CN111352104A - 一种基于信息积累的弱目标检测前跟踪方法 - Google Patents

一种基于信息积累的弱目标检测前跟踪方法 Download PDF

Info

Publication number
CN111352104A
CN111352104A CN202010189198.8A CN202010189198A CN111352104A CN 111352104 A CN111352104 A CN 111352104A CN 202010189198 A CN202010189198 A CN 202010189198A CN 111352104 A CN111352104 A CN 111352104A
Authority
CN
China
Prior art keywords
target
target state
information
frame
state
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
Application number
CN202010189198.8A
Other languages
English (en)
Inventor
李波
汤俊
岑宗骏
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010189198.8A priority Critical patent/CN111352104A/zh
Publication of CN111352104A publication Critical patent/CN111352104A/zh
Pending legal-status Critical Current

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
    • G01S13/70—Radar-tracking systems; Analogous systems for range tracking only
    • 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

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

本发明公开属于雷达跟踪目标与检测前技术领域的一种基于信息积累的弱目标检测前跟踪方法。具体步骤：(1)将状态空间离散、网格化，(2)初始化离散格点的概率取值；(3)观测数据得到当前信息传递矩阵；(4)根据信息传递矩阵预测目标状态分布；(5)从观测数据获得信息目标状态分布的预测结果，(6)计算第k帧的信息熵；(7)按照选定阈值对信息熵进行门限检测，得到的目标状态分布估计目标状态；(8)重复第(4)步至第(7)步的方法进行处理；(9)输出目标检测和状态估计结果。本发明能够实现对于弱目标的检测与跟踪；运算复杂度低且可并行化实现；鲁棒性强，对于匀速目标和具有一定机动性的目标都有较好的检测性能。

Description

一种基于信息积累的弱目标检测前跟踪方法
技术领域
本发明属于雷达跟踪目标与检测前技术领域，特别涉及一种基于信息积累的弱目标检测前跟踪方法。
背景技术
随着电子信息技术的不断进步，传统的雷达系统不仅面临着无人机、隐身飞机、反辐射导弹等先进军事设备带来的重大威胁，还需要面对超低空突防、综合电子干扰等高超作战手段的严峻挑战。无人机、隐身飞机等军事设备在不断地发展，这些军事目标的散射截面积(RCS)通常比较小，回波的信噪比(SNR)比较低，利用传统的检测后跟踪(Track-After-Detect,TAD)算法难以对这些信噪比低的弱目标获得稳定、可靠的检测效果，对传统的雷达系统构成了极大的威胁。
为了有效地对低信噪比的弱目标进行检测，形成了一类检测前跟踪(Track-Before-Detect,TBD)算法。这类算法并不直接对单帧数据进行阈值判决形成点迹，而是利用目标的运动特征沿着可能的运动轨迹进行多帧回波信号的能量积累，在此基础上实现微弱目标的检测和跟踪。传统的TBD算法主要包括霍夫变换、动态规划和粒子滤波等方法。基于动态规划和基于霍夫变换的弱目标检测算法是批处理算法，需要等待多帧观测数据才能开始处理，实时性较差。而基于递推实现的粒子滤波算法则需要大量的粒子来保证其滤波性能，导致算法的计算复杂度较高，运行时间较长，难以保证雷达系统中目标检测较高的实时性需求。
发明内容
本发明的目的是提出一种基于信息积累的弱目标检测前跟踪方法，其特征在于，所述弱目标检测前跟踪方法是基于递推贝叶斯原理，按照以下步骤来实现：
第一步：将目标状态空间离散化，设置目标状态空间的离散化网格；
第二步：初始化目标状态在各个离散格点的概率取值；
第三步：第k帧数据到来时，若k＝1，设置初始化信息传递矩阵；若k≠1，设置从上的第k-1帧到当前帧第k帧的信息传递矩阵；
第四步：若k＝1，根据第二步中的初始化目标状态分布以及第三步中的初始化信息传递矩阵预测第1帧的目标状态分布；若k≠1，则根据第五步计算得到的第k-1帧的目标状态分布以及第三步中的从上的第k-1帧，到当前帧第k帧的信息传递矩阵来预测第k帧的目标状态分布。
第五步：根据第k帧的观测数据和第四步得到的目标状态分布的预测结果更新计算最终第k帧的目标状态分布；
第六步：根据第五步得到的目标状态分布计算信息熵；
第七步：选定阈值对第六步得到的信息熵进行门限判决得到目标检测结果；具体是若判断当前第k帧存在目标，则根据第五步得到的目标状态的分布，利用最大后验估计准则来估计目标状态；
第八步：依次类推处理，在第k+1帧的数据到来时，重复第四步至第七步的方法进行处理；
第九步：输出目标的检测和状态估计结果。
所述第一步将连续的目标状态空间离散化为网格点，目标状态转移服从一阶马尔科夫过程，目标状态从当前格点向其他格点的转移概率由第三步中设置的信息传递矩阵来确定，通过信息传递矩阵实现多帧观测数据之间的信息积累。
所述将连续的目标状态空间离散化为网格点，是将回波信号经过常规的匹配滤波和相参积累处理之后得到的具有I个距离单元，J个多普勒单元的距离多普勒网格进行离散化，目标状态在如下笛卡尔积中取值，
xk∈{0,1,…,I-1}×{0,1,…,J-1}
当目标状态取值为(i,j)时，对应的位置为第i个距离单元，第j个多普勒单元。
所述步骤二的初始化目标状态在各个离散格点的概率取值具体为将初始化目标状态为均匀分布，即在各个格点的概率是相同的，概率为1/IJ。
所述目标状态转移过程服从一阶马尔科夫过程，信息传递矩阵Tk-1中的元素
Figure BDA0002415236920000031
表示目标k-1时刻处于(m,n)状态，k时刻转移到状态(i,j)的概率，满足
Figure BDA0002415236920000032
根据信息传递矩阵进行预测，预测过程得到第k帧的目标状态预测分布p(xk|z1:k-1)，
Figure BDA0002415236920000033
Figure BDA0002415236920000034
其中符号xi,j＝(i,j)表示目标状态格点，
Figure BDA0002415236920000035
表示目标出现在xi,j格点的取值概率。
所述步骤六根据目标状态分布，按照信息熵的计算公式计算熵值Hk，
Figure BDA0002415236920000041
根据Hk进行目标检测，如果Hk<Hthr,判定目标存在，目标状态
Figure BDA0002415236920000042
如果Hk≥Hthr，判定目标不存在。
本发明有益效果是该方法不仅在处理匀速直线运动和具有一定机动性的目标时具有良好的检测跟踪性能和较好的鲁棒性，而且具有实现简单、运算复杂度低、可并行化实现等优点。
附图说明
图1为算法流程框图；
图2为状态空间离散化网格的示意图；
图3仿真实验1中的观测数据结果图；
图4仿真实验1中的信息熵随时间变化曲线图；
图5仿真实验1中目标状态估计结果；其中(a)距离估计结果；(b)多普勒频移估计结果；
图6为仿真实验2中不同信噪比下信息熵随时间变化曲线图；
图7为仿真实验3中的信息熵随时间变化曲线图；
图8为仿真实验3中目标状态估计结果；其中(a)距离估计结果；(b)多普勒频移估计结果；
具体实施方式
本发明的目的是提出一种基于信息积累的弱目标检测前跟踪方法，为了进一步说明本发明的详细内容，兹列举以下实施例进行详细说明：
实施例1
本发明所述的基于信息积累的一种弱目标检测前跟踪方法，如图1所示，包括以下步骤：
第一步：将目标状态空间离散化，设置目标状态空间的离散网格；
考虑常规的雷达系统，回波信号经过常规的匹配滤波和相参积累处理之后，可以获得如图2所示的距离多普勒结果矩阵；距离多普勒结果矩阵共有I个距离单元，J个多普勒单元；目标状态空间将按照距离多普勒的网格划分进行离散化，目标状态在如下笛卡尔积中取值。
xk∈{0,1,…,I-1}×{0,1,…,J-1}
当目标状态取值为(i,j)时，对应的位置为第i个距离单元，第j个多普勒单元。
第二步：初始化目标状态在各个离散格点的概率取值；
简单起见，可以初始化目标状态为均匀分布，即在各个格点的概率是相同的，概率为1/IJ。
第三步：第k帧数据到来时，若k＝1，设置初始化信息传递矩阵；若k≠1，设置从上一帧(第k-1帧)到当前帧(第k帧)的信息传递矩阵。
信息传递矩阵Tk-1中的元素
Figure BDA0002415236920000051
表示目标k-1时刻处于(m,n)状态，k时刻转移到(i,j)状态的概率，满足
Figure BDA0002415236920000052
若目标匀速运动，信息传递矩阵T可以设置为与时刻k无关的值；若目标非匀速运动，信息传递矩阵Tk设置为随时刻k变化的值，反映目标运动的机动性。获取信息传递矩阵可以采取多种灵活的方式，可以根据已知的目标的先验信息预先存储，或者按照目标状态空间划分的网格设置多个通道，也可以利用跟踪的信息反馈进行实时更新。
第四步：若k＝1，根据第二步中的初始化目标状态分布以及第三步中的初始化信息传递矩阵预测第1帧的目标状态分布；若k≠1，则根据第五步计算得到的第k-1帧的目标状态分布以及第三步中的从上一帧(第k-1帧)到当前帧(第k帧)的信息传递矩阵来预测第k帧的目标状态分布。
第k-1帧的目标状态分布为p(xk-1|z1:k-1)。
Figure BDA0002415236920000061
其中δ函数定义为
Figure BDA0002415236920000062
Figure BDA0002415236920000063
的取值满足
Figure BDA0002415236920000064
根据信息传递矩阵进行预测，预测过程得到第k帧的目标状态预测分布p(xk|z1:k-1)。
Figure BDA0002415236920000065
Figure BDA0002415236920000066
第五步：根据第k帧新的观测数据和第四步得到的目标状态分布的预测结果更新计算第k帧的目标状态分布。
更新过程，k时刻得到新的观测值zk，其中的分量zi,j是相互独立的。引入随机变量
Figure BDA0002415236920000071
表示网格(i,j)是否存在目标。若网格(i,j)存在目标，即xk＝(i,j)，此时
Figure BDA0002415236920000072
观测数据
Figure BDA0002415236920000073
服从分布
Figure BDA0002415236920000074
若网格(i,j)不存在目标，即xk≠(i,j)，此时
Figure BDA0002415236920000075
观测数据
Figure BDA0002415236920000076
服从分布
Figure BDA0002415236920000077
定义似然函数
Figure BDA0002415236920000078
根据更新过程的表达式
p(xk|z1:k)∝p(xk-1|z1:k-1)p(zk|xk)
∝p(xk-1|z1:k-1)l(zk|xk)
得到最终的概率密度函数p(xk|z1:k)。
Figure BDA0002415236920000079
Figure BDA00024152369200000710
第六步：根据第五步得到的目标状态分布计算信息熵；
根据目标状态分布，按照信息熵的计算公式计算熵值Hk。
Figure BDA0002415236920000081
第七步：选定阈值对第六步得到的信息熵进行门限判决得到目标检测结果；若判断当前帧(第k帧)存在目标，则根据第五步得到的目标状态的分布，利用最大后验估计准则来估计目标状态。
假设初始时刻目标状态服从均匀分布，无任何观测数据时目标状态的不确定性最大；随着观测数据的增加，获取到更多关于目标状态的信息，目标状态的不确定性下降。目标状态的不确定性下降，熵值下降。当目标状态的确定度达到一定水平，即熵值下降到一定门限的时候，判定当前时刻存在目标。
根据Hk进行目标检测，如果Hk<Hthr,判定目标存在，目标状态
Figure BDA0002415236920000082
如果Hk≥Hthr，判定目标不存在。
第八步：依次类推处理，在第k+1帧的数据到来时，重复第四步至第七步的方法进行处理；
第九步：输出目标的检测和状态估计结果
实验结果：
下面通过仿真实验进一步说明本发明所述方法的性能。
仿真场景1：总共观测20帧数据，对应的时间长度为10s。其中包含单个运动目标，目标第1帧开始出现，一直持续到第20帧。目标初始位置位于(50,60,1)Tkm，保持匀速直线运动，运动速度v＝(-180,-120,-2)Tm/s。目标散射截面积按照Swerling I型起伏，均值为10m2。噪声为零均值加性复高斯噪声，调整噪声功率，使得均值rcs所对应的观测数据信噪比为7dB。观测数据如图3所示，共有200个距离单元，距离单元大小为1.5km，共有500个多普勒频移单元，多普勒频移单元大小为2Hz。目标不确定性随时间的变化曲线如图4所示。目标距离和多普勒频移估计结果如图5(a)和图5(b)所示。
仿真场景2：调整噪声功率，改变目标的信噪比，使得观测数据的平均信噪比分别为12dB,9dB,7dB,5dB，其他场景参数与仿真场景1中保持一致。不同信噪比下目标不确定性随时间的变化曲线如图6所示。
仿真场景3：总共观测30帧数据，对应的时间长度为15s。其中包含单个运动目标，目标散射截面积按照Swerling I型起伏，均值为10m2。噪声为零均值的加性复高斯噪声，调整噪声功率，使得所对应的观测数据的平均信噪比为7dB。目标初始的初始位置(50,60,1)Tkm，第1帧到第10帧保持匀速直线运动，运动速度v＝(-180,-120,-2)Tm/s。第11帧到20帧目标运动状态发生变化，做匀加速直线运动，加速度为a＝(10,-15,0)Tm/s2，第21帧到第30帧保持匀速直线运动。观测数据共有200个距离单元，距离单元大小为1.5km，共有500个多普勒频移单元，多普勒频移单元大小为2Hz。目标不确定性随时间的变化曲线如图7所示。目标距离和多普勒频移估计结果如图8(a)和图8(b)所示。
可以看出，本发明所述方法不仅能准确地检测和跟踪匀速直线运动的弱目标，对于机动目标也有良好的检测性能。

Claims (6)

1.一种基于信息积累的弱目标检测前跟踪方法，其特征在于，所述弱目标检测前跟踪方法是基于递推贝叶斯原理，按照以下步骤来实现：
第一步：将目标状态空间离散化，设置目标状态空间的离散化网格；
第二步：初始化目标状态在各个离散格点的概率取值；
第三步：第k帧数据到来时，若k＝1，设置初始化信息传递矩阵；若k≠1，设置从上的第k-1帧到当前帧第k帧的信息传递矩阵；
第四步：若k＝1，根据第二步中的初始化目标状态分布以及第三步中的初始化信息传递矩阵预测第1帧的目标状态分布；若k≠1，则根据第五步计算得到的第k-1帧的目标状态分布以及第三步中的从上的第k-1帧，到当前帧第k帧的信息传递矩阵来预测第k帧的目标状态分布；
第五步：根据第k帧的观测数据和第四步得到的目标状态分布的预测结果更新计算最终第k帧的目标状态分布；
第六步：根据第五步得到的目标状态分布计算信息熵；
第七步：选定阈值对第六步得到的信息熵进行门限判决得到目标检测结果；具体是若判断当前第k帧存在目标，则根据第五步得到的目标状态的分布，利用最大后验估计准则来估计目标状态；
第八步：依次类推处理，在第k+1帧的数据到来时，重复第四步至第七步的方法进行处理；
第九步：输出目标的检测和状态估计结果。
2.根据权利要求1所述基于信息积累的弱目标检测前跟踪方法，其特征在于，所述第一步将连续的目标状态空间离散化为网格点，目标状态转移服从一阶马尔科夫过程，目标状态从当前格点向其他格点的转移概率由第三步中设置的信息传递矩阵来确定，通过信息传递矩阵实现多帧观测数据之间的信息积累。
3.根据权利要求1所述基于信息积累的弱目标检测前跟踪方法，其特征在于，所述将连续的目标状态空间离散化为网格点，将回波信号经过常规的匹配滤波和相参积累处理之后得到的具有I个距离单元，J个多普勒单元的距离多普勒网格进行离散化，目标状态xk在如下笛卡尔积中取值，
xk∈{0,1,…,I-1}×{0,1,…,J-1}
当目标状态取值为(i,j)时，对应的位置为第i个距离单元，第j个多普勒单元。
4.根据权利要求1所述基于信息积累的弱目标检测前跟踪方法，其特征在于，所述步骤二的初始化目标状态在各个离散格点的概率取值具体为将初始化目标状态为均匀分布，即在各个格点的概率是相同的，概率为1/IJ。
5.根据权利要求1所述基于信息积累的弱目标检测前跟踪方法，其特征在于，所述目标状态转移过程服从一阶马尔科夫过程，信息传递矩阵Tk-1中的元素
Figure FDA0002415236910000021
表示目标k-1时刻处于(m,n)状态，k时刻转移到状态(i,j)的概率，满足
Figure FDA0002415236910000022
根据信息传递矩阵进行预测，预测过程得到第k帧的目标状态预测分布p(xk|z1:k-1)，
Figure FDA0002415236910000023
Figure FDA0002415236910000024
其中符号xi,j＝(i,j)表示目标状态格点，
Figure FDA0002415236910000025
表示目标出现在xi,j格点的取值概率。
6.根据权利要求1所述基于信息积累的弱目标检测前跟踪方法，其特征在于，所述步骤六根据目标状态分布，按照信息熵的计算公式计算熵值Hk，
Figure FDA0002415236910000031
根据Hk进行目标检测，如果Hk<Hthr,判定目标存在，目标状态
Figure FDA0002415236910000032
如果Hk≥Hthr，判定目标不存在。
CN202010189198.8A 2020-03-18 2020-03-18 一种基于信息积累的弱目标检测前跟踪方法 Pending CN111352104A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010189198.8A CN111352104A (zh) 2020-03-18 2020-03-18 一种基于信息积累的弱目标检测前跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189198.8A CN111352104A (zh) 2020-03-18 2020-03-18 一种基于信息积累的弱目标检测前跟踪方法

Publications (1)

Publication Number Publication Date
CN111352104A true CN111352104A (zh) 2020-06-30

Family

ID=71197634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189198.8A Pending CN111352104A (zh) 2020-03-18 2020-03-18 一种基于信息积累的弱目标检测前跟踪方法

Country Status (1)

Country Link
CN (1) CN111352104A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965614A (zh) * 2020-07-27 2020-11-20 北京理工大学 一种基于动态规划与最小图像熵的机动弱目标检测方法
CN112816973A (zh) * 2020-12-31 2021-05-18 清华大学 一种跟踪信息辅助的目标检测方法
CN113126086A (zh) * 2020-12-30 2021-07-16 西安电子科技大学 一种基于状态预测积累的生命探测雷达弱目标检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090016470A1 (en) * 2007-07-13 2009-01-15 The Regents Of The University Of California Targeted maximum likelihood estimation
US20140261887A1 (en) * 2011-11-03 2014-09-18 Thales Nederland B.V. System for characterizing motion of an individual, notably a human individual, and associated method
CN105842686A (zh) * 2016-03-21 2016-08-10 西安电子科技大学 基于粒子平滑的快速tbd检测方法
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
CN109471081A (zh) * 2018-11-07 2019-03-15 中国人民解放军国防科技大学 单脉冲雷达弱小目标联合检测及状态估计方法
CN109946671A (zh) * 2019-04-12 2019-06-28 哈尔滨工程大学 一种基于双门限判决的水下机动弱目标检测跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090016470A1 (en) * 2007-07-13 2009-01-15 The Regents Of The University Of California Targeted maximum likelihood estimation
US20140261887A1 (en) * 2011-11-03 2014-09-18 Thales Nederland B.V. System for characterizing motion of an individual, notably a human individual, and associated method
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
CN105842686A (zh) * 2016-03-21 2016-08-10 西安电子科技大学 基于粒子平滑的快速tbd检测方法
CN109471081A (zh) * 2018-11-07 2019-03-15 中国人民解放军国防科技大学 单脉冲雷达弱小目标联合检测及状态估计方法
CN109946671A (zh) * 2019-04-12 2019-06-28 哈尔滨工程大学 一种基于双门限判决的水下机动弱目标检测跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JISHY K AND LEHMANN F: "《A Bayesian track-before detect procedure for passive radars》", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》 *
韦文、汤俊、彭应宁: "《基于递推贝叶斯的检测跟踪一体化方法》", 《宇航学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965614A (zh) * 2020-07-27 2020-11-20 北京理工大学 一种基于动态规划与最小图像熵的机动弱目标检测方法
CN111965614B (zh) * 2020-07-27 2022-08-19 北京理工大学 一种基于动态规划与最小图像熵的机动弱目标检测方法
CN113126086A (zh) * 2020-12-30 2021-07-16 西安电子科技大学 一种基于状态预测积累的生命探测雷达弱目标检测方法
CN112816973A (zh) * 2020-12-31 2021-05-18 清华大学 一种跟踪信息辅助的目标检测方法
CN112816973B (zh) * 2020-12-31 2024-05-10 清华大学 一种跟踪信息辅助的目标检测方法

Similar Documents

Publication Publication Date Title
CN111352104A (zh) 一种基于信息积累的弱目标检测前跟踪方法
CN109188423B (zh) 一种基于多源聚类的分布式多目标跟踪方法
CN104101876B (zh) 外辐射源雷达中一种基于随机有限集的多目标跟踪方法
CN111580084A (zh) 一种面向多距离扩展目标的多伯努利检测前跟踪方法
CN106154259B (zh) 一种随机集理论下的多传感器自适应管控方法
CN111257865B (zh) 一种基于线性伪量测模型的机动目标多帧检测跟踪方法
CN104459661A (zh) 检测快速火炮类微弱目标的方法
CN117169818B (zh) 一种面向海面机动目标跟踪的雷达波形设计方法
CN116050515A (zh) 一种基于XGBoost的平行推演多分支态势预测方法
CN1382997A (zh) 基于神经网络的机动目标精确跟踪方法
Liu et al. An intelligent signal processing method for motional vital signs detection system based on deep learning
Boers et al. A multi target track before detect application
CN109799477B (zh) 一种面向毫米波车联网的序贯车辆指纹定位方法及装置
CN111679270B (zh) 一种反射点不确定场景下多路径融合目标检测算法
CN112816973B (zh) 一种跟踪信息辅助的目标检测方法
Yu et al. Bernoulli Track-before-detect Algorithm for Distributed Target with Unknown Amplitude Information
Zhang et al. EMD-based gray association algorithm for group ballistic target
CN111175738B (zh) 一种基于多模型隶属控制的相控阵雷达目标快速建航方法
Guo et al. Group targets tracking using maximum entropy fuzzy based on fire-fly algorithm and particle filter
Liu et al. UUV trajectory prediction based on GRU neural network
Wang et al. Improved probability hypothesis density filter for multi‐target tracking of non‐cooperative bistatic radar
CN111665495B (zh) 一种基于vsmm-gmphd的多目标跟踪方法
Sun et al. A novel track-before-detect method based on H-PMHT and the polynomial filter
Yang et al. Probability hypothesis density filter based on strong tracking MIE for multiple maneuvering target tracking
CN113408422B (zh) 一种适用于微弱目标的多帧联合检测跟踪与分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200630

RJ01 Rejection of invention patent application after publication