CN111812636B - 一种基于权重融合选择的粒子滤波检测前跟踪方法 - Google Patents
一种基于权重融合选择的粒子滤波检测前跟踪方法 Download PDFInfo
- Publication number
- CN111812636B CN111812636B CN202010484304.5A CN202010484304A CN111812636B CN 111812636 B CN111812636 B CN 111812636B CN 202010484304 A CN202010484304 A CN 202010484304A CN 111812636 B CN111812636 B CN 111812636B
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- radar
- tracking
- detection
- 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
Links
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
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于权重融合选择的粒子滤波检测前跟踪方法,在跟踪环节中的粒子权重融合部分对粒子权重加上幂值,计算每个雷达位置与跟踪粒子群位置均值的距离,对其距离按从小到大进行排序,依据此排序对雷达粒子权重加上不同的幂值。在雷达粒子权重融合后,对跟踪粒子群进行筛选,按粒子权重值大小对跟踪粒子群从大到小进行排序,选取排序后的前m个粒子并计算其平均状态。分别计算得到这m个粒子与其粒子平均位置的距离并与一给定阈值Dis进行比较,若其值大于Dis,则令对应的粒子状态等于排序后的前m个粒子平均状态且令粒子权重等于前m个粒子权重均值,群高了跟踪粒子群的粒子权重准确度,提高了跟踪精度。
Description
技术领域
本发明属于雷达检测前跟踪技术领域,涉及多雷达多目标粒子滤波检测前跟踪技术领域,具体涉及一种基于权重融合选择的粒子滤波检测前跟踪方法。
背景技术
多雷达多目标粒子滤波检测前跟踪算法是一种利用多雷达对多个弱目标实现检测跟踪的方法,常采用双层粒子滤波结构,即目标跟踪层和目标检测层。在目标跟踪层对已发现目标进行跟踪滤波时,如果目标距离较近,在抛洒目标跟踪粒子群时,可能会抛在邻近的目标区域。此外,如果雷达距离这些目标较远,则根据其雷达量测计算得到的粒子权重,不能准确反映不同目标性位置。若在进行多雷达粒子权重融合时,仅仅是简单的粒子权重相乘,可能会导致某个目标跟踪粒子群中,相对于群中心的粒子,位于群边缘位置且靠近邻近目标的粒子权重偏大,在重采样时粒子群发生偏移,导致目标航迹逐渐偏移到邻近目标航迹上的现象。
发明内容
本发明考虑对多个距离较近目标跟踪问题中的目标航迹偏移问题,提出了基于权重融合选择的粒子滤波检测前跟踪方法。
本发明方法的具体步骤是:
步骤1、初始化参数:雷达扫描周期T、观测总帧数K、粒子群中粒子个数N、雷达个数R、雷达粒子权重融合幂值数组L=[L1,L2…LR],距离、多普勒以及方位空间单元距离分别为Dr,Dd,Db;
步骤3、对k-1时刻的跟踪目标集Taxe={f1,k-1,,f2,k-1…fm,k-1}中的m个目标进行跟踪,Tm为跟踪集中目标个数,每个目标fi,k-1均拥有一个跟踪粒子群 Pi,k-1={pi,1,k-1,pi,2,k-1…pi,N,k-1},其中pi,j,k-1表示第i个目标的第j个粒子。
步骤3.1、令i=1,r=1,j=1;
步骤3.2、对第i个目标的跟踪粒子群Pi,k-1={pi,1,k-1,pi,2,k-1…pi,N,k-1}中的每个粒子进行状态转移,从而得到目标的跟踪粒子群Pi,k={pi,1,k,pi,2,k…pi,N,k},每个粒子的状态变量为和存在变量Ei,j;
步骤3.3、计算跟踪粒子群中每个粒子的多雷达权值,具体步骤为:
xr,yr代表第r个雷达位置。
其中表示第j个粒子基于第r个雷达量测的权重,(m,n,p,k)为k时刻,粒子的值在此雷达量测空间中的单元位置;σn代表标准差,Lr表示与距离有关的衰减常数,Ld表示与多普勒有关的衰减常数,Lb表示与方位有关的衰减常数,R(m)表示目标处于第r个雷达量测单元对应的距离,D(n)表示目标处于第r个雷达量测单元对应的多普勒,B(p)表示目标处于第r个雷达量测单元对应的方位值,Ar,k为第r个传感器对应单元复幅度。
步骤3.3.4、若j<N,则j=j+1并进入步骤3.3.1,否则进入步骤3.3.5。
步骤3.3.5、若r<R,则j=1,r=r+1并进入步骤3.3.1,否则,进入步骤3.4。
步骤3.4.1,计算k-1时刻目标分别与R个雷达的距离:
步骤3.4.2、得到距离集合为di,k={di,1,k,di,2,k…di,R,k},将di,k从小到大进行排序,得到其排序标号I={I1,…Ir…,IR}={1,2…R},Ir表示第r个雷达距离在集合中排第Ir位。
步骤3.4.3、依据雷达排序标号值依次为每个雷达分配其在雷达粒子权重融合幂值数组L=[L1,L2…LR]中所对应位置的幂值,L1=L2=…=LR/2=2, LR/2+1=…=LR=1。
步骤3.4.4、令r=1。
步骤3.4.5、将第r个雷达对应的粒子权值归一化:
步骤3.4.6、若r<R,则r=r+1并进入步骤3.4.5,否则进入步骤3.4.7。
步骤3.4.7、计算融合后雷达粒子权重:
步骤3.4.8、对融合后的粒子群权重进行归一化:
步骤3.5、对跟踪粒子群进行管理;
步骤3.6、采用系统重采样,对跟踪粒子群Pi,k={pi,1,k,pi,2,k…pi,N,k}进行更新;
步骤3.7、计算目标fi,k的检测概率pb,判断pb是否小于发现目标阈值Myu,若是,则认为该目标为虚假目标,从目标跟踪集Taxe中将目标删除,并删除跟踪粒子群Pi,k,反之则认为该目标存在,获得目标状态估计即为目标的下一时刻状态,目标存在概率为:
pb=M/N式(10)
其中M为存在变量Ei,j=1的粒子数;
步骤3.8、若i<Tm,则i=i+1并进入步骤3.2,否则进入步骤3.9;
步骤3.9、跟踪目标集为Taxe中的每个目标fi,k-1更新为fi,k,最终获得k时刻的跟踪目标集Taxe,跟踪目标数目为Tm;
步骤4.1、令Dm=0;Dm为检测目标集中的目标个数;
步骤4.3、计算探测粒子群中各雷达下粒子权重
步骤4.3.1、令j=1,r=1,i=1;
xh,j,yh,j为探测粒子的x,y方向的位置,xi,k,yi,k为检测目标集和跟踪目标集的并集中目标i的x,y方向的位置;
步骤4.3.3、若i<Tm+Dm,则i=i+1并进入步骤4.3.2,否则进入步骤4.3.4。
步骤4.3.4、计算第j个粒子基于第r个雷达的距离、多普勒以及方位值:
其中表示第j个粒子对应第r个雷达的权重,(m,n,p,k)为粒子的/>值在此雷达量测空间中的单元位置,σn代表标准差,R(m)表示目标处于第r个雷达量测单元对应的距离,D(n)表示目标处于第r个雷达量测单元对应的多普勒,B(p)表示目标处于第r个雷达量测单元对应的方位值,Ar,k表示第r个传感器对应单元复幅度。
步骤4.3.6、若j<N,则j=j+1并进入步骤4.3.2,否则进入步骤4.3.7。
步骤4.3.7、若r<R,则令j=1,r=r+1并转到步骤4.3.2。
步骤4.3.8、对第r个雷达下的粒子群权重进行归一化,见式(7):
步骤4.3.9、计算k时刻第j个粒子融合后的权重:
步骤4.4、采用系统重采样方法对粒子群进行重采样;
步骤4.6、判断k时刻的检测目标集Daxe和跟踪目标集Taxe是否为空,若是,则转到步骤5,否则,继续判断该新目标是否为k时刻的跟踪目标集Taxe中已发现的目标或是检测目标集Daxe中已检测到的目标,具体是:
步骤4.6.1、令i=1;
步骤4.6.2、计算新目标与检测目标集和跟踪目标集中的并集中目标i的距离见式(12),判断disi,k是否小于验证目标阈值Mk,若是则认为不是新目标,跳转到步骤4.2,重新生成探测粒子群对新目标进行探测,否则进入步骤4.6.3;
其中{xi,k,yi,k}为检测目标集和跟踪目标集中的并集中目标i的x,y方向的位置,{xD,yD}分别表示新目标的x,y方向的位置;
步骤4.6.3、若i<Tm+Dm,则i=i+1并进入步骤4.6.2,否则进入步骤4.6.4;
本发明给出了一种基于权重融合选择的粒子滤波检测前跟踪方法,该方法在跟踪环节中的粒子权重融合部分对粒子权重加上幂值,计算每个雷达位置与跟踪粒子群位置均值的距离,对其距离按从小到大进行排序,依据此排序对雷达粒子权重加上不同的幂值。在雷达粒子权重融合后,对跟踪粒子群进行筛选,按粒子权重值大小对跟踪粒子群从大到小进行排序,选取排序后的前m个粒子并计算其平均状态。分别计算得到这m个粒子与其粒子平均位置的距离并与一给定阈值Dis进行比较,若其值大于Dis,则令对应的粒子状态等于排序后的前m个粒子平均状态且令粒子权重等于前m个粒子权重均值。与传统多雷达多目标粒子滤波检测前跟踪算法相比,本算法能提高跟踪粒子群的粒子权重准确度,删除有害粒子,补充有益粒子,避免重采样后的跟踪粒子群中心偏移,从而保证目标点迹不发生偏移,准确关联目标点迹,提高目标跟踪精度。
具体实施方式
本发明主要采用计算机仿真的方法进行验证,所有步骤都在matlab-2016a 上验证正确。具体实施步骤如下:
(1)初始化系统参数:雷达扫描周期T=2,初始化粒子数目N=3000,目标阈值Myu=0.7,粒子距离目标阈值Jyu=35,选取粒子数Xz=2,验证目标Mk=50, Syu=0.01。
(3)对k-1时刻的跟踪目标集中Taxe={f1,k-1,,f2,k-1…fTm,k-1}中的目标fi,k-1进行跟踪,每个目标均拥有一个跟踪粒子群Pi,k-1={p1,i,k-1,p2,i,k-1…pN,i,k-1},对目标 fi,k-1的跟踪过程如下:
(a)计算跟踪目标集Taxe的列数,将列数赋值给变量Tm,Tm表示跟踪目标的个数;
(b)i=1,j=1,r=1;
(e)计算第j个粒子基于第r个传感器的权重其中xr,yr分别代表第r 个雷达在x,y上的位置,/>分别代表第j个粒子在第r个粒子下的距离、多普勒以及方位值,R(m)表示目标处于第r个雷达量测单元对应的距离,D(n) 表示目标处于第r个雷达量测单元对应的多普勒,B(p)表示目标处于第r个雷达量测单元对应的方位值,Ar,k表示第r个传感器对应单元复幅度。。
(f)若j<N,则j=j+1并进入(d),否则进入(g);
(g)若r<R,则令j=1,r=r+1并转入(d),否则进入(h);
(h)令r=1;
(i)对第r个雷达下的粒子群权重进行归一化:
(j)若r<R,则r=r+1并进入(i),否则进入(k);
(k)计算k时刻目标预测状态与每个雷达的距离:
(l)对dr,i,k从小到大进行排序,得到其排序标号为Ir={I1,I2…IR};
(m)依据雷达排序标号值依次为每个雷达分配其在数组Lr=[L1,L2…LR]中所对应位置的幂值,;
(p)将这m个粒子与给定阈值Dis进行比较,若大于Dis,则令对应的粒子状态等于粒子状态均值;
(q)采用系统重采样的方法获得k时刻的跟踪粒子群Pi,k={p1,i,k,p2,i,k…pN,i,k};
(r)计算目标fi,k-1的检测概率pb=M/N,M为存在变量Ei,j=1的粒子数,若pb小于发现目标阈值Myu,则认为该目标为虚假目标从目标跟踪集Taxe中将目标删除,并删除跟踪粒子群Pi,k,若大于阈值Myu目标存在,获得目标状态估
(s)跟踪目标集为Taxe中的每个目标fi,k-1更新为fi,k,最终获得k时刻的跟踪目标集Taxe;
(t)更新目标跟踪集Taxe中的列数,并更新目标跟踪集中的目标个数Tm;
(4)使用探测粒子群对新目标进行探测,开始新目标数目Dm=0,过程如下:
(b)令r=1,j=1,i=1,目标标志allexit=0;
(c)计算第j个粒子与检测目标集Daxe和跟踪目标集Taxe并集中目标i 之间的距离:
(e)若i<Tm+Dm,则i=i+1并进入(c),否则进入(f);
(g)若j<N,则j=j+1,i=1,并转入(c),否则进入(h);
(h)若r<R,则令j=1,i=1,r=r+1并转入(c),否则进入(i);
(i)r=1;
(j)对第r个雷达下粒子群权重进行归一化:
(k)若r<R,则r=r+1并进入(j),否则进入(l);
(l)对粒子群权重进行融合:
(m)计算探测粒子的检测概率pb,pb=M/N,M为存在变量Eh,j=1的粒子数;
(o)若Tm+Td等于0,转到(5),否则进入(p)判断新检出的目标是否为已发现目标;
(p)令i=1,新目标标志flag=0;
(q)计算新检出目标与检测目标集和跟踪目标集并集中的目标i的距离:
其中{xq,yq}目标fi,k的x,y方向的位置,{xD,yD}为新检出目标的x,y方向的位置;
(r)如果disi,k<Mk,则不是新目标,flag=1,跳转到(a),重新生成探测粒子群对新目标进行探测,否则进入(s);
(s)如果i<Tm+Dm,则i=i+1,转入步骤(q),否则进入(t);
仿真场景:
共有5部雷达,均位于原点,在目标个数为5个的情况下,目标信噪比分别为6dB,9dB和12dB,目标距离较近,目标信噪比差别较大的情况下,粒子权重融合幂值选择和粒子群管理方法,提高了目标跟踪精度,降低了目标航迹偏移概率。
Claims (1)
1.一种基于权重融合选择的粒子滤波检测前跟踪方法,其特征在于,该方法具体包括以下步骤:
步骤1、初始化参数:雷达扫描周期T、观测总帧数K、粒子群中粒子个数N、雷达个数R、雷达粒子权重融合幂值数组L=[L1,L2…LR],距离、多普勒以及方位空间单元距离分别为Dr,Dd,Db;
步骤3、对k-1时刻的跟踪目标集Taxe={f1,k-1,,f2,k-1…fm,k-1}中的m个目标进行跟踪,Tm=m,每个目标fi,k-1均拥有一个跟踪粒子群Pi,k-1={pi,1,k-1,pi,2,k-1…pi,N,k-1},其中pi,j,k-1表示第i个目标的第j个粒子;
步骤3.1、令i=1,r=1,j=1;
步骤3.2、对第i个目标的跟踪粒子群Pi,k-1={pi,1,k-1,pi,2,k-1…pi,N,k-1}中的每个粒子进行状态转移,从而得到目标的跟踪粒子群Pi,k={pi,1,k,pi,2,k…pi,N,k},每个粒子的状态变量为和存在变量Ei,j;
步骤3.3、计算跟踪粒子群中每个粒子的多雷达权值,具体步骤为:
xr,yr代表第r个雷达位置;
其中表示第j个粒子基于第r个雷达量测的权重,(m,n,p,k)为k时刻,粒子的/> 值在此雷达量测空间中的单元位置;σn代表标准差,Lr表示与距离有关的衰减常数,Ld表示与多普勒有关的衰减常数,Lb表示与方位有关的衰减常数,R(m)表示目标处于第r个雷达量测单元对应的距离,D(n)表示目标处于第r个雷达量测单元对应的多普勒,B(p)表示目标处于第r个雷达量测单元对应的方位值;
步骤3.3.4、若j<N,则j=j+1并进入步骤3.3.1,否则进入步骤3.3.5;
步骤3.3.5、若r<R,则j=1,r=r+1并进入步骤3.3.1,否则,进入步骤3.4;
步骤3.4.1,计算k-1时刻目标分别与R个雷达的距离:
步骤3.4.2、得到距离集合为di,k={di,1,k,di,2,k…di,R,k},将di,k从小到大进行排序,得到其排序标号I={I1,…Ir…,IR}={1,2…R},Ir表示第r个雷达距离在集合中排第Ir位;
步骤3.4.3、依据雷达排序标号值依次为每个雷达分配其在雷达粒子权重融合幂值数组L=[L1,L2…LR]中所对应位置的幂值,L1=L2=…=LR/2=2,LR/2+1=…=LR=1;
步骤3.4.4、令r=1;
步骤3.4.5、将第r个雷达对应的粒子权值归一化:
步骤3.4.6、若r<R,则r=r+1并进入步骤3.4.5,否则进入步骤3.4.7;
步骤3.4.7、计算融合后雷达粒子权重:
步骤3.4.8、对粒子群权重进行归一化:
步骤3.5、对跟踪粒子群进行管理;
步骤3.6、采用系统重采样,对跟踪粒子群Pi,k={pi,1,k,pi,2,k…pi,N,k}进行更新;
步骤3.7、计算目标fi,k的检测概率pb,判断pb是否小于发现目标阈值Myu,若是,则认为该目标为虚假目标,从目标跟踪集Taxe中将目标删除,并删除跟踪粒子群Pi,k,反之则认为该目标存在,获得目标状态估计即为目标的下一时刻状态,目标存在概率为:
pb=M/N 式(11)
其中M为存在变量Ei,j=1的粒子数;
步骤3.8、若i<Tm,则i=i+1并进入步骤3.2,否则进入步骤3.9;
步骤3.9、跟踪目标集为Taxe中的每个目标fi,k-1更新为fi,k,最终获得k时刻的跟踪目标集Taxe,跟踪目标数目为Tm;
步骤4.1、令Dm=0;Dm为检测目标集中的目标个数;
步骤4.3、计算探测粒子群中各雷达下各粒子权重
步骤4.3.1、令j=1,r=1,i=1;
步骤4.3.2、计算第j个粒子与检测目标集Daxe和跟踪目标集Taxe合并集中目标i之间的距离见公式(12);若粒子距离目标阈值Jyu,则第j个粒子权重/>置为1,转入步骤4.3.6,否则进入步骤4.3.3;
xh,j,yh,j为探测粒子的x,y方向的位置,xi,k,yi,k为检测目标集和跟踪目标集的并集中目标i的x,y方向的位置;
步骤4.3.3、若i<Tm+Dm,则i=i+1并进入步骤4.3.2,否则进入步骤4.3.4;
步骤4.3.4、计算第j个粒子基于第r个雷达的距离、多普勒以及方位值:
步骤4.3.6、若j<N,则j=j+1并进入步骤4.3.2,否则进入步骤4.3.7;
步骤4.3.7、若r<R,则令j=1,r=r+1并转到步骤4.3.2;
步骤4.3.8、对第r个雷达下的粒子群权重进行归一化,见式(7):
步骤4.3.9、计算k时刻第j个粒子融合后的权重:
步骤4.4、采用系统重采样方法对粒子群进行重采样;
步骤4.6、判断k时刻的检测目标集Daxe和跟踪目标集Taxe是否为空,若是,则转到步骤5,否则,继续判断该新目标是否为k时刻的跟踪目标集Taxe中已发现的目标或是检测目标集Daxe中已检测到的目标,具体是:
步骤4.6.1、令i=1;
步骤4.6.2、计算新目标与检测目标集和跟踪目标集中的并集中目标i的距离见式(12),判断disi,k是否小于验证目标阈值Mk,若是则认为不是新目标,跳转到步骤4.2,重新生成探测粒子群对新目标进行探测,否则进入步骤4.6.3;
其中{xi,k,yi,k}为检测目标集和跟踪目标集中的并集中目标i的x,y方向的位置,{xD,yD}分别表示新目标的x,y方向的位置;
步骤4.6.3、若i<Tm+Dm,则i=i+1并进入步骤4.6.2,否则进入步骤4.6.4;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484304.5A CN111812636B (zh) | 2020-06-01 | 2020-06-01 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484304.5A CN111812636B (zh) | 2020-06-01 | 2020-06-01 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812636A CN111812636A (zh) | 2020-10-23 |
CN111812636B true CN111812636B (zh) | 2023-06-13 |
Family
ID=72848603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010484304.5A Active CN111812636B (zh) | 2020-06-01 | 2020-06-01 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812636B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379366B (zh) * | 2020-11-16 | 2023-07-04 | 成都汇蓉国科微系统技术有限公司 | 一种基于粒子群滤波的雷达目标跟踪算法 |
CN113687340B (zh) * | 2021-08-24 | 2024-02-23 | 重庆交通大学 | 一种基于毫米波雷达的远距离运动目标检测方法 |
CN114813105B (zh) * | 2022-04-11 | 2023-04-28 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014169865A (ja) * | 2013-03-01 | 2014-09-18 | Hitachi Ltd | 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 |
CN104181524A (zh) * | 2014-08-27 | 2014-12-03 | 电子科技大学 | 一种自适应粒子数的多目标粒子滤波检测前跟踪方法 |
CN107656265A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
CN107783104A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法 |
CN110058222A (zh) * | 2019-03-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
CN110348492A (zh) * | 2019-06-24 | 2019-10-18 | 昆明理工大学 | 一种基于上下文信息及多特征融合的相关滤波目标跟踪方法 |
CN110376556A (zh) * | 2019-06-11 | 2019-10-25 | 杭州电子科技大学 | 一种基于锦标赛选择的双层粒子滤波检测前跟踪方法 |
-
2020
- 2020-06-01 CN CN202010484304.5A patent/CN111812636B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014169865A (ja) * | 2013-03-01 | 2014-09-18 | Hitachi Ltd | 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 |
CN104181524A (zh) * | 2014-08-27 | 2014-12-03 | 电子科技大学 | 一种自适应粒子数的多目标粒子滤波检测前跟踪方法 |
CN107656265A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
CN107783104A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法 |
CN110058222A (zh) * | 2019-03-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
CN110376556A (zh) * | 2019-06-11 | 2019-10-25 | 杭州电子科技大学 | 一种基于锦标赛选择的双层粒子滤波检测前跟踪方法 |
CN110348492A (zh) * | 2019-06-24 | 2019-10-18 | 昆明理工大学 | 一种基于上下文信息及多特征融合的相关滤波目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
"基于权值选择的多雷达多目标检测前跟踪算法";花文号 等;《杭州电子科技大学学报(自然科学版)》;20200331;第40卷(第2期);第34-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111812636A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812636B (zh) | 一种基于权重融合选择的粒子滤波检测前跟踪方法 | |
CN106872955B (zh) | 基于联合概率数据关联算法的雷达多目标跟踪优化方法 | |
CN107918165B (zh) | 基于空间插值的多卫星融合降水预测方法及系统 | |
US11313950B2 (en) | Machine learning based highway radar vehicle classification across multiple lanes and speeds | |
US5537118A (en) | Method for tracking moving objects | |
CN107918166B (zh) | 多卫星融合降水方法及系统 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN106017475B (zh) | 一种航迹更新方法及装置 | |
CN1940591A (zh) | 使用传感器融合进行目标跟踪的系统和方法 | |
CN113777600B (zh) | 一种多毫米波雷达协同定位跟踪方法 | |
CN109143224A (zh) | 一种多目标关联方法和装置 | |
CN110376581B (zh) | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 | |
CN111898749A (zh) | 一种基于神经网络的无人机航迹预测方法 | |
CN108645412A (zh) | 一种多传感器自适应航迹起始方法 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN105717491A (zh) | 天气雷达回波图像的预测方法及预测装置 | |
CN112415503B (zh) | 一种基于目标重跟踪的多目标粒子滤波检测前跟踪方法 | |
CN109190647B (zh) | 一种有源无源数据融合方法 | |
CN110376556B (zh) | 一种基于锦标赛选择的双层粒子滤波检测前跟踪方法 | |
CN103328939B (zh) | 基于相位的跟踪 | |
CN111257826B (zh) | 一种多源异构传感器复合跟踪方法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN105527624B (zh) | 一种雷达回波动态估算噪声的方法和气象雷达系统 | |
CN110515081A (zh) | 一种雷达回波零度层亮带智能识别预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |