CN111929653B - 一种基于无人船航海雷达的目标检测、跟踪方法及系统 - Google Patents
一种基于无人船航海雷达的目标检测、跟踪方法及系统 Download PDFInfo
- Publication number
- CN111929653B CN111929653B CN202010704926.4A CN202010704926A CN111929653B CN 111929653 B CN111929653 B CN 111929653B CN 202010704926 A CN202010704926 A CN 202010704926A CN 111929653 B CN111929653 B CN 111929653B
- Authority
- CN
- China
- Prior art keywords
- target
- scanning period
- clustering
- center
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008034 disappearance Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
Abstract
本发明涉及一种基于无人船航海雷达的目标检测、跟踪方法及系统。目标检测方法为:获取雷达回波信号,提取当前扫描周期的回波散点数据;根据当前扫描周期的数据密度为每个回波散点数据添加密度流向中心;基于密度流向中心对回波散点数据进行聚类,每个类别确定为一个目标。各扫描周期采用上述目标检测方法进行目标检测,以上述每一个扫描周期的目标检测结果为基础,根据相邻两个扫描周期的多目标状态对两个扫描周期的各个目标进行匹配,匹配标准是最近邻匹配;当出现新目标会开启新的航迹,当原有目标暂时消失会有目标影子的留存,直到目标影子完全消失才判定目标消失,完成目标跟踪。现有技术相比,本发明检测、跟踪精度高。
Description
技术领域
本发明涉及一种水面目标的感知方法及系统,尤其是涉及一种基于无人船航海雷达的目标检测、跟踪方法及系统。
背景技术
目前主流的目标检测通常采用聚类算法处理离散的雷达数据,从而实现水上物体的检测和定位。聚类算法主要有以下几种:(1)基于划分的聚类,这类算法将n个数据对象组织为k个划分(k≤n),例如K-Means聚类算法及其衍生算法;(2)基于层次的聚类,这类算法最开始将所有的点都看成簇,簇与簇之间通过接近的程度来进行组合,例如CUR聚类算法;(3)基于密度的聚类,基于密度的聚类算法的基本思想是数据密度比较大的部分是被数据密度较小的区域分隔开的,找到数据集中数据密度比较大的区域进行分割,这类聚类方法的代表算法有:Mean Shif、DBSCAN和OPTIC等聚类算法;(4)基于网格的聚类,基于网格的聚类算法的基本思想是按照一定的标准将数据空间划分成多个网格,然后将数据归属到各个划分好的网格中,根据网格中数据的密度以及网格间的临近程度进行聚类,基于网格的聚类算法有GRIDCLUS、STING等聚类算法。(5)基于图论的聚类,这类算法的基本思想是以点代表数据元素,边代表元素之间的关联关系,根据元素间的边进行聚类,这类聚类方法的代表算法有谱聚类等算法。
雷达目标跟踪技术自1937年雷达诞生以来不断被完善,先后涌现出了Singer模型、变维滤波、“当前”统计模型、IMM等多种适应于不同场景的跟踪算法;在滤波算法层面基于KF的EKF和UKF等滤波器可以有效解决目标非线性机动的跟踪问题;针对杂波干扰和脱靶检测两种复杂情况,Karl提出了基于随机集的GIW-PHD滤波器和GGIW-PHD滤波器,可跟踪未知数目的扩展目标。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种检测跟踪准确度高的基于无人船航海雷达的目标检测、跟踪方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种基于无人船航海雷达的目标检测方法,该方法包括如下步骤:
S1、获取雷达回波信号,提取当前扫描周期的回波散点数据;
S2、根据当前扫描周期的数据密度为每个回波散点数据添加密度流向中心;
S3、基于密度流向中心对回波散点数据进行聚类,每个聚类类别确定为一个目标。
优选地,步骤S2中密度流向中心的计算过程具体为:
S21、设数据集为X={x1,x2,…,xn},xi∈X2,X2为二维数据空间,设定滑框大小和形状,从数据集中随机选取一个点xi作为滑框中心
S22、根据滑框内框定的数据点集K={k1,k2,…,km},kl∈X2,计算新的滑框中心
S23、将滑框滑动至新的滑框中心位置处,重复执行步骤S22;
在上述过程重复执行过程中,得到一个新的滑框中心后计算新的滑框中心和上一个滑框中心的距离,若距离小于δ则停止滑框滑动,将新的滑框中心确定为xi的密度流向中心,δ为设定常数。
优选地,步骤S22新的滑框中心为:
优选地,步骤S3具体为:当两个密度流向中心之间的距离小于标准阈值则判定这两个密度流向中心对应的回波散点数据属于同一个聚类类别,当两个密度流向中心之间的距离大于标准阈值则判定这两个密度流向中心对应的回波散点数据属于不同的聚类类别。
优选地,步骤S3根据聚类类别确定目标时还包括目标的二次融合,具体为:对每个目标赋予半径特征,即将目标所属聚类类别中最远点到聚类中心的距离确定为该目标的聚类半径,根据两个目标聚类中心之间的距离和两个目标的聚类半径判断目标是否进行融合,即当目标i和目标j满足:dij<k(ri+rj)时,将目标i和目标j融合为一个目标,其中,dij为目标i和目标j的聚类中心之间的距离,ri为目标i的聚类半径,rj为目标j的聚类半径,k为比例常数,k≤1。
一种基于无人船航海雷达的目标跟踪方法,该方法具体为:
对各扫描周期采用上述目标检测方法进行目标检测;
以上述每一个扫描周期的目标检测结果为基础,根据相邻两个扫描周期的多目标状态对两个扫描周期的各个目标进行匹配,匹配标准是最近邻匹配;当出现新目标会开启新的航迹,当原有目标暂时消失会有目标影子的留存,直到目标影子完全消失才判定目标消失,完成目标跟踪。
优选地,目标跟踪的过程具体为:从第一个扫描周期开始,采用基于逻辑的航迹起始算法起始航迹,然后通过卡尔曼滤波预测出下一个扫描周期的目标状态,卡尔曼滤波中采用的机动模型是速度恒定的机动模型,最后通过下一个扫描周期检测的目标状态与跟踪门限规则将目标与航迹进行关联,实现多目标跟踪。
优选地,为了应对航海雷达的不精确带来的目标漏检严重的问题,为每一个扫描周期内得到的每一个目标分配一个初始的存在概率,根据每一扫描周期内目标的存在概率判定目标的确定存在状态、目标影子状态和消失状态,具体操作是:设定确定存在状态与目标影子状态之间的概率界限为p1,目标影子状态到目标消失状态的概率界限为p2,第i个扫描周期内的第j个目标的存在概率为若/>则目标确定为确定存在状态,若/>则目标确定为目标影子状态,若/>则目标确定为消失状态。
一种基于无人船航海雷达的目标检测系统,包括存储器、处理器以及存储在存储器上并可以在处理器上运行的计算机程序,所述的处理器运行所述的计算机程序时实现上述目标检测方法。
一种基于无人船航海雷达的目标跟踪系统,包括存储器、处理器以及存储在存储器上并可以在处理器上运行的计算机程序,所述的处理器运行所述的计算机程序时实现上述目标跟踪方法。
与现有技术相比,本发明具有如下优点:
(1)本发明通过对每个回波散点数据添加密度流向中心,解决了标准的均值平移算法对不同目标边缘点的误分类问题,提高分类精度,进而提高目标检测准确度;
(2)本发明聚类时进行二次融合,避免了部分将同一目标检测成两个或者两个以上目标的错误,进一步提高目标检测精度;
(3)本发明目标跟踪过程中通过设置目标存在概率,为每个目标在消失之后保留了目标影子,避免了部分在检测过程中遗漏检测目标的问题。
附图说明
图1为本发明基于无人船航海雷达的目标检测、跟踪方法的流程框架图;
图2为所用雷达的数据回波示意图;
图3为实验数据采集示意图;
图4为回波数据预处理可视化散点图;
图5为回波数据密度流向中心迭代示意图;
图6为通过密度流向中心聚类的效果图;
图7为目标跟踪过程中目标影子留存对比图;
图8为实际实验目标跟踪轨迹图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种基于无人船航海雷达的目标检测方法,该方法包括如下步骤:
S1、获取雷达回波信号,提取当前扫描周期的回波散点数据;
S2、根据当前扫描周期的数据密度为每个回波散点数据添加密度流向中心;
S3、基于密度流向中心对回波散点数据进行聚类,每个聚类类别确定为一个目标。
步骤S2中密度流向中心的计算过程具体为:
S21、设数据集为X={x1,x2,…,xn},xi∈X2,X2为二维数据空间,设定滑框大小和形状,从数据集中随机选取一个点xi作为滑框中心
S22、根据滑框内框定的数据点集K={k1,k2,…,km},kl∈X2,计算新的滑框中心
S23、将滑框滑动至新的滑框中心位置处,重复执行步骤S22;
在上述过程重复执行过程中,得到一个新的滑框中心后计算新的滑框中心和上一个滑框中心的距离,若距离小于δ则停止滑框滑动,将新的滑框中心确定为xi的密度流向中心,δ为设定常数。
步骤S22新的滑框中心为:
步骤S3具体为:当两个密度流向中心之间的距离小于标准阈值则判定这两个密度流向中心对应的回波散点数据属于同一个聚类类别,当两个密度流向中心之间的距离大于标准阈值则判定这两个密度流向中心对应的回波散点数据属于不同的聚类类别。
步骤S3根据聚类类别确定目标时还包括目标的二次融合,具体为:对每个目标赋予半径特征,即将目标所属聚类类别中最远点到聚类中心的距离确定为该目标的聚类半径,根据两个目标聚类中心之间的距离和两个目标的聚类半径判断目标是否进行融合,即当目标i和目标j满足:dij<k(ri+rj)时,将目标i和目标j融合为一个目标,其中,dij为目标i和目标j的聚类中心之间的距离,ri为目标i的聚类半径,rj为目标j的聚类半径,k为比例常数,k≤1,通常情况下,k取值为1。通过此方式对目标进行二次融合,避免了部分将同一目标检测成两个或者两个以上目标的错误,进一步提高目标检测精度。
一种基于无人船航海雷达的目标跟踪方法,该方法具体为:
对各扫描周期采用如权利要求1目标检测方法进行目标检测;
以上述每一个扫描周期的目标检测结果为基础,根据相邻两个扫描周期的多目标状态对两个扫描周期的各个目标进行匹配,匹配标准是最近邻匹配;当出现新目标会开启新的航迹,当原有目标暂时消失会有目标影子的留存,直到目标影子完全消失才判定目标消失,完成目标跟踪。
目标跟踪的过程具体为:从第一个扫描周期开始,采用基于逻辑的航迹起始算法起始航迹,然后通过卡尔曼滤波预测出下一个扫描周期的目标状态,卡尔曼滤波中采用的机动模型是速度恒定的机动模型,最后通过下一个扫描周期检测的目标状态与跟踪门限规则将目标与航迹进行关联,实现多目标跟踪。
为了应对航海雷达的不精确带来的目标漏检严重的问题,为每一个扫描周期内得到的每一个目标分配一个初始的存在概率,根据每一扫描周期内目标的存在概率判定目标的确定存在状态、目标影子状态和消失状态,具体操作是:设定确定存在状态与目标影子状态之间的概率界限为p1,目标影子状态到目标消失状态的概率界限为p2,第i个扫描周期内的第j个目标的存在概率为若/>则目标确定为确定存在状态,若/>则目标确定为目标影子状态,若/>则目标确定为消失状态。
一种基于无人船航海雷达的目标检测系统,包括存储器、处理器以及存储在存储器上并可以在处理器上运行的计算机程序,处理器运行计算机程序时实现上述目标检测方法。
一种基于无人船航海雷达的目标跟踪系统,包括存储器、处理器以及存储在存储器上并可以在处理器上运行的计算机程序,处理器运行计算机程序时实现上述目标跟踪方法。
本实施例对航海雷达数据或者航海雷达的数据库数据进行预处理并可视化,得到如图4所示的雷达数据散点图,然后根据密度流向中心计算方法为每个数据添加密度流向中心为特征,并通过该特征对如图2所示是航海雷达数据回波的示意图,航海雷达通过发射电磁波束探测目标,本实验所用的航海雷达每间隔5.2°返回一束电磁波束,每束电磁波束上等距离分布了512个数据点,每个数据点为1个字节大小,表示0~255的值,该数据值表示在该位置存在目标的可能性大小,数值越大表示存在目标的可能性越大,0表示该位置没有目标。图3是利用航海雷达采集数据的基本场景示意图,图3中中间区域式水域,两边是岸(用A和B代表),水域中有G和H两个目标(两条船),目标H位于水域中相对固定的位置不动,目标G沿着图中虚线所示路径绕目标H做逆时针机动,后续实验主要针对图中目标A、B、G和H做目标检测和目标跟踪,所以实验区域为图2所示(225°,270°)扇形区域。
密度流向中心的计算模型为:设图2所示(225°,270°)扇形区域数据集为X={x1,x2,…,xn},xi∈X2,首先设定滑框是半径为r的圆,从数据集中按顺序选取一个点xi作为滑框中心然后根据滑框内框定的数据点集K={k1,k2,…,km},kl∈X2,计算新的滑框中心如图5所示,之后将滑框从当前滑框中心/>移动到新的滑框中心/>以新的滑框中心为中心重复上述步骤,直到相邻两次的滑框中心之间的距离小于δ,以最后一个滑框中心作为该点xi的密度流向中心ci。
按照密度流向中心计算模型计算出图4中范围(225°,270°)扇形区域内每个数据点的密度流向中心,然后根据密度流向中心之间的距离与设定的融合阈值之间的大小对数据点进行聚类。如图6所示是单个扫描周期通过密度流向中心对该区域内目标进行聚类的效果图,该扫描周期总共检测到A、B、G和H四个目标,并为每个目标设定的初始目标存在概率为3,当存在概率减小为0的时候判定该目标消失。该图中目标A对应的是数据采集场景中的河岸A在实验区域内的一个角落,目标B对应河岸B的一个角落,目标G和H与数据采集场景中的目标G和H相对应,由图可知该目标聚类算法能较好的得到目标的中心位置和大小。通过连续多个扫描周期进行上述的目标检测操作,可以得到多个扫描周期的目标状态。如图7所示是连续两个扫描周期的目标检测结果,在图7中的(a)中相对于前一个扫描周期出现了新的目标C(C目标实际为误检目标),在接下来的一个扫描周期中(图7中的(b))并未检测到目标C,每一个扫描周期未检测到该目标则该目标的存在概率减1,在图7中的(b)中目标C的存在概率减小为2(用C1)表示,所以C1是目标C留存下来的影子,直到在未来几个扫描周期内,目标C连续未被检测出来,存在概率降低到0,则目标C完全消失。如图8所示,是图3雷达数据采集场景中对实线所示机动区域内的跟踪结果。得到的结果基本符合实验数据采集场景,目标A、B和H基本保持不动,但是由于雷达扫描线束之间的角度差较大,得到的数据比较稀疏,所以这三个目标在小范围内抖动。目标G在目标A和B之间绕目标H作逆时针运动。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (7)
1.一种基于无人船航海雷达的目标跟踪方法,其特征在于,该方法具体为:
对各扫描周期采用基于无人船航海雷达的目标检测方法进行目标检测;
以上述每一个扫描周期的目标检测结果为基础,根据相邻两个扫描周期的多目标状态对两个扫描周期的各个目标进行匹配,匹配标准是最近邻匹配;当出现新目标会开启新的航迹,当原有目标暂时消失会有目标影子的留存,直到目标影子完全消失才判定目标消失,完成目标跟踪;
为了应对航海雷达的不精确带来的目标漏检严重的问题,为每一个扫描周期内得到的每一个目标分配一个初始的存在概率,根据每一扫描周期内目标的存在概率判定目标的确定存在状态、目标影子状态和消失状态,具体操作是:设定确定存在状态与目标影子状态之间的概率界限为p1,目标影子状态到目标消失状态的概率界限为p2,第i个扫描周期内的第j个目标的存在概率为若/>则目标确定为确定存在状态,若/>则目标确定为目标影子状态,若/>则目标确定为消失状态;
所述基于无人船航海雷达的目标检测方法包括如下步骤:
S1、获取雷达回波信号,提取当前扫描周期的回波散点数据;
S2、根据当前扫描周期的数据密度为每个回波散点数据添加密度流向中心;
S3、基于密度流向中心对回波散点数据进行聚类,每个聚类类别确定为一个目标。
2.根据权利要求1所述的一种基于无人船航海雷达的目标跟踪方法,其特征在于,步骤S2中密度流向中心的计算过程具体为:
S21、设数据集为X={x1,x2,…,xn},xi∈X2,X2为二维数据空间,设定滑框大小和形状,从数据集中随机选取一个点xi作为滑框中心
S22、根据滑框内框定的数据点集K={k1,k2,…,km},kl∈X2,计算新的滑框中心
S23、将滑框滑动至新的滑框中心位置处,重复执行步骤S22;
在上述过程重复执行过程中,得到一个新的滑框中心后计算新的滑框中心和上一个滑框中心的距离,若距离小于δ则停止滑框滑动,将新的滑框中心确定为xi的密度流向中心,δ为设定常数。
3.根据权利要求2所述的一种基于无人船航海雷达的目标跟踪方法,其特征在于,步骤S22新的滑框中心为:
4.根据权利要求1所述的一种基于无人船航海雷达的目标跟踪方法,其特征在于,步骤S3具体为:当两个密度流向中心之间的距离小于标准阈值则判定这两个密度流向中心对应的回波散点数据属于同一个聚类类别,当两个密度流向中心之间的距离大于标准阈值则判定这两个密度流向中心对应的回波散点数据属于不同的聚类类别。
5.根据权利要求1所述的一种基于无人船航海雷达的目标跟踪方法,其特征在于,步骤S3根据聚类类别确定目标时还包括目标的二次融合,具体为:对每个目标赋予半径特征,即将目标所属聚类类别中最远点到聚类中心的距离确定为该目标的聚类半径,根据两个目标聚类中心之间的距离和两个目标的聚类半径判断目标是否进行融合,即当目标i和目标j满足:dij<k(ri+rj)时,将目标i和目标j融合为一个目标,其中,dij为目标i和目标j的聚类中心之间的距离,ri为目标i的聚类半径,rj为目标j的聚类半径,k为比例常数,k≤1。
6.根据权利要求1所述的一种基于无人船航海雷达的目标跟踪方法,其特征在于,目标跟踪的过程具体为:从第一个扫描周期开始,采用基于逻辑的航迹起始算法起始航迹,然后通过卡尔曼滤波预测出下一个扫描周期的目标状态,卡尔曼滤波中采用的机动模型是速度恒定的机动模型,最后通过下一个扫描周期检测的目标状态与跟踪门限规则将目标与航迹进行关联,实现多目标跟踪。
7.一种基于无人船航海雷达的目标跟踪系统,包括存储器、处理器以及存储在存储器上并可以在处理器上运行的计算机程序,其特征在于,所述的处理器运行所述的计算机程序时实现上述权利要求1~6任意一项所述的目标跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704926.4A CN111929653B (zh) | 2020-07-21 | 2020-07-21 | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704926.4A CN111929653B (zh) | 2020-07-21 | 2020-07-21 | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111929653A CN111929653A (zh) | 2020-11-13 |
CN111929653B true CN111929653B (zh) | 2024-03-26 |
Family
ID=73314158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010704926.4A Active CN111929653B (zh) | 2020-07-21 | 2020-07-21 | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929653B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112816956A (zh) * | 2020-12-31 | 2021-05-18 | 北京海兰信数据科技股份有限公司 | 一种获取雷达目标信息的方法和装置 |
CN116312057A (zh) * | 2023-03-13 | 2023-06-23 | 东南大学 | 一种内河航道交通运行状态判别方法 |
CN116448115B (zh) * | 2023-04-07 | 2024-03-19 | 连云港杰瑞科创园管理有限公司 | 基于导航雷达和光电的无人艇概率距离地图构建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN101770024A (zh) * | 2010-01-25 | 2010-07-07 | 上海交通大学 | 多目标跟踪方法 |
CN105353368A (zh) * | 2015-11-09 | 2016-02-24 | 中国船舶重工集团公司第七二四研究所 | 一种基于策略判决的自适应变结构雷达对海目标跟踪方法 |
CN105931267A (zh) * | 2016-04-15 | 2016-09-07 | 华南理工大学 | 一种基于改进ViBe算法的运动物体检测跟踪方法 |
CN107092890A (zh) * | 2017-04-24 | 2017-08-25 | 山东工商学院 | 基于红外视频的舰船检测及跟踪方法 |
CN107167784A (zh) * | 2017-07-05 | 2017-09-15 | 电子科技大学 | 一种基于多通道比相定位的多人体目标定位跟踪方法 |
CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
CN111044986A (zh) * | 2019-12-25 | 2020-04-21 | 成都纳雷科技有限公司 | 一种用于雷达目标检测的密度聚类方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9599706B2 (en) * | 2015-04-06 | 2017-03-21 | GM Global Technology Operations LLC | Fusion method for cross traffic application using radars and camera |
US10324167B2 (en) * | 2016-09-12 | 2019-06-18 | The Boeing Company | Systems and methods for adding functional grid elements to stochastic sparse tree grids for spatial filtering |
IT201700112400A1 (it) * | 2017-10-06 | 2019-04-06 | Inxpect S P A | Metodo e sistema di rilevamento radar per identificare oggetti mobili |
-
2020
- 2020-07-21 CN CN202010704926.4A patent/CN111929653B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN101770024A (zh) * | 2010-01-25 | 2010-07-07 | 上海交通大学 | 多目标跟踪方法 |
CN105353368A (zh) * | 2015-11-09 | 2016-02-24 | 中国船舶重工集团公司第七二四研究所 | 一种基于策略判决的自适应变结构雷达对海目标跟踪方法 |
CN105931267A (zh) * | 2016-04-15 | 2016-09-07 | 华南理工大学 | 一种基于改进ViBe算法的运动物体检测跟踪方法 |
CN107092890A (zh) * | 2017-04-24 | 2017-08-25 | 山东工商学院 | 基于红外视频的舰船检测及跟踪方法 |
CN107167784A (zh) * | 2017-07-05 | 2017-09-15 | 电子科技大学 | 一种基于多通道比相定位的多人体目标定位跟踪方法 |
CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
CN111044986A (zh) * | 2019-12-25 | 2020-04-21 | 成都纳雷科技有限公司 | 一种用于雷达目标检测的密度聚类方法及装置 |
Non-Patent Citations (14)
Title |
---|
A Comparative Study of Optimization Algorithms for Correction of Radar System Error;Zhang, Hongjin 等;PROCEEDINGS OF THE 28TH CHINESE CONTROL AND DECISION CONFERENCE;全文 * |
一种基于背景模型的运动目标检测与跟踪算法;刘亚, 艾海舟, 徐光佑;信息与控制(第04期);全文 * |
基于3D激光雷达的无人水面艇海上目标检测;李小毛;张鑫;王文涛;瞿栋;祝川;;上海大学学报(自然科学版)(第01期);全文 * |
基于Hopfield神经网络的雷达多目标跟踪;王伟 等;中国航海;第43卷(第01期);第7-11页 * |
基于Mean Shift迭代的新生未知多扩展目标跟踪;李翠芸;桂阳;刘靳;;控制与决策(第03期);全文 * |
基于光视觉的无人艇水面目标检测与跟踪研;曾文静;中国优秀博士学位论文全文数据库工程科技II辑(第04期);全文 * |
基于减法聚类的两级Hough变换航迹起始算法;张彦航;苏小红;马培军;;系统仿真学报;第21卷(第24期);全文 * |
基于最近邻聚类分析的多站遥测数据融合方法;朱学锋;;弹道学报(第02期);全文 * |
多雷达多目标航迹起始算法研究;吴丹;冯新喜;;空军工程大学学报(自然科学版)(第01期);全文 * |
扇扫雷达多目标航迹跟踪算法研究;于文才;;电子世界(第08期);全文 * |
智能交通系统中车辆视频检测、识别与跟踪方法的研究;纪筱鹏;中国优秀博士学位论文全文数据库工程科技II辑(第02期);全文 * |
最近邻联合概率数据关联算法在舰载雷达跟踪中的应用;栾铸徵;;雷达与对抗(第02期);全文 * |
李勇 等.复杂情感分析方法及其应用.冶金工业出版社,2020,第106页. * |
水上无人系统研究进展及其面临的挑战;张卫东;刘笑成;韩鹏;;自动化学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111929653A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929653B (zh) | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 | |
CN109188423B (zh) | 一种基于多源聚类的分布式多目标跟踪方法 | |
CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
CN111239766B (zh) | 基于激光雷达的水面多目标快速识别跟踪方法 | |
CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
Reuter et al. | Real-time multi-object tracking using random finite sets | |
CN111308500B (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN112130142A (zh) | 一种复杂运动目标微多普勒特征提取方法及系统 | |
CN116051822A (zh) | 凹障碍的识别方法和装置、处理器及电子设备 | |
CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
CN112946625B (zh) | 基于b样条形状驱动多扩展目标航迹跟踪及分类方法 | |
Zhong et al. | Uncertainty-aware voxel based 3d object detection and tracking with von-mises loss | |
CN110488259B (zh) | 一种基于gdbscan的雷达目标分类方法及装置 | |
KR102361816B1 (ko) | 표적 탐지 방법 및 기록 매체 | |
Reuter et al. | Methods to model the motion of extended objects in multi-object Bayes filters | |
CN113537411A (zh) | 一种基于毫米波雷达的改进模糊聚类方法 | |
CN114636981A (zh) | 基于雷达回波的在线深度学习台风中心定位系统 | |
CN110309599B (zh) | 一种方位测量融合与多目标定位方法 | |
CN116109668A (zh) | 一种点云目标跟踪识别方法及激光雷达 | |
Gadaleta et al. | Multiple frame cluster tracking | |
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 | |
CN113065604B (zh) | 一种基于dtw-dbscan算法的空中目标分群方法 | |
CN109001724B (zh) | 一种目标自动起始航迹与跟踪定位方法 | |
CN116664854A (zh) | 目标检测方法、装置、电子设备及机器可读存储介质 | |
Pedersen | Harbor Surveillance with a K-best, Track Terminating, Hypothesis-Oriented MHT |
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 |