CN113204891A - 基于指数平滑预测的dp-tbd算法跟踪方法及设备 - Google Patents
基于指数平滑预测的dp-tbd算法跟踪方法及设备 Download PDFInfo
- Publication number
- CN113204891A CN113204891A CN202110562502.3A CN202110562502A CN113204891A CN 113204891 A CN113204891 A CN 113204891A CN 202110562502 A CN202110562502 A CN 202110562502A CN 113204891 A CN113204891 A CN 113204891A
- Authority
- CN
- China
- Prior art keywords
- frame
- function
- formula
- accumulation
- backtracking
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009499 grossing Methods 0.000 title claims abstract description 33
- 238000009825 accumulation Methods 0.000 claims abstract description 78
- 230000007704 transition Effects 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 120
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于指数平滑预测的DP‑TBD算法跟踪方法及设备,该方法包括对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,根据所述积累指标函数的初始值、所述回溯函数的初始值和所述平滑初始值,进行起始积累,根据起始积累的结果,进行递归积累,根据递归积累的结果,进行门限检测,根据门限检测的结果,进行航迹回溯。本发明在动态规划的积累过程中,采用的指数平滑预测法利用了所有历史帧的数据信息,既增强了目标的帧间关联性,又具有较高的预测精度,准确地计算状态转移概率,提高TBD算法的性能,从而提高航迹回溯准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于指数平滑预测的 DP-TBD算法跟踪方法及设备。
背景技术
现有技术中,很多场景需要进行检测跟踪,例如飞行器航迹检测跟踪。检测前跟踪算法是区别于传统检测后跟踪算法的一种新的目标检测跟踪思路,是目前低信噪比下检测目标的一种有效的方法。要实现这种方法通常有两类方式:一类是基于给定模型预测的算法,如卡尔曼滤波、粒子滤波等一系列算法;另一类是无运动模型的优化算法,如动态规划等。
对于当前机动能力强的飞行器来说,第一类算法应用因为受到运动模型匹配性的限制失去了其原有的优越性,第二类算法能较好的适应需求。但是传统DP-TBD算法仅使用当前帧的观测数据对指标函数进行更新积累,容易受到尖峰噪声的干扰,造成航迹关联错误。
发明内容
本发明的目的在于针对现有技术中传统DP-TBD算法仅使用当前帧的观测数据对指标函数进行更新积累,容易受到尖峰噪声的干扰,造成航迹关联错误的不足之处,提供一种基于指数平滑预测的DP-TBD算法跟踪方法及设备,以解决上述不足之处。
为实现上述目的,本发明提供一种基于指数平滑预测的DP-TBD算法跟踪方法,所述基于指数平滑预测的DP-TBD算法跟踪方法包括以下步骤:
对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,其中k为大于等于1的整数;
确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值;
确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第 k帧平滑值;
根据递归积累的结果,进行门限检测;
根据门限检测的结果,进行航迹回溯。
优选地,所述对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,包括:
对于第k帧每一个假设目标状态xk,对第1帧各个假设目标状态所对应的分辨单元内的观测数据z1(x1)的λ1加权值V1(x1)=λ1z1(x1),获得积累指标函数的初始值V1(x1);
定义回溯函数为Ψk(xk),用以记录与当前帧当前状态相关性最大的前一帧的目标状态,并定义Ψ1(x1)初始值为(0,0);
优选地,所述确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值,包括:
第2帧所有分辨单元内的目标状态x2状态转移集合为
根据所述关联区域,按照第一公式和第二公式更新所述积累指标函数和所述回溯函数;
其中,p(x2|x1)是状态转移集合T2(x2)上的均匀分布;
根据第三公式、第四公式和第五公式对第2帧的状态值进行指数平滑预测,获得第2帧的平滑值;
优选地,所述确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第k帧平滑值,包括:
当3≤k≤K时,确定第k帧中所有分辨单元内的目标状态转移集合
利用第八公式、第九公式和第十公式,计算获得第k帧各假设目标状态的平滑值;
优选地,所述根据递归积累的结果,进行门限检测,包括:
当k=K时,对VK(xK)做门限检测;
当VK(xk)≥VT时,认定xK置于集合C;
当VK(xk)<VT时,认定目标不存在;
其中,VT为设定的门限值,C代表所有候选航迹终止位置的集合。
优选地,所述根据门限检测的结果,进行航迹回溯,包括:
此外,为实现上述目的,本发明还提出一种基于指数平滑预测的DP- TBD算法跟踪装置,所述基于指数平滑预测的DP-TBD算法跟踪装置包括:
初始模块,用于对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,其中k为大于等于 1的整数;
起始积累模块,用于确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值;
递归积累模块,用于确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第k帧平滑值;
检测模块,用于根据递归积累的结果,进行门限检测;
航迹回溯模块,用于根据门限检测的结果,进行航迹回溯。
此外,为实现上述目的,本发明还提出一种基于指数平滑预测的DP- TBD算法跟踪设备,所述基于指数平滑预测的DP-TBD算法跟踪设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于指数平滑预测的DP-TBD算法跟踪程序,所述基于指数平滑预测的DP- TBD算法跟踪程序被所述处理器执行时实现如上文所述的基于指数平滑预测的DP-TBD算法跟踪方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于指数平滑预测的DP-TBD算法跟踪程序,所述基于指数平滑预测的DP-TBD算法跟踪程序被处理器执行时实现如上文所述的基于指数平滑预测的DP-TBD算法跟踪方法的步骤。
本发明中,对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值,确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第k帧平滑值,根据递归积累的结果,进行门限检测,根据门限检测的结果,进行航迹回溯。本发明提出的基于测量值所在状态与目标真实状态的偏差角度的转移概率模型,由于在动态规划的积累过程中,当前帧的目标真实状态是未知的,因此以指数平滑预测状态来代替当前帧的真实状态进行计算。采用的指数平滑预测法利用了所有历史帧的数据信息,既增强了目标的帧间关联性,又具有较高的预测精度,能较为准确地计算状态转移概率从而提高TBD 算法的性能,从而提高航迹回溯的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于指数平滑预测的 DP-TBD算法跟踪设备的结构示意图;
图2为本发明基于指数平滑预测的DP-TBD算法跟踪方法实施例的流程示意图;
图3为本发明基于指数平滑预测的DP-TBD算法跟踪装置实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于指数平滑预测的DP-TBD算法跟踪设备结构示意图。
如图1所示,该基于指数平滑预测的DP-TBD算法跟踪设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真 (WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于指数平滑预测的DP-TBD算法跟踪设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于指数平滑预测的DP-TBD 算法跟踪程序。
在图1所示的基于指数平滑预测的DP-TBD算法跟踪设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述基于指数平滑预测的DP-TBD 算法跟踪设备通过处理器1001调用存储器1005中存储的基于指数平滑预测的DP-TBD算法跟踪程序,并执行本发明实施例提供的基于指数平滑预测的DP-TBD算法跟踪方法。
基于上述硬件结构,提出本发明基于指数平滑预测的DP-TBD算法跟踪方法的实施例。
参照图2,提出本发明基于指数平滑预测的DP-TBD算法跟踪方法实施例。
在本实施例中,所述基于指数平滑预测的DP-TBD算法跟踪方法包括以下步骤:
步骤S10:对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,其中k为大于等于1的整数。
应理解的是,本实施例的执行主体是所述基于指数平滑预测的DP- TBD算法跟踪设备,其中,所述基于指数平滑预测的DP-TBD算法跟踪设备可为个人电脑或服务器等电子设备,本实施例对此不加以限制。
从二阶Markov递归积累模型的推导中可以看出,目标的状态转移概率直接影响积累指标函数的取值。因此,如何准确对状态转移概率进行建模对TBD的性能十分重要。假设目标运动状态服从二阶Markov模型,用来对状态转移概率进行近似,但其关联帧数较少,当目标在帧间的关联性较强时,该模型无法准确描述目标运动状态的变化特性。而且该模型对目标进行了在短时间内做直线运动假设限制,当目标机动性较强时,转移概率的近似精度下降,导致算法帧间关联错误。
一些改进算法引入了多帧数据和状态转移概率,但是关联帧数较少,不能充分描述观测数据的帧间相关性,而且转移概率模型受目标直线运动状态的限制,在目标机动性较强的情况下,算法的检测和跟踪性能下降。本实施例对Tonissen提出的基于幅度积累的基于基于指数平滑预测的DP- TBD算法跟踪(DP-TBD)算法算法进行了相应的改进。提出的方法利用所有历史帧的数据信息,采用三次指数平滑预测目标的当前状态,并以此为基础建立了余弦偏差角状态转移概率模型。由该模型计算出的转移概率精确度更高,而且不受目标运动形式的限制,适用于多种运动模型,仿真结果证明,本算法具有良好的检测跟踪效果。
可理解的是,基于指数平滑预测的动态规划TBD可总结为如下的步骤:步骤一:初始化。步骤二:起始积累。步骤三:递归积累。步骤四:检测。步骤五:航迹回溯。
在具体实现中,初始化包括,对于第k帧每一个假设目标状态xk,定义积累指标函数的初始值V1(x1)是对第1帧各个假设目标状态所对应的分辨单元内的观测数据z1(x1)的λ1加权值,即V1(x1)=λ1z1(x1)。
定义回溯函数为Ψk(xk),用以记录与当前帧当前状态相关性最大的前一帧的目标状态,并定义Ψ1(x1)初始值为(0,0),即Ψ1(x1)=(0,0)。
步骤S20:确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值。
需要说明的是,起始积累包括:
1)确定第2帧的关联区域。
第2帧所有分辨单元内的目标状态x2状态转移集合:
2)更新积累函数与回溯函数。
由于在航迹起始的第一帧和第二帧,目标有可能转向任何方向,因此 p(x2|x1)是状态转移集合T2(x2)上的均匀分布。
3)求解第2帧的平滑值。
根据第三公式、第四公式和第五公式对第2帧的状态值进行指数平滑预测,获得第2帧的平滑值。
步骤S30:确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第k帧平滑值。
应理解的是,递归积累包括:
1)确定第k帧的关联区域。
当3≤k≤K时,确定第k帧中所有分辨单元内的目标状态转移集合
2)计算第k帧的状态转移密度函数。
3)更新第k帧的积累函数与回溯函数。
4)求解第k帧平滑值。
利用第八公式、第九公式和第十公式,计算获得第k帧各假设目标状态的平滑值。
步骤S40:根据递归积累的结果,进行门限检测。
可理解的是,进行检测的步骤包括:
当k=K时,对VK(xK)做门限检测,当VK(xk)≥VT时,认定xK置于集合 C;当VK(xk)<VT时,认定目标不存在,其中,VT为设定的门限值,C代表所有候选航迹终止位置的集合。
步骤S50:根据门限检测的结果,进行航迹回溯。
在本实施例中,传统DP-TBD在低信噪比条件下,尖峰噪声容易造成帧间关联错误,而引入了目标状态转移概率模型作为指标函数的二阶 Markov多帧关联DP-TBD算法却受到了关联帧间直线运动条件的制约。本实施例为了消除这一约束条件,引入了指数平滑预测来构造状态转移概率模型。对两种目标运动形式的仿真结果表明,此算法在各种运动形式下都能取得良好的检测跟踪结果。利用了所有历史帧的数据信息,采用指数平滑预测推算当前帧的预测状态,构建目标真实状态偏差角度的概率转移模型,既增强了目标的帧间关联性,又不受限于目标直线运动假设,提高了机动目标的预测精度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于指数平滑预测的DP-TBD算法跟踪程序,所述基于指数平滑预测的DP- TBD算法跟踪程序被处理器执行时实现如上文所述的基于指数平滑预测的DP-TBD算法跟踪方法的步骤。
此外,参照图3,本发明实施例还提出一种基于指数平滑预测的DP- TBD算法跟踪装置,所述基于指数平滑预测的DP-TBD算法跟踪装置包括:
初始模块10,用于对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,其中k为大于等于1的整数;
起始积累模块20,用于确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值;
递归积累模块30,用于确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第k帧平滑值;
检测模块40,用于根据递归积累的结果,进行门限检测;
航迹回溯模块50,用于根据门限检测的结果,进行航迹回溯。
本发明所述基于指数平滑预测的DP-TBD算法跟踪装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于指数平滑预测的DP-TBD算法跟踪方法,其特征在于,所述基于指数平滑预测的DP-TBD算法跟踪方法包括以下步骤:
对第k帧每一个设定目标状态,定义积累指标函数的初始值,定义回溯函数的初始值,并定义平滑初始值,其中k为大于等于1的整数;
确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值;
确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第k帧平滑值;
根据递归积累的结果,进行门限检测;
根据门限检测的结果,进行航迹回溯。
3.如权利要求2所述的基于指数平滑预测的DP-TBD算法跟踪方法,其特征在于,所述确定第2帧的关联区域,根据所述关联区域,更新所述积累函数与所述回溯函数,根据更新后的积累函数和更新后的回溯函数,求解第2帧的平滑值,包括:
第2帧所有分辨单元内的目标状态x2状态转移集合为
根据所述关联区域,按照第一公式和第二公式更新所述积累指标函数和所述回溯函数;
其中,p(x2|x1)是状态转移集合T2(x2)上的均匀分布;
根据第三公式、第四公式和第五公式对第2帧的状态值进行指数平滑预测,获得第2帧的平滑值;
4.如权利要求3所述的基于指数平滑预测的DP-TBD算法跟踪方法,其特征在于,所述确定第k帧的关联区域,根据所述第k帧的关联区域,计算第k帧的状态转移密度函数,根据所述第k帧的状态转移密度函数,更新第k帧的积累函数与回溯函数,根据更新的第k帧的积累函数与回溯函数,求解第k帧平滑值,包括:
当3≤k≤K时,确定第k帧中所有分辨单元内的目标状态转移集合
利用第八公式、第九公式和第十公式,计算获得第k帧各假设目标状态的平滑值;
5.如权利要求4所述的基于指数平滑预测的DP-TBD算法跟踪方法,其特征在于,所述根据递归积累的结果,进行门限检测,包括:
当k=K时,对VK(xK)做门限检测;
当VK(xk)≥VT时,认定xK置于集合C;
当VK(xk)<VT时,认定目标不存在;
其中,VT为设定的门限值,C代表所有候选航迹终止位置的集合。
7.一种基于指数平滑预测的DP-TBD算法跟踪设备,其特征在于,所述基于指数平滑预测的DP-TBD算法跟踪设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于指数平滑预测的DP-TBD算法跟踪程序,所述基于指数平滑预测的DP-TBD算法跟踪程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于指数平滑预测的DP-TBD算法跟踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562502.3A CN113204891A (zh) | 2021-05-24 | 2021-05-24 | 基于指数平滑预测的dp-tbd算法跟踪方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562502.3A CN113204891A (zh) | 2021-05-24 | 2021-05-24 | 基于指数平滑预测的dp-tbd算法跟踪方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113204891A true CN113204891A (zh) | 2021-08-03 |
Family
ID=77022862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110562502.3A Pending CN113204891A (zh) | 2021-05-24 | 2021-05-24 | 基于指数平滑预测的dp-tbd算法跟踪方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200954A (zh) * | 2021-10-28 | 2022-03-18 | 佛山中科云图智能科技有限公司 | 基于Apriltag的无人机降落方法、装置、介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226751A (zh) * | 2016-07-08 | 2016-12-14 | 西安电子科技大学 | 基于dp‑tbd的机动目标检测与跟踪方法 |
CN110376579A (zh) * | 2019-07-22 | 2019-10-25 | 西安电子工程研究所 | 一种机动目标动态规划检测前跟踪方法 |
CN110954895A (zh) * | 2019-12-13 | 2020-04-03 | 哈尔滨工业大学 | 一种基于复伪谱的速度滤波检测前跟踪方法 |
CN112014814A (zh) * | 2020-08-06 | 2020-12-01 | 西安电子科技大学 | 基于三帧积累速度筛选dp-tbd的动目标检测与跟踪方法 |
-
2021
- 2021-05-24 CN CN202110562502.3A patent/CN113204891A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226751A (zh) * | 2016-07-08 | 2016-12-14 | 西安电子科技大学 | 基于dp‑tbd的机动目标检测与跟踪方法 |
CN110376579A (zh) * | 2019-07-22 | 2019-10-25 | 西安电子工程研究所 | 一种机动目标动态规划检测前跟踪方法 |
CN110954895A (zh) * | 2019-12-13 | 2020-04-03 | 哈尔滨工业大学 | 一种基于复伪谱的速度滤波检测前跟踪方法 |
CN112014814A (zh) * | 2020-08-06 | 2020-12-01 | 西安电子科技大学 | 基于三帧积累速度筛选dp-tbd的动目标检测与跟踪方法 |
Non-Patent Citations (4)
Title |
---|
DAIKUN ZHENG,ETC.: "AN IMPROVED DYNAMIC PROGRAMMING TRACK-BEFORE-DETECT ALGORITHM", 《2014 12TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING (ICSP)》 * |
ZHANG YUANPENG;ZHENG DAIKUN;SUN YONGJIAN: "Dynamic programming track-Before-detect algorithm based on hidden Markov model", 《SYSTEMS ENGINEERING AND ELECTRONICS》 * |
胡显东: "基于指数平滑的动态规划检测前跟踪算法", 《电波科学学报》 * |
郑岱堃: "一种基于二阶 Markov 目标状态模型的多帧关联动态规划检测前跟踪算法", 《电子与信息学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200954A (zh) * | 2021-10-28 | 2022-03-18 | 佛山中科云图智能科技有限公司 | 基于Apriltag的无人机降落方法、装置、介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113012203B (zh) | 一种复杂背景下高精度多目标跟踪方法 | |
JP4849464B2 (ja) | フレームシーケンス中のオブジェクトを追跡するコンピュータ化された方法 | |
CN107396322B (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
Cheng et al. | A novel dynamic system in the space of SPD matrices with applications to appearance tracking | |
JP2010238226A (ja) | 物体を追跡するための方法及びシステム | |
CN106471338A (zh) | 确定移动设备在地理区域中的位置 | |
CN113454640A (zh) | 用于利用在线学习进行对象跟踪的方法及系统 | |
CN110572139A (zh) | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 | |
CN113204891A (zh) | 基于指数平滑预测的dp-tbd算法跟踪方法及设备 | |
CN111707294A (zh) | 基于最优区间估计的行人导航零速区间检测方法和装置 | |
CN109509207B (zh) | 一种对点目标和扩展目标进行无缝跟踪的方法 | |
Parralejo et al. | Comparative study of different BLE fingerprint reconstruction techniques | |
CN104407366A (zh) | 一种对伪距进行平滑处理的方法 | |
CN112097772A (zh) | 机器人及其地图构建方法和装置 | |
CN109541541B (zh) | 一种室内三角定位精度修正方法及装置 | |
US9733341B1 (en) | System and method for covariance fidelity assessment | |
CN116952277A (zh) | 一种基于人工智能和行为特征的潜在位置估算方法及系统 | |
CN109166138B (zh) | 基于高阶累积量的目标跟踪方法、装置及存储介质 | |
KR102139641B1 (ko) | 강인 필터, 수축 기법에 기반한 거리 추정 방법 및 시스템 | |
CN114777794B (zh) | 一种航天器轨道机动逆向移动滑窗检测方法、装置和设备 | |
KR101373397B1 (ko) | 증강현실의 호모그래피 정확도 향상을 위한 csp 기반의 ransac 샘플링 방법 | |
Gong et al. | Visual object tracking | |
Gu et al. | Online learning of mixture experts for real‐time tracking | |
Lenac et al. | Revival of filtering based SLAM? Exactly sparse delayed state filter on Lie groups | |
CN114063059B (zh) | 一种航迹修正方法、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |