CN111948642A - 一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法 - Google Patents
一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法 Download PDFInfo
- Publication number
- CN111948642A CN111948642A CN202010813531.8A CN202010813531A CN111948642A CN 111948642 A CN111948642 A CN 111948642A CN 202010813531 A CN202010813531 A CN 202010813531A CN 111948642 A CN111948642 A CN 111948642A
- Authority
- CN
- China
- Prior art keywords
- track
- target
- hypothesis
- tracking
- detecting
- 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
Links
- 238000003672 processing method Methods 0.000 title description 3
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002452 interceptive effect Effects 0.000 claims abstract description 11
- 238000013213 extrapolation Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 28
- 238000013138 pruning Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 244000141353 Prunus domestica Species 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G01S7/417—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 involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种强杂波环境下对弱小目标和高机动目标探测跟踪的方法,将雷达全域探测范围内的目标和量测进行数据聚簇,基于K‑Best最优假设对每个聚簇做最优假设生成及假设概率计算,构建连续扫描周期下每个数据聚簇的轨迹树结构并基于N‑Scan假设剪枝,将保留的分枝k‑N时刻的航迹值送至用户航迹显示界面进行航迹更新。本发明将交互多模型算法与多假设跟踪算法相融合的方式,利用交互多模型算法对航迹进行滤波外推,减小目标机动所引起的跟踪误差,再使用多假设跟踪算法进行数据聚簇、基于K‑Best最优假设生成及假设概率计算、基于N‑Scan假设剪枝,减小由外推点迹较大的误差而导致数据关联错误的几率。
Description
技术领域
本发明涉及一种雷达数据处理方法。
背景技术
雷达要探测的目标,通常是运动着的物体,如飞机,船舶等,但在目标的周围经常存在着各种杂波干扰,如地杂波,云雨杂波,海浪杂波,敌方施放的箔条杂波等,目前的技术是单独使用多假设跟踪算法或交互多模型算法对目标进行滤波外推和跟踪控制。
单独使用多假设跟踪算法对目标进行滤波外推和跟踪控制,选用的运动模型与目标实际运动状态不能完全拟合,尤其是机动目标,运动状态多种多样,在目标运动状态拟合度不高的阶段,跟踪误差急剧增大。单独使用交互多模型算法对目标进行滤波外推和跟踪控制,虽然运动模型与目标实际运动状态能很好拟合,但目标虚警抑制能力差,对于弱小目标以及多目标跟踪时,关联错误率高,目标容易丢失。
发明内容
本发明要解决的技术问题是:针对采用单独算法对目标进行滤波外推和跟踪控制所存在的上述问题,将交互多模型算法和多假设跟踪算法的优化和融合,减小目标机动所引起的跟踪误差,降低数据关联错误的几率,实现雷达在强杂波环境下对弱小目标和高机动目标的稳定跟踪。。
本发明的技术方案为:
一种强杂波环境下对弱小目标和高机动目标探测跟踪的方法,将雷达全域探测范围内的目标和量测进行数据聚簇,基于K-Best最优假设对每个聚簇做最优假设生成及假设概率计算,构建连续扫描周期下每个数据聚簇的轨迹树结构并基于N-Scan假设剪枝,将保留的分枝k-N时刻的航迹值送至用户航迹显示界面进行航迹更新。
将保留的所有分枝k时刻的轨迹输出值利用交互多模型算法对航迹进行滤波外推,将目标估计值反馈到数据聚簇中。
雷达全域探测范围内的目标和量测可以分割成若干独立的簇,为每个确认航迹创建一个簇,落入目标航迹跟踪门的量测都可以相关到簇内。在新扫描周期内分别将新收到的量测与以前的簇(假设)进行互联,形成更新簇;若上一周期处理中2个独立的簇与同一个量测相关,则这2个簇形成1个新的超簇;不与任何旧簇相关的量测形成新簇。
K-best最优假设产生方法是不列举所有假设的情况下, 把K个置信度最高的假设列举出来的方法;构造一个基于簇的分配矩阵, 量测表示为行, 航迹、新航迹和虚警表示为列, 分配矩阵中元素即为量测与航迹之间似然概率负对数值, 或是量测来自新航迹或虚警的概率的负对数值,基于分配矩阵,构造一个包含所有可能分配的队列,每次找到一个最优线性分配, 然后在分配队列中删除这个最优分配, 再从剩下的分配队列中寻找一个最优分配, 如此循环K次即找到K个置信度最大、概率最高的关联假设。
根据K个最优的关联假设,对轨迹树进行更新、新建处理;然后判断轨迹树的深度,若深度大于N,则采用N-Scan剪枝法搜索轨迹树中当前置信度最高的叶子节点,然后将置信度最高的叶子节点所在的根节点分枝保留,删除其余分枝。N取3。
本发明的有益效果是:
将交互多模型算法应用于多假设跟踪算法中,主要利用交互多模型算法对航迹进行滤波外推,减小目标机动所引起的跟踪误差,得到更加贴合目标实际运动的外推点迹,有利于多假设跟踪算法中数据聚簇和假设生成,减小由外推点迹较大的误差而导致数据关联错误的几率。
将交互多模型算法与多假设跟踪算法相融合,主要使用多假设跟踪算法进行数据聚簇、基于K-Best最优假设生成及假设概率计算、基于N-Scan假设剪枝,然后利用交互多模型算法对航迹进行滤波外推,减小目标机动所引起的跟踪误差,再将目标估计值反馈到数据聚簇中,降低数据关联错误几率。
附图说明
图1为本发明的数据处理流程框图。
图2是数据聚簇示意图。
图3是第1拍事件关联图。
图4是第1拍假设树图。
图5是第2拍事件关联图。
图6是第2拍假设树图。
图7是第3拍事件关联图。
图8是第3拍假设树图(N达到3进行剪枝)。
图9为IMM算法流程图。
具体实施方式
本交互多模型算法与多假设跟踪算法融合后处理流程如图1所示,包括:
1)数据聚簇
在雷达全域探测范围内的目标和量测可以分割成若干独立的“簇”,这样就把大规模跟踪问题化解为若干小规模跟踪问题来处理,减低了算法复杂度和计算量。程序初始化阶段为每个确认航迹创建一个簇,落入目标航迹跟踪门的量测都可以相关到簇内。在新扫描周期内分别将新收到的量测与以前的簇(假设)进行互联,形成更新簇。若上一周期处理中2个独立的簇与同一个量测相关,则这2个簇形成1个新的超簇;不与任何旧簇相关的量测形成新簇。雷达全域探测范围内,分布着各个量测和目标航迹,数据聚簇示例如图2。如图所示,目标航迹为T1、…、Ti,目标量测为Z1、Z2、…、Zj-1、Zj,根据分布情况,将目标航迹和目标量测聚簇,T1、Z1、Z2聚簇,记为第1簇,…,Ti、Zj-1聚簇,记为第n-1簇,Zj单独一簇,记为第n簇。通过聚簇,可以将复杂的目标航迹集和量测集分解为若干个小簇,单独按数据处理的流程处理,把复杂问题简单化。
2)基于K-best最优假设生成及假设概率计算
K-best最优假设产生方法是不列举所有假设的情况下, 把K个置信度最高的假设列举出来的方法。构造一个基于簇的分配矩阵, 量测表示为行, 航迹、新航迹和虚警表示为列,分配矩阵中元素即为量测与航迹之间似然概率负对数值, 或是量测来自新航迹或虚警的概率的负对数值。基于这个分配矩阵,构造一个包含所有可能分配的队列,每次找到一个最优线性分配, 然后在分配队列中删除这个最优分配, 再从剩下的分配队列中寻找一个最优分配, 如此循环K次即找到K个置信度最大、概率最高的关联假设。
3)N-Scan假设剪枝
N-Scan假设剪枝法是强制在k时刻产生的不确定性在k+N时刻延迟解决的一种方式,其主要采用轨迹树结构。一株轨迹树对应一个目标,树上每一条从根到叶的路径构成该目标的一组量测历史记录,而且一株轨迹树内的所有航迹是互不相容的,因此至多只有一条路径反映了真实目标的航迹。
首先,根据K个最优的关联假设,对轨迹树进行更新(旧航迹)、新建(新航迹、虚警)处理;然后,判断轨迹树的深度,若深度大于N,则采用N-Scan剪枝法搜索轨迹树中当前置信度最高的叶子节点,然后将置信度最高的叶子节点所在的根节点分枝保留,删除其余分枝。最后,将保留的分枝k-N时刻的航迹值送至用户航迹显示界面进行航迹更新,并将保留的所有分枝k时刻的轨迹输出值进行跟踪滤波处理,形成新的航迹预测值。
经过K-best最优假设,第1簇得到T11(T1,Z1),T12(T1,Z2) 2种最大概率的关联假设,分别对应两种可能:①量测Z1为航迹T1的实际位置,Z2为虚警;②量测Z2为航迹T1的实际位置,Z1为虚警。
…
第n-1簇得到Tij-1(Ti,Zj-1),Faj-1(Zj-1) 2种最大概率的关联假设,分别对应两种可能:①量测Z4为航迹T2的实际位置;②量测Z4为虚警。
第n簇得到NTj(Zj),FAj(Zj) 2种最大概率的关联假设,分别对应两种可能:①量测Zj为新航迹;②量测Zj为虚警。
图8所示的是N=3时的N-Scan剪枝法处理过程,涂色的节点表示对应航迹k时刻出现在置信度最高的假设中。当前扫描为第k次扫描,对于tree_1,从最优节点开始,按树的分枝路径往前回溯,回溯到k-2次扫描,保留k-2次扫描中的根节点,同时删除不是最优假设中航迹的根节点的所有假设航迹分枝,并将k-3时刻的根节点航迹值输出至用户显示界面进行航迹更新。由于tree_2在k-2次扫描不存在关联不确定性(深度不大于N),因此不做3-Scan假设剪枝。
下面以连续3个雷达连续扫描周期得到的数据为例(每个扫描周期称为1拍),对3-Scan假设剪枝作出更详细的应用示例说明:
假设目前第1拍只有1个目标航迹T1,与两个目标量测Z1、Z2关联在一起,以及新量测Z3,如图3所示。
第1拍聚簇后得到T11(T1,Z1)、T12(T1,Z2)两个关联事件,以及新的假设树tree2,形成假设树如图4。
第2拍具有经过T11(T1,Z1)、T12(T1,Z2)两个关联事件滤波外推后的目标航迹T1、T2,以及新建航迹T3。假设目标量测有Z1、Z2、Z3、Z4、Z5、Z6,其中T1与Z1、Z4关联,T2与Z2、Z5关联,T3与Z3、T6关联,如图5所示。
第2拍聚簇后得到T11(T1,Z1)、T14(T1,Z2)、T22(T2,Z2)、T25(T2,Z5)、T33(T3,Z3)、T36(T3,Z6)共六个关联事件,形成假设树如图6。tree_1和tree_2假设树的深度未达到3,因此不做剪枝。
第3拍具有经过T11(T1,Z1)、T14(T1,Z2)、T22(T2,Z2)、T25(T2,Z5)、T33(T3,Z3)、T36(T3,Z6)六个关联事件滤波外推后的目标航迹T1、T2、T3、T4、T5、T6。假设目标量测有Z1、Z2、Z3、Z4、Z5、Z6、Z7、Z8、Z9,其中T1与Z1关联,T2与Z2关联,T3与Z3关联,T4与Z4、Z7关联,T5与Z5、Z8关联,T6与Z6、Z9关联,如图7所示。
第3拍聚簇后得到T11(T1,Z1)、T44(T4,Z4)、T47(T4,Z7)、T22(T2,Z2)、T55(T5,Z5)、T58(T5,Z8)、 T33(T3,Z3)、T66(T6,Z6)、T69(T6,Z9)共九个关联事件,假设tree_1中所有关联事件中事件T55(T5,Z5) 概率最高,tree_2中所有关联事件中事件T69(T6,Z9) 概率最高,以红色表示,形成假设树如图8。
图8所示,tree_1假设树的深度达到3,关联事件T55(T5,Z5)置信度最高,因此,从最优节点T55(T5,Z5)开始,按树的分枝路径往前回溯,回溯到k-2拍,保留根节点T12(k-2拍),删除根节点T11(k-2拍),并将k-3时刻的根节点航迹值输出至用户显示界面进行航迹更新。tree_2假设树的深度未达到3,因此不做剪枝。
4) IMM预测
利用IMM算法对每个簇内的所有k时刻仍保留的假设进行状态估计和预测,IMM算法流程如图9示。
Claims (8)
1.一种强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于包括:将雷达全域探测范围内的目标和量测进行数据聚簇,基于K-Best最优假设对每个聚簇做最优假设生成及假设概率计算,构建连续扫描周期下每个数据聚簇的轨迹树结构并基于N-Scan假设剪枝,将保留的分枝k-N时刻的航迹值送至用户航迹显示界面进行航迹更新。
2.根据权利要求1所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于:将保留的所有分枝k时刻的轨迹输出值利用交互多模型算法对航迹进行滤波外推,将目标估计值反馈到数据聚簇中。
3.根据权利要求1或2所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于:雷达全域探测范围内的目标和量测可以分割成若干独立的簇,为每个确认航迹创建一个簇,落入目标航迹跟踪门的量测都可以相关到簇内。
4.根据权利要求3所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于:在新扫描周期内分别将新收到的量测与以前的簇(假设)进行互联,形成更新簇;若上一周期处理中2个独立的簇与同一个量测相关,则这2个簇形成1个新的超簇;不与任何旧簇相关的量测形成新簇。
5.根据权利要求4所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于:K-best最优假设产生方法是不列举所有假设的情况下, 把K个置信度最高的假设列举出来的方法;构造一个基于簇的分配矩阵, 量测表示为行, 航迹、新航迹和虚警表示为列, 分配矩阵中元素即为量测与航迹之间似然概率负对数值, 或是量测来自新航迹或虚警的概率的负对数值。
6.根据权利要求5所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于:基于分配矩阵,构造一个包含所有可能分配的队列,每次找到一个最优线性分配,然后在分配队列中删除这个最优分配, 再从剩下的分配队列中寻找一个最优分配, 如此循环K次即找到K个置信度最大、概率最高的关联假设。
7.根据权利要求6所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于:根据K个最优的关联假设,对轨迹树进行更新、新建处理;然后判断轨迹树的深度,若深度大于N,则采用N-Scan剪枝法搜索轨迹树中当前置信度最高的叶子节点,然后将置信度最高的叶子节点所在的根节点分枝保留,删除其余分枝。
8.根据权利要求7所述强杂波环境下对弱小目标和高机动目标探测跟踪的方法,其特征在于:N取3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010813531.8A CN111948642A (zh) | 2020-08-13 | 2020-08-13 | 一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010813531.8A CN111948642A (zh) | 2020-08-13 | 2020-08-13 | 一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111948642A true CN111948642A (zh) | 2020-11-17 |
Family
ID=73342152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010813531.8A Pending CN111948642A (zh) | 2020-08-13 | 2020-08-13 | 一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948642A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113109761A (zh) * | 2021-04-13 | 2021-07-13 | 北京工业大学 | 一种基于多假设跟踪算法的面向轨迹减少计算时间方法 |
CN113514823A (zh) * | 2021-04-25 | 2021-10-19 | 哈尔滨工业大学 | 一种基于伪谱的多模型机动目标检测前跟踪方法 |
CN113589252A (zh) * | 2021-08-03 | 2021-11-02 | 东风汽车集团股份有限公司 | 一种基于mht算法的多雷达传感器多目标跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012167301A1 (en) * | 2011-06-10 | 2012-12-13 | Navisens Pty Ltd | Positioning, tracking and trajectory estimation of a mobile object |
CN107193012A (zh) * | 2017-05-05 | 2017-09-22 | 江苏大学 | 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法 |
CN110927727A (zh) * | 2019-11-25 | 2020-03-27 | 深圳市智慧海洋科技有限公司 | 目标定位跟踪方法和装置 |
CN111127523A (zh) * | 2019-12-04 | 2020-05-08 | 杭州电子科技大学 | 基于量测迭代更新的多传感器gmphd自适应融合方法 |
-
2020
- 2020-08-13 CN CN202010813531.8A patent/CN111948642A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012167301A1 (en) * | 2011-06-10 | 2012-12-13 | Navisens Pty Ltd | Positioning, tracking and trajectory estimation of a mobile object |
CN107193012A (zh) * | 2017-05-05 | 2017-09-22 | 江苏大学 | 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法 |
CN110927727A (zh) * | 2019-11-25 | 2020-03-27 | 深圳市智慧海洋科技有限公司 | 目标定位跟踪方法和装置 |
CN111127523A (zh) * | 2019-12-04 | 2020-05-08 | 杭州电子科技大学 | 基于量测迭代更新的多传感器gmphd自适应融合方法 |
Non-Patent Citations (3)
Title |
---|
何佳洲, 吴传利, 周志华, 陈世福: "多假设跟踪技术综述", 火力与指挥控制, no. 06, 30 December 2004 (2004-12-30) * |
彭俏;林华;石章松;: "基于交互式多模型的多假设航迹起始算法", 指挥控制与仿真, no. 02, 15 April 2010 (2010-04-15) * |
翟海涛: "多假设跟踪算法研究及其应用", 信息化研究, vol. 36, no. 08, 20 August 2010 (2010-08-20), pages 1 - 3 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113109761A (zh) * | 2021-04-13 | 2021-07-13 | 北京工业大学 | 一种基于多假设跟踪算法的面向轨迹减少计算时间方法 |
CN113514823A (zh) * | 2021-04-25 | 2021-10-19 | 哈尔滨工业大学 | 一种基于伪谱的多模型机动目标检测前跟踪方法 |
CN113589252A (zh) * | 2021-08-03 | 2021-11-02 | 东风汽车集团股份有限公司 | 一种基于mht算法的多雷达传感器多目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111948642A (zh) | 一种强杂波环境下对弱小目标和高机动目标探测跟踪的数据处理方法 | |
CN108303684B (zh) | 基于径向速度信息的地基监视雷达多目标跟踪方法 | |
Koch et al. | Multiple hypothesis track maintenance with possibly unresolved measurements | |
Granström et al. | New prediction for extended targets with random matrices | |
Challa | Fundamentals of object tracking | |
Kalandros et al. | Tutorial on multisensor management and fusion algorithms for target tracking | |
US5479360A (en) | Target passive ranging without an ownship maneuver | |
CN110542885A (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
CN108717174B (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
Wang et al. | A unified method based on pseudo-spectrum for track-before-detect of targets with motion model uncertainty | |
Rabaste et al. | Long-time coherent integration for low SNR target via particle filter in track-before-detect | |
Fang et al. | A fast implementation of dynamic programming based track-before-detect for radar system | |
Svensson et al. | Performance evaluation of MHT and GM-CPHD in a ground target tracking scenario | |
Katsikas et al. | Passive tracking of a maneuvering target: an adaptive approach | |
Qian et al. | An underwater bearing-only multi-target tracking approach based on enhanced Kalman filter | |
CN112731373B (zh) | 基于三维数据关联的外辐射源雷达多目标跟踪方法 | |
Schuster et al. | Multi Detection Joint Integrated Probabilistic Data Association Using Random Matrices with Applications to Radar-Based Multi Object Tracking. | |
Pan et al. | An efficient TO-MHT algorithm for multi-target tracking in cluttered environment | |
Efe et al. | Probabilistic multi-hypothesis tracker: addressing some basic issues | |
Krieg et al. | Multisensor probabilistic multihypothesis tracking using dissimilar sensors | |
CN111948601A (zh) | 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法 | |
Li et al. | Simultaneous target and multipath positioning via multi-hypothesis single-cluster PHD filtering | |
Martinez et al. | A Classification-Aided Recurrent Neural Network for Tracking in Urban Terrain | |
Tian et al. | Multi-target tracking algorithm of boost-phase ballistic missile defense |
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 |