CN111274529A - 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 - Google Patents

一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 Download PDF

Info

Publication number
CN111274529A
CN111274529A CN202010101448.8A CN202010101448A CN111274529A CN 111274529 A CN111274529 A CN 111274529A CN 202010101448 A CN202010101448 A CN 202010101448A CN 111274529 A CN111274529 A CN 111274529A
Authority
CN
China
Prior art keywords
target
measurement
phd
matrix
tracking algorithm
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
Application number
CN202010101448.8A
Other languages
English (en)
Other versions
CN111274529B (zh
Inventor
李鹏
胡德荣
朱洁
李嘉伟
徐宏鹏
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202010101448.8A priority Critical patent/CN111274529B/zh
Publication of CN111274529A publication Critical patent/CN111274529A/zh
Application granted granted Critical
Publication of CN111274529B publication Critical patent/CN111274529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于智能信息处理技术领域，涉及多扩展目标的预测划分与量测标记，具体为一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，实现了对紧邻目标量测集的高精度划分和精确跟踪，可以用更小的代价实现更精确地划分，从而可以提高滤波器的精度，可用于航空航天、机器人导航、无人车辆导航，车辆跟踪、激光雷达等领域，与传统方法相比，本发明具有良好的精度与鲁棒性，具有良好的利用价值。

Description

一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法
技术领域
本发明属于智能信息处理技术领域，涉及雷达信号处理和多扩展目标跟踪，准确地说是一种用于高斯逆威沙特概率假设密度(GIW-PHD)滤波器的多扩展目标跟踪算法，此方法可在复杂情况下以较小的代价实现更精确地跟踪，可用于航空航天、机器人导航、无人车辆导航、车辆跟踪、激光雷达等领域。
背景技术
通常，多目标跟踪基于每个目标每次探测最多产生一个量测的假设，然而，随着高分辨率传感器技术的发展(如激光雷达)，每次探测可能产生多个量测，称这该类型的目标为扩展目标。
目前GIW-PHD跟踪算法在扩展目标跟踪问题中被广泛使用，该算法针对多扩展目标的量测集划分方法主要包括：距离-子划分(DP-SP)、期望最大划分(EMP)和预测划分(PP)等方法。DP-SP先用距离进行初步划分然后用Kmean++进行子划分，EMP算法根据假设期望最大的原则进行划分，PP算法使用预测信息进行划分，但是当目标紧邻并机动时，划分结果都会出现较大误差。因此，针对目标紧邻并执行机动时出现误差的问题，现有方法有待进一步优化。
发明内容
针对上述紧邻目标跟踪精度下降的问题，本发明提出了一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法。实现本发明的关键技术是对目标和对应量测进行标记，然后通过分析k和k+1之间目标状态和对应量测信息的变化，调整预测参数进行量测集划分。因此，提出跟踪算法的精度高于原算法。
一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，包括如下步骤：
步骤1，令初始时刻k＝0，初始化参数：初始目标状态为x0＝{m0,P0}，m0为目标的位置，P0为运动误差的协方差矩阵；
步骤2，当k≥1时，对量测集进行划分；
将一组量测集Z划分成若干个非空的子集或单元W；检测W中的元素数量，利用预测信息将量测划分为集群；如果一个量测可以被分成两个集群，选择分量权重大的集群；
步骤3，根据量测信息，利用GIW-PHD跟踪算法框架对目标运动状态进行多假设滤波；
步骤4，修剪合并：
步骤5，若下一帧观测信息到达，转到步骤2进行迭代；否则，跟踪过程结束。
进一步地，步骤2所述的用目标的预测位置信息对目标量测集进行划分，按下述步骤计算得到：
步骤2-1，当权重
Figure BDA0002386990440000021
时将会被调整为
Figure BDA0002386990440000022
步骤2-2，对位置
Figure BDA0002386990440000023
进行修正：
假设集和
Figure BDA0002386990440000024
的所有分量所对应的量测为
Figure BDA0002386990440000025
Figure BDA0002386990440000031
步骤2-3，对于每一个位置
Figure BDA0002386990440000032
可以通过转移矩阵进行修正
Figure BDA0002386990440000033
Figure BDA0002386990440000034
Figure BDA0002386990440000035
其中，
Figure BDA0002386990440000036
是坐标转移矩阵来修正由目标靠近或分开移动而引起的错误。
Figure BDA0002386990440000037
是量测集
Figure BDA0002386990440000038
位置的均值，
Figure BDA0002386990440000039
表示预测分量集
Figure BDA00023869904400000310
的位置均值；
步骤2-4，将转移矩阵
Figure BDA00023869904400000311
利用公式表示出来：
Figure BDA00023869904400000312
可由
Figure BDA00023869904400000313
与
Figure BDA00023869904400000314
之间的扩展变化估算出来，转换方程如下：
Figure BDA00023869904400000315
Figure BDA00023869904400000316
Figure BDA00023869904400000317
其中，
Figure BDA00023869904400000318
和
Figure BDA00023869904400000319
是
Figure BDA00023869904400000320
和
Figure BDA00023869904400000321
的扩展矩阵，
Figure BDA00023869904400000322
可通过缩放和旋转的方式变为
Figure BDA00023869904400000323
步骤2-5，求解
Figure BDA00023869904400000324
Figure BDA00023869904400000325
Figure BDA00023869904400000326
Sk+1是一个缩放矩阵，
Figure BDA00023869904400000327
和
Figure BDA00023869904400000328
是
Figure BDA00023869904400000329
和
Figure BDA00023869904400000330
各自的特征根；
Figure BDA0002386990440000041
θ＝＜α1,k,α1,k+1>
ψk+1表示角度为θ的旋转矩阵，这里，α1,k和α1,k+1是
Figure BDA0002386990440000042
的特征向量，<α1,k,α1,k+1>是它们之间的角度。
进一步地，所述步骤3包括如下步骤：
目标更新检测PHD为：
Figure BDA0002386990440000043
其中，p∠Zk对所有分区p的当前集和Zk的测量值求和，
Figure BDA0002386990440000044
表示漏检的PHD，
Figure BDA0002386990440000045
可以近似为一个如下的混合逆威沙特分布：
Figure BDA0002386990440000046
其中，
Figure BDA0002386990440000047
和
Figure BDA0002386990440000048
是第j个高斯分布的均值和方差。
Figure BDA0002386990440000049
为第j个GIW分布的自由度和标度矩阵。
GIW分量权重由以下公式更新：
Figure BDA00023869904400000410
Figure BDA00023869904400000411
Figure BDA00023869904400000412
Figure BDA00023869904400000413
其中βFA,k是每次扫描的每个监视量的杂波量测参数，γ(j)是目标产生的平均测量次数。
进一步地，所述步骤4中，当有较高权重的GIW分量被修剪时，其对应的标签和属性也要被修剪，如果多个分量
Figure BDA0002386990440000051
被合并，并且
Figure BDA0002386990440000052
有最大的权重，则合并后分量的标签等于
Figure BDA0002386990440000053
本发明具有以下优点：
(1)实现了对紧邻目标量测集的高精度划分和精确跟踪，可以用更小的代价实现更精确地划分，从而可以提高滤波器的精度，可用于航空航天、机器人导航、无人车辆导航，车辆跟踪、激光雷达等领域。
(2)本发明鲁棒性较强，可适应多目标紧邻的极端跟踪情景。
(3)本发明在保持高精度的条件下，计算复杂度较低。
附图说明
图1是本发明的整体流程图。
图2是本发明实施例的仿真实验中真实轨迹示意图，(a)是回转轨迹，(b)是交叉轨迹。
图3是本发明实施例的回转轨迹仿真实验中100次蒙特卡洛实验的平均结果图，(a)是ET-OSPA误差均值，(b)是目标数估计值，(c)是运算时间代价。
图4是本发明实施例的交叉轨迹仿真实验中100次蒙特卡洛实验的平均结果图，(a)是ET-OSPA误差均值，(b)是目标数估计值。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明涉及如下的基础理论内容：
1.GIW-PHD滤波器的实现
假设k时刻扩展目标的状态为：
Figure BDA0002386990440000061
其中，Nx,k是目标的未知数量，
Figure BDA0002386990440000062
表示一个分量，
Figure BDA0002386990440000063
表示运动状态，
Figure BDA0002386990440000064
是一个正定矩阵，表示呈椭球形的扩展目标。运动模型和量测模型如下：
Figure BDA0002386990440000065
Figure BDA0002386990440000066
其中，
Figure BDA0002386990440000067
表示矩阵A和B的克罗内克乘积，fkk-1是一个转移矩阵。Id表示一个d维的单位矩阵，
Figure BDA0002386990440000068
表示由扩展目标
Figure BDA0002386990440000069
给出的量测噪声，
Figure BDA00023869904400000610
是一个高斯过程噪声。
PHD用
Figure BDA00023869904400000611
表示，它可以有一个混合的高斯逆威沙特分布近似。
2.PP量测集划分算法
由于采用了目标预测信息，因此PP划分方法对目标机动非常敏感，具体可通过以下两个步骤描述：
(1)将一组量测值Z分割成非空的子集或单元W，目标预测信息按如下公式将量测结果分成簇：
Figure BDA00023869904400000612
Figure BDA00023869904400000613
是一个量测，
Figure BDA00023869904400000614
是预测，目标扩展矩阵，
Figure BDA00023869904400000615
是k+1时刻d-维下目标的预测位置，Δd(p)是在概率为0.99，由自由度为d的卡方分布进行逆累积计算得到的。
(2)如果一个量测可以被分成两个杂波，选择权重最高的分量。
本发明提出一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，包括如下步骤：
步骤1，令初始时刻k＝0，初始化参数：初始目标状态为x0＝{m0,P0}，m0为目标的位置，P0为运动误差的协方差矩阵。
步骤2，当k≥1时，对量测集进行划分。
将一组量测集Z划分成若干个非空的子集或单元W；检测W中的元素数量，利用预测信息将量测划分为集群；如果一个量测可以被分成两个集群，选择分量权重大的集群。
步骤2所述的用目标的预测位置信息对目标量测集进行划分，按下述步骤计算得到：
步骤2-1，当权重
Figure BDA0002386990440000071
时将会被调整为
Figure BDA0002386990440000072
步骤2-2，对位置
Figure BDA0002386990440000073
进行修正：
假设集和
Figure BDA0002386990440000074
的所有分量所对应的量测为
Figure BDA0002386990440000075
Figure BDA0002386990440000076
步骤2-3，对于每一个位置
Figure BDA0002386990440000077
可以通过转移矩阵进行修正
Figure BDA0002386990440000078
Figure BDA0002386990440000079
Figure BDA0002386990440000081
其中，
Figure BDA0002386990440000082
是坐标转移矩阵来修正由目标靠近或分开移动而引起的错误。
Figure BDA0002386990440000083
是量测集
Figure BDA0002386990440000084
位置的均值，
Figure BDA0002386990440000085
表示预测分量集
Figure BDA0002386990440000086
的位置均值。
步骤2-4，将转移矩阵
Figure BDA0002386990440000087
利用公式表示出来：
Figure BDA0002386990440000088
可由
Figure BDA0002386990440000089
与
Figure BDA00023869904400000810
之间的扩展变化估算出来，转换方程如下：
Figure BDA00023869904400000811
Figure BDA00023869904400000812
Figure BDA00023869904400000813
其中，
Figure BDA00023869904400000814
和
Figure BDA00023869904400000815
是
Figure BDA00023869904400000816
和
Figure BDA00023869904400000817
的扩展矩阵，
Figure BDA00023869904400000818
可通过缩放和旋转的方式变为
Figure BDA00023869904400000819
步骤2-5，求解
Figure BDA00023869904400000820
Figure BDA00023869904400000821
Figure BDA00023869904400000822
Sk+1是一个缩放矩阵，
Figure BDA00023869904400000823
和
Figure BDA00023869904400000824
是
Figure BDA00023869904400000825
和
Figure BDA00023869904400000826
各自的特征根。
Figure BDA00023869904400000827
θ＝<α1,k,α1,k+1>
ψk+1表示角度为θ的旋转矩阵，这里，α1,k和α1,k+1是
Figure BDA00023869904400000828
的特征向量，<α1,k,α1,k+1>是它们之间的角度。
步骤3，根据量测信息，利用GIW-PHD跟踪算法框架对目标运动状态进行多假设滤波。
所述步骤3包括如下步骤：
目标更新检测PHD为：
Figure BDA0002386990440000091
其中，p∠Zk对所有分区p的当前集和Zk的测量值求和，
Figure BDA0002386990440000092
表示漏检的PHD，
Figure BDA0002386990440000093
可以近似为一个如下的混合逆威沙特分布：
Figure BDA0002386990440000094
其中，
Figure BDA0002386990440000095
和
Figure BDA0002386990440000096
是第j个高斯分布的均值和方差。
Figure BDA0002386990440000097
为第j个GIW分布的自由度和标度矩阵。
GIW分量权重由以下公式更新：
Figure BDA0002386990440000098
Figure BDA0002386990440000099
Figure BDA00023869904400000910
Figure BDA00023869904400000911
其中βFA,k是每次扫描的每个监视量的杂波量测参数，γ(j)是目标产生的平均测量次数。
步骤4，修剪合并。当有较高权重的GIW分量被修剪时，其对应的标签和属性也要被修剪，如果多个分量
Figure BDA0002386990440000101
被合并，并且
Figure BDA0002386990440000102
有最大的权重，则合并后分量的标签等于
Figure BDA0002386990440000103
步骤5，若下一帧观测信息到达，转到步骤2进行迭代；否则，跟踪过程结束。
本发明的效果可通过以下实验仿真进一步说明：
1.仿真条件及参数
假设扩展目标由模型
Figure BDA0002386990440000104
给出，Xk是一个均匀分布的扩展矩阵，Bk是由运动模型决定的旋转矩阵，Rk是一个高斯量测噪声，每个目标的量测噪声服从泊松分布。
仿真场景的参数如下：
S＝4000×4000m2，
βFA,k＝6.25×10-7，
Rk＝diag([1,1])，
Qk＝diag([0.5,0.5,0,0])
Ts表示传感器扫描间隔，S表示带有速率参数的监视体积，杂波量测的泊松均值是S×βFA,k＝10。Rk和Qk分别是过程噪声协方差和量测噪声。
新生目标参数如下：
w0＝0.1，
γ(j)＝20，
V0＝diag([50,50])，
P0＝diag([25,100])，
2.仿真内容及结果分析
仿真实验，将本发明方法与使用SSP、PP和EMP划分方法的GIW-PHD跟踪算法进行对比实验分析，主要在回转估计和交叉轨迹开展实验：
图2是两个试验场景的轨迹图。a回转轨迹，b交叉轨迹。
图3是回转轨迹场景的100次蒙特卡洛平均结果。a、b和c分别是OSPA误差、目标数估计和时间代价结果。可见，本发明在跟踪误差和目标数估计方面最优且与SSP结果相似，在时间代价方面由于SSP。因此，本发明适用于弱机动和目标紧邻场景，且整体性能优于现有方法。
图4是交叉轨迹场景的100次蒙特卡洛平均结果。a和b分别是OSPA误差和目标数估计结果，SSP算法在目标数量多于3时失效，因此本实验为列出结果。可见，本发明在多个目标紧邻时的跟踪误差小于其它方法，目标数估计结果更接近于真实值。因此，本发明适用于多个目标紧邻交叉场景，且整体性能优于现有方法。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (4)

1.一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，其特征在于：所述算法包括如下步骤：
步骤1，令初始时刻k＝0，初始化参数：初始目标状态为x0＝{m0,P0}，m0为目标的位置，P0为运动误差的协方差矩阵；
步骤2，当k≥1时，对量测集进行划分；
将一组量测集Z划分成若干个非空的子集或单元W；检测W中的元素数量，利用预测信息将量测划分为集群；如果一个量测可以被分成两个集群，选择分量权重大的集群；
步骤3，根据量测信息，利用GIW-PHD跟踪算法框架对目标运动状态进行多假设滤波；
步骤4，修剪合并：
步骤5，若下一帧观测信息到达，转到步骤2进行迭代；否则，跟踪过程结束。
2.根据权利要求1所述的一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，其特征在于：步骤2所述的用目标的预测位置信息对目标量测集进行划分，按下述步骤计算得到：
步骤2-1，当权重
Figure FDA0002386990430000011
时将会被调整为
Figure FDA0002386990430000012
步骤2-2，对位置
Figure FDA0002386990430000013
进行修正：
假设集和
Figure FDA0002386990430000014
的所有分量所对应的量测为
Figure FDA0002386990430000015
Figure FDA0002386990430000016
步骤2-3，对于每一个位置
Figure FDA0002386990430000021
可以通过转移矩阵进行修正
Figure FDA0002386990430000022
Figure FDA0002386990430000023
Figure FDA0002386990430000024
其中，
Figure FDA0002386990430000025
是坐标转移矩阵来修正由目标靠近或分开移动而引起的错误。
Figure FDA0002386990430000026
是量测集
Figure FDA0002386990430000027
位置的均值，
Figure FDA0002386990430000028
表示预测分量集
Figure FDA0002386990430000029
的位置均值；
步骤2-4，将转移矩阵
Figure FDA00023869904300000210
利用公式表示出来：
Figure FDA00023869904300000211
可由
Figure FDA00023869904300000212
与
Figure FDA00023869904300000213
之间的扩展变化估算出来，转换方程如下：
Figure FDA00023869904300000214
Figure FDA00023869904300000215
Figure FDA00023869904300000216
其中，
Figure FDA00023869904300000217
和
Figure FDA00023869904300000218
是
Figure FDA00023869904300000219
和
Figure FDA00023869904300000220
的扩展矩阵，
Figure FDA00023869904300000221
可通过缩放和旋转的方式变为
Figure FDA00023869904300000222
步骤2-5，求解
Figure FDA00023869904300000223
Figure FDA00023869904300000224
Figure FDA00023869904300000225
Sk+1是一个缩放矩阵，
Figure FDA00023869904300000226
和
Figure FDA00023869904300000227
是
Figure FDA00023869904300000228
和
Figure FDA00023869904300000229
各自的特征根；
Figure FDA0002386990430000031
θ＝<α1,k,α1,k+1>
ψk+1表示角度为θ的旋转矩阵，这里，α1,k和α1,k+1是
Figure FDA0002386990430000032
的特征向量，<α1,k,α1,k+1>是它们之间的角度。
3.根据权利要求1所述的一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，其特征在于：所述步骤3包括如下步骤：
目标更新检测PHD为：
Figure FDA0002386990430000033
其中，p∠Zk对所有分区p的当前集和Zk的测量值求和，
Figure FDA0002386990430000034
表示漏检的PHD，
Figure FDA0002386990430000035
可以近似为一个如下的混合逆威沙特分布：
Figure FDA0002386990430000036
其中，
Figure FDA0002386990430000037
和
Figure FDA0002386990430000038
是第j个高斯分布的均值和方差。
Figure FDA0002386990430000039
为第j个GIW分布的自由度和标度矩阵。
GIW分量权重由以下公式更新：
Figure FDA00023869904300000310
Figure FDA00023869904300000311
Figure FDA00023869904300000312
Figure FDA00023869904300000313
其中βFA,k是每次扫描的每个监视量的杂波量测参数，γ(j)是目标产生的平均测量次数。
4.根据权利要求1所述的一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法，其特征在于：所述步骤4中，当有较高权重的GIW分量被修剪时，其对应的标签和属性也要被修剪，如果多个分量
Figure FDA0002386990430000041
被合并，并且
Figure FDA0002386990430000042
有最大的权重，则合并后分量的标签等于
Figure FDA0002386990430000043
CN202010101448.8A 2020-02-19 2020-02-19 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 Active CN111274529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010101448.8A CN111274529B (zh) 2020-02-19 2020-02-19 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101448.8A CN111274529B (zh) 2020-02-19 2020-02-19 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法

Publications (2)

Publication Number Publication Date
CN111274529A true CN111274529A (zh) 2020-06-12
CN111274529B CN111274529B (zh) 2023-11-24

Family

ID=71000419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101448.8A Active CN111274529B (zh) 2020-02-19 2020-02-19 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法

Country Status (1)

Country Link
CN (1) CN111274529B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112731370A (zh) * 2020-12-04 2021-04-30 杭州电子科技大学 一种考虑输入噪声的高斯过程扩展目标跟踪方法
CN116500575A (zh) * 2023-05-11 2023-07-28 兰州理工大学 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391446A (zh) * 2017-07-24 2017-11-24 江南大学 基于随机矩阵的不规则形状多扩展目标形状和状态估计方法
CN109917372A (zh) * 2018-12-28 2019-06-21 江苏理工学院 基于目标预测的扩展目标量测集划分和跟踪方法
EP3567399A1 (fr) * 2018-05-09 2019-11-13 Thales Procede de pistage de cibles, notamment maritimes, et radar mettant en oeuvre un tel procede

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391446A (zh) * 2017-07-24 2017-11-24 江南大学 基于随机矩阵的不规则形状多扩展目标形状和状态估计方法
EP3567399A1 (fr) * 2018-05-09 2019-11-13 Thales Procede de pistage de cibles, notamment maritimes, et radar mettant en oeuvre un tel procede
CN109917372A (zh) * 2018-12-28 2019-06-21 江苏理工学院 基于目标预测的扩展目标量测集划分和跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KARL GRANSTRÖM: "A PHD Filter for Tracking Multiple Extended Targets Using Random Matrices" *
李鹏: "基于随机有限集的多扩展目标跟踪和航迹维持算法研究" *
樊鹏飞;李鸿艳;: "基于GIW-PHD的扩展目标联合跟踪与分类算法" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112731370A (zh) * 2020-12-04 2021-04-30 杭州电子科技大学 一种考虑输入噪声的高斯过程扩展目标跟踪方法
CN112731370B (zh) * 2020-12-04 2024-04-12 杭州电子科技大学 一种考虑输入噪声的高斯过程扩展目标跟踪方法
CN116500575A (zh) * 2023-05-11 2023-07-28 兰州理工大学 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置
CN116500575B (zh) * 2023-05-11 2023-12-22 兰州理工大学 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置

Also Published As

Publication number Publication date
CN111274529B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN111985093B (zh) 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法
CN107300698B (zh) 一种基于支持向量机的雷达目标航迹起始方法
CN108734725B (zh) 基于高斯过程的概率数据关联滤波扩展目标跟踪方法
CN110738275B (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN111274529A (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN111965618A (zh) 一种融合多普勒量测的转换量测跟踪方法及系统
Lin et al. Mobile robot self-localizationusing visual odometry based on ceiling vision
CN110702093B (zh) 基于粒子滤波的定位方法、装置、存储介质及机器人
CN111707997A (zh) 雷达目标跟踪方法、装置、电子设备及存储介质
CN109239704B (zh) 一种基于序贯滤波交互式多模型的自适应采样方法
CN117075097B (zh) 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统
CN114002667A (zh) 一种基于随机矩阵法的多近邻扩展目标跟踪算法
CN112991394A (zh) 基于三次样条插值和马尔科夫链的kcf目标跟踪方法
CN113192110A (zh) 多目标跟踪方法、装置、设备及存储介质
CN115469314A (zh) 一种均匀圆环阵稳健水下目标方位跟踪方法及系统
CN112285697A (zh) 一种多传感器多目标空时偏差校准与融合方法
CN112906743B (zh) 一种快速多传感器集势概率假设密度滤波方法
CN112241583A (zh) 一种最小化后验距离的传感器路径优化方法
CN116224320B (zh) 一种极坐标系下处理多普勒量测的雷达目标跟踪方法
CN111504326B (zh) 一种基于t分布的鲁棒glmb多目标跟踪方法
CN112581616B (zh) 基于序贯分块滤波的最近邻ukf-slam方法
CN116047495B (zh) 一种用于三坐标雷达的状态变换融合滤波跟踪方法
CN109239647B (zh) 一种基于多维拟合的多目标跟踪方法
CN108572362B (zh) 一种tws雷达空时联合关联跟踪方法及装置

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