CN111929676A - 一种基于密度聚类的x波段雷达目标检测与跟踪方法 - Google Patents
一种基于密度聚类的x波段雷达目标检测与跟踪方法 Download PDFInfo
- Publication number
- CN111929676A CN111929676A CN202010753443.3A CN202010753443A CN111929676A CN 111929676 A CN111929676 A CN 111929676A CN 202010753443 A CN202010753443 A CN 202010753443A CN 111929676 A CN111929676 A CN 111929676A
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- point cloud
- velocity
- detection target
- 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
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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)
- 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
本发明涉及一种基于密度聚类的X波段雷达目标检测与跟踪方法,包括以下步骤:1)获得极坐标下雷达的点云数据,将点云数据从极坐标转化为笛卡尔坐标,并引入船体位置和艏向修正,得到全局坐标系下的雷达点云数据;2)采用DBSCAN聚类算法,根据每个点之间的疏密程度将距离相近的点分为一组,输出不同的点云集合,获得每个点云集合的最小包络圆,最小包络圆即代表雷达的探测目标;3)对探测目标与已有目标作最优数据联合,并估计目标的位置和速度,实现多目标跟踪。与现有技术相比,本发明有效提高了雷达目标检测和跟踪的准确性和稳定性,可提供准确的目标位置、速度和大小信息,从而为船舶安全导航和避碰提供了可靠的参考依据。
Description
技术领域
本发明涉及无人艇感知技术领域,尤其是涉及一种基于密度聚类的X波段雷达目标检测与跟踪方法。
背景技术
X波段雷达对保障海上航行安全具有十分重要的意义,其受到天气和光照的影响较小,并能在拥挤水道时能辅助航行和避碰,虽然现有的技术能够实时探测与显示船舶周围的障碍物,但依靠人工观察与标绘获得障碍物目标位置和大小往往存在效率低、延迟高、精度低等缺点。
利用计算机技术对雷达数据进行处理,实现自动检测目标,并获得目标的位置、航向和航速。同时结合自身船体的位置和速度,预测自身与目标碰撞点的位置以及碰撞发生的时间,并给出避让的提示。然而这项技术在可靠性和精确性等方面有一定的局限性。因而研究开发一种高精度、高可靠性、高实时性的系统的X波段雷达感知算法,对提高航行的安全性具有很大的实用价值。
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基于密度聚类的X波段雷达目标检测与跟踪方法。
本发明的目的可以通过以下技术方案来实现:
一种基于密度聚类的X波段雷达目标检测与跟踪方法,包括以下步骤:
1)根据雷达接收机输出的数字信号,获得极坐标下雷达的点云数据,将点云数据从极坐标转化为笛卡尔坐标,并引入船体位置和艏向修正,得到全局坐标系下的雷达点云数据;
2)对全局坐标系下的雷达点云数据采用DBSCAN聚类算法,根据每个点之间的疏密程度将距离相近的点分为一组,输出不同的点云集合,通过Welzl算法获得每个点云集合的最小包络圆,并计算每个包络圆的位置和直径,所述的最小包络圆即代表雷达的探测目标;
3)对探测目标与已有目标进行最优数据关联,并利用Alpha-Beta滤波器估计目标的位置和速度,实现多目标跟踪。
所述的步骤1)中,在雷达每一轮扫描过程中,船体的位置和艏向保持不变,则有:
其中,θs和ρ为极坐标系下雷达扫描数据的角度和距离,(xr,yr)T为雷达相对于船体重心的坐标,(xs,ys)T和(xCoG,yCoG)T分别为雷达点云数据和船体重心在全局坐标系下的坐标,θ为船体的艏向角。
所述的步骤2)中,以样本集D=(x1,x2,...,xm)、领域参数(∈,MinPts)和样本距离度量方式作为DBSCAN聚类算法的输入,以簇划分C作为DBSCAN聚类算法的输出,其中,xm表示第m个雷达点云数据在全局坐标系下的坐标,所述的DBSCAN聚类算法具体包括以下步骤:
22)对于p=1,2,...,m,获取所有的核心对象;
24)在核心对象集合Ω中,随机选择一个核心对象o,并初始化当前簇核心对象队列Ωcur={o},初始化聚类簇数的类别序号k=k+1,初始化当前簇样本集合Ck={o},更新未访问样本集合Γ=Γ-{o};
26)在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值∈获取所有的∈-邻域子样本集N∈(o′),并获取邻域子样本集与未访问样本集合的交集Δ=N∈(o′)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,返回步骤25)。
所述的步骤22)具体为:
221)通过距离度量方式获取样本xp的∈领域子样本集N∈(xp);
222)当子样本集样本个数满足|N∈(xp)|≥MinPts时,则将样本xp加入核心对象样本集合Ω=Ω∪{xp}。
所述的步骤3)具体包括以下步骤:
31)将上一时刻的探测目标与当前时刻的对应的探测目标进行关联;
32)采用Alpha-Beta滤波器获得关联后的探测目标在平面上的最优状态,得到探测目标当前时刻估计的位置和速度。
所述的步骤31)中,定义参数vj0和分别为上一时刻第j个探测目标的速度向量和半径,变量为当前时刻第i个探测目标的半径,vji为利用第i个探测目标的位置估算出的第j个目标的速度,当上一时刻第j个探测目标的速度vj0的范数||vj0||2小于速度阈值VT时,则针对速度向量vji舍弃以下两种情况:
速度的范数||vji||2大于最大速度Vmax以及加速度的范数||vj0-vji||2大于最大加速度amax,对于没有被舍弃的速度向量,则计算惩罚函数,获取所有惩罚函数中的最小惩罚项,即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。
所述的惩罚函数L(i,j)的计算式为:
所述的步骤31)中,定义参数vj0和分别为上一时刻第j个探测目标的速度向量和半径,变量为当前时刻第i个探测目标的半径,vji为利用第i个探测目标的位置估算出的第j个目标的速度,当上一时刻第j个探测目标的速度vj0的范数||vj0||2大于速度阈值VT时,则针对速度向量vji舍弃以下三种情况:
速度的范数||vji||2大于最大速度Vmax、加速度的范数||vj0-vji||2大于最大加速度amax以及速度变化方向|∠(vj0,vji)|大于最大角速度,对于没有被舍弃的速度向量,则计算惩罚函数,获取所有惩罚函数中的最小惩罚项,即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。
所述的惩罚函数L(i,j)的计算式为:
与现有技术相比,本发明具有以下优点:
一、本发明通过DBSCAN算法,根据雷达点云数据的密度,将二维平面的离散点云聚类成每个目标所反射的点云集合,有效提高了目标检测的精度。
二、本发明通过最优数据联合算法,基于惩罚函数的思路约束目标跟新的最大速度、最大加速度和半径增量,从而获得最有可能的目标匹配,适用于多个目标的跟踪与定位。
三、本发明通过Alpha-Beta滤波器,有效减少状态估计器的计算复杂度,同时减少可调节的参数,使得算法简单可靠。
附图说明
图1为本发明X波段雷达坐标转换与运动补偿示意图。
图2为本发明的方法流程图。
图3为本发明实施例中试验场景示意图。
图4为本发明实施例中目标跟踪结果示意图。
具体实施方式
下面结合附图对本发明的实施例作详细的说明:本实施例在以本发明技术方案为前提下进行实施,给出详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
如图1和2所示,本发明提供一种基于密度聚类的X波段雷达目标检测与跟踪方法,包括以下步骤:
(1)通过雷达接收机输出的数字信号,获得极坐标下雷达的点云数据。将点云数据从极坐标转化为笛卡尔坐标,并引入船体位置和艏向修正,得到全局坐标系下的雷达点云数据;
步骤(1)具体为:
由于雷达每一轮扫描的时间间隔较短,假设在每一轮扫描过程中,船体的位置和艏向保持不变。同时我们只考虑二维平面的坐标转换,
其中,θs和ρ表示雷达扫描数据的角度和距离。向量(xr,yr)T表示雷达相对于船体重心的坐标,而向量(xs,ys)T和(xCoG,yCoG)T表示雷达扫描数据和重心在全局坐标系下的坐标。
(2)对点云数据采用DBSCAN聚类算法,根据每个点之间的疏密程度将距离相近的点分为一组,输出不同的点云集合;通过Welzl算法获得每一个点云集合的最小包络圆,并计算每一个圆的位置和直径。这个最小包络圆即代表雷达所探测得目标。
步骤(2)具体为:
(21)对点云数据采用DBSCAN聚类算法,根据每个点之间的疏密程度将距离相近的点分为一组,输出不同的点云集合,该算法步骤如下
输入:样本集D=(x1,x2,...,xm),领域参数(∈,MinPts),样本距离度量方式
输出:簇划分C
2)对于j=1,2,...,m,按下面的步骤找出所有的核心对象:
21)通过距离度量方式,找到样本xj的∈领域子样本集N∈(xj)
22)如果子样本集样本个数满足|N∈(xj)|≥MinPts,将样本xj加入核心对象样本集合Ω=Ω∪{xj};
4)在核心对象集合Ω中,随机选择一个核心对象o,初始化当前簇核心对象队列Ωcur={o},初始化类别序号k=k+1,初始化当前簇样本集合Ck={o},更新未访问样本集合Γ=Γ-{o};
6)在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N∈(o′),令Δ=N∈(o′)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,转入步骤5;
输出结果为:簇划分C={C1,C2,...,Ck},即为点云集合;
(22)通过Welzl算法获得每一个点云集合的最小包络圆,并计算每一个圆的位置和直径,这个最小包络圆即代表雷达所探测得目标。
(3)对探测目标与已有目标作最优数据联合算法,并利用Alpha-Beta滤波器估计目标的位置和速度,实现多目标跟踪。
具体为:
(31)给定vj0和为上个时刻的第j个目标的速度向量和半径。变量表示第i个探测目标的半径,vji表示利用第i个探测目标的位置估算第j个目标的速度;使得||·||2和|·|分别代表欧几里得范数和绝对值,具体步骤如下:
311)定义参数vj0和分别为上一时刻第j个探测目标的速度向量和半径,变量为当前时刻第i个探测目标的半径,vji为利用第i个探测目标的位置估算出的第j个目标的速度,||·||2和|·|分别表示欧几里得范数和绝对值运算;
312)获取上一时刻第j个探测目标的速度vj0的范数||vj0||2,若范数||vj0||2小于速度阈值VT,则根据速度向量vji舍弃以下两种情况:
速度的范数||vji||2大于最大速度Vmax或者加速度的范数||vj0-vji||2大于最大加速度amax,对于没有被舍弃的速度向量,则计算惩罚函数:
获取所有惩罚函数中的最小惩罚项,即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。
313)如果范数||vj0||2大于速度阈值VT,则根据速度向量vji舍弃以下三种情况:
速度的范数||vji||2大于最大速度Vmax、加速度的范数||vj0-vji||2大于最大加速度amax或者速度变化方向|∠(vj0,vji)|大于最大角速度,对于没有被舍弃的速度向量,则计算惩罚函数:
获取所有惩罚函数中的最小惩罚项,即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。
其中,xk表示当前时刻测量得到的位置。
实施例:
实验设置在一条长为100米,宽为50米的弯曲河道中(如图3所示),需要雷达识别的目标一共有两条船,其中一条用锚链单点系泊,另一条船以一定的速度沿直线运动。
对航海雷达扫描得到得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,然后通过DBSCAN聚类算法,根据每个点之间的疏密程度将距离相近的点分为一组,输出不同的点云集合;通过Welzl算法获得每一个点云集合的最小包络圆,并计算每一个圆的位置和直径,图4中蓝色圆形表示探测得到的目标。
最后对探测目标与已有目标作最优数据联合算法,并利用Alpha-Beta滤波器估计目标的位置和速度,实现多目标跟踪,图4中红色圆圈表示跟踪得到的目标。每次雷达扫描之后,该算法所需的计算时间的平均值为100毫秒,满足实时性的要求。
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 (10)
1.一种基于密度聚类的X波段雷达目标检测与跟踪方法,其特征在于,包括以下步骤:
1)根据雷达接收机输出的数字信号,获得极坐标下雷达的点云数据,将点云数据从极坐标转化为笛卡尔坐标,并引入船体位置和艏向修正,得到全局坐标系下的雷达点云数据;
2)对全局坐标系下的雷达点云数据采用DBSCAN聚类算法,根据每个点之间的疏密程度将距离相近的点分为一组,输出不同的点云集合,通过Welzl算法获得每个点云集合的最小包络圆,并计算每个包络圆的位置和直径,所述的最小包络圆即代表雷达的探测目标;
3)对探测目标与已有目标进行最优数据关联,并利用Alpha-Beta滤波器估计目标的位置和速度,实现多目标跟踪。
3.根据权利要求1所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法,其特征在于,所述的步骤2)中,以样本集D=(x1,x2,...,xm)、领域参数(∈,MinPts)和样本距离度量方式作为DBSCAN聚类算法的输入,以簇划分C作为DBSCAN聚类算法的输出,其中,xm表示第m个雷达点云数据在全局坐标系下的坐标,所述的DBSCAN聚类算法具体包括以下步骤:
22)对于p=1,2,...,m,获取所有的核心对象;
24)在核心对象集合Ω中,随机选择一个核心对象o,并初始化当前簇核心对象队列Ωcur={o},初始化聚类簇数的类别序号k=k+1,初始化当前簇样本集合Ck={o},更新未访问样本集合Γ=Γ-{o};
26)在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值∈获取所有的∈-邻域子样本集N∈(o′),并获取邻域子样本集与未访问样本集合的交集Δ=N∈(o′)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,返回步骤25)。
4.根据权利要求3所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法,其特征在于,所述的步骤22)具体为:
221)通过距离度量方式获取样本xp的∈领域子样本集N∈(xp);
222)当子样本集样本个数满足|N∈(xp)|≥MinPts时,则将样本xp加入核心对象样本集合Ω=Ω∪{xp}。
5.根据权利要求1所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)将上一时刻的探测目标与当前时刻的对应的探测目标进行关联;
32)采用Alpha-Beta滤波器获得关联后的探测目标在平面上的最优状态,得到探测目标当前时刻估计的位置和速度。
6.根据权利要求5所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法,其特征在于,所述的步骤31)中,定义参数vj0和分别为上一时刻第j个探测目标的速度向量和半径,变量为当前时刻第i个探测目标的半径,vji为利用第i个探测目标的位置估算出的第j个目标的速度,当上一时刻第j个探测目标的速度vj0的范数||vj0||2小于速度阈值VT时,则针对速度向量vji舍弃以下两种情况:
速度的范数||vji||2大于最大速度Vmax以及加速度的范数||vj0-vji||2大于最大加速度amax,对于没有被舍弃的速度向量,则计算惩罚函数,获取所有惩罚函数中的最小惩罚项,即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。
8.根据权利要求5所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法,其特征在于,所述的步骤31)中,定义参数vj0和分别为上一时刻第j个探测目标的速度向量和半径,变量为当前时刻第i个探测目标的半径,vji为利用第i个探测目标的位置估算出的第j个目标的速度,当上一时刻第j个探测目标的速度vj0的范数||vj0||2大于速度阈值VT时,则针对速度向量vji舍弃以下三种情况:
速度的范数||vji||2大于最大速度Vmax、加速度的范数||vj0-vji||2大于最大加速度amax以及速度变化方向|∠(vj0,vji)|大于最大角速度,对于没有被舍弃的速度向量,则计算惩罚函数,获取所有惩罚函数中的最小惩罚项,即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753443.3A CN111929676B (zh) | 2020-07-30 | 2020-07-30 | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753443.3A CN111929676B (zh) | 2020-07-30 | 2020-07-30 | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111929676A true CN111929676A (zh) | 2020-11-13 |
CN111929676B CN111929676B (zh) | 2022-07-08 |
Family
ID=73314924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010753443.3A Active CN111929676B (zh) | 2020-07-30 | 2020-07-30 | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929676B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285698A (zh) * | 2020-12-25 | 2021-01-29 | 四川写正智能科技有限公司 | 一种基于雷达传感器的多目标跟踪装置及方法 |
CN112833815A (zh) * | 2020-12-30 | 2021-05-25 | 广东工业大学 | 一种基于激光的房屋测量和墙面平整度检测方法 |
CN117148279A (zh) * | 2023-09-05 | 2023-12-01 | 中国电子科技集团公司第三十八研究所 | 单光子激光雷达实时信号检测方法、系统和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
CN110728210A (zh) * | 2019-09-25 | 2020-01-24 | 上海交通大学 | 一种三维点云数据的半监督目标标注方法和系统 |
CN111260683A (zh) * | 2020-01-09 | 2020-06-09 | 合肥工业大学 | 一种三维点云数据的目标检测与跟踪方法及其装置 |
CN111337941A (zh) * | 2020-03-18 | 2020-06-26 | 中国科学技术大学 | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 |
CN111352087A (zh) * | 2020-03-25 | 2020-06-30 | 电子科技大学 | 基于dbscan的被动mimo雷达多目标定位方法 |
-
2020
- 2020-07-30 CN CN202010753443.3A patent/CN111929676B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
CN110728210A (zh) * | 2019-09-25 | 2020-01-24 | 上海交通大学 | 一种三维点云数据的半监督目标标注方法和系统 |
CN111260683A (zh) * | 2020-01-09 | 2020-06-09 | 合肥工业大学 | 一种三维点云数据的目标检测与跟踪方法及其装置 |
CN111337941A (zh) * | 2020-03-18 | 2020-06-26 | 中国科学技术大学 | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 |
CN111352087A (zh) * | 2020-03-25 | 2020-06-30 | 电子科技大学 | 基于dbscan的被动mimo雷达多目标定位方法 |
Non-Patent Citations (3)
Title |
---|
PATRICK OESTERLING ET AL.: "Visualization of High-Dimensional Point Clouds Using Their Density Distribution"s Topology", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
汪世财 等: "基于激光雷达点云密度特征的智能车障碍物检测与跟踪", 《合肥工业大学学报(自然科学版)》 * |
钱其姝 等: "基于激光点云全局特征匹配处理的目标跟踪算法", 《激光与光电子学进展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285698A (zh) * | 2020-12-25 | 2021-01-29 | 四川写正智能科技有限公司 | 一种基于雷达传感器的多目标跟踪装置及方法 |
CN112833815A (zh) * | 2020-12-30 | 2021-05-25 | 广东工业大学 | 一种基于激光的房屋测量和墙面平整度检测方法 |
CN117148279A (zh) * | 2023-09-05 | 2023-12-01 | 中国电子科技集团公司第三十八研究所 | 单光子激光雷达实时信号检测方法、系统和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111929676B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929676B (zh) | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 | |
CN109239709B (zh) | 一种无人船的局部环境地图自主构建方法 | |
CN108614258B (zh) | 一种基于单水声信标距离量测的水下定位方法 | |
CN105487061B (zh) | 目标数据关联的多特征信息融合方法 | |
Park et al. | Radar localization and mapping for indoor disaster environments via multi-modal registration to prior LiDAR map | |
Qiu et al. | A survey of motion-based multitarget tracking methods | |
CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 | |
CN110906924A (zh) | 一种定位初始化方法和装置、定位方法和装置及移动装置 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN114593739A (zh) | 基于视觉检测与参考线匹配的车辆全局定位方法及装置 | |
CN112611376B (zh) | 一种RGI-Lidar/SINS紧耦合AUV水下导航定位方法与系统 | |
CN114608568A (zh) | 一种基于多传感器信息即时融合定位方法 | |
CN107092808B (zh) | 一种编队目标合并机动模式下的跟踪方法 | |
CN111257826B (zh) | 一种多源异构传感器复合跟踪方法 | |
CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
RU2196341C1 (ru) | Способ определения параметров движения маневрирующего объекта | |
CN115144847A (zh) | 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 | |
CN111220158B (zh) | 一种基于时间方位历程图的线谱目标运动参数估计方法 | |
CN113177969A (zh) | 一种基于运动方向变化的候选种子的点云单目标跟踪方法 | |
JP3388180B2 (ja) | 目標追尾装置および目標追尾方法 | |
CN113281736B (zh) | 基于多假设singer模型的雷达机动交汇目标跟踪方法 | |
Wu et al. | A method with improved accuracy and robustness for object detection in wharf scenarios | |
Bustos et al. | Matching radar and satellite images for ship trajectory estimation using the Hausdorff distance | |
JP3440010B2 (ja) | 目標追尾装置 | |
CN110672116B (zh) | 基于多观察哨数字望远镜的运动目标一致性判断方法 |
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 |