CN113344970A - 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 - Google Patents
基于多伯努利的非规则多扩展目标联合跟踪与分类方法 Download PDFInfo
- Publication number
- CN113344970A CN113344970A CN202110545924.XA CN202110545924A CN113344970A CN 113344970 A CN113344970 A CN 113344970A CN 202110545924 A CN202110545924 A CN 202110545924A CN 113344970 A CN113344970 A CN 113344970A
- Authority
- CN
- China
- Prior art keywords
- bernoulli
- target
- extended
- state
- measurement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000001788 irregular Effects 0.000 title claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 48
- 239000000126 substance Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000007635 classification algorithm Methods 0.000 abstract 2
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 11
- 238000000342 Monte Carlo simulation Methods 0.000 description 9
- 238000007796 conventional method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 101001019885 Homo sapiens Protein MGARP Proteins 0.000 description 1
- 102100035797 Protein MGARP Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于信息融合领域,具体涉及一种基于多伯努利的非规则多扩展目标联合跟踪与分类方法。然而以往的联合跟踪与分类算法都是将目标的扩展状态建模为椭圆,在目标大小相似时不能正确对目标进行分类。为此,结合RHM(Random Hypersurface Model,RHM),本发明给出一种基于多伯努利的非规则多扩展目标联合跟踪与分类算法,即JTC‑RHM‑CBMeMBer滤波方法,该方法不仅能对非规则扩展目标的运动状态、量测率、扩展状态等进行估,还能估计目标的类状态,且在算法复杂度上与RHM‑CBMeMBer滤波算法相当。
Description
技术领域
本发明属于信息融合领域,具体涉及一种基于多伯努利的非规则多扩展目标联合跟踪与分类方法。
背景技术
在传统的扩展目标跟踪中,只使用量测值跟踪扩展目标的质心。但是随着对跟踪需求的提升,估计扩展目标的形状成为学者的重点研究内容,便提出了针对扩展目标跟踪的各类量测模型提取出扩展目标的形状信息。不同的量测模型建立在不同的假设上,对扩展目标外形的跟踪的精度也有所不同。因此,需要在不同的跟踪场景中选择合适的建模方式,选用合适的滤波器作跟踪估计。
在空间分布模型中,每个量测源都是独立地从概率分布函数中获得,但在实际情况中,量测源取决于扩展目标的形状。最早研究人员将扩展目标建模为椭圆,比如基于随机矩阵和高斯逆威沙特(Gaussian Inverse Wishart,GIW)的概率假设密度(ProbabilityHypothesis Density,PHD)滤波器,但是该算法忽略了传感器的量测噪声,因此GIW-PHD对形状的变化不敏感,扩展状态的估计精度有限。2009年,Baum提出一种新型的扩展目标量测模型建模方法,即椭圆随机超曲面模型(Random Hypersurface Model,RHM),同时该模型也考虑量测噪声。RHM假设量测源分布在扩展目标表面,通过量测源的分布估计扩展状态。使用椭圆建模时,扩展目标的轮廓为椭圆,对于非规则的扩展目标难以实现精确的跟踪,且对目标轮廓的拟合也不能达到理想的状态。2011年,Buam又提出了一种星凸形随机超曲面模型,该模型将扩展目标的轮廓建模为星凸形,由一个径向函数来描述目标的外形特征,扩展目标的量测是由量测源叠加噪声产生。随后的研究中,学者将RHM模型嵌入到ET-PHD(Extended Target-PHD)框架中,提出了RHM-GM-PHD滤波算法,通过与GIW-PHD的性能对比,该算法不仅能够提供更高的质心估计,而且也提升了扩展目标外形的估计精度。但是传统的基于RHM的多扩展目标跟踪算法没有考虑到扩展目标的分类问题,若能够估计扩展目标的类状态,将会为跟踪系统提供更多的关于目标的信息,提高多目标跟踪系统的性能。
发明内容
针对上述问题,本发明提出一种基于多伯努利的非规则多扩展目标联合跟踪与分类方法,解决杂波环境下单传感器跟踪多个非规则的扩展目标的问题,具有良好的性能、对环境的适应性和鲁棒性。
本发明方法针对的是星凸型扩展目标的随机超曲面建模,这类扩展目标的特征是目标轮廓可以由一个径向函数进行描述,即轮廓上的点与扩展目标质心之间的距离是一个特定的值,不随时间发生改变。
基于星凸型随机超曲面,建立目标的观测方程如下:
zk,l=yk,l+vk,l
=sk,l·R(φk,l)·Bk·η(φk,l)+μk+vk,l
其中,yk,l为k时刻量测源上第l个量测源,vk,l表示协方差为Rk的量测噪声,zk,l为实际的量测值,sk,l为缩放因子,R(φk,l)=[1,cos(φk,l),sin(φk,l),…,cos(nFφk,l),sin(nFφk,l)],η(φk,l)=[cos(φk,l)sin(φk,l)]T,φk,l为量测源和质心之间向量与坐标系x轴的夹角。
不同于PHD滤波器,多伯努利滤波器并没有对多目标状态空间的目标分布近似,而是直接利用多伯努利分布表示目标状态的后验概率密度,多伯努利RFS分布可以表示为式中r(i)表示单个目标的存在概率,p(i)表示空间概率密度,M表示伯努利分量的个数。
通过多伯努利滤波算法框架完成对多扩展目标的跟踪与分类,并建立单目标状态ξk的模型为:
其中,为第j个混合分量的权重,和分别为Gamma分布的参数,和分别为运动状态和其对应的协方差矩阵,和分别为量测更新的扩展状态和其对应的协方差矩阵,和分别为类关联的扩展状态和类概率,nc为目标类别总数,带e1和e2的变量分别表示属于量测更新扩展状态的相关变量和属于类关联扩展状态的相关变量;
具体的对多扩展目标联合跟踪与分类的方法包括:
S2、当k≥1时,预测多伯努利参数集表示为:
预测步的具体步骤为:
S21、伯努利分量存在概率预测:
其中,ps,k为目标的生存概率;
S22、伯努利分量的概率密度函数的参数预测:
S3、更新的多伯努利参数集为:
其中,表示上时刻遗留的多伯努利项参数集,表示量测更新的多伯努利项参数集,Mk|k-1为预测的多伯努利项数数目;p=1,…,Np,k,为对量测集Zk的第p种划分,是第p种划分中的第l个量测单元,为第p种划分中量测单元的数目,Np,k为k时刻量测集合划分的种类表示量测单元中量测值的数目。
S311、伯努利项存在概率更新:
其中,pD,k为目标的检测概率;
S312、Gamma分布参数更新
S313、权重更新
S314、运动状态及其协方差更新
S315、逆Wishart分布参数更新
S316、量测关联的扩展状态及其协方差更新
S317、类关联的扩展状态及类概率更新
其中,
其中,n=1,2,…,nF,θk为扩展目标运动方向;
具体参数更新步骤为:
S321、伯努利项存在概率更新
S322、Gamma分布参数更新:
S323、运动状态及其协方差更新
S324、量测相关扩展状态及其协方差更新
S325、逆Wishart分布参数更新:
其中,ρ为一个小于1的常数,Rk为量噪声协方差矩阵;
S326、类关联扩展状态更新
S327、权重更新
其中,Γ(·)表示Gamma分布的概率密度函数;
S328、类概率更新
其中Qc为用于计算类概率的协方差矩阵;
S4、修剪与合并:对于伯努利分量,设置存在概率门限T;对于Gamma-Gaussian-Gaussian混合分量,设置剪枝的权重门限为wt;
S5、选取权重大于0.5的Gamma-Gaussian-Gaussian混合分量作为目标状态。
本发明的有益效果为:
与传统的非规则扩展目标跟踪相比,在不提高计算量的同时,完成了对扩展目标的跟踪与分类,不仅可以估计目标的扩展状态和运动状态,还可以估计目标的类状态,有效提高目标跟踪的准确性。
附图说明
图1本发明系统框图
图2实施例1真实目标航迹和估计航迹
图3实施例1目标A的类概率
图4实施例1目标B的类概率
图5实施例1量测率OSPA误差
图6实施例1运动状态OSPA误差
图7实施例1目标数目估计
图8实施例1拟Jaccard距离对比
图9实施例2真实目标真实航迹和估计航迹
图10实施例2目标A类概率
图11实施例2目标B类概率
图12实施例2目标C类概率
图13实施例2目标D类概率
图14实施例2运动状态OSAP误差
图15实施例2量测率OSPA误差
图16实施例2目标数目估计
图17实施例2拟Jaccard距离对比
具体实施方式
下面将结合附图和实施例,对本发明的技术方案进一步说明。
仿真条件及参数
设置的仿真参数为:伯努利分量的存在概率门限为Tb=10-5,最大伯努利项分量数为Bmax=10,每个伯努利项中混合分量的数目为JB,max=5,Gamma-Gaussian-Gaussian分量的合并门限为UGGG=4;运动状态OSPA距离的参数设为p=30,c=1,量测率OSPA距离参数设为p=15,c=1;傅里叶级数的阶数设为nF=5;缩放因子sk,l服从均值为0.7、方差0.08的一维高斯分布;场景中生存概率ps=0.99,检测概率pD=0.99,采样时间t=1s,q=1m2/s2,量测噪声的协方差矩阵为Rk=diag([0.1,0.1])m2;常数ρ=0.25。用于计算分类概率的协方差矩阵Qc=diag([10/1,10/2,…,10/3,(2nF+1)(2nF+1)]);计算拟Jaccard距离时,n=360;仿真中采用距离划分对量测集进行划分,蒙特卡洛仿真次数为100,场景中存在3类扩展目标,先验类关联信息G={g1,g2,g3}为:
g1=[21.4919 -0.0024 0.3222 2.0214 -0.3342 -0.1350 0.1302 4.4956 -0.4328 0.2058 0.1148]T
g2=[26.0671 0.9410 -0.2986 0.4388 -0.1095 0.8353 0.1084 0.06750.0745 0.3723 4.3291]T
g3=[10.6674 0.0294 0.4171 0.2274 -0.0542 0.0289 0.3653 2.7869 -0.2871 0.0106 -0.5707]T
实施例1、
本实施例的目的是在扩展目标发生机动转弯时,验证本发明的有效性。本实施例中,场景1中存在两个扩展目标A和B,生成时间为1~81s。场景中新生目标伯努利项的共同参数为:
新生目标1、2的伯努项其它参数为:
图2为实施例1下本发明方法与真实估计的对比效果,可以看出,本发明能得到一个比较好的效果。
图3和图4分别为实施例1下对目标分类的结果,可以看出,本发明能对扩展目标进行正确的分类。
图5为实施例1下100次蒙特卡洛仿真后的量测率OSPA对比,可以看出,本发明优于传统的RHM-CBMeMBer滤波算法。
图6为实施例1下100次蒙特卡洛仿真后运动状态OSPA对比,可以看出,本发明优于传统的RHM-CBMeMBer滤波算法,在目标发生机动转弯是OSPA距离会变大。
图7为实施例1下100次蒙特卡洛仿真后目标数估计,可以看出,本发明方法略优于传统的方法。
图8为实施例1下100次蒙特卡洛仿真后拟Jaccard距离对比,可以看出,本发明方法的扩展状态比传统方法更快收敛于真实状态。
实施例2、
本实施例的目的是存在相同类的扩展目标情况下,本发明的有效性。仿真参数同实施例1相同。场景2中存在4个扩展目标。扩展目标A的生存时间为1~51s,扩展目标B的生存时间为11~61s,扩展目标C的生存时间为21~31s,扩展目标4的生存时间为31~81s。新生目标伯努利项的共同参数为:
新生目标1、2、3、4伯努利项其它参数分别为:
图9为实施例2下本发明方法与真实估计的对比效果,可以看出,本发明能得到一个比较好的效果。
图10、图11、图12和图13分别为实施例2下对目标分类的结果,可以看出,本发明能对扩展目标进行正确的分类。
图14为实施例2下100次蒙特卡洛仿真后运动状态OSPA对比,可以看出,本发明优于传统的RHM-CBMeMBer滤波算法,当场景中有新生目标时,OSPA距离会变大。
图15为实施例2下100次蒙特卡洛仿真后的量测率OSPA对比,可以看出,本发明优于传统的RHM-CBMeMBer滤波算法。
图16为实施例2下100次蒙特卡洛仿真后目标数估计,可以看出,本发明方法略优于传统的方法。
图17为实施例2下100次蒙特卡洛仿真后拟Jaccard距离对比,可以看出,本发明方法的扩展状态比传统方法更快收敛于真实状态。
Claims (1)
1.基于多伯努利的非规则多扩展目标联合跟踪与分类方法,其特征在于,包括:
通过多伯努利滤波算法框架完成对多扩展目标的跟踪与分类,并建立单目标状态ξk的模型为:
其中,为第j个混合分量的权重,和分别为Gamma分布的参数,和分别为运动状态和其对应的协方差矩阵,和分别为量测更新的扩展状态和其对应的协方差矩阵,和分别为类关联的扩展状态和类概率,nc为目标类别总数,带e1和e2的变量分别表示属于量测更新扩展状态的相关变量和属于类关联扩展状态的相关变量;
具体的对多扩展目标联合跟踪与分类的方法包括:
S2、当k≥1时,预测多伯努利参数集表示为:
预测步的具体步骤为:
S21、伯努利分量存在概率预测:
其中,ps,k为目标的生存概率;
S22、伯努利分量的概率密度函数参数预测:
S3、更新的多伯努利参数集为:
其中,表示上时刻遗留的多伯努利项参数集,表示量测更新的多伯努利项参数集,Mk|k-1为预测的多伯努利项数数目; 为对量测集Zk的第p种划分,是第p种划分中的第l个量测单元,为第p种划分中量测单元的数目,Np,k为k时刻量测集合划分的种类表示量测单元中量测值的数目;
S311、伯努利项存在概率更新:
其中,pD,k为目标的检测概率;
S312、Gamma分布参数更新
S313、权重更新
S314、运动状态及其协方差更新
S315、逆Wishart分布参数更新
S316、量测关联的扩展状态及其协方差更新
S317、类关联的扩展状态及类概率更新
其中,
其中,n=1,2,…,nF,θk为扩展目标运动方向;
具体参数更新步骤为:
S321、伯努利项存在概率更新
S322、Gamma分布参数更新:
S323、运动状态及其协方差更新
S324、量测相关扩展状态及其协方差更新
S325、逆Wishart分布参数更新:
其中,ρ为一个小于1的常数,Rk为量噪声协方差矩阵;
S326、类关联扩展状态更新
S327、权重更新
其中,Γ(·)表示Gamma分布的概率密度函数;
S328、类概率更新
其中Qc为用于计算类概率的协方差矩阵;
S4、修剪与合并:对于伯努利分量,设置存在概率门限T;对于Gamma-Gaussian-Gaussian混合分量,设置剪枝的权重门限为wt;
S5、选取权重大于0.5的Gamma-Gaussian-Gaussian混合分量作为目标状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545924.XA CN113344970B (zh) | 2021-05-19 | 2021-05-19 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545924.XA CN113344970B (zh) | 2021-05-19 | 2021-05-19 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344970A true CN113344970A (zh) | 2021-09-03 |
CN113344970B CN113344970B (zh) | 2022-12-06 |
Family
ID=77469443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110545924.XA Expired - Fee Related CN113344970B (zh) | 2021-05-19 | 2021-05-19 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344970B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114061584A (zh) * | 2021-11-02 | 2022-02-18 | 江苏科技大学 | 一种基于多机器人的势均衡多伯努利滤波slam方法 |
CN117634614A (zh) * | 2023-12-08 | 2024-03-01 | 兰州理工大学 | 一种基于鲁棒MS-MeMBer滤波的群目标跟踪方法 |
Citations (6)
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 |
CN105354860A (zh) * | 2015-08-26 | 2016-02-24 | 西安电子科技大学 | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 |
CN108320302A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
CN110687532A (zh) * | 2019-09-06 | 2020-01-14 | 中国人民解放军空军工程大学 | 多群目标跟踪系统及方法 |
CN111007880A (zh) * | 2019-12-24 | 2020-04-14 | 桂林电子科技大学 | 一种基于汽车雷达的扩展目标跟踪方法 |
US20200265591A1 (en) * | 2019-04-23 | 2020-08-20 | Jiangnan University | Visual Multi-Object Tracking based on Multi-Bernoulli Filter with YOLOv3 Detection |
-
2021
- 2021-05-19 CN CN202110545924.XA patent/CN113344970B/zh not_active Expired - Fee Related
Patent Citations (6)
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 |
CN105354860A (zh) * | 2015-08-26 | 2016-02-24 | 西安电子科技大学 | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 |
CN108320302A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
US20200265591A1 (en) * | 2019-04-23 | 2020-08-20 | Jiangnan University | Visual Multi-Object Tracking based on Multi-Bernoulli Filter with YOLOv3 Detection |
CN110687532A (zh) * | 2019-09-06 | 2020-01-14 | 中国人民解放军空军工程大学 | 多群目标跟踪系统及方法 |
CN111007880A (zh) * | 2019-12-24 | 2020-04-14 | 桂林电子科技大学 | 一种基于汽车雷达的扩展目标跟踪方法 |
Non-Patent Citations (11)
Title |
---|
LIPING WANG等: "joint tracking andclassification of multiple extended targets via the PHD filter and star-convex RHM", 《DIGITAL SIGNAL PROCESSING》 * |
YUANSHENG LI等: "joint detection,tracking and classification of multiple extended objects based on the JDTC-GIW-MeMBer filter", 《SIGNAL PROCESSING》 * |
冯新喜等: "基于随机有限集理论的多扩展目标跟踪技术综述", 《空军工程大学学报(自然科学版)》 * |
单博炜等: "基于随机有限集的多扩展目标跟踪研究进展", 《控制与决策》 * |
张永权等: "基于椭圆RHM的扩展目标伯努利滤波算法", 《系统工程与电子技术》 * |
李文娟等: "一种改进的高斯逆威沙特概率假设密度扩展目标跟踪算法", 《电子与信息学报》 * |
李翠芸等: "基于变分贝叶斯势均衡多目标多伯努利滤波的多扩展目标跟踪算法", 《控制理论与应用》 * |
李翠芸等: "基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器", 《控制理论与应用》 * |
李翠芸等: "高斯过程回归下的多机动扩展目标跟踪", 《西安电子科技大学学报》 * |
熊波等: "MM-CBMeMBer滤波器跟踪多机动目标", 《雷达学报》 * |
陈辉等: "基于星凸形随机超曲面模型多扩展目标多伯努利滤波器", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114061584A (zh) * | 2021-11-02 | 2022-02-18 | 江苏科技大学 | 一种基于多机器人的势均衡多伯努利滤波slam方法 |
CN114061584B (zh) * | 2021-11-02 | 2024-05-24 | 江苏科技大学 | 一种基于多机器人的势均衡多伯努利滤波slam方法 |
CN117634614A (zh) * | 2023-12-08 | 2024-03-01 | 兰州理工大学 | 一种基于鲁棒MS-MeMBer滤波的群目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344970B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Tracking the orientation and axes lengths of an elliptical extended object | |
CN107045125B (zh) | 一种基于预测值量测转换的交互多模型雷达目标跟踪方法 | |
CN104730511B (zh) | 星凸模型下的势概率假设密度多扩展目标跟踪方法 | |
CN106407677B (zh) | 一种测量数据丢失情况下的多目标跟踪方法 | |
CN103729637B (zh) | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 | |
CN109990786A (zh) | 机动目标跟踪方法及装置 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN113344970B (zh) | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 | |
CN101980044B (zh) | 未知测量噪声分布下的多目标跟踪方法 | |
CN107462882B (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 | |
CN107102295A (zh) | 基于glmb滤波的多传感器tdoa无源定位方法 | |
CN104155650A (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
CN103345577A (zh) | 变分贝叶斯概率假设密度多目标跟踪方法 | |
CN109284677A (zh) | 一种贝叶斯滤波目标跟踪算法 | |
Yang et al. | Linear-time joint probabilistic data association for multiple extended object tracking | |
CN105354860A (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
Chang et al. | Applied state estimation and association | |
CN104750998B (zh) | 基于强度滤波器的被动多传感器目标跟踪方法 | |
CN115169136A (zh) | 三维空间下快速uk-gmphd多目标跟踪方法 | |
Pollithy et al. | Estimating uncertainties of recurrent neural networks in application to multitarget tracking | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
Xu et al. | Learning-based adaptive estimation for aoa target tracking with non-gaussian white noise | |
Crouse et al. | A Look at the PMHT |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221206 |