target amplitude fluctuations | |
Ristic et al. | Improved SMC implementation of the PHD filter | |
Bar-Shalom et al. | Multisensor track-to-track association for tracks with dependent errors | |
CN105182291B (zh) | 自适应目标新生强度的phd平滑器的多目标跟踪方法 | |
Clark et al. | Group target tracking with the gaussian mixture probability hypothesis density filter | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
CN111127523B (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
CN101944234A (zh) | 特征迹驱动的多目标跟踪方法及装置 | |
Wang et al. | Fuzzy-control-based particle filter for maneuvering target tracking | |
CN104156984A (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 | |
Cao et al. | Correlation-based tracking of multiple targets with hierarchical layered structure | |
CN108717702B (zh) | 基于分段rts的概率假设密度滤波平滑方法 | |
CN113673565A (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
Maharani et al. | Particle filter based single shot multibox detector for human moving prediction | |
Soysal et al. | Data fusion in a multistatic radar network using covariance intersection and particle filtering | |
Nygårds et al. | Decentralized tracking in sensor networks with varying coverage | |
Zhang et al. | A new visual object tracking algorithm using Bayesian Kalman filter | |
CN111811515B (zh) | 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法 | |
CN115097437A (zh) | 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 | |
Lim et al. | Non-overlapping distributed tracking system utilizing particle filter | |
Tzevanidis et al. | Unsupervised learning of background modeling parameters in multicamera systems | |
Emambakhsh et al. | Filtering point targets via online learning of motion models | |
Davey et al. | H-PMHT for correlated targets |
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 |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |