CN111736145A - 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 - Google Patents

一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 Download PDF

Info

Publication number
CN111736145A
CN111736145A CN202010596491.6A CN202010596491A CN111736145A CN 111736145 A CN111736145 A CN 111736145A CN 202010596491 A CN202010596491 A CN 202010596491A CN 111736145 A CN111736145 A CN 111736145A
Authority
CN
China
Prior art keywords
measurement
gaussian
model
target
substances
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
CN202010596491.6A
Other languages
English (en)
Other versions
CN111736145B (zh
Inventor
程婷
侯子林
李立夫
檀倩倩
李茜
付小川
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010596491.6A priority Critical patent/CN111736145B/zh
Publication of CN111736145A publication Critical patent/CN111736145A/zh
Application granted granted Critical
Publication of CN111736145B publication Critical patent/CN111736145B/zh
Expired - Fee Related 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
    • 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
    • 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
    • G01S7/418—Theoretical aspects

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

本方法属于雷达目标跟踪领域，特别是涉及基于高斯混合概率密度假设的多机动目标多普勒雷达跟踪方法。本文首先引入伪量测替代多普勒雷达获得的目标径向速度量测，然后引入基于预测值信息的量测转换方法处理位置量测、伪量测，同时对伪量测与位置量测去相关。然后采用高斯混合概率假设密度滤波方法，借助多模型架构，针对高斯分量与模型的相关性，分别对幸存、新生、衍生目标的高斯分量做不同的处理。针对与模型无关的高斯分量，即新生、衍生高斯分量直接对状态进行估计；针对与模型有关的高斯分量，即幸存高斯分量，首先获得各个模型滤波器的模型概率及更新分量的模型条件分布，再将模型与更新分量的条件分布融合得到状态估计。其中，在对高斯分量的权重、均值、协方差等滤波时，引入序贯滤波，先根据位置量测获得位置估计；然后使用伪量测对位置估计序贯处理位置估计得到最终的状态估计。

Description

一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷 达跟踪方法
技术领域
本方法属于雷达目标跟踪领域，特别是涉及基于高斯混合概率密度假设的多机动目标多 普勒雷达跟踪方法。
背景技术
在雷达目标跟踪场景中，由于杂波虚警的存在，造成量测集合中不仅仅只包含目标的回 波。为了确定用于目标状态更新的量测点迹，最近邻(Nearest neighbor,NN)方法选取与目 标预测位置统计距离最近的点(Arya S.Nearest Neighbor Searching andApplications.Ph.D. thesis,University of Maryland,College Park,MD,1995.)。这种方法在杂波密度较大时容易出现 关联错误。概率数据关联(Probability DigitalAssociation,PDA)技术则将每个可能源于目标 的量测加权结合来更新目标的状态。上述方法均只针对单目标跟踪场景，在多目标跟踪场景 下，目标的数量通常是时变的。传统的处理方法是PDA的拓展方法，即联合概率数据关联 (Joint Probability DigitalAssociation,JPDA)方法。该方法采用航迹起始、航迹终止、数据关 联等技术将多个量测值与每个目标关联起来，对目标状态进行更新，但当获得的量测数目过 多时，处理过程将会复杂化，计算复杂度会急剧增长。为了解决数据关联的运算量增长问题， Mahler在文献(Mahler R P S.Multitarget Bayes filtering via first-order multitargetmoments.IEEE Transactions on Aerospace and Electronic Systems.2003,39(4):1152-1178.)将随机有限集 (Random Finite Set,RFS)理论应用到多传感器多目标跟踪领域，将单目标贝叶斯滤波方法 推广到了多目标贝叶斯滤波，利用随机有限集(RFS)表示目标状态集和目标量测集，首先 根据多目标状态的信息做出概率密度假设，然后根据多目标量测信息对预测概率密度进行更 新。针对多目标贝叶斯滤波在递推的过程中使用了多重积分导致计算量大的问题，采用后验 概率密度分布的局部统计量，即一阶矩，对完整的多目标后验概率密度进行近似化，代替后 验概率密度进行计算，再从新的后验概率密度中提取出目标状态与目标数量，形成了 (Probability Hypothesis Density,PHD)算法。相比传统的联合概率数据关联算法，计算复杂 度较低，但是该算法仍然存在复杂积分过程，仍然没有封闭解。
Vo等在文献(Vo B N,Singh S,Boucet A.Sequential Monte Carlo methods formulti-target filtering with random finite sets.IEEE Transactions on Aerospaceand Electronic Systems.2005, 41(4):1224-1245.)中以粒子滤波为启发，利用序贯蒙特卡洛法产生带有权值的随机粒子集， 对PHD进行近似，提出了序贯蒙特卡洛概率密度假设(Sequential Monte Carlo PHD, SMCPHD)算法，可以处理非线性及非高斯问题，但目标状态的提取依赖于粒子算法的稳定 性。随即Vo等在文献(Vo B N,Ma W K.The Gaussianmixture probability hypothesis density filter. IEEE Transactions on SignalProcessing.2066,54(11):4091-4104.)中提出高斯混合概率假设密 度(Gaussianmixture PHD,GMPHD)算法，通过对多个高斯分量添加权重的方式进行混合代 替PHD，在预测、更新时有较小计算量，给出了滤波过程的封闭解，且更容易通过提取高斯 分量获得目标状态集及相应的状态估计误差。
而将GMPHD算法应用于实际的雷达多目标跟踪场景中应该考虑两个主要问题：
一是非线性滤波的问题。在雷达对目标进行跟踪时，目标状态信息、目标状态估计信 息是建立在直角坐标系中的；雷达量测信息是建立在极/球坐标系中的，包含目标的角度、径 向距离量测，多普勒雷达还可以获得目标的径向速度量测。因此多目标状态信息与多目标量 测信息之间是非线性关系，需要使用非线性滤波方法。常见的非线性滤波方法包括扩展卡尔 曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented KalmanFilter,UKF)、粒 子滤波(Particle Filter,PF)，其中EKF对非线性量测函数的泰勒展开式进行线性化截断 (Bar-shalom Y,Li X R,Kirubabajan T.Estimation with applicationto tracking and navigation: theory,algorithms,and software[M].New York:Wiley,2001.)；UKF在线性高斯的框架下使用高 斯分布的无迹变换生成固定点数的参数点对非线性函数的概率密度分布进行近似(Julier S J, Uhlmann J K.Unscented filtering andnonlinear estimation[J].Proceedings of the IEEE,2004, 92(3):401-422.)；PF借助蒙特卡洛思想，通过大量的随机概率密度函数近似系统状态的分布 (Ristic B,Arulampalam S,Gordon N.Beyond the Kalman filter:particle filters for trackingapplications[M].Artech House,Boston·London,2004:239-259.)。针对非线性量测问题，还有一 类方法即是使用量测转换方法，将雷达的量测信息转换到直角坐标系中。首先是Lerro D与 Bar-shalom在文献(Lerro D,Bar-shalom Y.Tracking with debiasedconsistent converted measurements versus EKF[J].IEEE Transactions onAerospace and Electronic Systems,193,29(3): 1015-1022.)中提出了一致去偏量测转换(Debiased Consistent Converted Measurement,DCCM) 方法，在此基础上出现了无偏量测转换等方法。Wang Xu等则在文献(Wang Xu,Cheng Ting, Wu Xiaoping,et al.AKalman filter for target tracking based on predicted position based unbiasedconverted measurements[J].Telecommunication Engineering,2018,58(10):1158-1162.)中提出了 基于预测信息的量测转换对目标量测值进行处理，代替原始量测值进行量测更新，在完成了 坐标转换的同时，提高了目标跟踪精度。
二是目标机动问题。雷达目标在被跟踪时，目标运动模式未知，且不一定会仅持续按照 某一模式进行运动，其存在机动的可能，此时会导致目标实际运动与运动建模不符，甚至最 终导致在跟踪过程中丢失目标。由Magill提出的多模型(Multiple Models,MM)方法。针对 目标的不同运动状态，采用多个运动模型加以描述，各模型可以通过马尔可夫矩阵实现平稳 切换，每个模型使用滤波估计目标运动状态以及更新模型概率，然后通过模型概率综合估计 目标运动状态(Li X R,Bar Shalom Y.Multiple model estimation withvariable structure.IEEE Transactions on Automatic Control,1996,41(4):1-16.)。Bar-shalom与Blom等在文献 (Bar-Shalom Y,Chang K C,Blom H A P.Tracking amaneuvering target using input estimation versus the interacting multiplemodel algorithm[J].IEEE Transactions on Aerospace and Electronic Systems,1989,25(2):296-300.)中提出交互式多模型(Interacting Multiple Models,IMM)方法，在多模型的架构上进行了改进。每个模型在进行估计前，先将输入的状态估计进行交互。由于模型的多样化，MM方法与IMM方法很好地解决了机动方式改变时运动状态与运动模型不匹配的问题。
综合考虑非线性量测以及目标机动问题，本发明首先采用伪量测替代多普勒雷达获得的 目标径向速度量测，然后使用量测转换处理位置量测、伪量测，同时对伪量测与位置量测去 相关。后续采用多模型的架构，预设多个确定的运动模型，针对高斯分量与模型的相关性， 分别对幸存、新生、衍生目标的高斯分量做不同的处理。针对与模型无关的高斯分量，即新 生、衍生高斯分量直接对状态进行估计；针对与模型有关的高斯分量，即幸存高斯分量，首 先获得各个模型滤波器的模型概率及更新分量的模型条件分布，再将模型与更新分量的条件 分布融合得到状态估计。其中，每个滤波器进行状态估计时采用序贯滤波，先根据位置量测 获得位置估计；然后使用伪量测对位置估计序贯处理。
发明内容
针对假设多普勒雷达在杂波环境下对多机动目标进行跟踪的场景中，机动目标的模型集 合
Figure BDA0002557018930000031
中存在M个模型。假设在k-1时刻，后验高斯分量为
Figure BDA0002557018930000032
Figure BDA0002557018930000033
Figure BDA0002557018930000034
分别为高斯分量的权重、均值、协方差，模型后验概率为
Figure BDA0002557018930000035
k时刻的量测集合为 zk∈{z1,z2,...,zl,...,zL}，其中第l个量测可表示为：
Figure BDA0002557018930000036
其中，
Figure BDA0002557018930000037
分别为第l个量测的径向距离量测、角度量测、径向速度量测，与对应 目标的真实坐标xk,l、yk,l及真实速度
Figure BDA0002557018930000041
有关；vk,l为多维度量测噪声，该噪声服从零均 值高斯分布。
算法的步骤为：
步骤1：新生及衍生目标的预测。
新生目标强度函数为
Figure BDA0002557018930000042
其中，Jγ,k为新生高斯分量的预测数目，
Figure BDA0002557018930000043
分别为第i个预测新生高斯分量的权 重、均值、协方差。
衍生目标在k时刻的预测强度为
Figure BDA0002557018930000044
Figure BDA0002557018930000045
Figure BDA0002557018930000046
其中，Jβ,k-1为k-1时刻某个高斯分量衍生高斯分量的预测数目，
Figure BDA0002557018930000047
为k-1 时刻第j个高斯分量衍生出的第l个高斯分量的权重、均值、协方差；
Figure BDA0002557018930000048
为第l个 高斯分量的衍生转移矩阵、衍生偏差，
Figure BDA0002557018930000049
为偏差对应的协方差矩阵。
步骤2：幸存目标的预测。
在第r(r＝1,2,,3,...,M)个模型下对第j(j＝1,2,3,...,Jk-1)个高斯分量进行预测，得到高斯 分量的权重、均值、协方差。
Figure BDA00025570189300000410
Figure BDA00025570189300000411
Figure BDA00025570189300000412
其中，pS,k为目标的幸存概率，通过预设得到。
经过预测过程，共获得Jk|k-1个预测高斯分量，其中，与模型相关的高斯分量有Jk-1个， 与模型无关的高斯分量有Jk|k-1-Jk-1个。
步骤3：目标漏检更新。
对于与模型无关的Jk|k-1-Jk-1个高斯分量，即新生或衍生高斯分量，第j个高斯分量的漏 检更新为
Figure BDA0002557018930000051
Figure BDA0002557018930000052
Figure BDA0002557018930000053
对于第二类与模型相关的Jk-1个幸存高斯分量，第j个高斯分量的漏检更新为
Figure BDA0002557018930000054
Figure BDA0002557018930000055
Figure BDA0002557018930000056
Figure BDA0002557018930000057
Figure BDA0002557018930000058
Figure BDA0002557018930000059
其中，
Figure BDA00025570189300000510
为模型r的先验概率。
步骤4：基于预测信息的量测转换。
对k时刻量测集Zk中的每一个有效的量测使用基于预测信息的量测转换，计算量测转换 误差协方差矩阵、伪量测与位置量测的互协方差。
经过量测转换后第l个量测值为
Figure BDA00025570189300000511
Figure BDA00025570189300000512
其中，σr，
Figure BDA00025570189300000513
σα，ρ分别为雷达的径向距离量测误差标准差、径向速度量测误差标准差、 角度量测误差标准差、径向距离与径向速度量测误差相关系数。
计算预测高斯分量
Figure BDA00025570189300000514
的转换误差协方差为
Figure BDA0002557018930000061
其中，各元素的计算方法为，
Figure BDA0002557018930000062
Figure BDA0002557018930000063
Figure BDA0002557018930000064
Figure BDA0002557018930000065
Figure BDA0002557018930000066
Figure BDA0002557018930000067
其中，
Figure BDA0002557018930000071
Figure BDA0002557018930000072
Figure BDA0002557018930000073
Figure BDA0002557018930000074
Figure BDA0002557018930000075
其中，
Figure BDA0002557018930000076
Figure BDA0002557018930000077
Figure BDA0002557018930000078
Figure BDA0002557018930000081
步骤5：伪量测与位置量测去相关
去相关后的伪量测为
Figure BDA0002557018930000082
其中
Figure BDA0002557018930000083
Figure BDA0002557018930000084
Figure BDA0002557018930000085
其误差协方差为
Figure BDA0002557018930000086
步骤6：序贯滤波状态估计。
首先，使用目标的位置量测值
Figure BDA0002557018930000087
分别对模型相关的预测高斯分量和模型无 关的高斯分量进行更新，获得位置估计。
使用第l个位置量测
Figure BDA0002557018930000088
对前Ik|k-1-Jk-1个模型无关的分量更新，第j个高斯分量的更新过 程为
Figure BDA0002557018930000089
Figure BDA00025570189300000810
Figure BDA00025570189300000811
其中，
Figure BDA00025570189300000812
对剩余Jk-1和模型相关的分量进行更新，其中，第j个分量的更新过程为
Figure BDA0002557018930000091
Figure BDA0002557018930000092
Figure BDA0002557018930000093
其中，
Figure BDA0002557018930000094
然后，使用去相关后的伪量测
Figure BDA00025570189300000922
对位置估计的结果进行补充。
使用第l个伪量测
Figure BDA0002557018930000095
对与模型无关的高斯分量
Figure BDA0002557018930000096
进行更新的过程为
Figure BDA0002557018930000097
Figure BDA0002557018930000098
Figure BDA0002557018930000099
其中，
Figure BDA00025570189300000910
Figure BDA00025570189300000911
Figure BDA00025570189300000912
Figure BDA00025570189300000913
Figure BDA00025570189300000914
Figure BDA00025570189300000915
Figure BDA00025570189300000916
Figure BDA00025570189300000917
其中，
Figure BDA00025570189300000918
表示矩阵
Figure BDA00025570189300000919
中第m行第n列的元素。
与模型有关的高斯分量
Figure BDA00025570189300000920
的序贯滤波过程为
Figure BDA00025570189300000921
Figure BDA0002557018930000101
Figure BDA0002557018930000102
其中，
Figure BDA0002557018930000103
Figure BDA0002557018930000104
Figure BDA0002557018930000105
Figure BDA0002557018930000106
Figure BDA0002557018930000107
Figure BDA0002557018930000108
Figure BDA0002557018930000109
Figure BDA00025570189300001010
其中，
Figure BDA00025570189300001011
表示矩阵
Figure BDA00025570189300001012
中第m行第n列的元素。
每个模型的序贯滤波完成后需要按照模型概率进行融合，过程为
Figure BDA00025570189300001013
Figure BDA00025570189300001014
Figure BDA00025570189300001015
其中，
Figure BDA00025570189300001016
为模型的后验概率。
其中，
Figure BDA0002557018930000111
为模型的似然函数。
其中，
Figure BDA0002557018930000112
为位置量测的似然函数，
Figure BDA0002557018930000113
Figure BDA0002557018930000114
为伪量测的似然函数。
Figure BDA0002557018930000115
完成所有滤波后，将权值归一化如下
Figure BDA0002557018930000116
式中，
Figure BDA0002557018930000117
为多普勒杂波强度分布，
Figure BDA0002557018930000118
Figure BDA0002557018930000119
为杂波强度,由 传感器最大可探测范围V和单个采样周期内的平均杂波数nc共同决定。
步骤7：剪枝合并。
步骤6中获得Jk|k-1×Zk个量测更新的高斯分量，与步骤3中获得的Jk|k-1个漏检更新的高 斯分量合并后获得更新后的J'k个高斯分量，其中J'k＝Jk|k-1+Jk|k-1×Zk。给定剪枝阈值为τ， 合并门限U，高斯分量上限为Jmax。对权重小于剪枝阈值τ的高斯分量直接删除，获得剪枝 后的高斯分量集合I。
Figure BDA00025570189300001110
如高斯分量数目仍然大于上限，从I中找出权重最大的高斯分量，定义为
Figure BDA00025570189300001111
挑选出与该高斯分量距离小于合并门限的高斯分量，构成集合L。
Figure BDA00025570189300001112
将集合L中的高斯分量合并
Figure BDA00025570189300001113
Figure BDA00025570189300001114
Figure BDA00025570189300001115
从集合I中删除集合L中的元素，再次迭代，直到集合I清空。
步骤8：目标数和状态估计。
抽取权重满足一定阈值的高斯分量作为k时刻CM-GMPHD-MM算法的估计结果，即
Figure BDA0002557018930000121
发明原理
1、高斯混合概率假设密度滤波
假设在杂波环境下雷达对多目标进行跟踪时，满足：
(1)各个目标的运动的过程相互独立、各个目标被雷达量测的过程相互独立；
(2)新生目标的RFS和存活目标的RFS相互独立；
(3)杂波虚警的RFS服从Poisson分布，且独立于目标量测；
(4)预测获得的多目标RFS也服从Poisson分布；
(5)传感器的量测是线性高斯模型；
(6)目标从前一时刻到后一时刻存在消亡、幸存、新生、衍生可能，目标的幸存概率与 目标状态独立；
(7)目标存在被雷达漏检的可能，雷达的检测概率与目标状态独立。
(8)新生目标、衍生目标强度函数是混合高斯形式；
(9)预测强度函数、后验强度函数是高斯混合形式。
已知在k-1时刻的后验强度函数为高斯混合形式，即由带有权值的高斯分量混合而成，
Figure BDA0002557018930000122
其中，Jk-1为k-1时刻的高斯分量的数目，
Figure BDA0002557018930000123
为第i个高斯分量的权值，
Figure BDA0002557018930000124
为第i个高斯 分量的均值，
Figure BDA0002557018930000125
为第i个高斯分量的协方差。
高斯混合概率假设密度算法过程如下：
根据目标的新生、衍生、幸存等情形，分别对目标进行预测，则k时刻的预测强度函数 也为高斯混合形式
Figure BDA0002557018930000126
其中，
Figure BDA0002557018930000127
Figure BDA0002557018930000131
Figure BDA0002557018930000132
针对雷达对目标量测的情形，分别对漏检目标、检测目标进行更新，更新后的强度函数 仍然为高斯混合形式
Figure BDA0002557018930000133
其中，vk|k-1(x)由高斯分量预测步骤得到，vD,k(x,z)由量测步骤得到。
Figure BDA0002557018930000134
Figure BDA0002557018930000135
Figure BDA0002557018930000136
Figure BDA0002557018930000137
其中，
Figure BDA0002557018930000138
是量测似然函数，κk(z)是杂波强度函数。
2、多模型方法
假设雷达在对目标进行跟踪时，目标在M个运动模型之间切换，已知在k-1时刻第r个 模型的分布概率为
Figure RE-GDA0002641446160000139
k时刻模型概率预测：
Figure BDA0002557018930000142
k时刻模型概率更新：
Figure BDA0002557018930000143
Figure BDA0002557018930000144
其中，πi,r为模型i转移到模型r的概率，
Figure BDA0002557018930000145
为滤波器的似然函数。
3、基于预测信息的量测转换
假设在杂波环境下多机动目标在跟踪过程中，雷达获得目标量测的形式可表示为公式(1) 形式。
显然，雷达的量测信息(径向距离、方位角)与目标的状态信息(位置信息、速度信息) 之间呈非线性关系，不能够在线性滤波中直接使用，需要进行量测转换处理。
使用普通的坐标转换对量测信息进行处理，并使用伪量测对径向速度量测进行代替(省 略时标k)：
Figure BDA0002557018930000151
Figure BDA0002557018930000152
将目标状态真实值与量测误差等代入量测转换值求其均值，首先已知
Figure BDA0002557018930000153
Figure BDA0002557018930000154
Figure BDA0002557018930000155
Figure BDA0002557018930000156
Figure BDA0002557018930000157
Figure BDA0002557018930000158
从而推导出
Figure BDA0002557018930000159
Figure BDA00025570189300001510
其中，r与α为当前时刻目标的状态在极坐标下的真实值。
规定伪量测的误差表示形式为
Figure BDA00025570189300001511
对误差求均值得：
Figure BDA00025570189300001512
可见，量测转换值、伪量测存在转换误差，需要使用其他信息进行去偏处理。针对位置 量测以及伪量测分别做乘性去偏处理以及加性去偏处理
Figure BDA00025570189300001513
Figure BDA00025570189300001514
在计算转换误差统计特性时，由于真实值无法获知，同时为了解除量测结果与量测误差 的相关性，基于预测信息对量测转换的误差进行统计特性推导
Figure BDA0002557018930000161
Figure BDA0002557018930000162
其中，
Figure BDA0002557018930000163
Figure BDA0002557018930000164
Figure BDA0002557018930000165
Figure BDA0002557018930000171
Figure BDA0002557018930000172
Figure BDA0002557018930000173
Figure BDA0002557018930000174
Rξp＝(Rpξ)T＝[Rxξ Ryξ] (115)
附图说明
图1为本文具体实施方式中杂波背景下的机动目标实际运动轨迹；
图2为本文具体实施方式中分别采用CM-GMPHD-CV、CM-GMPHD-CTL、CM-GMPHD-CTR、CM-GMPHD-MM不同模型算法的目标运动轨迹跟踪结果；
图3为本文具体实施方式中分别采用CM-GMPHD-CV、CM-GMPHD-CTL、 CM-GMPHD-CTR、CM-GMPHD-MM不同模型算法的目标数目估计结果；
图4为本文具体实施方式中分别采用CM-GMPHD-CV、CM-GMPHD-CTL、 CM-GMPHD-CTR、CM-GMPHD-MM不同模型算法的估计状态与实际状态之间的OSPA 距离；
图5为本文具体实施方式中分别采用CM-GMPHD-MM、SQD-GMPHD-MM、 SQ-GMPHD-MM不同处理方式算法的目标运动轨迹跟踪结果；
图6为本文具体实施方式中分别采用CM-GMPHD-MM、SQD-GMPHD-MM、 SQ-GMPHD-MM不同处理方式算法的目标数目估计结果；
图7为本文具体实施方式中分别采用CM-GMPHD-MM、SQD-GMPHD-MM、 SQ-GMPHD-MM不同处理方式算法的估计状态与实际状态之间的OSPA距离；
图8为本文所用多模型方法流程图。
为本文具体实施方式中场景1位置RMSE曲线；
具体实施方式
考虑在二维平面内对六个不同的机动目标进行跟踪仿真的情形：
仿真中模型集合包括匀速直线运动(CV)模型、匀左转弯(CTL)模型、匀右转弯(CTR) 模型，模型概率转移矩阵为
Figure BDA0002557018930000181
雷达检测区域为[0,300m]×[0,300m]，环境中均匀分布杂波，在每一个扫描周期内数量期 望为20。雷达的扫描时间为1s，雷达的检测概率为0.99，目标的幸存概率为0.99。雷达的距离 量测误差标准差为3m，方位角量测误差标准差为0.05°，径向速度量测误差标准差为0.15m/s， 伪量测误差标准差为8m2/s，径向速度与径向距离量测误差之间的相关系数为0.99。
目标幸存概率为0.99，系统的过程噪声为0.01m/s2，驱动矩阵为加速度形式，即
Figure BDA0002557018930000182
在匀转弯模型中角速度为2rad/s与-5rad/s，正负值表征目标运动的转弯方向。
目标1起始于[40m,100m]处，持续做CV运动；目标2起始于[100m,10m]处，做CTR运动； 目标3起始于[30m,140m]处，先做CV运动，再做CTR运动，后做CV运动；目标4起始于[150m,170m]处，先做CTR运动，再做CV运动，后做CTL运动；目标5衍生于目标1运动10s时，持续做CTL运动；目标6起始于[180m,180m]处，持续做CV运动。
因此，对高斯分量做如下设置：高斯分量的剪枝阈值为10-5，合并门限为5，高斯分量数 目上限为Jmax＝100。
幸存目标的个数为2，其强度函数为
Figure BDA0002557018930000191
新生目标的个数为3，其强度函数为
Figure BDA0002557018930000192
衍生目标的个数为1，由上一时刻状态为ξ衍生的强度函数为
Figure BDA0002557018930000195
其中，
Figure BDA0002557018930000193
Figure BDA0002557018930000194
PS＝diag([10 0.01 10 0.01])，Pγ＝diag([1 0.01 1 0.01])，Pβ＝diag([1 0.01 1 0.01])。
为了比较算法对多机动目标的跟踪性能，需要对算法的状态估计精度、目标数目估计精 度进行比较。由于RFS框架下的多目标状态包含了多个单目标状态的有限集，除了目标状态 是时变参数外，目标数也会随时发生变化。因此，传统单目标跟踪算法评估方法中所采用的 最小均方误差及均方根误差无法评估集合的势误差。综合考虑评估集合势误差的性能指标， 本文采用(Optimal Subpattern Assignment,OSPA)距离来进行算法性能度量，可以反映状态 估计集和真实状态集之间的距离，且该距离越小说明状态估计越准确。
实施结果分析：图1描述了6个目标在杂波环境下的机动运动情况。
首先，对比使用了多模型、基于预测信息量测转换的高斯混合概率假设密度算法(CM-GMPHD-MM)与只采用匀速运动模型的算法(CM-GMPHD-CV)、只采用匀左转弯模 型的算法(CM-GMPHD-CTL)、只采用匀右转弯模型的算法(CM-GMPHD-CTR)，分析多模 型方法的优越性(四者只在模型使用之处存在不同)。
图2、3分别给出了不同模型下滤波器的目标跟踪结果与真实目标位置的差距、目标数目 估计结果与真实值的差距。从图3中明显看出，单模型滤波器在对目标进行跟踪时，只能在 目标运动方式与预设模型相符合时才能准确跟踪，尤其是当目标发生机动时并不能稳定跟踪。 因此，相应的滤波算法对目标数估计也出现差错。而使用多模型方法的CM-GMPHD-MM算 法，持续跟踪效果良好，对目标数目的估计也较为准确。
图4给出了跟踪结果的OSPA距离，使用单模型算法OSPA距离一直大于使用多模型算 法OSPA距离；在后期，当目标发生机动之后，多模型算法OSPA距离略有上升，但是整体仍然小于单模型算法OSPA距离。
经过对比，说明交互式多模型方法的引入，形成的MM算法克服了机动目标跟踪过程中 的失跟问题，同时对目标状态估计、目标数目估计有较高的精确度。
接下来，针对本发明所提出的使用多模型、伪量测、基于预测信息量测转换的序贯高斯 混合概率假设密度算法(SQ-GMPHD-MM)进行评估，将其与仅使用位置量测的算法(CM-GMPHD-MM)、直接使用多普勒量测的算法(SQD-GMPHD-MM)进行对比(三者只 在量测信息利用之处存在不同)。
图4给出了不同算法的实际跟踪效果，图5给出了目标数目估计的结果，图6给出了不 同算法的OSPA距离。由仿真结果可知，三种滤波算法都能够对多机动目标进行跟踪，目标 的估计轨迹基本保持连续，但是在只有位置量测信息时，对机动目标的跟踪较差，部分目标 的部分航迹出现断点；而对比带有径向速度信息的算法，直接使用径向速度量测的SQD-GMPHD-MM算法，对衍生目标的跟踪效果较差。从图6的目标个数估计看， SQD-GMPHD-MM算法、SQ-GMPHD-MM算法估计精度较高，目标个数曲线与真实值曲线 基本重合，但是在仿真后期SQD-GMPHD-MM算法的目标数目估计较差，说明通过构造伪量 测的方式比直接利用径向速度量测进行序贯滤波的方法更有效。而CM-GMPHD-MM算法的 目标个数估计曲线差距较大，估计精度不如使用了多普勒信息的算法，说明速度信息的引入 对目标跟踪精度的改善较大。
从图7所示的OSPA距离比较可以看出，由于引入了径向速度量测信息， SQD-GMPHD-MM算法、SQ-GMPHD-MM算法的跟踪精度接近，且比CM-GMPHD-MM算 法的精度高。而SQ-GMPHD-MM算法中首先使用伪量测对多普勒信息进行了处理，从而获 得了比SQD-GMPHD-MM算法更佳的滤波效果。
综上，本发明使用基于预测信息的量测转换将雷达量测信息与目标状态信息统一，并在 多模型框架下使用高斯混合概率假设密度进行目标跟踪，克服了多目标问题、非线性量测问 题、目标机动性问题；同时在对多普勒信息进行利用时，采用径向速度与径向距离的乘积构 建伪量测，使用序贯滤波的方式，先对目标的位置信息进行滤波估计，然后在位置信息滤波 估计后增加速度信息的滤波估计的序贯滤波，进一步提高了跟踪性能。该算法克服了目标运 动机动性与雷达量测非线性的问题，创建了一种实用的、跟踪性能良好的多普勒雷达多机动 目标跟踪算法。

Claims (1)

1.一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法，具体步骤如下：
假设多普勒雷达在杂波环境下对多机动目标进行跟踪的场景中，机动目标的模型集合
Figure FDA0002557018920000011
中存在M个模型。假设在k-1时刻，后验高斯分量为
Figure FDA0002557018920000012
Figure FDA0002557018920000013
Figure FDA0002557018920000014
分别为高斯分量的权重、均值、协方差，模型后验概率为
Figure FDA0002557018920000015
k时刻的量测集合为zk∈{z1,z2,...,zl,...,zL}，其中第l个量测可表示为：
Figure FDA0002557018920000016
其中，
Figure FDA0002557018920000017
分别为第l个量测的径向距离量测、角度量测、径向速度量测，与对应目标的真实坐标xk,l、yk,l及真实速度
Figure FDA0002557018920000018
有关；vk,l为多维度量测噪声，该噪声服从零均值高斯分布。
算法的步骤为：
步骤1：新生及衍生目标的预测。
新生目标强度函数为
Figure FDA0002557018920000019
其中，Jγ,k为新生高斯分量的预测数目，
Figure FDA00025570189200000110
分别为第i个预测新生高斯分量的权重、均值、协方差。
衍生目标在k时刻的预测强度为
Figure FDA00025570189200000111
Figure FDA00025570189200000112
Figure FDA00025570189200000113
其中，Jβ,k-1为k-1时刻某个高斯分量衍生高斯分量的预测数目，
Figure FDA00025570189200000114
为k-1时刻第j个高斯分量衍生出的第l个高斯分量的权重、均值、协方差；
Figure FDA00025570189200000115
为第l个高斯分量的衍生转移矩阵、衍生偏差，
Figure FDA00025570189200000116
为偏差对应的协方差矩阵。
步骤2：幸存目标的预测。
在第r(r＝1,2,,3,...,M)个模型下对第j(j＝1,2,3,...,Jk-1)个高斯分量进行预测，得到高斯分量的权重、均值、协方差。
Figure FDA0002557018920000021
Figure FDA0002557018920000022
Figure FDA0002557018920000023
其中，pS,k为目标的幸存概率，通过预设得到。
经过预测过程，共获得Jk|k-1个预测高斯分量，其中，与模型相关的高斯分量有Jk-1个，与模型无关的高斯分量有Jk|k-1-Jk-1个。
步骤3：目标漏检更新。
对于与模型无关的Jk|k-1-Jk-1个高斯分量，即新生或衍生高斯分量，第j个高斯分量的漏检更新为
Figure FDA0002557018920000024
Figure FDA0002557018920000025
Figure FDA0002557018920000026
对于第二类与模型相关的Jk-1个幸存高斯分量，第j个高斯分量的漏检更新为
Figure FDA0002557018920000027
Figure FDA0002557018920000028
Figure FDA0002557018920000029
Figure FDA00025570189200000210
Figure FDA00025570189200000211
Figure FDA00025570189200000212
其中，
Figure FDA0002557018920000031
为模型r的先验概率。
步骤4：基于预测信息的量测转换。
对k时刻量测集Zk中的每一个有效的量测使用基于预测信息的量测转换，计算量测转换误差协方差矩阵、伪量测与位置量测的互协方差。
经过量测转换后第l个量测值为
Figure FDA0002557018920000032
Figure FDA0002557018920000033
其中，σr，σr，σα，ρ分别为雷达的径向距离量测误差标准差、径向速度量测误差标准差、角度量测误差标准差、径向距离与径向速度量测误差相关系数。
计算预测高斯分量
Figure FDA0002557018920000034
的转换误差协方差为
Figure FDA0002557018920000035
其中，各元素的计算方法为，
Figure FDA0002557018920000036
Figure FDA0002557018920000037
Figure FDA0002557018920000041
Figure FDA0002557018920000042
Figure FDA0002557018920000043
Figure FDA0002557018920000044
其中，
Figure FDA0002557018920000045
Figure FDA0002557018920000046
Figure FDA0002557018920000047
Figure FDA0002557018920000048
Figure FDA0002557018920000049
其中，
Figure FDA00025570189200000410
Figure FDA0002557018920000051
Figure FDA0002557018920000052
Figure FDA0002557018920000053
步骤5：伪量测与位置量测去相关
去相关后的伪量测为
Figure FDA0002557018920000054
其中
Figure FDA0002557018920000055
Figure FDA0002557018920000056
Figure FDA0002557018920000057
其误差协方差为
Figure FDA0002557018920000058
步骤6：序贯滤波状态估计。
首先，使用目标的位置量测值
Figure FDA0002557018920000059
分别对模型相关的预测高斯分量和模型无关的高斯分量进行更新，获得位置估计。
使用第l个位置量测
Figure FDA00025570189200000510
对前Ik|k-1-Jk-1个模型无关的分量更新，第j个高斯分量的更新过程为
Figure FDA0002557018920000061
Figure FDA0002557018920000062
Figure FDA0002557018920000063
其中，
Figure FDA0002557018920000064
对剩余Jk1和模型相关的分量进行更新，其中，第j个分量的更新过程为
Figure FDA0002557018920000065
Figure FDA0002557018920000066
Figure FDA0002557018920000067
其中，
Figure FDA0002557018920000068
然后，使用去相关后的伪量测
Figure FDA0002557018920000069
对位置估计的结果进行补充。
使用第l个伪量测
Figure FDA00025570189200000610
对与模型无关的高斯分量
Figure FDA00025570189200000611
进行更新的过程为
Figure FDA00025570189200000612
Figure FDA00025570189200000613
Figure FDA00025570189200000614
其中，
Figure FDA00025570189200000615
Figure FDA00025570189200000616
Figure FDA00025570189200000617
Figure FDA00025570189200000618
Figure FDA00025570189200000619
Figure FDA00025570189200000620
Figure FDA00025570189200000621
Figure FDA0002557018920000071
其中，
Figure FDA0002557018920000072
表示矩阵
Figure FDA0002557018920000073
中第m行第n列的元素。
与模型有关的高斯分量
Figure FDA0002557018920000074
的序贯滤波过程为
Figure FDA0002557018920000075
Figure FDA0002557018920000076
Figure FDA0002557018920000077
其中，
Figure FDA0002557018920000078
Figure FDA0002557018920000079
Figure FDA00025570189200000710
Figure FDA00025570189200000711
Figure FDA00025570189200000712
Figure FDA00025570189200000713
Figure FDA00025570189200000714
Figure FDA00025570189200000715
其中，
Figure FDA00025570189200000716
表示矩阵
Figure FDA00025570189200000717
中第m行第n列的元素。
每个模型的序贯滤波完成后需要按照模型概率进行融合，过程为
Figure FDA00025570189200000718
Figure FDA00025570189200000719
Figure FDA0002557018920000081
其中，
Figure FDA0002557018920000082
为模型的后验概率。
其中，
Figure FDA0002557018920000083
为模型的似然函数。
其中，
Figure FDA0002557018920000084
为位置量测的似然函数，
Figure FDA0002557018920000085
Figure FDA0002557018920000086
为伪量测的似然函数。
Figure FDA0002557018920000087
完成所有滤波后，将权值归一化如下
Figure FDA0002557018920000088
式中，
Figure FDA0002557018920000089
多普勒杂波强度分布，
Figure FDA00025570189200000810
Figure FDA00025570189200000811
为杂波强度,由传感器最大可探测范围V和单个采样周期内的平均杂波数nc共同决定。
步骤7：剪枝合并。
步骤6中获得Jk|k-1×Zk个量测更新的高斯分量，与步骤3中获得的Jk|k-1个漏检更新的高斯分量合并后获得更新后的J'k个高斯分量，其中J'k＝Jk|k-1+Jk|k-1×Zk。给定剪枝阈值为τ，合并门限U，高斯分量上限为Jmax。对权重小于剪枝阈值τ的高斯分量直接删除，获得剪枝后的高斯分量集合I。
Figure FDA00025570189200000812
如高斯分量数目仍然大于上限，从I中找出权重最大的高斯分量，定义为
Figure FDA00025570189200000813
挑选出与该高斯分量距离小于合并门限的高斯分量，构成集合L。
Figure FDA00025570189200000814
将集合L中的高斯分量合并
Figure FDA0002557018920000091
Figure FDA0002557018920000092
Figure FDA0002557018920000093
从集合I中删除集合L中的元素，再次迭代，直到集合I清空。
步骤8：目标数和状态估计。
抽取权重满足一定阈值的高斯分量作为k时刻CM-GMPHD-MM算法的估计结果，即
Figure FDA0002557018920000094
CN202010596491.6A 2020-06-28 2020-06-28 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 Expired - Fee Related CN111736145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010596491.6A CN111736145B (zh) 2020-06-28 2020-06-28 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010596491.6A CN111736145B (zh) 2020-06-28 2020-06-28 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法

Publications (2)

Publication Number Publication Date
CN111736145A true CN111736145A (zh) 2020-10-02
CN111736145B CN111736145B (zh) 2022-04-19

Family

ID=72651294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010596491.6A Expired - Fee Related CN111736145B (zh) 2020-06-28 2020-06-28 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法

Country Status (1)

Country Link
CN (1) CN111736145B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215146A (zh) * 2020-10-12 2021-01-12 西安交通大学 基于随机有限集的弱小目标联合检测与跟踪系统及方法
CN112308134A (zh) * 2020-10-29 2021-02-02 西北工业大学 一种基于高斯混合概率假设密度滤波器的静态融合方法
CN112328959A (zh) * 2020-10-14 2021-02-05 哈尔滨工程大学 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法
CN112748416A (zh) * 2020-12-15 2021-05-04 杭州电子科技大学 一阶传播的多节点分散式gm-phd融合方法
CN113219452A (zh) * 2021-05-07 2021-08-06 电子科技大学 未知视域下的分布式多雷达联合配准与多目标跟踪方法
CN113534131A (zh) * 2021-07-20 2021-10-22 西安邮电大学 基于gm-phd的运动参数估计组合平滑滤波方法
CN113537299A (zh) * 2021-06-23 2021-10-22 西北工业大学 基于期望最大化高斯混合缩减的分布式贝叶斯滤波器目标跟踪方法
CN114200439A (zh) * 2021-12-09 2022-03-18 哈尔滨工程大学 一种基于多普勒盲区的多模式空域目标跟踪方法
CN114739383A (zh) * 2022-03-04 2022-07-12 中国人民解放军空军工程大学 一种基于多目标不确定性改进的gm-phd滤波方法
CN117197491A (zh) * 2023-09-25 2023-12-08 兰州理工大学 基于高斯过程的概率假设密度滤波多机动目标跟踪方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110291881A1 (en) * 2010-05-27 2011-12-01 Seiko Epson Corporation Position calculating method and position calculating device
WO2012149624A1 (en) * 2011-05-04 2012-11-08 Jacques Georgy Two-stage filtering based method for multiple target tracking
US20130142432A1 (en) * 2010-03-17 2013-06-06 Isis Innovation Limited Method of tracking targets in video data
CN104730511A (zh) * 2015-04-10 2015-06-24 西安电子科技大学 星凸模型下的势概率假设密度多扩展目标跟踪方法
WO2015117833A1 (fr) * 2014-02-07 2015-08-13 Sagem Defense Securite Procede de detection et de pistage de cibles
CN105182291A (zh) * 2015-08-26 2015-12-23 西安电子科技大学 自适应目标新生强度的phd平滑器的多目标跟踪方法
CN105844217A (zh) * 2016-03-11 2016-08-10 南京航空航天大学 一种基于量测驱动新生目标强度估计的phd多目标跟踪方法
CN106022340A (zh) * 2016-05-17 2016-10-12 南京理工大学 一种改进的高斯混合势概率假设密度滤波方法
CN106950562A (zh) * 2017-03-30 2017-07-14 电子科技大学 一种基于预测值量测转换的状态融合目标跟踪方法
CN108732564A (zh) * 2018-03-13 2018-11-02 中国电子科技集团公司第二十八研究所 一种双雷达修正序贯高斯混合概率假设密度滤波方法
CN109239704A (zh) * 2018-08-21 2019-01-18 电子科技大学 一种基于序贯滤波交互式多模型的自适应采样方法
CN109886305A (zh) * 2019-01-23 2019-06-14 浙江大学 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法
CN110376582A (zh) * 2019-01-24 2019-10-25 西安电子科技大学 自适应gm-phd的机动目标跟踪方法
CN110596693A (zh) * 2019-08-26 2019-12-20 杭州电子科技大学 一种迭代更新的多传感器gmphd自适应融合方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130142432A1 (en) * 2010-03-17 2013-06-06 Isis Innovation Limited Method of tracking targets in video data
US20110291881A1 (en) * 2010-05-27 2011-12-01 Seiko Epson Corporation Position calculating method and position calculating device
WO2012149624A1 (en) * 2011-05-04 2012-11-08 Jacques Georgy Two-stage filtering based method for multiple target tracking
US20140372073A1 (en) * 2011-05-04 2014-12-18 Jacques Georgy Two-stage filtering based method for multiple target tracking
WO2015117833A1 (fr) * 2014-02-07 2015-08-13 Sagem Defense Securite Procede de detection et de pistage de cibles
CN104730511A (zh) * 2015-04-10 2015-06-24 西安电子科技大学 星凸模型下的势概率假设密度多扩展目标跟踪方法
CN105182291A (zh) * 2015-08-26 2015-12-23 西安电子科技大学 自适应目标新生强度的phd平滑器的多目标跟踪方法
CN105844217A (zh) * 2016-03-11 2016-08-10 南京航空航天大学 一种基于量测驱动新生目标强度估计的phd多目标跟踪方法
CN106022340A (zh) * 2016-05-17 2016-10-12 南京理工大学 一种改进的高斯混合势概率假设密度滤波方法
CN106950562A (zh) * 2017-03-30 2017-07-14 电子科技大学 一种基于预测值量测转换的状态融合目标跟踪方法
CN108732564A (zh) * 2018-03-13 2018-11-02 中国电子科技集团公司第二十八研究所 一种双雷达修正序贯高斯混合概率假设密度滤波方法
CN109239704A (zh) * 2018-08-21 2019-01-18 电子科技大学 一种基于序贯滤波交互式多模型的自适应采样方法
CN109886305A (zh) * 2019-01-23 2019-06-14 浙江大学 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法
CN110376582A (zh) * 2019-01-24 2019-10-25 西安电子科技大学 自适应gm-phd的机动目标跟踪方法
CN110596693A (zh) * 2019-08-26 2019-12-20 杭州电子科技大学 一种迭代更新的多传感器gmphd自适应融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭瀚等: ""基于预测信息的量测转换序贯滤波目标跟踪"", 《系统工程与电子技术》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215146B (zh) * 2020-10-12 2022-04-22 西安交通大学 基于随机有限集的弱小目标联合检测与跟踪系统及方法
CN112215146A (zh) * 2020-10-12 2021-01-12 西安交通大学 基于随机有限集的弱小目标联合检测与跟踪系统及方法
CN112328959A (zh) * 2020-10-14 2021-02-05 哈尔滨工程大学 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法
CN112308134A (zh) * 2020-10-29 2021-02-02 西北工业大学 一种基于高斯混合概率假设密度滤波器的静态融合方法
CN112308134B (zh) * 2020-10-29 2024-05-14 西北工业大学 一种基于高斯混合概率假设密度滤波器的静态融合方法
CN112748416A (zh) * 2020-12-15 2021-05-04 杭州电子科技大学 一阶传播的多节点分散式gm-phd融合方法
CN112748416B (zh) * 2020-12-15 2023-10-13 杭州电子科技大学 一阶传播的多节点分散式gm-phd融合方法
CN113219452A (zh) * 2021-05-07 2021-08-06 电子科技大学 未知视域下的分布式多雷达联合配准与多目标跟踪方法
CN113537299A (zh) * 2021-06-23 2021-10-22 西北工业大学 基于期望最大化高斯混合缩减的分布式贝叶斯滤波器目标跟踪方法
CN113534131B (zh) * 2021-07-20 2023-08-08 西安邮电大学 基于gm-phd的运动参数估计组合平滑滤波方法
CN113534131A (zh) * 2021-07-20 2021-10-22 西安邮电大学 基于gm-phd的运动参数估计组合平滑滤波方法
CN114200439A (zh) * 2021-12-09 2022-03-18 哈尔滨工程大学 一种基于多普勒盲区的多模式空域目标跟踪方法
CN114739383A (zh) * 2022-03-04 2022-07-12 中国人民解放军空军工程大学 一种基于多目标不确定性改进的gm-phd滤波方法
CN114739383B (zh) * 2022-03-04 2024-05-14 中国人民解放军空军工程大学 一种基于多目标不确定性改进的gm-phd滤波方法
CN117197491A (zh) * 2023-09-25 2023-12-08 兰州理工大学 基于高斯过程的概率假设密度滤波多机动目标跟踪方法

Also Published As

Publication number Publication date
CN111736145B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN111736145B (zh) 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法
CN112946624B (zh) 一种基于航迹管理方法的多目标跟踪方法
CN108226920B (zh) 一种基于预测值处理多普勒量测的机动目标跟踪系统及方法
WO2017124299A1 (zh) 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统
CN109298725B (zh) 一种基于phd滤波的群体机器人分布式多目标跟踪方法
Niedfeldt et al. Recursive RANSAC: Multiple signal estimation with outliers
CN111965618B (zh) 一种融合多普勒量测的转换量测跟踪方法及系统
Feigl et al. Recurrent neural networks on drifting time-of-flight measurements
CN115204212A (zh) 一种基于stm-pmbm滤波算法的多目标跟踪方法
Solonar et al. General construction principles and performance features of trajectory processing by data from one radar data source
Li et al. Target tracking in uncertain multipath environment using distributed angle-of-arrival observation
Hanebeck et al. Association-free direct filtering of multi-target random finite sets with set distance measures
CN114488104B (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
Bu et al. Joint data association, spatiotemporal bias compensation and fusion for multisensor multitarget tracking
Wang et al. Research on multi-maneuvering target tracking JPDA algorithm
Xu et al. Learning-based adaptive estimation for aoa target tracking with non-gaussian white noise
Qiu et al. Multiple targets tracking by using probability data association and cubature Kalman filter
Abdulghafoor et al. Enhancement Performance of Multiple Objects Detection and Tracking for Realtime and Online Applications.
CN112285697A (zh) 一种多传感器多目标空时偏差校准与融合方法
Zhang et al. A Fusion Localization Algorithm Combining MCL with EKF
Papi et al. Multitarget tracking via joint PHD filtering and multiscan association
CN115857559A (zh) 一种纯角度目标跟踪方法及系统
CN112581616B (zh) 基于序贯分块滤波的最近邻ukf-slam方法
Lindenmaier et al. Comparison of sensor data fusion algorithms for automotive perception system
Westenkirchner et al. Joint tracking and registration in multi-target multi-sensor surveillance using factor graphs

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220419