CN110687532A - 多群目标跟踪系统及方法 - Google Patents
多群目标跟踪系统及方法 Download PDFInfo
- Publication number
- CN110687532A CN110687532A CN201910840756.XA CN201910840756A CN110687532A CN 110687532 A CN110687532 A CN 110687532A CN 201910840756 A CN201910840756 A CN 201910840756A CN 110687532 A CN110687532 A CN 110687532A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- state
- prediction
- probability
- 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
Images
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
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
本申请提供一种多群目标跟踪系统及方法,系统包括:数据获取单元,用于获取在一时刻时多群目标的状态数据;数据建模单元,电性耦接于数据获取单元,用于将获取的状态数据建立状态模型;数据预测单元,电性耦接于数据建模单元,用于藉由伽马高斯逆威夏特概率假设密度滤波算法预估状态模型,并生成预测数据;数据更新单元,电性耦接于数据预测单元,用于引入预测数据更新状态模型。为解决上述现有技术中的群机动问题和存在模型概率先验固化问题。
Description
技术领域
本申请涉及目标量测领域,尤其涉及一种多群目标跟踪系统及方法。
背景技术
在雷达对目标监控、多目标编队跟踪等许多跟踪场景内,跟踪对象通常由一系列具有类似运动方式的空间临近目标组成,此类问题可归纳成群目标跟踪问题。现有技术存在对群运动形式进行建模,无法解决群机动问题以及没有对模型概率进行更新,存在模型概率先验固化问题。
发明内容
为解决上述现有技术中的群机动问题和存在模型概率先验固化问题,本申请提供一种多群目标跟踪系统,系统包括:数据获取单元,用于获取在一时刻时多群目标的状态数据;数据建模单元,电性耦接于数据获取单元,用于将获取的状态数据建立状态模型;数据预测单元,电性耦接于数据建模单元,用于藉由伽马高斯逆威夏特概率假设密度滤波算法预估状态模型,并生成预测数据;数据更新单元,电性耦接于数据预测单元,用于引入预测数据更新状态模型。
于一实施例中,状态数据包括多目标群的质心位置数据、速度数据以及群拓展状态数据;数据建模单元包括:群状态建模模块,电性耦接于数据获取单元,用于生成多群目标的状态集合以及多群目标的运动模型;
群测量建模模块,电性耦接于数据获取单元,用于生成多群目标的量测集合以及生成多群目标的量测模型。
于一实施例中,数据预测单元包括:量测比率预测模块,用于生成量测模型的预测有效窗长度;群质心运动状态预测模块,用于生成量测模型的预测概率扩展状态预测模块,用于根据预测概率得到自由度参数,以及逆尺度矩阵的一步预测值;修正一步预测协方差模块,用于藉由渐消因子修正量测集合的一步预测协方差
于一实施例中,数据更新单元包括:概率假设密度更新模块,用于更新多群目标的量测合计的假设密度。
于一实施例中,数据更新单元还包括:新生目标分量模型概率更新模块,用于生成新生目标分量的量测模型;存在目标分量模型概率更新模块,用于根据所述新生目标分量的量测模型更新目标分量的模型概率。
本申请还提供了一种多群目标跟踪方法,应用于上述系统,方法包括:
藉由数据获取单元获取在t时刻时多群目标的状态数据;
藉由数据建模单元将获取的状态数据建立状态模型;
藉由数据预测单元藉由伽马高斯逆威夏特概率假设密度滤波算法预估状态模型,并生成预测数据;
藉由数据更新单元引入预测数据更新状态模型。
于一实施例中,状态数据包括多目标群的质心位置数据、速度数据以及群拓展状态数据;藉由数据建模单元将获取的状态数据建立状态模型,包括:
藉由群状态建模模块生成多群目标的状态集合以及运动模型;
藉由群测量建模模块生成多群目标的量测集合以及多群目标的量测模型。
于一实施例中,藉由数据预测单元藉由伽马高斯逆威夏特概率假设密度滤波算法预估状态模型,并生成预测数据,包括:
藉由量测比率预测模块生成量测模型的预测有效窗长度;
于一实施例中,藉由数据更新单元引入预测数据更新状态模型,包括:
藉由概率假设密度更新模块更新多群目标的假设密度。
于一实施例中,藉由数据更新单元引入预测数据更新状态模型,还包括:
藉由新生目标分量模型概率更新模块生成新生目标分量的量测模型;
藉由存在目标分量模型概率更新模块根据新生目标分量的量测模型更新目标分量的模型概率。
附图说明
图1是本申请实施例提供的多群目标跟踪系统的示意图;
图2是本申请实施例提供的多群目标跟踪方法的流程图;
图3是本申请实施例提供的数据建模单元的示意图;
图4是图2所示步骤S200的具体流程图;
图5是本申请实施例提供的数据预测单元的示意图;
图6是图3所示步骤S300的具体流程图;
图7是本申请实施例提供的数据更新单元的示意图;
图8是图3所示步骤S400的具体流程图;
图9是本申请实施例提供的一种群质心状态OSPA距离仿真图;
图10是本申请实施例提供的另一种群质心状态OSPA距离仿真图;
图11是本申请实施例提供的一种算法的群扩展状态OSPA距离仿真图;
图12是本申请实施例提供的另一种算法群扩展状态OSPA距离仿真图;
图13是本申请实施例提供的一种算法的群目标数目估计OSPA距离;
图14是本申请实施例提供的另一种算法的群目标数目估计OSPA距离。
其中,系统10,数据获取单元100,
数据建模单元200、群状态建模模块210、群测量建模模块220,
数据预测单元300、量测比率预测模块310、群质心运动状态预测模块320、扩展状态预测模块330、修正一步预测协方差模块340,
数据更新单元400、概率假设密度更新模块410、新生目标分量模型概率更新模块420、存在目标分量模型概率更新模块430。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本案说明书全文及权利要求中所使用的“耦接”一词可指任何直接或间接的耦接手段。举例而言,若文中描述第一装置耦接于第二装置,则应该被解释成该第一装置可以直接耦接于该第二装置,或者该第一装置可以透过其他装置或某种耦接手段而间接地耦接至该第二装置。另外,在图式及实施方式中使用相同标号的组件/构件/步骤代表相同或类似部分。不同实施例中使用相同标号或使用相同用语的组件/构件/步骤可以相互参照相关说明。
图1是本申请实施例提供的多群目标跟踪系统的示意图,系统10包括:数据获取单元100、数据建模单元200、数据预测单元300、数据更新单元400,其中,数据建模单元200电性耦接于数据获取单元100,数据预测单元300电性耦接于数据建模单元200,数据更新单元400电性耦接于数据预测单元300。
于一实施例中,数据获取单元100获取目标的状态数据,数据建模单元200根据数据获取单元100获取的目标状态数据进行建模,建模的类型与目标状态数据的类型对应,于一实施例中,利用随机矩阵对群拓展状态进行建模,利用伽马分布对量测比率进行建模。
于一实施例中,数据预测单元300根据数据建模单元200建立的数据模型,对模型密度和模型的分布状态进行预测,以实现对多群目标的跟踪。
于一实施例中,数据更新单元400根据数据预测单元300的预测结果对原建模模型进行更新,更新后的量测模型可以降低跟踪结果的标准差,提高鲁棒性。
图2是本申请实施例提供的多群目标跟踪方法的流程图,方法包括:
步骤S100:藉由数据获取单元100获取在一时刻时,多群目标的状态数据;
于一实施例中,状态数据包括多目标群的质心位置数据、速度数据以及群拓展状态数据。其中,质心(Centre of Mass)指物质系统上被认为质量集中于此的一个假想点;速度是指待量测的多群目标的移动速度。
步骤S200:藉由数据建模单元200将获取的状态数据建立状态模型;
于一实施例中,状态模型是在跟踪群目标时,根据给定的测量集估计k时刻的群目标状态集Gk,传播群目标状态集Gk的预测集Dk|k-1(·)以及更新集Dk|k(·),Gk=NG,k,·代表集合的势。
步骤S300:藉由数据预测单元300,以及伽马高斯逆威夏特概率假设密度滤波算法对状态模型进行预测,并生成预测数据;
步骤S400:藉由数据更新单元400引入预测数据更新状态模型。
图3是本申请实施例提供的数据建模单元200的示意图,数据建模单元200包括群状态建模模块210和群测量建模模块220;群状态建模模块210电性耦接于数据获取单元100,群测量建模模块220电性耦接于数据获取单元100。
图4是图2所示步骤S200的具体流程图,步骤S200包括:
步骤S210:藉由群状态建模模块210生成多群目标的状态集合(1)以及生成多群目标的运动模型(2),
步骤S220:藉由群测量建模模块220生成多群目标的量测集合(3)以及生成多群目标的量测模型(4),
式(3)中,NZ,k=|Zk|是量测的个数,因此目标的量测模型(4)为
其中,代表Gamma概率密度函数,且有γ>0,外形参数α>0,逆尺度参数β>0。为一个负二项分布,且αk|k=αk|k-1+NZ,k,βk|k=βk|k-1+1。Gamma分布的期望和方差分别为: 假定γk的预测概率密度为一个衰减因子为0<1ηk<1的指数衰减形式的Gamma分布,则有
其中,代表均值μ,方差Σ的正态分布。表示变量X逆尺度矩阵为A,服从自由度为a的逆威夏特分布。高斯协方差且ζk|k=(αk|k,βk|k,mk|k,Pk|k,vk|k,Vk|k)为GGIW(Gamma Gaussian Inverse Wishart,伽马高斯逆威夏特)密度参数。假设杂波平均分布在跟踪区域中,且杂波数目服从参数为βFA,k的泊松分布。当跟踪区域面积为S时,βFA,k·S为杂波量测平均数目。
于一实施例中,由于群目标合并或衍生可能会导致原有的主体群目标的增大或减小,这会对群的状态估计产生很大影响,因此在Kullback-Leiber判别准则的基础上,对两个群目标合并为一个群和一个群目标衍生成两个群,两种情况所产生的变化进行建模。
图5是本申请实施例提供的数据预测单元300的示意图,数据预测单元300包括:量测比率预测模块310、群质心运动状态预测模块320、扩展状态预测模块330、修正一步预测协方差模块340,其中修正一步预测协方差模块340电性耦接于群质心运动状态预测模块320。
图6是图3所示步骤S300的具体流程图,步骤S300包括:
步骤S310:藉由量测比率预测模块310成量测模型的预测有效窗长度。于一实施例中,藉由量测比率公式(6)(7)生成第r个模型的预测有效窗长度(8)。
lengthk-1,r=1/(1-1/ηk-1,r)=ηk-1,r/(ηk-1,r-1) (8)
式(13)中,πir为模型概率转移矩阵。
步骤S330:藉由扩展状态预测模块330根据预测概率得到自由度参数,以及逆尺度矩阵的一步预测值。于一实施例中,藉由扩展状态预测公式(14)得到自由度参数,以及公式(15)得到逆尺度矩阵的一步预测值。
于一实施例中,式(16)中:
图7是本申请实施例提供的数据更新单元400的示意图,数据更新单元400包括:概率假设密度更新模块410、新生目标分量模型概率更新模块420、存在目标分量模型概率更新模块430。其中,概率假设密度更新模块410电性耦接于群质心运动状态预测模块320。
图8是图3所示步骤S400的具体流程图,步骤S400包括:
步骤S410:藉由概率假设密度更新模块410生成新生目标分量的量测模型。于一实施例中,藉由假设密度更新公式(22)更新所述多群目标的假设密度。
式(22)中,ND表示漏检部,D表示检测部分,W代表第W个量测子集。
具体更新步骤为:
此外,子集W的第j个GGIW分量的权重为:
其中:
其中,CPHD的更新由式(12)完成,权重由式(37)计算。
于一实施例中,势分布的计算为:
步骤S420:藉由新生目标分量模型概率更新模块420生成新生目标分量的量测模型。于一实施例中,藉由新生目标分量模型概率更新模块420生成新生目标分量模型(41),
式(41)中,为假设模型r的概率,M为模型集中的跟踪模型个数;
步骤S430:藉由存在目标分量模型概率更新模块430根据新生目标分量的量测模型(41)更新目标分量的模型概率。于一实施例中,藉由似然函数更新式(42)更新所述目标分量的模型概率,
其中,|S|和|V|代表矩阵S和V的行列式,|W|代表子集W内的量测数目。
于一实施例中,第r个模型的参数一步预测为:
第r个模型参数更新为:
于一实施例中,在模型概率更新中使用GGIW分量的不同模型似然函数,引入了最新量测信息,提高群目标的跟踪精度。
于一实施例中,设定一个杂波环境下未知群目标数目的运动场景,跟踪区域为[-1000,1000]m×[-1000,1000]m,量测采样周期为Ts=1s,观测持续时间为30s,为群目标的质心状态。采用1个匀速直线模型和2个匀速转弯模型描述目标运动过程,状态方程为:
xk=Fxk-1+Gvk-1 (55)
假定传感器的观测位置在坐标原点,ck(zk)为杂波分布且均匀分布在跟踪区域内,杂波服从均值λk=10的泊松分布。
式(56)表示第i个群目标的真实扩展状态,ai为椭圆长轴,bi为椭圆短轴,表示一个旋转矩阵。群目标的检测概率为pD=0.99,目标存活概率为pS=0.95。新生目标强度函数的混合分量数目为Jb,k=3,分量权重为方差为衍生目标强度函数的分量权重为wsp,k=0.05,衍生假设为K个不同的κ∈K={0.25,0.5,0.75}。新出现群的扩展状态服从的GIW(Gaussian inverse wishart,高斯逆威夏特)分布参数为新生目标状态集合的量测比率为预测Gamma分布的衰减因子为2,Gamma分布参数为此外,在GGIW分量的修剪和合并中,设置最大GGIW分量数为Jmax=100,合并门限为UTh=103,修剪门限为TTh=10-5,状态提取门限ETh=0.5。
使用平均单步所需消耗的CPU时间对比在算法的计算量。利用OSPA(Optimal Sub-patten Assignment,最优次模式分配)距离对算法跟踪性能进行对比。
于一实施例中,设存在群1、群2和群3的初始质心状态分别为:[-250m,500m,0m/s,-50m/s]T、[-245m,230m,42m/s,0m/s]T和[-510m,60m,60m/s,0m/s]T。群1的扩展状态为(a1,b1)=(10,5),量测比率为群2的扩展状态为(a2,b2)=(15,6),量测比率为群3的扩展状态为(a3,b3)=(10,5),量测比率为
于一实施例中,用于仿真实验的PC机平台为Intel(R)Core(TM)i3-2100 CPU@3.10GHz,RAM 2.00GB。实验软件为matlab(R2010b),总共运行100次蒙特卡洛(MC,MonteCarlo)仿真实验。
在对比仿真实验中将现有技术的算法称为A算法,本申请实施例提供的算法为B算法。
图9和图10为本申请实施例提供的一种群质心状态OSPA距离仿真图,虚线部分表示对应的一倍标准差。图9为A算法仿真图,
图10为B算法仿真图,对比图9和图10可知,当群目标发生机动时,A算法其质心状态的OSPA距离会增大,而B算法其质心状态的OSPA距离在整体上要小于A算法,估计精度更高。这是由于本申请实施例提供的算法实现多模型的输入交互,并利用强跟踪算法修正群质心的状态,具有较强的鲁棒性。
图11和图12是分别为两种算法的群扩展状态OSPA距离。其中实线部分表示算法的群扩展状态OSPA距离,虚线部分表示对应的一倍标准差。图11为A算法仿真图,图12为B算法仿真图,对比图11和图12可知,B算法相比A算法,群扩展状态的OSPA距离要小。这是由于本申请实施例算法融合了多个模型的群扩展状态估计,提高了算法的跟踪精度。
图13和图14分别为两种算法群目标数目估计OSPA距离。其中圆圈部分表示算法的群扩展状态OSPA距离,虚线部分表示对应的一倍标准差。图13为A算法仿真图,图14为B算法仿真图,对比图13和图14可知,B算法对群目标数目的估计要明显优于A算法,这时由于B算法,引入了强跟踪算法对群质心状态进行修正,并且采用最适高斯近似法融合处理多个模型。
Claims (10)
1.一种多群目标跟踪系统,其特征在于,包括:
数据获取单元,用于获取在一时刻时所述多群目标的状态数据;
数据建模单元,电性耦接于所述数据获取单元,用于将获取的所述状态数据建立状态模型;
数据预测单元,电性耦接于所述数据建模单元,用于藉由伽马高斯逆威夏特概率假设密度滤波算法预估所述状态模型,并生成预测数据;
数据更新单元,电性耦接于所述数据预测单元,用于引入预测数据更新所述状态模型。
2.根据权利要求1所述的系统,其特征在于,所述状态数据包括所述多目标群的质心位置数据、速度数据以及群拓展状态数据;
所述数据建模单元包括:
群状态建模模块,电性耦接于数据获取单元,用于生成所述多群目标的状态集合以及所述多群目标的运动模型;
群测量建模模块,电性耦接于数据获取单元,用于生成所述多群目标的量测集合以及所述多群目标的量测模型。
4.根据权利要求3所述的系统,其特征在于,所述数据更新单元包括:
概率假设密度更新模块,用于更新所述多群目标的量测集合的假设密度。
5.根据权利要求3所述的系统,其特征在于,所述数据更新单元还包括:
新生目标分量模型概率更新模块,用于生成新生目标分量的量测模型;
存在目标分量模型概率更新模块,用于根据所述新生目标分量的量测模型更新所述新生目标分量的模型概率。
6.一种多群目标跟踪方法,应用于权利要求1-5所述的系统,其特征在于,所述方法包括:
藉由所述数据获取单元获取在t时刻时所述多群目标的状态数据;
藉由所述数据建模单元将获取的所述状态数据建立状态模型;
藉由所述数据预测单元藉由伽马高斯逆威夏特概率假设密度滤波算法预估状态模型,并生成预测数据;
藉由所述数据更新单元引入预测数据更新所述状态模型。
7.根据权利要求6所述的方法,其特征在于,所述状态数据包括所述多目标群的质心位置数据、速度数据以及群拓展状态数据;
所述藉由所述数据建模单元将获取的所述状态数据建立状态模型,包括:
藉由群状态建模模块生成所述多群目标的状态集合以及运动模型;
藉由群测量建模模块生成所述多群目标的量测集合以及所述多群目标的量测模型。
8.根据权利要求7所述的方法,其特征在于,所述藉由所述数据预测单元藉由伽马高斯逆威夏特概率假设密度滤波算法预估状态模型,并生成预测数据,包括:
藉由量测比率预测模块生成所述量测模型的预测有效窗长度;
藉由群质心运动状态预测模块生成所述量测模型的预测概率;
藉由扩展状态预测模块根据预测概率得到自由度参数,以及逆尺度矩阵的一步预测值;
藉由修正一步预测协方差模块,以及渐消因子修正所述量测集合的一步预测协方差。
9.根据权利要求8所述的方法,其特征在于,所述藉由所述数据更新单元引入预测数据更新所述状态模型,包括:
藉由概率假设密度更新模块更新所述多群目标的假设密度。
10.根据权利要求8所述的方法,其特征在于,所述藉由所述数据更新单元引入预测数据更新所述状态模型,还包括:
藉由新生目标分量模型概率更新模块生成新生目标分量的量测模型;
藉由存在目标分量模型概率更新模块根据所述新生目标分量的量测模型更新所述新生目标分量的模型概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840756.XA CN110687532A (zh) | 2019-09-06 | 2019-09-06 | 多群目标跟踪系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840756.XA CN110687532A (zh) | 2019-09-06 | 2019-09-06 | 多群目标跟踪系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110687532A true CN110687532A (zh) | 2020-01-14 |
Family
ID=69107923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910840756.XA Pending CN110687532A (zh) | 2019-09-06 | 2019-09-06 | 多群目标跟踪系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344970A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9476983B2 (en) * | 2012-03-15 | 2016-10-25 | GM Global Technology Operations LLC | System and method for fusing radar/camera object data and LiDAR scan points |
CN106872971A (zh) * | 2017-03-16 | 2017-06-20 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
CN109031279A (zh) * | 2018-06-23 | 2018-12-18 | 中国人民解放军海军航空大学青岛校区 | 具有形状信息的多个群目标跟踪方法 |
CN109670142A (zh) * | 2019-01-07 | 2019-04-23 | 杭州电子科技大学 | 一种基于随机有限集的可分辨机动群目标状态估计方法 |
US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
-
2019
- 2019-09-06 CN CN201910840756.XA patent/CN110687532A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9476983B2 (en) * | 2012-03-15 | 2016-10-25 | GM Global Technology Operations LLC | System and method for fusing radar/camera object data and LiDAR scan points |
CN106872971A (zh) * | 2017-03-16 | 2017-06-20 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
CN109031279A (zh) * | 2018-06-23 | 2018-12-18 | 中国人民解放军海军航空大学青岛校区 | 具有形状信息的多个群目标跟踪方法 |
CN109670142A (zh) * | 2019-01-07 | 2019-04-23 | 杭州电子科技大学 | 一种基于随机有限集的可分辨机动群目标状态估计方法 |
Non-Patent Citations (1)
Title |
---|
汪云等: "基于多模型GGIW-CPHD滤波的群目标跟踪算法", 《华中科技大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344970A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huong et al. | Detecting cyberattacks using anomaly detection in industrial control systems: A federated learning approach | |
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN107677997B (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
WO2017124299A1 (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 | |
CN111127523B (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
Dong et al. | Student-t mixture labeled multi-Bernoulli filter for multi-target tracking with heavy-tailed noise | |
Beard et al. | A generalised labelled multi-Bernoulli filter for extended multi-target tracking | |
US10375360B2 (en) | State estimation apparatus, state estimation method, integrated circuit, and non-transitory computer-readable storage medium | |
JP2014169865A (ja) | 目標トラッキング装置、目標トラッキングプログラム及び目標トラッキング方法 | |
US9805285B2 (en) | State estimation apparatus, state estimation method, and integrated circuit | |
Liangqun et al. | Maximum entropy fuzzy clustering with application to real-time target tracking | |
Swain et al. | First-moment filters for spatial independent cluster processes | |
CN108717702B (zh) | 基于分段rts的概率假设密度滤波平滑方法 | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
Shim et al. | Linear complexity Gibbs sampling for generalized labeled multi-Bernoulli filtering | |
CN113673565A (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN110687532A (zh) | 多群目标跟踪系统及方法 | |
Clark | First-moment multi-object forward-backward smoothing | |
Mohammadi et al. | Distributed posterior Cramér-Rao lower bound for nonlinear sequential Bayesian estimation | |
Wang et al. | Consensus variable structure multiple model filtering for distributed maneuvering tracking | |
CN112305915A (zh) | Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统 | |
Mohammadi et al. | Decentralized sensor selection based on the distributed posterior Cramér-Rao lower bound | |
CN108121846B (zh) | 一种基于熵惩罚的em未知杂波估计的phd多目标跟踪方法 | |
CN115619825A (zh) | 地面多目标跟踪状态及轨迹确定方法 | |
CN116048956A (zh) | 一种软件缺陷发生情况预测方法、装置、设备及存储介质 |
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: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |