CN111007454B - 一种基于合作目标信息的扩展目标跟踪方法 - Google Patents

一种基于合作目标信息的扩展目标跟踪方法 Download PDF

Info

Publication number
CN111007454B
CN111007454B CN201911031587.1A CN201911031587A CN111007454B CN 111007454 B CN111007454 B CN 111007454B CN 201911031587 A CN201911031587 A CN 201911031587A CN 111007454 B CN111007454 B CN 111007454B
Authority
CN
China
Prior art keywords
target
information
model
tracking
measurement
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
CN201911031587.1A
Other languages
English (en)
Other versions
CN111007454A (zh
Inventor
岑明
郁玲玲
周洋平
黎城
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911031587.1A priority Critical patent/CN111007454B/zh
Publication of CN111007454A publication Critical patent/CN111007454A/zh
Application granted granted Critical
Publication of CN111007454B publication Critical patent/CN111007454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering

Landscapes

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

Abstract

本发明请求保护一种基于合作目标信息的扩展目标跟踪方法。该方法中合作目标周期性地检测自身位置与姿态，并通过通信网络发布自身身份、位置与姿态信息；观测站接收合作目标发送的信息，与观测站传感器检测的目标信息融合进行多个扩展目标的跟踪。首先用一组运动模型描述目标的运动；再针对每个运动模型分别构造滤波器，根据扩展目标的位置与姿态信息，通过一个二重跟踪门对传感器的量测值进行筛选，对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波；最后根据目标处于不同模型的概率进行融合，以所有滤波器的滤波估计值的概率加权和作为目标状态估计。本发明能有效提高合作目标存在时扩展目标的跟踪精度。

Description

一种基于合作目标信息的扩展目标跟踪方法
技术领域
本发明属于计算机和自动化技术，主要涉及目标跟踪技术领域，具体涉及一种基于合作目标信息的扩展目标跟踪方法。
背景技术
目标跟踪技术在军事领域和民用领域都有着很重要的应用价值，这项技术是工业界、学术界重点发展的方向。
中国专利申请：DSRC与车载传感器融合的智能车辆目标跟踪系统及方法(申请号：CN201610126332.3)，公开了一种利用车间通信的方式获取被跟踪目标的运动状态和身份信息来进行目标跟踪的方法，该方法只是改善了传统方法未充分利用目标车辆发布的身份信息和姿态信息的问题。首先没有考虑被跟踪目标运动模型较为单一，无法跟踪运动状态较为复杂的目标的问题；其次没有考虑方法的通用性，应用场景较为单一。中国专利申请：一种具有最优运动模式切换参数的交互式多模型目标跟踪方法(申请号：CN201410234810.3)，公开了一种利用线性最小方差理论推导得到了最优运动模式切换参数的交互式多模型目标跟踪方法，该方法考虑到运动模式之间的相关性问题，将运动模式间的协方差信息全部加以利用，避免了传统方法将相关性遗漏的问题，但是该方法没有考虑目标跟踪场景中即使目标只有一个也会引入量测噪声和杂波问题，没有利用数据关联方法建立目标与量测的对应关系，该方法也未考虑带有姿态特征的扩展目标的数据关联。
本发明针对合作目标存在的场景，提出一种基于合作目标信息的扩展目标跟踪方法，利用合作目标发送的身份、位置与姿态信息来改善观测站对多个扩展目标的跟踪精度。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能有效提高扩展目标的跟踪精度的基于合作目标信息的扩展目标跟踪方法。本发明的技术方案如下：
一种基于合作目标信息的扩展目标跟踪方法，其包括以下步骤：
合作目标周期性地检测自身位置与姿态，并通过通信网络把自身身份信息、位置与姿态信息发送给观测站；观测站接收合作目标发送的信息，与观测站传感器检测到的目标信息进行融合，并根据跟踪模型进行多个扩展目标的跟踪，所述跟踪过程包括：首先用一组运动模型来描述目标的运动；然后针对每个运动模型分别构造一个滤波器，根据扩展目标的位置与姿态信息，通过一个二重跟踪门对传感器的量测值进行筛选，对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波；最后根据目标处于不同运动模型的概率进行融合，以所有滤波器的滤波估计值的概率加权和作为目标的状态估计。
进一步的，所述运动模型的建立具体步骤如下：用一组运动模型来描述目标的运动，设计一个由多个运动模型构成的运动模型集合M：
M＝{m(i)}，i＝1，2，…，r
其中m(i)表示模型集中的第i个运动模型；r表示运动模型总数。
针对不同的运动模型，建立相应的运动方程和观测方程，其中任意第m(i)个运动模型满足以下离散时间方程：
Figure BDA0002250312680000021
Figure BDA0002250312680000022
πij＝P(sk＝m(j)|sk-1＝m(i))，k∈N，i，j＝1，2，…，r
然后针对每个模型进行跟踪滤波。
进一步的，所述根据扩展目标的位置与姿态信息，通过一个二重跟踪门对传感器的量测值进行筛选，具体包括：
考虑到被跟踪目标都为带姿态信息的扩展目标，设置一个二重跟踪门来对观测值进行筛选，首先利用被跟踪目标的姿态信息对观测状态zk进行筛选得到 (zk)′，然后在跟踪空间中利用其目标的位置信息设置矩形跟踪门，根据对应匹配的模型残差向量及残差协方差阵分别用
Figure BDA0002250312680000023
表示，对于任意一个被跟踪的目标lk的残差向量分量
Figure BDA0002250312680000031
量测值(zk)′的分量
Figure BDA0002250312680000032
和预测量测向量
Figure BDA0002250312680000033
跟踪门常数Kg，当观测量
Figure BDA0002250312680000034
满足如下关系：
Figure BDA0002250312680000035
则得到确认量测(zk)″，此处
Figure BDA0002250312680000036
为第lk个残差的标准偏差。
进一步的，所述对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波，其步骤包括：
一步预测：根据模型m(i)前一时刻的滤波结果
Figure BDA0002250312680000037
进行一步预测，其中lk为匹配模型m(i)的目标个数，得到的一步预测值和一步预测误差的协方差矩阵：
Figure BDA0002250312680000038
Figure BDA0002250312680000039
目标量测重构：利用合作目标身份信息不变性，对一步预测值进行重构；
数据关联：根据重构的一步预测值
Figure BDA00022503126800000310
和k时刻候选量测 (zk)″＝[(zk，1)″ (zk，2)″ …(zk，l)″]，以及直到k时刻的累计候选量测集 Zk＝[(z1)″ (z2)″ … (zk)″]来计算
Figure BDA00022503126800000311
表示在k时刻第m个量测来自目标这一事件的概率，
Figure BDA00022503126800000312
表示为没有量测源于目标的概率，因此
Figure BDA00022503126800000313
满足
Figure BDA00022503126800000314
假定杂波是服从均匀分布的，正确量测服从正态分布，且每个采样时刻至多有一个真实量测，得到
Figure BDA00022503126800000315
的计算方式为：
Figure BDA00022503126800000316
其中
Figure BDA00022503126800000317
表示确认(zk，m)″是来自目标的正确量测事件，用
Figure BDA00022503126800000318
表示确认量测集中没有一个是正确事件；
滤波：根据当前时刻确认量测与一步预测结果，基于模型
Figure BDA00022503126800000319
对目标状态进行滤波更新：
Figure BDA0002250312680000041
Figure BDA0002250312680000042
Figure BDA0002250312680000043
进一步的，所述对一步预测值进行重构的具体步骤是：对于
Figure BDA0002250312680000044
中每一个对应的目标的id信息和姿态角，如果
Figure BDA0002250312680000045
中有对应目标的id信息和航向角信息γ与其相同，则用
Figure BDA0002250312680000046
的分量去替换
Figure BDA0002250312680000047
中的分量，同时也替换对应的误差的协方差矩阵，得到修正后的一步预测值
Figure BDA0002250312680000048
和预测误差的协方差矩阵
Figure BDA0002250312680000049
进一步的，所述最后根据目标处于不同运动模型的概率进行融合，以所有滤波器的滤波估计值的概率加权和作为目标的状态估计，具体包括：
利用直到k时刻的累计确认量测Zk与上一时刻滤波结果进行模型改率更新：
Figure BDA00022503126800000410
估计融合：估计融合就是给出k时刻的总体估计和总体估计误差的协方差阵，分别为：
Figure BDA00022503126800000411
本发明的优点及有益效果如下：
本发明提出一种基于合作目标信息的扩展目标跟踪方法。首先利用交互式多模型的方法对被跟踪目标建模，更能详细的描述被跟踪目标的运动状态，提高了一步预测的准确性。然后利用合作目标提供的身份信息与姿态信息对预测值重构，既能改善被跟踪目标被遮挡时检测不准的问题，又能提高一步预测的准确性。最后在跟踪门和关联过程中有效的利用姿态特征，不仅提高了传感器检测信息的利用率，而且也提高了目标跟踪的精度。通过上述三个方面，本发明可以有效提高目标跟踪性能，对目标跟踪方面的研究具有重要意义。
附图说明
图1是本发明基于合作目标信息的扩展目标跟踪的场景；
图2本发明基于合作目标信息的扩展目标跟踪算法结构图；
图3本发明基于合作目标信息的扩展目标跟踪方法的数据关联与滤波流程图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示为本发明基于合作目标信息的扩展目标跟踪的场景。跟踪系统检测的目标包括两类：能够不断通过通信网络向观测站提供自身位置、姿态的合作目标，记为
Figure BDA0002250312680000051
以及不能提供自身位置、姿态的普通目标，记为
Figure BDA0002250312680000052
在跟踪过程中，观测站传感器不断检测其检测范围内的目标的位置和姿态，记为zk，不考虑目标是合作目标还是普通目标；同时，观测站周期性地通过通信网络接收合作目标的身份信息、姿态和位置信息，记为
Figure BDA0002250312680000053
常规的目标跟踪方法仅利用zk进行跟踪，融合跟踪方法能利用zk与
Figure BDA0002250312680000054
中的姿态和位置信息进行融合跟踪，但均无法利用
Figure BDA0002250312680000055
中的合作目标身份信息，对合作目标信息的利用不充分，从而影响跟踪精度。如果有效利用合作目标身份信息改善跟踪过程中的数据关联准确性，就能够提高目标跟踪精度。
如图2所示为本发明基于合作目标信息的扩展目标跟踪算法结构图，该方法包括以下步骤：
(1)对被跟踪目标建模：
设计一个由多个模型构成的模型集合，本发明中用以下符号进行表示模型集：
M＝{m(i)}，i＝1，2，…，r
其中每个模型m(i)是对模型集中任意一种模型的描述。
针对不同的模型，建立相应的运动方程和观测方程，其中任意第m(i)个模型满足以下离散时间的目标运动状态方程：
Figure BDA0002250312680000061
与观测方程
Figure BDA0002250312680000062
(2)模型条件的重初始化过程：
从图2可见上一时刻目标的总体状态估计
Figure BDA0002250312680000063
以及估计误差的协方差阵 Pk-1|k-1，假定k-1时刻的匹配模型是
Figure BDA0002250312680000064
而在k时刻的匹配模型是
Figure BDA0002250312680000065
以历史观测信息Zk-1为条件求得混合概率：
Figure BDA0002250312680000066
其中
Figure BDA0002250312680000067
对于模型j＝1，2，…，r，根据混合概率利用混合估计的方式重新初始化状态与协方差矩阵：
Figure BDA0002250312680000068
Figure BDA0002250312680000069
(3)观测状态的筛选：
观测站传感器k时刻的观测状态为zk＝[zk(1) zk(2) … zk(nk)]和观测误差的协方差矩阵
Figure BDA00022503126800000610
以及观测站周期性获得的合作目标发出的自身份信息、位置信息和姿态信息
Figure BDA00022503126800000611
和合作目标自身检测误差的协方差矩阵
Figure BDA00022503126800000612
其中nk为k时刻传感器检测到的量测个数，mk为k时刻时本场景中合作目标存在的个数，此处默认所有量测数据均在同一个坐标系下。
考虑到被跟踪目标都为带姿态信息的扩展目标，设置一个二重跟踪门来对观测值进行筛选，首先利用被跟踪目标的姿态信息对观测状态zk进行筛选得到 (zk)′，然后在跟踪空间中利用其目标的位置信息设置矩形跟踪门，根据对应匹配的模型残差向量及残差协方差阵分别用
Figure BDA0002250312680000071
表示。对于任意一个被跟踪的目标 lk的残差向量分量
Figure BDA0002250312680000072
量测值(zk)′的分量
Figure BDA0002250312680000073
和预测量测向量
Figure BDA0002250312680000074
跟踪门常数Kg，当观测量
Figure BDA0002250312680000075
满足如下关系：
Figure BDA0002250312680000076
则得到确认量测(zk)″，此处
Figure BDA0002250312680000077
为第lk个残差的标准偏差。
(4)数据关联与滤波：
根据目标的初始状态与它的协方差，应用本发明修正后的数据关联算法计算k时刻基于模型m(i)的状态估计
Figure BDA0002250312680000078
和协方差
Figure BDA0002250312680000079
(5)模型概率更新：
利用直到k时刻的累计确认量测Zk与上一时刻滤波结果进行模型概 率更新：
Figure BDA00022503126800000710
其中
Figure BDA00022503126800000711
而
Figure BDA00022503126800000712
(6)估计融合：
估计融合就是给出k时刻的总体估计和总体估计误差的协方差阵，分别为：
Figure BDA00022503126800000713
如图3所示为本发明基于合作目标信息的扩展目标跟踪方法的数据关联与滤波流程图。数据关联与滤波流程由以下步骤构成：
(1)一步预测：基于模型m(i)，根据重初始化的前一时刻目标的滤波结果
Figure BDA00022503126800000714
其中lk为匹配模型i的目标个数。分别计算一步预测值及一步预测误差的协方差矩阵：
Figure BDA0002250312680000081
一步预测过程中由于合作目标提供相对于观测站传感器观测状态更为精准的自身的身份信息id和姿态信息，利用其身份信息不变性，对一步预测值进行重构。此处具体操作是：对于
Figure BDA0002250312680000082
中每一个对应的目标的id信息和姿态角，如果
Figure BDA0002250312680000083
中有对应目标的id信息和航向角信息γ与其相同，则用
Figure BDA0002250312680000084
的分量去替换
Figure BDA0002250312680000085
中的分量，同时也替换对应的误差的协方差矩阵，得到修正后的一步预测值
Figure BDA0002250312680000086
和预测误差的协方差矩阵
Figure BDA0002250312680000087
(2)数据关联：根据重构的一步预测值
Figure BDA0002250312680000088
和k时刻确认量测 (zk)″＝[(zk，1)″(zk，2)″ … (zk，l)″]，以及直到k时刻的累计确认量测集Zk＝[(z1)″ (z2)″ … (zk)″]来计算
Figure BDA0002250312680000089
表示在k时刻第m个量测来自目标这一事件的概率，
Figure BDA00022503126800000810
表示为没有量测源于目标的概率，因此
Figure BDA00022503126800000811
满足
Figure BDA00022503126800000812
假定杂波是服从均匀分布的，正确量测服从正态分布，且每个采样时刻至多有一个真实量测，得到
Figure BDA00022503126800000813
的计算方式为：
Figure BDA00022503126800000814
其中
Figure BDA00022503126800000815
表示确认(zk，m)″是来自目标的正确量测事件，用
Figure BDA00022503126800000816
表示确认量测集中没有一个是正确事件。
(3)滤波：根据当前时刻确认量测与一步预测值，应用概率数据关联算法基于模型
Figure BDA00022503126800000817
对目标状态进行滤波更新：
Figure BDA00022503126800000818
Figure BDA0002250312680000091
其中
Figure BDA0002250312680000092
同时计算与当前时刻模型
Figure BDA0002250312680000093
匹配的似然函数：
Figure BDA0002250312680000094
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种基于合作目标信息的扩展目标跟踪方法，其特征在于，包括以下步骤：
合作目标周期性地检测自身位置与姿态，并通过通信网络把自身身份信息、位置与姿态信息发送给观测站；观测站接收合作目标发送的信息，与观测站传感器检测到的目标信息进行融合，并根据运动模型进行多个扩展目标的跟踪，所述目标跟踪过程包括：首先用一组运动模型来描述目标的运动；然后针对每个运动模型分别构造一个滤波器，根据扩展目标的位置与姿态信息，通过一个二重跟踪门对传感器的量测值进行筛选，对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波；最后根据目标处于不同运动模型的概率进行融合，以所有滤波器的滤波估计值的概率加权和作为目标的状态估计。
2.根据权利要求1所述的一种基于合作目标信息的扩展目标跟踪方法，其特征在于，所述运动模型的建立具体步骤如下：用一组运动模型来描述目标的运动，设计一个由多个运动模型构成的运动模型集合M：
M＝{m(i)}，i＝1，2，…，r
其中m(i)表示模型集中的第i个运动模型；r表示模型集中的模型的总数目，针对不同的运动模型，建立相应的运动方程和观测方程，其中任意第m(i)个运动模型满足以下离散时间方程：
Figure FDA0002250312670000011
Figure FDA0002250312670000012
πj＝P(sk＝m(j)|sk-1＝m(i))，k∈N，i，j＝1，2，…，r
其中
Figure FDA0002250312670000013
表示k时刻目标的位置、速度与姿态角，N表示时间指标，[γ，θ，φ]表示目标的航向角、横滚角和俯仰角，Fk (i)表示第m(i)个模型的状态转移矩阵，
Figure FDA0002250312670000015
表示第m(i)个模型的噪声矩阵，zk表示对系统状态的量测向量，
Figure FDA0002250312670000016
表示第m(i)个模型的量测矩阵，
Figure FDA0002250312670000017
分别表示相互独立的过程噪声和量测噪声，sk＝m(j)表示当前时刻目标模型属于m(j)模型，
Figure FDA0002250312670000018
表示目标从模型m(i)到m(j)的转移概率，然后针对每个模型进行目标跟踪。
3.根据权利要求2所述的一种基于合作目标信息的扩展目标跟踪方法，其特征在于，所述根据扩展目标的位置与姿态信息，通过一个二重跟踪门对传感器的量测值进行筛选，具体包括：
考虑到被跟踪目标都为带姿态信息的扩展目标，设置一个二重跟踪门来对观测值进行筛选，首先利用被跟踪目标的姿态信息对观测状态zk进行筛选得到(zk)′，然后在跟踪空间中利用其目标的位置信息设置矩形跟踪门，根据对应匹配的模型残差向量及残差协方差阵分别用
Figure FDA0002250312670000021
表示，对于任意一个被跟踪的目标lk的残差向量分量
Figure FDA0002250312670000022
量测值(zk)′的分量
Figure FDA0002250312670000023
和预测量测向量
Figure FDA0002250312670000024
跟踪门常数Kg，当观测量
Figure FDA0002250312670000025
满足如下关系：
Figure FDA0002250312670000026
则得到确认量测(zk)″，此处
Figure FDA0002250312670000027
为第lk个残差的标准偏差。
4.根据权利要求3所述的一种基于合作目标信息的扩展目标跟踪方法，其特征在于，所述对筛选后的量测值利用合作目标的身份信息和姿态特征重构一步预测值进行数据关联与滤波，其步骤包括：
一步预测：根据模型m(i)前一时刻的滤波结果
Figure FDA0002250312670000028
进行一步预测，其中lk为匹配模型m(i)的目标个数，得到的一步预测值和一步预测误差的协方差矩阵：
Figure FDA0002250312670000029
Figure FDA00022503126700000210
目标量测重构：利用合作目标身份信息不变性，对一步预测值进行重构；
数据关联：根据重构的一步预测值
Figure FDA00022503126700000211
和k时刻候选量测(zk)″＝[(zk，1)″(zk，2)″…(zk，l)″]，以及直到k时刻的累计候选量测集Zk＝[(z1)″(z2)″…(zk)″]来计算
Figure FDA00022503126700000212
表示在k时刻第m个量测来自目标这一事件的概率，
Figure FDA00022503126700000213
表示为没有量测源于目标的概率，因此
Figure FDA00022503126700000214
满足
Figure FDA0002250312670000031
假定杂波是服从均匀分布的，正确量测服从正态分布，且每个采样时刻至多有一个真实量测，得到
Figure FDA0002250312670000032
的计算方式为：
Figure FDA0002250312670000033
其中
Figure FDA0002250312670000034
表示确认(zk，m)″是来自目标的正确量测事件，用
Figure FDA0002250312670000035
表示确认量测集中没有一个是正确事件；
滤波：根据当前时刻确认量测与一步预测结果，基于模型
Figure FDA0002250312670000036
对目标状态进行滤波更新：
Figure FDA0002250312670000037
Figure FDA0002250312670000038
Figure FDA0002250312670000039
其中
Figure FDA00022503126700000310
表示预测残差，
Figure FDA00022503126700000311
表示增益矩阵，
Figure FDA00022503126700000312
表示预测残差的协方差阵。
5.根据权利要求4所述的一种基于合作目标信息的扩展目标跟踪方法，其特征在于，所述对一步预测值进行重构的具体步骤是：对于
Figure FDA00022503126700000313
中每一个对应的目标的id信息和姿态角，如果
Figure FDA00022503126700000314
中有对应目标的id信息和航向角信息γ与其相同，则用
Figure FDA00022503126700000315
的分量去替换
Figure FDA00022503126700000316
中的分量，同时也替换对应的误差的协方差矩阵，得到修正后的一步预测值
Figure FDA00022503126700000317
和预测误差的协方差矩阵
Figure FDA00022503126700000318
6.根据权利要求4所述的一种基于合作目标信息的扩展目标跟踪方法，其特征在于，所述最后根据目标处于不同运动模型的概率进行融合，以所有滤波器的滤波估计值的概率加权和作为目标的状态估计，具体包括：
利用直到k时刻的累计确认量测Zk与上一时刻滤波结果进行模型概率更新：
Figure FDA00022503126700000319
其中
Figure FDA0002250312670000041
而
Figure FDA0002250312670000042
表示被跟踪目标处于模型
Figure FDA0002250312670000043
的概率，
Figure FDA0002250312670000044
表示被跟踪目标与模型
Figure FDA0002250312670000045
匹配的似然函数；
估计融合：估计融合就是给出k时刻的总体估计和总体估计误差的协方差阵，分别为：
Figure FDA0002250312670000046
其中
Figure FDA0002250312670000047
与
Figure FDA0002250312670000048
表示被跟踪目标处于模型
Figure FDA0002250312670000049
的状态估计值和状态估计误差的协方差的矩阵，
Figure FDA00022503126700000410
与Pk|k表示融合后被跟踪目标的总体状态估计值和总体状态估计误差的协方差矩阵。
CN201911031587.1A 2019-10-28 2019-10-28 一种基于合作目标信息的扩展目标跟踪方法 Active CN111007454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911031587.1A CN111007454B (zh) 2019-10-28 2019-10-28 一种基于合作目标信息的扩展目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911031587.1A CN111007454B (zh) 2019-10-28 2019-10-28 一种基于合作目标信息的扩展目标跟踪方法

Publications (2)

Publication Number Publication Date
CN111007454A CN111007454A (zh) 2020-04-14
CN111007454B true CN111007454B (zh) 2022-07-01

Family

ID=70110927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911031587.1A Active CN111007454B (zh) 2019-10-28 2019-10-28 一种基于合作目标信息的扩展目标跟踪方法

Country Status (1)

Country Link
CN (1) CN111007454B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812637B (zh) * 2020-06-02 2022-12-02 杭州电子科技大学 具有类型概率的l-rfs混合目标结构建模与估计方法
CN112415503B (zh) * 2020-10-15 2023-10-20 杭州电子科技大学 一种基于目标重跟踪的多目标粒子滤波检测前跟踪方法
CN112748735B (zh) * 2020-12-18 2022-12-27 重庆邮电大学 一种引入颜色特征的扩展目标跟踪方法
CN112731371B (zh) * 2020-12-18 2024-01-23 重庆邮电大学 一种激光雷达与视觉融合的集成化目标跟踪系统及方法
CN113191427B (zh) * 2021-04-29 2022-08-23 无锡物联网创新中心有限公司 一种多目标车辆跟踪方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639535A (zh) * 2009-08-28 2010-02-03 茂名学院 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法
US9199643B1 (en) * 2014-09-25 2015-12-01 GM Global Technology Operations LLC Sensor odometry and application in crash avoidance vehicle
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
CN108734725A (zh) * 2018-04-11 2018-11-02 杭州电子科技大学 基于高斯过程的概率数据关联滤波扩展目标跟踪方法
CN109557533A (zh) * 2018-11-28 2019-04-02 中国人民解放军国防科技大学 一种基于模型的联合跟踪与识别方法
CN109633590A (zh) * 2019-01-08 2019-04-16 杭州电子科技大学 基于gp-vsmm-jpda的扩展目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9255988B2 (en) * 2014-01-16 2016-02-09 GM Global Technology Operations LLC Object fusion system of multiple radar imaging sensors

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639535A (zh) * 2009-08-28 2010-02-03 茂名学院 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法
US9199643B1 (en) * 2014-09-25 2015-12-01 GM Global Technology Operations LLC Sensor odometry and application in crash avoidance vehicle
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
CN108734725A (zh) * 2018-04-11 2018-11-02 杭州电子科技大学 基于高斯过程的概率数据关联滤波扩展目标跟踪方法
CN109557533A (zh) * 2018-11-28 2019-04-02 中国人民解放军国防科技大学 一种基于模型的联合跟踪与识别方法
CN109633590A (zh) * 2019-01-08 2019-04-16 杭州电子科技大学 基于gp-vsmm-jpda的扩展目标跟踪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A TRACK-BEFORE-DETECT ALGORITHM USING JOINT PROBABILISTIC DATA ASSOCIATION FILTER AND INTERACTING MULTIPLE MODELS;Mazzu,Andrea;《IEEE International Conference on Image Proceesing》;20140101;全文 *
likehood-based Data Association for Extended Object Tracking Using Sampling Methods;Granstorm,Karl;《IEEE TRANSACTIONS ON INTELLIGENT VEHICLES》;20180301;全文 *
一种结合交互多模型的多机动扩展目标跟踪算法;葛建良等;《小型微型计算机系统》;20180215(第02期);全文 *
合作目标辅助的扩展目标跟踪方法研究;郁玲玲;《中国优秀硕士学位论文全文数据库信息科技辑》;20210215;全文 *
雷达扩展目标跟踪算法研究;武江涛;《中国优秀硕士学位论文全文数据库信息科技辑》;20141115;全文 *

Also Published As

Publication number Publication date
CN111007454A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN111007454B (zh) 一种基于合作目标信息的扩展目标跟踪方法
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN109472418B (zh) 基于卡尔曼滤波的机动目标状态预测优化方法
CN112313477A (zh) 一种车辆环境映射的方法以及相应的系统、车辆和计算机程序产品
CN109709934B (zh) 一种飞行控制系统故障诊断冗余设计方法
CN109975798B (zh) 一种基于毫米波雷达与摄像头的目标检测方法
CN108882172B (zh) 一种基于hmm模型的室内移动轨迹数据的预测方法
CN111190211B (zh) 一种gps失效位置预测定位方法
CN109059907A (zh) 轨迹数据处理方法、装置、计算机设备和存储介质
CN116186643B (zh) 一种多传感器协同目标跟踪方法、系统、设备及介质
CN110889862B (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN112305915B (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
Li et al. A track-oriented approach to target tracking with random finite set observations
CN113723006B (zh) 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
CN115220002A (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
Fong Multi‐sensor track‐to‐track fusion via linear minimum variance sense estimators
Dagan et al. Heterogeneous decentralized fusion using conditionally factorized channel filters
CN110334472B (zh) 一种群运动趋势辅助的集势概率假设密度滤波方法
JP6927161B2 (ja) 学習装置、予測装置、方法、及びプログラム
CN109684771B (zh) 基于交互式多模型的机动目标状态预测优化方法
CN113628254A (zh) 基于移动平台的目标轨迹确定方法及相关设备
CN113511194A (zh) 一种纵向避撞预警方法及相关装置
CN112800889A (zh) 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法
Hao et al. Structure identification and tracking of multiple resolvable group targets with circular formation

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