CN110361744A - 基于密度聚类的rbmcda水下多目标跟踪方法 - Google Patents
基于密度聚类的rbmcda水下多目标跟踪方法 Download PDFInfo
- Publication number
- CN110361744A CN110361744A CN201910614850.3A CN201910614850A CN110361744A CN 110361744 A CN110361744 A CN 110361744A CN 201910614850 A CN201910614850 A CN 201910614850A CN 110361744 A CN110361744 A CN 110361744A
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- state
- data
- time
- 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 claims abstract description 203
- 238000000034 method Methods 0.000 claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000012952 Resampling Methods 0.000 claims abstract description 36
- 230000004083 survival effect Effects 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 240000006829 Ficus sundaica Species 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 241001168730 Simo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明是于密度聚类的RBMCDA水下多目标跟踪方法。本发明对每个粒子初始权重置,获得初始时刻粒子群数据;计算可见目标死亡概率,随机抽取死亡目标,对所有粒子存活目标状态进行预测;根据更新后的每个粒子的权值,采用重采样法对粒子状态和粒子目标标签矩阵进行重采样;采用密度聚类算法对所有粒子的所有目标状态估计结果聚类,对每个簇每个样本按理权值加权求和,获得所述每个簇的状态均值;每个粒子标签向量分别与目标标签矩阵相匹配,获得每个聚类簇的系统目标编号,更新目标标签矩阵,获得新的目标标签矩阵;根据粒子数据的密度聚类和目标编号管理结果,输出当前时刻所有目标编号及状态均值。
Description
技术领域
本发明涉及水下多目标跟踪技术领域,是一种基于密度聚类的RBMCDA水下多目标跟踪方法。
背景技术
水下多目标跟踪是指使用一个或多个传感器对水下多个目标的运动状态进行跟踪,它是多目标跟踪技术的一个分支。目前多目标跟踪算法主要分为三大类:1、联合概率数据关联(Joint Probability DataAssociation,JPDA)算法;2、多假设跟踪(MultipleHypothesis Tracking,MHT),为了提高MHT算法的性能,Simo等人在其发表的Rao-Blackwellized Particle Filter For Multiple Target Tracking[M].InformationFusion.2007中,引入Rao-Blackwellized粒子滤波(RBPF)思想,提出了Rao-Blackwellized蒙特卡洛数据关联(RBMCDA)算法,能够以较少粒子数获得较高的跟踪精度;3、由Mahler等人提出的基于随机有限集(Random Finite Set,RFS)的跟踪算法,针对RFS类滤波器中多维积分难以求解的问题,Vo等人给出了PHD、CPHD、MeMBer滤波器的两种工程实现方式:高斯混合(GM,Gaussian Mixture)近似和序贯蒙特卡洛积分(SMC,Sequential Monte Carlo)近似。
目前,如何解决在未知目标数量、目标状态及杂波干扰下的多目标航迹关联问题和跟踪算法的实时化实现是水下多目标跟踪的研究重点。JPDA在目标数过大时存在组合爆炸的弊端,RFS类跟踪算法在理论上效果优于其他两类,但是由于其庞大的计算量,目前难以运用到实时系统中。因此,MHT是当前应用较广的多目标跟踪算法。RBMCDA虽然相比于MHT跟踪性能更佳,但是难以直接应用于实时跟踪系统中。
RBMCDA算法中每个粒子均执行多假设数据关联和目标状态估计,粒子之间相互独立,通过粒子权值来衡量跟踪的准确性,在跟踪结束时刻选取权值最大的粒子,将其历史跟踪数据作为这一段时间内的跟踪结果。因此,该算法需要在一段时间持续跟踪后,才能给出最终的跟踪结果,无法实时跟踪。如果简单的提取每一时刻最优粒子作为该时刻的跟踪输出,暂且将这种方法记为K-RBMCDA,虽然能够实时给出跟踪结果,但是目标编号是混乱的。根本原因是粒子之间相互独立,每个粒子对不同目标的编号是独立的。
水下多目标跟踪的观测数据一般为主动声纳探测系统给出的探测方位和探测距离。对于以二维高斯坐标为状态矢量的系统,观测方程是非线性的,因此,在目标状态估计的过程中,标准卡尔曼滤波不再适用。扩展卡尔曼滤波和无迹卡尔曼滤波是卡尔曼滤波针对非线性系统的改进,粒子滤波也适用于非线性非高斯系统中,在粒子数足够多的情况下,理论上可以逼近任何非线性方程。无迹卡尔曼滤波不管是在滤波精度和计算复杂度上都是比较优越的,因此可用于水下多目标跟踪中的目标状态估计。
发明内容
本发明为解决在未知目标数量、目标状态及杂波干扰下的多目标航迹关联和跟踪结果的目标编号混乱的问题,本发明提供了一种基于密度聚类的RBMCDA水下多目标跟踪方法,本发明提供了以下技术方案:
一种基于密度聚类的RBMCDA水下多目标跟踪方法,包括如下步骤:
步骤一:初始化不可见目标状态均值和协方差,对每个粒子初始权重置,获得初始时刻粒子群数据;
步骤二:计算每个粒子下每个存活目标距上次被量测时的更新时长,计算可见目标死亡概率,随机抽取死亡目标,对所有粒子存活目标状态进行预测;
步骤三:提取当前时刻的一个量测数据,对于每个粒子建立所述一个量测数据关联目标的多个情况,所述情况分为关联野值、关联存活目标、关联新生目标,分别计算每种情况下的后验概率,并按概率随机抽取一个情况;
步骤四:根据随机抽取的情况,更新当前时刻存活目标的状态;
步骤五:根据随机抽取的情况,更新粒子权值;
步骤六:根据更新后的每个粒子的权值,采用重采样法对粒子状态和粒子目标标签矩阵进行重采样;
步骤七:采用密度聚类算法对所有粒子的所有目标状态估计结果聚类,获得聚类簇集合以及每个簇对应的粒子标签向量,对每个簇每个样本按理权值加权求和,获得所述每个簇的状态均值;
步骤八:每个粒子标签向量分别与目标标签矩阵相匹配,获得每个聚类簇的系统目标编号,同时更新目标标签矩阵,获得新的目标标签矩阵;
步骤九:根据粒子数据的密度聚类和目标编号管理结果,输出当前时刻所有目标编号及状态均值,当依旧存在量测数据时,返回步骤二,反之则结束跟踪。
优选地,所述步骤一具体为:初始化不可见目标状态均值m0和协方差P0,使得每个粒子初始权重置,获得初始时刻粒子群数据,通过下式表示初始化时刻粒子群数据:
其中,i为粒子编号,N为粒子数,和分别粒子i下目标的初始状态均值和协方差,表示粒子i在初始时刻的权值,为数据关联指示器。
优选地,所述步骤二具体为:
第一步:通过一个伽玛函数计算每个可见目标的死亡概率,生成0-1范围内随机数,当可见目标死亡概率低于所述随机数时,判定可见目标死亡,并至多死亡一个可见目标;
第二步:当一个可见目标死亡后,则移除该死亡目标状态数据,当没有可见目标死亡时,则利用无迹卡尔曼滤波器预测可见目标的状态均值和协方差,当可见目标状态空间是高斯线性的时,则使用标准卡尔曼滤波器预测可见目标的状态均值和协方差;
第三步:当目标做匀速直线运动时,状态矢量中xk1和yk1是目标位置坐标,和是目标坐标变化率,观测矢量为方位角和距离,即yk=[θk rk]T,yk为观测矢量,θk为观测方位角,rk为观测距离,通过下式表示水下目标的状态空间:
yk=[θk rk]T (3)
其中,xk为状态矢量,xk1和yk1是目标位置坐标,和是目标坐标变化率,yk为观测矢量,θk为观测方位角,rk为观测距离,atan2(·)为反正切函数,Ak-1是k-1时刻的状态转移矩阵;qk-1是k-1时刻过程噪声,满足零均值、协方差为Qk-1的高斯分布;hk(·)是观测函数,rk是k时刻的观测噪声,满足零均值、协方差为Rk的高斯分布;
当存活目标的状态通过无迹卡尔曼滤波器预测时,采样策略选取比例修正采样,首先获取每个粒子i下每个目标j的所有Sigma点一阶权系数Wl m和二阶权系数Wl c,通过下式表示Wl m和Wl c:
其中,n为状态矢量xk的维度,和分别表示粒子i下目标j状态矢量的均值和协方差;修正比例系数为λ=α2(p+κ)-p,其中α为比例缩放因子,取值范围为0≤α≤1;κ为比例系数,对于高斯分布,当状态变量为单变量时,选择κ=0,当状态变量为多变量时,选择κ=3-n;β为高阶项引入系数β,β=2;
第四步:获得存活目标状态预测值和协方差预测值,通过下式表示存活目标状态预测值和协方差预测值:
其中,为状态变量,和表示k时刻粒子i下目标j状态矢量xk的均值和协方差的预测值,Qk-1是过程噪声协方差,L为整数。
优选地,所述步骤三具体为:
第一步:选用一个数据关联指示器,通过下式表示所述指示器:
λk={ek,ck},0≤ck≤Tk-1+1 (9)
其中,λk为数据关联指示器,ek为目标可见性指示器,是一个具有ξ长度的二进制矢量;ck为用于指示哪个观测数据关联哪个目标,其中Tk-1为k-1时刻的可见目标数,取值为零代表关联杂波;
在RBPF框架下,将λk作为非线性潜在变量,通过一个SIR粒子滤波器计算得到;选取最优重要性分布为p(λk|y1:k,λ1:k-1),其中,y1:k表示从1时刻到k时刻的所有观测数据集,λ1:k-1为从1时刻到k-1时刻的所有数据关联指示器的集合,非线性潜在变量λk的SIR滤波器估计通过下式表示:
其中,为k时刻粒子i的数据关联情况,和分别表示未归一化和已归一化的粒子权值;为的后验概率;
第二步:对于每个粒子建立一个量测数据关联目标的多个情况,所述情况分为关联野值、关联存活目标、关联新生目标,分别计算每种情况下的后验概率,并按概率随机抽取一个情况;按概率抽取关联情况即产生一个0-1范围随机数,当高于这个0-1的随机数时,则抽取该关联情况。
优选地,所述步骤四具体为:
根据抽取的关联情况,更新当前时刻存活目标的状态;当关联野值时,则无需更新任何目标,当关联存活目标或则新生目标时,则利用无迹卡尔曼滤波更新其状态均值和协方差即通过下式表示更新过程:
其中,为经过观测方程后的输出,为无迹卡尔曼滤波对粒子i下目标j的观测数据的预测值,Rk为观测噪声协方差,表示观测数据的自协方差,为状态矢量与观测数据的互协方差,为无迹卡尔曼滤波增益,和为无迹卡尔曼滤波器的最终输出,即k时刻粒子i下目标j状态均值和协方差的估计值。
优选地,所述步骤五具体为:
根据抽取的关联情况,更新粒子权值,通过下式更新权值:
优选地,所述步骤六具体为:
根据更新后的每个粒子的权值,选取重采样方法,所述重采样方法包括随机重采样、分层重采样、系统重采样、残差重采样方法,对粒子状态的重采样和目标标签矩阵的重采样;
当有效粒子数时,进行重采样,并且将所有粒子权重分配为1/N,其中Nth为事先设置好的粒子数门限值,但是每个时刻都进行重采样。
优选地,所述步骤七具体为:
在时刻k,记为粒子i第ji个目标的状态均值,每个粒子下的目标数可能是不同的,那么该时刻所有粒子的所有目标的状态均值集合为:
其中,Dk为k时刻所有粒子的所有目标的状态均值集合,为粒子i第ji个目标的状态均值,i∈{1,2,...,N};
以Dk密度聚类的输入数据集,采用DBSCAN算法或者MDCA、OPTICS、DENCLUE密度聚类算法对所有粒子的所有目标状态估计结果聚类,获得聚类簇集合,通过下式表示聚类簇集合:
Σk={Ck,1,Ck,l,...,Ck,T} (14)
其中,Σk表示聚类簇集合,Ck,l表示k时刻聚类簇,T为聚类簇个数;
同时获得每个Ck,l对应粒子标签向量,对Ck,l每个成员按粒子权值加权求和,得到Ck,l的状态均值。
优选地,所述步骤八具体为:
第一步:将粒子标签向量Vk.l分别与目标标签矩阵Bk-1匹配,获得每个聚类簇的系目标编号,同时更新Bk-1,获得新的目标标签矩阵Bk;
第一步:建立一个目标标签矩阵Bk-1,该矩阵是一个二维矩阵,其列数为N+1,N为粒子个数,行数为当前时刻可见目标个数;第一列为当前时刻可见目标的系统目标编号,后N列分别记录可见目标在每个粒子下的粒子目标编号,0则表示该粒子不存在这个目标;
第二步:将聚类簇Ck,l中的每个样本在其对应粒子下的目标编号记在维度为1×N的粒子标签向量Vk.l中;当Ck,l中不存在某一粒子的数据,则在同样Vk.l对应位置置零;将k时刻所有Vk.l向量与k-1时刻矩阵Bk-1的每一行做匹配,当相同粒子下的粒子目标编号一样则对匹配次数Nm加1;
第三步:设置匹配比率门限θm,此处m即为match缩写,无具体意义,当最终的匹配次数满足Nm/|Ck,l|≥θm时,则判定聚类簇Ck,l是矩阵B所在行对应目标的状态,从而获得聚类簇Ck,l的系统目标编号,最后再对Bk-1该行数据进行更新,获得新的目标标签矩阵Bk;
当Vk.l与B所有行都不匹配时,则认为Ck,l是一个新目标数据,此时为矩阵B增加一行数据,数值即为Vk.l;对于矩阵B中长时间不被更新的行,判定目标已经消亡,删除此行数据。
本发明具有以下有益效果:
(1)本发明能够实时的给出每个时刻的跟踪结果,并且达到甚至优于非实时跟踪算法RBMCDA的跟踪算法的性能,特别是粒子数越多效果越佳。
(2)本发明降低了对先验参数的敏感程度,在先验参数失配的情况下,跟踪性能明显优于RBMCDA,特别是降低了虚警目标产生的概率。
(3)本发明针对水下探测系统的特点,将UKF无迹卡尔曼用于水下多目标跟踪中的滤波,不仅滤波精度高并且计算速度也较快。
附图说明
图1是基于密度聚类的RBMCDA水下多目标跟踪方法流程图。
图2是粒子数据的密度聚类与目标编号管理示意图。
图3是观测点与目标态势图。
图4目标真实时间方位历程图与时间距离历程图。
图5为探测解算的二维平面位置图。
图6为探测方位与距离图。
图7为RBMCDA算法跟踪结果(a)目标的(x,y)坐标;(b)目标位置;(c)目标个数估计。
图8为K-RBMCDA算法跟踪结果(a)目标的(x,y)坐标;(b)目标位置;(c)目标个数估计;
图9为C-RBMCDA算法跟踪结果(a)目标的(x,y)坐标;(b)目标位置;(c)目标个数估计。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
按照图1所示流程图,本发明提供一种基于密度聚类的RBMCDA水下多目标跟踪方法,包括如下步骤:
步骤一:初始化不可见目标状态均值和协方差,对每个粒子初始权重置,获得初始时刻粒子群数据;
步骤二:计算每个粒子下每个存活目标距上次被量测时的更新时长,计算可见目标死亡概率,随机抽取死亡目标,对所有粒子存活目标状态进行预测;
步骤三:提取当前时刻的一个量测数据,对于每个粒子建立所述一个量测数据关联目标的多个情况,所述情况分为关联野值、关联存活目标、关联新生目标,分别计算每种情况下的后验概率,并按概率随机抽取一个情况;
步骤四:根据随机抽取的情况,更新当前时刻存活目标的状态;
步骤五:根据随机抽取的情况,更新粒子权值;
步骤六:根据更新后的每个粒子的权值,采用重采样法对粒子状态和粒子目标标签矩阵进行重采样;
步骤七:采用密度聚类算法对所有粒子的所有目标状态估计结果聚类,获得聚类簇集合以及每个簇对应的粒子标签向量,对每个簇每个样本按理权值加权求和,获得所述每个簇的状态均值;
步骤八:每个粒子标签向量分别与目标标签矩阵相匹配,获得每个聚类簇的系统目标编号,同时更新目标标签矩阵,获得新的目标标签矩阵;
步骤九:根据粒子数据的密度聚类和目标编号管理结果,输出当前时刻所有目标编号及状态均值,当依旧存在量测数据时,返回步骤二,反之则结束跟踪。
具体实施例二:
步骤1、初始化时刻粒子群数据:其中i为粒子编号,表示粒子i在初始时刻的权值,为数据关联指示器,用于表示每一组观测数据关联哪个目标,和分别粒子i下目标的初始状态均值(由目标位置坐标及其变化率组成的矢量)和协方差;
步骤2、对于每一个粒子,计算该粒子下每个存活目标距上次被观测关联的时长,通过一个伽马函数计算每个可见目标(存活目标)死亡的概率,生成0-1范围随机数,当可见目标死亡概率低于这个随机数时,判定该可见目标死亡,并且限定至多死亡一个可见目标。如果有可见目标死亡,则移除其状态数据;对于没有死亡的可见目标,则利用无迹卡尔曼滤波器预测其状态均值和协方差,如果状态空间是高斯线性的,那么也可以使用标准卡尔曼滤波器;
特别的,当目标做匀速直线运动(CV模型),状态矢量其中xk和yk是目标位置坐标,和是目标坐标变化率(速度),观测矢量为方位角和距离,即yk=[θk rk]T,水下目标的状态空间可以表示为:
其中,Ak-1是k-1时刻的状态转移矩阵,qk-1是k-1时刻过程噪声,满足零均值、协方差为Qk-1的高斯分布;hk(·)是观测函数,rk是k时刻的观测噪声,满足零均值、协方差为Rk的高斯分布。Ak-1和hk(·)的形式如下:
其中,atan2(·)为反正切函数,范围值范围为-π~π,方位角θk的定义为目标与观测者连线与y轴正向的夹角,顺时针方向为正向。
存活目标的状态通过无迹卡尔曼滤波器预测,采样策略选取比例修正采样,首先获取每个粒子i下每个目标j的所有Sigma点一阶权系数Wl m和二阶权系数Wl c,即:
其中,n为状态矢量xk的维度,和分别表示粒子i下目标j状态矢量xk的均值和协方差;修正比例系数为λ=α2(p+κ)-p,其中α为比例缩放因子,取值范围为0≤α≤1,通常选取一个非常小的正值(1×10-3);κ为比例系数,对于高斯分布,当状态变量为单变量时,选择κ=0,当状态变量为多变量时,一半选择κ=3-n。对于高斯分布,高阶项引入系数β的最佳选择是β=2。进而获得存活目标状态预测值和协方差预测值:
其中,为状态变量,和为表示k-1时刻粒子i下目标j状态矢量xk的均值和协方差的估计值,和表示k时刻粒子i下目标j状态s矢量xk的均值和协方差的预测值,Qk-1是过程噪声协方差。状态矢量xk是一个形式上的随机变量,是对xk的均值估计,整个跟踪过程中都是对状态矢量的均值进行估计。
步骤3、提取当前时刻的一个观测数据,对于每一个粒子,建立该观测数据关联目标的多个情况,分为三大类:关联野值、关联存活目标、关联新生目标。分别计算每种关联情况下的后验概率,并按概率随机抽取一个关联情况。
这数据关联用一个数据关联指示器λk={ek,ck}表示,其中ek为目标可见性指示器,是一个具有ξ长度的二进制矢量,1表示目标可见,0表示目标不可见,目标不可见的原因可能是目标尚未出现或者已经消亡。ck用于指示哪个观测数据关联哪个目标,取值范围为0≤ck≤Tk-1+1,其中Tk-1为k-1时刻的可见目标数,取值为零代表关联杂波(虚警)。
RBMCDA算法在RBPF框架下,将λk作为非线性潜在变量,通过一个SIR粒子滤波器计算所得。选取最优重要性分布为p(λk|y1:k,λ1:k-1),y1:k表示从1时刻到k时刻的所有观测数据集,λ1:k-1从1时刻到k-1时刻的所有数据关联指示器的集合,到这里那么非线性潜在变量λk的SIR滤波器估计描述如下:
其中,为k时刻粒子i的数据关联情况,和分别表示未归一化和已归一化的粒子权值。关联情况抽取过程即为重要性采样过程为的后验概率。按概率抽取关联情况即产生一个0-1范围随机数,当高于这个随机数时,则抽取这个关联情况。这是一个蒙特卡洛抽样过程,后验概率越大的关联情况越容易被抽到。
步骤4、根据抽取的关联情况,更新当前时刻存活目标的状态。如果关联野值,则无需更新任何目标,如果关联存活目标或则新生目标,则利用无迹卡尔曼滤波更新其状态均值和协方差即:
其中,为经过观测方程后的输出,为无迹卡尔曼滤波对粒子i下目标j的观测数据的预测值,Rk为观测噪声协方差,表示观测数据的自协方差,为状态矢量与观测数据的互协方差,为无迹卡尔曼滤波增益,中和为无迹卡尔曼滤波器的最终输出,即k时刻粒子i下目标j状态均值和协方差的估计值。
步骤5、根据抽取的关联情况,更新粒子权值,权值更新的计算公式可由公式给出;
步骤6、根据更新后的每个粒子的权值,选取重采样方法,可以选择随机重采样、分层重采样、系统重采样、残差重采样等方法,执行重要性采样步骤,包括粒子状态的重采样和目标标签矩阵的重采样。
一般情况下,当有效粒子数时,才进行重采样,并且将所有粒子权重分配为1/N,其中Nth为事先设置好的粒子数门限值,但是每个时刻都进行重采样效果更佳,仅会增加一点计算量。
步骤7、粒子数据的密度聚类:采用DBSCAN(Density-Based Spatial Clusteringof Applications with Noise)算法或者其他密度聚类算法(MDCA、OPTICS、DENCLUE等),对所有粒子的所有目标状态估计结果聚类,获得聚类簇Σk={Ck,1,Ck,l,...,Ck,T}及每个Ck,l对应粒子标签向量Vk.l,对Ck,l每个成员按粒子权值加权求和,获得该簇的状态均值;
步骤8、目标编号管理:每个Vk.l分别与目标标签矩阵Bk-1相匹配,获得每个聚类簇的系统目标编号,同时更新Bk-1获得新的目标标签矩阵Bk;
特别的步骤7和步骤8粒子数据的密度聚类和目标编号关联过程具体表述如下,在时刻k,记为粒子i(i∈{1,2,...,N})第ji个目标的状态均值,每个粒子下的目标数可能是不同的,那么该时刻所有粒子的所有目标的状态均值集合为:
将Dk作为密度聚类的输入数据集。同一个目标虽然在不同粒子下的编号存在不同的可能,但是其状态均值是比较接近的,通过密度聚类,相同目标在不同粒子下的状态均值会形成一个聚类簇Ck,l,Ck,l表示k时刻的第l个聚类簇,包含了此类别下的所有状态均值,所有聚类簇集合可以表示为Σk={Ck,1,Ck,l,...,Ck,T},其中T为聚类簇个数,也即当前时刻目标估计数目。提取集合Ck,l每个元素状态均值所对应的粒子权值,对这些粒子权值归一化,然后对状态矢量加权求和,获得该目标在k时刻的状态估计值。
通过密度聚类只能获得对目标状态的估计,但是仍然无法给出目标编号。由于每个聚类簇成员在其所属粒子下的编号是已知的,通过适当的目标编号管理,即可给出一致的目标编号。
首先建立一个目标标签矩阵B,该矩阵是一个二维矩阵,其列数为N+1(N为粒子个数),行数为当前时刻可见目标个数。第一列为当前时刻可见目标的系统目标编号,后N列分别记录可见目标在每个粒子下的粒子目标编号,0则表示该粒子不存在这个目标。将聚类簇Ck,l中的每个样本在其对应粒子下的目标编号记在维度为1×N的粒子标签向量Vk.l中,如果Ck,l中不存在某一粒子的数据,则在同样Vk.l对应位置置零,实际上Vk.l正对应着B的某一行数据。将k时刻所有Vk.l向量与k-1时刻B矩阵的每一行做匹配,如果相同粒子下的粒子目标编号一样则对匹配次数Nm加一。设置匹配比率门限θm,此处m即为match缩写,无具体意义,当最终的匹配次数满足Nm/|Ck,l|≥θm则认为该聚类簇Ck,l是B所在行对应目标的状态,从而获得该聚类簇的系统目标编号,最后再对B该行数据进行更新。如果Vk.l与B所有行都不匹配,则认为Ck,l是一个新目标数据,此时为B增加一行数据,数值即为Vk.l;对于B中长时间不被更新的行,说明目标已经消亡,删除此行数据。
密度聚类和目标编号管理的过程示例由图2给出,以粒子数为3目标数为2的情况作为示例。k时刻粒子数据中,每一个图形表示一个粒子下跟踪目标状态,图形中的目标编号是粒子下的目标编号。同一个粒子下的目标状态用同样的图形表示,用颜色区分不同目标。由于粒子的独立性,对于某一真实目标,不同粒子下的目标编号可能不同,例如1粒子的2号目标和2粒子的1号目标实际上对应同一个真实目标,但是它们在各自粒子下的目标编号是不同的,这里把所有粒子对应同一个真实目标的图形置为相同颜色。
通过密度聚类,相同颜色的粒子跟踪目标状态将会被聚到一起,形成两个聚类簇。记录两个聚类簇样本在每个粒子下的目标编号,获得粒子标签向量Vk.1=[1 2 1]和Vk.2=[2 1 0]。
假定k-1时刻目标标签矩阵为
显然,Vk.1与Bk-1第一行60%相匹配,Vk.2与Bk-1第二行100%相匹配。从而获得聚类簇1和聚类簇2的系统目标编号分别为1和2,即k时刻跟踪输出目标编号,目标状态由聚类簇1和聚类簇2的样本按粒子权值加权给出。
获得跟踪输出后,需要更新目标标签矩阵Bk-1。由于Vk.1与Bk-1第一行部分匹配,因此将Bk-1中与Vk.1不一致的地方替换为Vk.1中的值,获得新的目标标签矩阵Bk。
步骤9、根据粒子数据密度聚类和目标编号管理结果,输出当前时刻所有目标的编号及状态均值,如果还有观测数据返回步骤2,否则结束跟踪;
具体实施例三:
首先构造目标运动轨迹和观测数据,观测点位置与目标运动态势如图3所示,其中观测平台位置在原点,保持静止,观测时长为1000s,采样间隔1s;目标1保持机动,速率5m/s,可观测时间为201-800s;目标2保持航向角为45度(大地坐标系:航向与正北方向夹角,顺时针方向为正,范围0-360度)的匀速直线运动,速率10m/s,可观测时间为1-900s。图4为目标方位和径向距离的真值。按检测概率Pd=0.9,虚警概率Pf=0.15构造实际的观测方位和径向距离,其中方位观测噪声标准差Sd_Theta=2度,径向距离观测噪声标准差Sd_R=20m;方位观测范围为0~360度,径向距离0~10km。观测方位和径向距离如图6所示,对应的二维平面位置图如图5所示。
实验1
为了验证C-RBMCDA算法的可行性,使用图6构造观测方位和距离作为跟踪输入数据,分析C-RBMCDA算法的跟踪性能。分别给出了三种跟踪算法的跟踪结果:其中第一种为非实时跟踪算法RBMCDA的跟踪结果,并且使用UKF进行状态滤波;第二种是第一种方法的简单实时化实现,即选取k时刻最优粒子作为k时刻的跟踪结果,即K-RBMCDA;第三种是嵌入UKF的C-RBMCDA算法的跟踪结果。
三种方法先验参数设置一致,目标新生先验概率pb=0.001,野值先验概率cp=0.15,过程噪声协方差和观测噪声协方差分别为Qk=diag([0.1,0.1,0.1,0.1])和Rk=diag([2.52,252]),粒子数N=500。C-RBMCDA算法需要额外设置DBSCAN参数:领域半径ε=30m、ε-邻域样本个数MinPts=0.5*N=250,以及目标匹配门限θm=1×10-16。跟踪结果如图7~图9所示:
显然,RBMCDA算法能够正确跟踪两个目标,并且给出正确的目标编号。但是该方法跟踪结果是在跟踪结束时刻给出的,也即在第1000s后才能得到跟踪结果。K-RBMCDA算法虽然总体上跟踪到了真实目标,但是出现了许多虚警目标,例如3号跟踪目标基本都是虚警目标。除此之外,目标个数估计结果中,估计值存在凹陷点,这些凹陷时刻表明存在目标漏检。因此K-RBMCDA方法只能给出大致的跟踪结果,虚警和漏报都比较严重,无法正确估计目标个数。C-RBMCDA算法得到了和RBMCDA一致的跟踪性能,优点是它的跟踪结果是实时给出的。因此,C-RBMCDA与UKF结合的跟踪算法适用于水下多目标实时跟踪。
以上所述仅是基于密度聚类的RBMCDA水下多目标跟踪方法的优选实施方式,基于密度聚类的RBMCDA水下多目标跟踪方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (9)
1.一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:包括如下步骤:
步骤一:初始化不可见目标状态均值和协方差,对每个粒子初始权重置,获得初始时刻粒子群数据;
步骤二:计算每个粒子下每个存活目标距上次被量测时的更新时长,计算可见目标死亡概率,随机抽取死亡目标,对所有粒子存活目标状态进行预测;
步骤三:提取当前时刻的一个量测数据,对于每个粒子建立所述一个量测数据关联目标的多个情况,所述情况分为关联野值、关联存活目标、关联新生目标,分别计算每种情况下的后验概率,并按概率随机抽取一个情况;
步骤四:根据随机抽取的情况,更新当前时刻存活目标的状态;
步骤五:根据随机抽取的情况,更新粒子权值;
步骤六:根据更新后的每个粒子的权值,采用重采样法对粒子状态和粒子目标标签矩阵进行重采样;
步骤七:采用密度聚类算法对所有粒子的所有目标状态估计结果聚类,获得聚类簇集合以及每个簇对应的粒子标签向量,对每个簇每个样本按理权值加权求和,获得所述每个簇的状态均值;
步骤八:每个粒子标签向量分别与目标标签矩阵相匹配,获得每个聚类簇的系统目标编号,同时更新目标标签矩阵,获得新的目标标签矩阵;
步骤九:根据粒子数据的密度聚类和目标编号管理结果,输出当前时刻所有目标编号及状态均值,当依旧存在量测数据时,返回步骤二,反之则结束跟踪。
2.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:
所述步骤一具体为:初始化不可见目标状态均值m0和协方差P0,使得每个粒子初始权重置,获得初始时刻粒子群数据,通过下式表示初始化时刻粒子群数据:
其中,i为粒子编号,N为粒子数,和分别粒子i下目标的初始状态均值和协方差,表示粒子i在初始时刻的权值,为数据关联指示器。
3.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:所述步骤二具体为:
第一步:通过一个伽玛函数计算每个可见目标的死亡概率,生成0-1范围内随机数,当可见目标死亡概率低于所述随机数时,判定可见目标死亡,并至多死亡一个可见目标;
第二步:当一个可见目标死亡后,则移除该死亡目标状态数据,当没有可见目标死亡时,则利用无迹卡尔曼滤波器预测可见目标的状态均值和协方差,当可见目标状态空间是高斯线性的时,则使用标准卡尔曼滤波器预测可见目标的状态均值和协方差;
第三步:当目标做匀速直线运动时,状态矢量中xk1和yk1是目标位置坐标,和是目标坐标变化率,观测矢量为方位角和距离,即yk=[θk rk]T,yk为观测矢量,θk为观测方位角,rk为观测距离,通过下式表示水下目标的状态空间:
yk=[θk rk]T(3)
其中,xk为状态矢量,xk1和yk1是目标位置坐标,和是目标坐标变化率,yk为观测矢量,θk为观测方位角,rk为观测距离,atan2(·)为反正切函数,Ak-1是k-1时刻的状态转移矩阵;qk-1是k-1时刻过程噪声,满足零均值、协方差为Qk-1的高斯分布;hk(·)是观测函数,rk是k时刻的观测噪声,满足零均值、协方差为Rk的高斯分布;
当存活目标的状态通过无迹卡尔曼滤波器预测时,采样策略选取比例修正采样,首先获取每个粒子i下每个目标j的所有Sigma点一阶权系数Wl m和二阶权系数Wl c,通过下式表示Wl m和Wl c:
其中,n为状态矢量xk的维度,和分别表示粒子i下目标j状态矢量的均值和协方差;修正比例系数为λ=α2(p+κ)-p,其中α为比例缩放因子,取值范围为0≤α≤1;κ为比例系数,对于高斯分布,当状态变量为单变量时,选择κ=0,当状态变量为多变量时,选择κ=3-n;β为高阶项引入系数β,β=2;
第四步:获得存活目标状态预测值和协方差预测值,通过下式表示存活目标状态预测值和协方差预测值:
其中,为状态变量,和表示k时刻粒子i下目标j状态矢量xk的均值和协方差的预测值,Qk-1是过程噪声协方差,L为整数。
4.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:所述步骤三具体为:
第一步:选用一个数据关联指示器,通过下式表示所述指示器:
λk={ek,ck},0≤ck≤Tk-1+1(9)
其中,λk为数据关联指示器,ek为目标可见性指示器,是一个具有ξ长度的二进制矢量;ck为用于指示哪个观测数据关联哪个目标,其中Tk-1为k-1时刻的可见目标数,取值为零代表关联杂波;
在RBPF框架下,将λk作为非线性潜在变量,通过一个SIR粒子滤波器计算得到;选取最优重要性分布为p(λk|y1:k,λ1:k-1),其中,y1:k表示从1时刻到k时刻的所有观测数据集,λ1:k-1为从1时刻到k-1时刻的所有数据关联指示器的集合,非线性潜在变量λk的SIR滤波器估计通过下式表示:
其中,为k时刻粒子i的数据关联情况,和分别表示未归一化和已归一化的粒子权值;为的后验概率;
第二步:对于每个粒子建立一个量测数据关联目标的多个情况,所述情况分为关联野值、关联存活目标、关联新生目标,分别计算每种情况下的后验概率,并按概率随机抽取一个情况;按概率抽取关联情况即产生一个0-1范围随机数,当高于这个0-1的随机数时,则抽取该关联情况。
5.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:所述步骤四具体为:
根据抽取的关联情况,更新当前时刻存活目标的状态;当关联野值时,则无需更新任何目标,当关联存活目标或则新生目标时,则利用无迹卡尔曼滤波更新其状态均值和协方差即通过下式表示更新过程:
其中,为经过观测方程后的输出,为无迹卡尔曼滤波对粒子i下目标j的观测数据的预测值,Rk为观测噪声协方差,表示观测数据的自协方差,为状态矢量与观测数据的互协方差,为无迹卡尔曼滤波增益,和为无迹卡尔曼滤波器的最终输出,即k时刻粒子i下目标j状态均值和协方差的估计值。
6.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:所述步骤五具体为:
根据抽取的关联情况,更新粒子权值,通过下式更新权值:
7.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:所述步骤六具体为:
根据更新后的每个粒子的权值,选取重采样方法,所述重采样方法包括随机重采样、分层重采样、系统重采样、残差重采样方法,对粒子状态的重采样和目标标签矩阵的重采样;
当有效粒子数时,进行重采样,并且将所有粒子权重分配为1/N,其中Nth为事先设置好的粒子数门限值,但是每个时刻都进行重采样。
8.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:所述步骤七具体为:
在时刻k,记为粒子i第ji个目标的状态均值,每个粒子下的目标数可能是不同的,那么该时刻所有粒子的所有目标的状态均值集合为:
其中,Dk为k时刻所有粒子的所有目标的状态均值集合,为粒子i第ji个目标的状态均值,i∈{1,2,...,N};
以Dk密度聚类的输入数据集,采用DBSCAN算法或者MDCA、OPTICS、DENCLUE密度聚类算法对所有粒子的所有目标状态估计结果聚类,获得聚类簇集合,通过下式表示聚类簇集合:
Σk={Ck,1,Ck,l,...,Ck,T}(14)
其中,Σk表示聚类簇集合,Ck,l表示k时刻聚类簇,T为聚类簇个数;
同时获得每个Ck,l对应粒子标签向量,对Ck,l每个成员按粒子权值加权求和,得到Ck,l的状态均值。
9.根据权利要求1所述的一种基于密度聚类的RBMCDA水下多目标跟踪方法,其特征是:所述步骤八具体为:
第一步:将粒子标签向量Vk.l分别与目标标签矩阵Bk-1匹配,获得每个聚类簇的系目标编号,同时更新Bk-1,获得新的目标标签矩阵Bk;
第一步:建立一个目标标签矩阵Bk-1,该矩阵是一个二维矩阵,其列数为N+1,N为粒子个数,行数为当前时刻可见目标个数;第一列为当前时刻可见目标的系统目标编号,后N列分别记录可见目标在每个粒子下的粒子目标编号,0则表示该粒子不存在这个目标;
第二步:将聚类簇Ck,l中的每个样本在其对应粒子下的目标编号记在维度为1×N的粒子标签向量Vk.l中;当Ck,l中不存在某一粒子的数据,则在同样Vk.l对应位置置零;将k时刻所有Vk.l向量与k-1时刻矩阵Bk-1的每一行做匹配,当相同粒子下的粒子目标编号一样则对匹配次数Nm加1;
第三步:设置匹配比率门限θm,当最终的匹配次数满足Nm/|Ck,l|≥θm时,则判定聚类簇Ck,l是矩阵B所在行对应目标的状态,从而获得聚类簇Ck,l的系统目标编号,最后再对Bk-1该行数据进行更新,获得新的目标标签矩阵Bk;
当Vk.l与B所有行都不匹配时,则认为Ck,l是一个新目标数据,此时为矩阵B增加一行数据,数值即为Vk.l;对于矩阵B中长时间不被更新的行,判定目标已经消亡,删除此行数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614850.3A CN110361744B (zh) | 2019-07-09 | 2019-07-09 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614850.3A CN110361744B (zh) | 2019-07-09 | 2019-07-09 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110361744A true CN110361744A (zh) | 2019-10-22 |
CN110361744B CN110361744B (zh) | 2022-11-01 |
Family
ID=68218333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614850.3A Active CN110361744B (zh) | 2019-07-09 | 2019-07-09 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110361744B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849372A (zh) * | 2019-11-28 | 2020-02-28 | 哈尔滨工程大学 | 一种基于em聚类的水下多目标轨迹关联方法 |
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 |
CN111220158A (zh) * | 2020-01-15 | 2020-06-02 | 哈尔滨工程大学 | 一种基于时间方位历程图的线谱目标运动参数估计方法 |
CN112070548A (zh) * | 2020-09-11 | 2020-12-11 | 上海风秩科技有限公司 | 一种用户分层的方法、装置、设备及存储介质 |
CN112444778A (zh) * | 2020-11-18 | 2021-03-05 | 安徽理工大学 | 一种基于dbscan的参考点加权三边质心定位方法 |
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 |
CN113390406A (zh) * | 2021-06-16 | 2021-09-14 | 电子科技大学 | 基于被动多传感器系统的多目标数据关联与定位方法 |
CN114219022A (zh) * | 2021-12-13 | 2022-03-22 | 南京理工大学 | 结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998010307A1 (en) * | 1996-09-09 | 1998-03-12 | Dennis Jay Dupray | Location of a mobile station |
US20030146871A1 (en) * | 1998-11-24 | 2003-08-07 | Tracbeam Llc | Wireless location using signal direction and time difference of arrival |
US20060229856A1 (en) * | 2005-04-11 | 2006-10-12 | Nicolas Burrus | Systems, devices, and methods for diffusion tractography |
WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
CN101819682A (zh) * | 2010-04-09 | 2010-09-01 | 哈尔滨工程大学 | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 |
CN102830402A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 水下传感器网络目标跟踪系统及方法 |
US20140002617A1 (en) * | 2012-06-27 | 2014-01-02 | The Board Of Trustees Of The University Of Illinois | Particle tracking system and method |
CN103902812A (zh) * | 2014-03-05 | 2014-07-02 | 深圳大学 | 一种粒子滤波方法、装置及目标跟踪方法、装置 |
US20140372073A1 (en) * | 2011-05-04 | 2014-12-18 | Jacques Georgy | Two-stage filtering based method for multiple target tracking |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
CN105223576A (zh) * | 2015-09-24 | 2016-01-06 | 哈尔滨工程大学 | 一种基于单矢量潜标的线谱信号目标自动检测方法 |
CN105447574A (zh) * | 2015-11-10 | 2016-03-30 | 深圳大学 | 一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置 |
WO2016077786A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical premonitory event estimation |
CN105654963A (zh) * | 2016-03-23 | 2016-06-08 | 天津大学 | 频谱校正及数据密度聚类法语音欠定盲识别方法和装置 |
CN106202929A (zh) * | 2016-07-11 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 一种基于Bayes混合模型的命中精度评估方法 |
WO2018052987A1 (en) * | 2016-09-13 | 2018-03-22 | Ohio State Innovation Foundation | Systems and methods for modeling neural architecture |
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 |
CN108427112A (zh) * | 2018-01-22 | 2018-08-21 | 南京理工大学 | 一种改进的多扩展目标跟踪方法 |
CN108805012A (zh) * | 2018-04-24 | 2018-11-13 | 西安理工大学 | 基于无穷Dirichlet过程混合模型的指节识别方法 |
CN108931245A (zh) * | 2018-08-02 | 2018-12-04 | 上海思岚科技有限公司 | 移动机器人的局部自定位方法及设备 |
CN108983215A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法 |
US20190035088A1 (en) * | 2017-07-31 | 2019-01-31 | National Technology & Engineering Solutions Of Sandia, Llc | Data-driven delta-generalized labeled multi-bernoulli tracker |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
CN109460539A (zh) * | 2018-10-15 | 2019-03-12 | 中国科学院声学研究所 | 一种基于简化容积粒子滤波的目标定位方法 |
CN109581353A (zh) * | 2018-11-27 | 2019-04-05 | 北京信息科技大学 | 一种基于汽车雷达的多目标跟踪方法及系统 |
-
2019
- 2019-07-09 CN CN201910614850.3A patent/CN110361744B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998010307A1 (en) * | 1996-09-09 | 1998-03-12 | Dennis Jay Dupray | Location of a mobile station |
US20030146871A1 (en) * | 1998-11-24 | 2003-08-07 | Tracbeam Llc | Wireless location using signal direction and time difference of arrival |
US20060229856A1 (en) * | 2005-04-11 | 2006-10-12 | Nicolas Burrus | Systems, devices, and methods for diffusion tractography |
WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
CN101819682A (zh) * | 2010-04-09 | 2010-09-01 | 哈尔滨工程大学 | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 |
US20140372073A1 (en) * | 2011-05-04 | 2014-12-18 | Jacques Georgy | Two-stage filtering based method for multiple target tracking |
US20140002617A1 (en) * | 2012-06-27 | 2014-01-02 | The Board Of Trustees Of The University Of Illinois | Particle tracking system and method |
CN102830402A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 水下传感器网络目标跟踪系统及方法 |
CN103902812A (zh) * | 2014-03-05 | 2014-07-02 | 深圳大学 | 一种粒子滤波方法、装置及目标跟踪方法、装置 |
WO2016077786A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical premonitory event estimation |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
CN105223576A (zh) * | 2015-09-24 | 2016-01-06 | 哈尔滨工程大学 | 一种基于单矢量潜标的线谱信号目标自动检测方法 |
CN105447574A (zh) * | 2015-11-10 | 2016-03-30 | 深圳大学 | 一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置 |
CN105654963A (zh) * | 2016-03-23 | 2016-06-08 | 天津大学 | 频谱校正及数据密度聚类法语音欠定盲识别方法和装置 |
CN106202929A (zh) * | 2016-07-11 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 一种基于Bayes混合模型的命中精度评估方法 |
WO2018052987A1 (en) * | 2016-09-13 | 2018-03-22 | Ohio State Innovation Foundation | Systems and methods for modeling neural architecture |
US20190035088A1 (en) * | 2017-07-31 | 2019-01-31 | National Technology & Engineering Solutions Of Sandia, Llc | Data-driven delta-generalized labeled multi-bernoulli tracker |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
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 |
CN108427112A (zh) * | 2018-01-22 | 2018-08-21 | 南京理工大学 | 一种改进的多扩展目标跟踪方法 |
CN108805012A (zh) * | 2018-04-24 | 2018-11-13 | 西安理工大学 | 基于无穷Dirichlet过程混合模型的指节识别方法 |
CN108983215A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法 |
CN108931245A (zh) * | 2018-08-02 | 2018-12-04 | 上海思岚科技有限公司 | 移动机器人的局部自定位方法及设备 |
CN109460539A (zh) * | 2018-10-15 | 2019-03-12 | 中国科学院声学研究所 | 一种基于简化容积粒子滤波的目标定位方法 |
CN109581353A (zh) * | 2018-11-27 | 2019-04-05 | 北京信息科技大学 | 一种基于汽车雷达的多目标跟踪方法及系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849372B (zh) * | 2019-11-28 | 2023-02-14 | 哈尔滨工程大学 | 一种基于em聚类的水下多目标轨迹关联方法 |
CN110849372A (zh) * | 2019-11-28 | 2020-02-28 | 哈尔滨工程大学 | 一种基于em聚类的水下多目标轨迹关联方法 |
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 |
CN111220158A (zh) * | 2020-01-15 | 2020-06-02 | 哈尔滨工程大学 | 一种基于时间方位历程图的线谱目标运动参数估计方法 |
CN112070548A (zh) * | 2020-09-11 | 2020-12-11 | 上海风秩科技有限公司 | 一种用户分层的方法、装置、设备及存储介质 |
CN112070548B (zh) * | 2020-09-11 | 2024-02-20 | 上海秒针网络科技有限公司 | 一种用户分层的方法、装置、设备及存储介质 |
CN112444778A (zh) * | 2020-11-18 | 2021-03-05 | 安徽理工大学 | 一种基于dbscan的参考点加权三边质心定位方法 |
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 |
CN113390406A (zh) * | 2021-06-16 | 2021-09-14 | 电子科技大学 | 基于被动多传感器系统的多目标数据关联与定位方法 |
CN113390406B (zh) * | 2021-06-16 | 2022-05-24 | 电子科技大学 | 基于被动多传感器系统的多目标数据关联与定位方法 |
CN114219022A (zh) * | 2021-12-13 | 2022-03-22 | 南京理工大学 | 结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法 |
CN114219022B (zh) * | 2021-12-13 | 2024-09-06 | 南京理工大学 | 结合聚类分析和粒子群优化算法的多传感器多目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110361744B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361744B (zh) | 基于密度聚类的rbmcda水下多目标跟踪方法 | |
CN106022340A (zh) | 一种改进的高斯混合势概率假设密度滤波方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN108519595A (zh) | 联合多传感器配准与多目标跟踪方法 | |
CN109919233A (zh) | 一种基于数据融合的跟踪滤波方法 | |
Ebert et al. | Deep radar sensor models for accurate and robust object tracking | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN117724059A (zh) | 基于卡尔曼滤波算法的多源传感器融合航迹校正方法 | |
CA2675310A1 (en) | Method for evaluation of sensor measured values | |
Portas et al. | New approach to online optimal estimation of multisensor biases | |
CN116340876A (zh) | 一种局域多源数据融合的空间目标态势感知方法 | |
CN102707278B (zh) | 奇异值分解的多目标跟踪方法 | |
CN102707279B (zh) | 序列ud分解的多目标跟踪方法 | |
CN102426357B (zh) | 一种具有图像确认的多目标跟踪方法 | |
CN102707280B (zh) | 稳定结构的多目标跟踪方法 | |
CN117725382A (zh) | 一种基于Transformer模型的多平台雷达目标跟踪序贯估计融合方法 | |
CN112581616B (zh) | 基于序贯分块滤波的最近邻ukf-slam方法 | |
CN117928559B (zh) | 一种基于强化学习的威胁规避下无人机路径规划方法 | |
Westenkirchner et al. | Joint tracking and registration in multi-target multi-sensor surveillance using factor graphs | |
CN111665495B (zh) | 一种基于vsmm-gmphd的多目标跟踪方法 | |
Urru et al. | Data Fusion algorithms to improve test range sensors accuracy and precision | |
CN102707277B (zh) | 信息平方根分解的多目标跟踪方法 | |
CN116414026A (zh) | 一种针对高速高机运动目标的跟踪方法 | |
CN102901960B (zh) | 协方差分解的多目标跟踪方法 |
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 |