CN113392882B - 一种主被动传感器抗差数据关联方法 - Google Patents

一种主被动传感器抗差数据关联方法 Download PDF

Info

Publication number
CN113392882B
CN113392882B CN202110588487.XA CN202110588487A CN113392882B CN 113392882 B CN113392882 B CN 113392882B CN 202110588487 A CN202110588487 A CN 202110588487A CN 113392882 B CN113392882 B CN 113392882B
Authority
CN
China
Prior art keywords
active
sensor
target
passive
reference angle
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
Application number
CN202110588487.XA
Other languages
English (en)
Other versions
CN113392882A (zh
Inventor
田威
高斌
陈佳俊
黄俊锦
于莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202110588487.XA priority Critical patent/CN113392882B/zh
Publication of CN113392882A publication Critical patent/CN113392882A/zh
Application granted granted Critical
Publication of CN113392882B publication Critical patent/CN113392882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种主被动传感器抗差数据关联方法，涉及主被动传感器多目标数据融合技术领域，该方法包括以下步骤：步骤S1.对输入的主被动传感器目标观测数据进行预处理，得到主被动传感器在给定时刻对多个目标的观测量；步骤S2.基于参照角度集合和参照角度向量，构建目标参照角度序列；步骤S3.对目标参照角度序列进行量化编码；步骤S4.基于目标参照角度序列特征构建主被动传感器目标数据的关联费用矩阵；步骤S5.通过算法对关联费用矩阵进行计算，得到主被动传感器目标数据的关联矩阵，并输出结果。

Description

一种主被动传感器抗差数据关联方法
技术领域
本发明涉及主被动传感器多目标数据融合技术领域，具体来讲是一种主被动传感器抗差数据关联方法。
背景技术
主动传感器，亦称有源传感器，如雷达、主动声纳等，在目标定位与跟踪方面具有优势，但在目标身份识别方面能力欠佳；而被动传感器，亦称无源传感器，如ESM、红外等，在静默侦察与目标识别(包括辐射源识别及携载平台识别)方面具有优势，能测量目标角度，但通常不能直接提供目标距离。主/被动传感器数据融合在战场态势感知、复合制导等军事应用领域以及反恐安保等民用领域具有十分重要的价值。
近年来，主/被动异类传感器融合引起了学术界及工业部门的广泛关注。由于主、被动传感器上报的信息内容迥异，二者公共探测信息仅存在于目标的角度信息维度，相关工作大多基于主/被动传感器数据间的角度观测之差来构建关联判决函数，重点处理的是随机误差对主/被动数据关联性能的影响，无法有效应对系统误差的影响。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种主被动传感器抗差数据关联方法，能够解决系统误差环境下主/被动传感器多目标数据关联问题，其目的是在同一目标的主被动传感器观测数据之间建立对应关系。
为达到以上目的，本发明采取的技术方案是：一种主被动传感器抗差数据关联方法，包括以下步骤：步骤S1.对输入的主被动传感器目标观测数据进行预处理，得到主被动传感器在给定时刻对多个目标对应的观测量；步骤S2.基于参照角度集合和参照角度向量，构建目标参照角度序列；步骤S3.对目标参照角度序列进行量化编码；步骤S4.基于目标参照角度序列特征构建主被动传感器目标数据的关联费用矩阵；步骤S5.通过算法对关联费用矩阵进行计算，得到主被动传感器目标数据的关联矩阵，并输出结果。
在上述技术方案的基础上，记
Figure GDA0003549537760000021
分别为在给定时刻t，目标i相对于主动传感器的距离、方位真实值；
Figure GDA0003549537760000022
分别为在给定时刻t，主动传感器对目标i的距离、方位测量值；Δra、Δθa分别为主动传感器在距离、方位测量上的系统误差；
Figure GDA0003549537760000023
分别为主动传感器在距离、方位测量上的随机噪声；于是，在给定时刻t，主动传感器对目标i的距离、方位测量或估计可表示为：
Figure GDA0003549537760000024
目标i相对于主动传感器局部坐标系的距离、方位真值可即为：
Figure GDA0003549537760000025
记主动传感器的距离、方位测量上的系统误差向量为：
Δηa＝[Δra Δθa]T (3)；
记主动传感器的距离、方位测量上的随机噪声向量为：
Figure GDA0003549537760000026
则有
Figure GDA0003549537760000027
其中，na为主动传感器观测到的目标数目。
在上述技术方案的基础上，记
Figure GDA0003549537760000031
为在给定时刻t，目标i相对于被动传感器的方位真实值；
Figure GDA0003549537760000032
为在给定时刻t，被动传感器对目标i的方位测量值；Δθp为被动传感器在方位测量上的系统误差；
Figure GDA0003549537760000033
为被动传感器在方位测量上的随机噪声，则有
Figure GDA0003549537760000034
在上述技术方案的基础上，令
Figure GDA0003549537760000035
为传感器s观测到的目标i的参照角度集合，s∈{α,p}，有
Figure GDA0003549537760000036
其中，φ称为参照角度半径。
在上述技术方案的基础上，将集合
Figure GDA0003549537760000037
中元素按照顺时针方向进行排列，得到传感器s观测到的目标i的参照角度向量
Figure GDA0003549537760000038
有
Figure GDA0003549537760000039
其中，
Figure GDA00035495377600000310
为集合
Figure GDA00035495377600000311
的元素，
Figure GDA00035495377600000312
为集合
Figure GDA00035495377600000313
的元素数目。
在上述技术方案的基础上，在给定
Figure GDA00035495377600000314
的前提下，传感器s观测到的目标i的参照角度序列
Figure GDA00035495377600000315
分两种情况进行定义：
当
Figure GDA00035495377600000316
时，有
Figure GDA00035495377600000317
其中，
Figure GDA00035495377600000318
衡量了参照角度向量各元素与基准目标的角度差；令gk为向量g中第k个元素；
当
Figure GDA0003549537760000041
时，根据gk的符号进行以下修正处理，得到g′k：
Figure GDA0003549537760000042
进而有
Figure GDA0003549537760000043
在上述技术方案的基础上，设置角度量化单元大小ρ，根据量化单元大小ρ，将角度范围划分成一系列离散角度区间。
在上述技术方案的基础上，设置粗筛选门限G，构建关联费用矩阵
Figure GDA0003549537760000044
若
Figure GDA0003549537760000045
则有
dij＝∞ (13)；
若
Figure GDA0003549537760000046
则有
Figure GDA0003549537760000047
在上述技术方案的基础上，令
Figure GDA0003549537760000048
为给定时刻主被动传感器目标观测数据之间的关联关系矩阵，其中
Figure GDA0003549537760000049
在上述技术方案的基础上，所述算法为最近邻算法或全局最近邻算法。
本发明的有益效果在于：
本发明提出的主被动传感器数据抗差关联方法，使用对角度系统误差不敏感的目标参照角度序列特征，较传统算法具有更好的稳健性能，能够更好地适应系统误差环境。此外，由于参照角度序列特征隐含了丰富的多目标间相对结构信息，所提方法在关联正确率上具有明显优势。
附图说明
图1为本发明中主被动传感器抗差数据关联方法的流程图；
图2为本发明中参照角度集合和参照角度向量定义示意图；
图3为本发明中参照角度序列量化编码原理示意图；
图4为本发明实施例中量化后的离散角度区间分布及编码情况示意图。
具体实施方式
下面详细描述本发明的实施例，所述的实施例示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
下面结合说明书的附图，通过对本发明的具体实施方式作进一步的描述，使本发明的技术方案及其有益效果更加清楚、明确。下面通过参考附图描述实施例是示例性的，旨在解释本发明，而不能理解为对本发明的限制。
参见图1所示，本发明实施例提供了一种主被动传感器抗差数据关联方法，包括以下步骤：
步骤S1.对输入的主被动传感器目标观测数据进行预处理，得到主被动传感器在给定时刻对多个目标对应的观测量；具体的，根据内插外推原理，将主动传感器目标数据向被动传感器目标数据做时间对齐处理(选择最靠近的时间点)。通常，利用直角坐标系下的主动传感器目标状态估计做内插外推，时间对齐后，再变换回极坐标系下，得到对应的观测量。在二维坐标系内，设主动传感器位于于(xa,ya)处，被动传感器位于(xp,yp)处，对公共观测区域内的多个目标进行观测。记
Figure GDA0003549537760000061
分别为在给定时刻t，目标i相对于主动传感器的距离、方位真实值；
Figure GDA0003549537760000062
分别为在给定时刻t，主动传感器对目标i的距离、方位测量值；Δra、Δθa分别为主动传感器在距离、方位测量上的系统误差，一般为固定常数，通常难以彻底消除；
Figure GDA0003549537760000063
Figure GDA0003549537760000064
分别为主动传感器在距离、方位测量上的随机噪声；于是，在给定时刻t，主动传感器对目标i的距离、方位测量或估计可表示为：
Figure GDA0003549537760000065
目标i相对于主动传感器局部坐标系的距离、方位真值可即为：
Figure GDA0003549537760000066
记主动传感器的距离、方位测量上的系统误差向量为：
Δηa＝[Δra Δθa]T (18)；
记主动传感器的距离、方位测量上的随机噪声向量为：
Figure GDA0003549537760000067
则有
Figure GDA0003549537760000068
其中，na为主动传感器观测到的目标数目。
记
Figure GDA0003549537760000069
为在给定时刻t，目标i相对于被动传感器的方位真实值；
Figure GDA00035495377600000610
为在给定时刻t，被动传感器对目标i的方位测量值；Δθp为被动传感器在方位测量上的系统误差；
Figure GDA0003549537760000071
为被动传感器在方位测量上的随机噪声，则有
Figure GDA0003549537760000072
步骤S2.基于参照角度集合和参照角度向量，构建目标参照角度序列；令
Figure GDA0003549537760000073
为传感器s，s∈{α,p}；观测到的目标i的参照角度集合，有
Figure GDA0003549537760000074
其中，φ称为参照角度半径。φ值越大，参与计算的参照角度集合元素越多，结构信息越丰富，所提方法关联正确率越高，代价是计算量的增大；φ值越小，参与计算的参照角度集合元素越少，所提方法较传统依赖于绝对角度观测信息之差进行关联判定的算法的性能改善越小，极端情况下φ取0时，不再利用参照目标角度信息，所提方法退化为传统方法。实际中，建议φ在30°～90°之间取值。
定义2(参照角度向量)：将集合
Figure GDA0003549537760000075
中元素按照顺时针方向进行排列，得到传感器s观测到的目标i的参照角度向量
Figure GDA0003549537760000076
有
Figure GDA0003549537760000077
其中，
Figure GDA0003549537760000078
为集合
Figure GDA0003549537760000079
的元素，
Figure GDA00035495377600000710
为集合
Figure GDA00035495377600000711
的元素数目。
例1：参见图2所示，假设传感器s在给定时刻上报了14个观测目标，则目标K的参照角度集合为
Figure GDA00035495377600000712
目标K的参照角度向量为：
Figure GDA0003549537760000081
需要指出的是，如果
Figure GDA0003549537760000082
表明传感器s局部坐标系的0°基准线处于
Figure GDA0003549537760000083
范围内。
定义3(参照角度序列)：在给定
Figure GDA0003549537760000084
的前提下，传感器s观测到的目标i的参照角度序列
Figure GDA0003549537760000085
分两种情况进行定义：
当
Figure GDA0003549537760000086
时，有
Figure GDA0003549537760000087
其中，
Figure GDA0003549537760000088
衡量了参照角度向量各元素与基准目标的角度差；令gk为向量g中第k个元素；
当
Figure GDA0003549537760000089
时，根据gk的符号进行以下修正处理，得到g′k：
Figure GDA00035495377600000810
进而有
Figure GDA00035495377600000811
例如在某特定时刻，某传感器共观测到10个目标，其上报的角度测量结果为50°、55°、60°、72°、68°、120°、80°、43°、75°、94°。选择60°对应目标为基准目标，设置参照角度半径φ＝30°，则该目标对应的参照角度集合为：
{50°、55°、72°、68°、80°、43°、75°}
参照目标角度向量为：
[43° 50° 55° 68° 72° 75° 80°]T
参照角度序列为：
[-17° -10° -5° 8° 12° 15° 20°]T
步骤S3.对目标参照角度序列进行量化编码；定义1(参照角度集合)：参见图3所示，设置角度量化单元大小ρ，以0°为基准点，根据量化单元大小ρ，将角度范围划分成一系列离散角度区间。
可以使用26个英文小写字母“abcdefghijklmnopqretuvwxyz”、26个英文大写字母“ABCDEFGHIJKLMNOPQRSTUVWXYZ”、10个数字“0123456789”，以及任意其他与前述文本符号不重复的符号，以任意方式进行组合形成编码字典。
给定编码字典后，建议从图3中给出的两种编码顺序中选择一种，对目标参照角度序列进行编码。若角度值刚好位于两区间划分间隔线时，可将其视为左侧或右侧区间中进行编码，选择规则应固定不变。
例2(续例1)：
设编码字典为{abcdefghijklmnopqretuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ…}。设定ρ＝3°，则量化后的离散角度区间分布及编码情况如图4所示。例1中选定的基准目标(观测角度为60°)的参照角度序列的量化编码结果为{lhdegim}。
步骤S4.基于目标参照角度序列特征构建主被动传感器目标数据的关联费用矩阵；设置粗筛选门限G，构建关联费用矩阵
Figure GDA0003549537760000091
若
Figure GDA0003549537760000092
则有
dij＝∞ (28)；
若
Figure GDA0003549537760000093
则有
Figure GDA0003549537760000101
其中，LD(·)为莱温斯坦距离(Levenshtein Distance，LD)。该距离又称字符串的编辑距离，由俄罗斯数据家Vladimir Levenshtein于1965年提出，现有成熟的算法可用。
步骤S5.通过算法对关联费用矩阵计算，得到主被动传感器目标数据的关联矩阵，并输出关联矩阵的估计结果。对关联费用矩阵D，可使用成熟的最近邻(Nearest Neighbor,NN)或全局最近邻(Global Nearest Neighbor,GNN)算法，计算得出主被动传感器目标数据的关联矩阵A。
假设主动、被动传感器对目标方位的测量，均是以某特定方向(如正北方向、船舷方向)为基准方向0°，按顺时针方向在角度范围内赋值。令
Figure GDA0003549537760000102
为给定时刻主被动传感器目标观测数据之间的关联关系矩阵，其中
Figure GDA0003549537760000103
矩阵A即为本方法的求解目标。
在使用NN算法时，将得到不超过min{na,np}个关联配对目标。
在使用GNN算法时，寻求的是全局最小关联费用解。考虑可能存在的虚警、漏报影响，待关联判定的两个数据集合中，可能存在不与任何元素关联配对的元素，对此需设置空关联费用G′。在实际应用时，虚警漏报情形严重时，G′应取得小一些，两数据集合元素倾向于不关联；虚警漏报较少时，G′应取得大一些，两数据集合元素倾向于关联。
考虑LD(·)字符串编辑距离算法的特点，在实际中，G′取值应遵循以下原则：
Figure GDA0003549537760000111
其中，length(·)为向量元素数目算子。
在说明书的描述中，参考术语“一个实施例”、“优选地”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点，包含于本发明的至少一个实施例或示例中，在本说明书中对于上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或者示例中以合适方式结合。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种主被动传感器抗差数据关联方法，其特征在于，包括以下步骤：
步骤S1.对输入的主被动传感器目标观测数据进行预处理，得到主被动传感器在给定时刻对多个目标的观测量；
步骤S2.基于参照角度集合和参照角度向量，构建目标参照角度序列；
步骤S3.对目标参照角度序列进行量化编码；
步骤S4.基于目标参照角度序列特征构建主被动传感器目标数据的关联费用矩阵；
步骤S5.通过算法对关联费用矩阵进行计算，得到主被动传感器目标数据的关联矩阵，并输出结果；
步骤S2中，令
Figure FDA0003549537750000011
为传感器s观测到的目标i的参照角度集合，s∈{a,p}，α为主动传感器；р为被动传感器；有
Figure FDA0003549537750000012
其中，φ称为参照角度半径；
步骤S2中，将集合
Figure FDA0003549537750000013
中元素按照顺时针方向进行排列，得到传感器s观测到的目标i的参照角度向量
Figure FDA0003549537750000014
有
Figure FDA0003549537750000015
其中，
Figure FDA0003549537750000016
， 为集合
Figure FDA0003549537750000017
的元素，
Figure FDA0003549537750000018
为集合
Figure FDA0003549537750000019
的元素数目；
步骤S4中，设置粗筛选门限G，构建关联费用矩阵
Figure FDA00035495377500000110
若
Figure FDA0003549537750000021
则有
dij＝∞ (4)；
若
Figure FDA0003549537750000022
则有
Figure FDA0003549537750000023
其中，LD(·)为字符串的编辑距离；
na为主动传感器观测到的目标数目；
Figure FDA0003549537750000024
分别为在给定时刻t，主动传感器对目标i的距离、方位测量值；
Figure FDA0003549537750000025
为在给定时刻t，被动传感器对目标i的方位测量值；
Figure FDA0003549537750000026
为传感器s观测到的目标i的参照角度序列。
2.如权利要求1所述的主被动传感器抗差数据关联方法，其特征在于：步骤S1中，记
Figure FDA0003549537750000027
分别为在给定时刻t，目标i相对于主动传感器的距离、方位真实值；
Figure FDA0003549537750000028
分别为在给定时刻t，主动传感器对目标i的距离、方位测量值；Δra、Δθa分别为主动传感器在距离、方位测量上的系统误差；
Figure FDA0003549537750000029
分别为主动传感器在距离、方位测量上的随机噪声；于是，在给定时刻t，主动传感器对目标i的距离、方位测量或估计可表示为：
Figure FDA00035495377500000210
目标i相对于主动传感器局部坐标系的距离、方位真值可即为：
Figure FDA00035495377500000211
记主动传感器的距离、方位测量上的系统误差向量为：
Δηa＝[Δra Δθa]T (8)；
记主动传感器的距离、方位测量上的随机噪声向量为：
Figure FDA0003549537750000031
则有
Figure FDA0003549537750000032
其中，na为主动传感器观测到的目标数目。
3.如权利要求1所述的主被动传感器抗差数据关联方法，其特征在于：步骤S1中，记
Figure FDA0003549537750000033
为在给定时刻t，目标i相对于被动传感器的方位真实值；
Figure FDA0003549537750000034
为在给定时刻t，被动传感器对目标i的方位测量值；Δθp为被动传感器在方位测量上的系统误差；
Figure FDA0003549537750000035
为被动传感器在方位测量上的随机噪声，则有
Figure FDA0003549537750000036
4.如权利要求1所述的主被动传感器抗差数据关联方法，其特征在于：步骤S2中，在给定
Figure FDA0003549537750000037
的前提下，传感器s观测到的目标i的参照角度序列
Figure FDA0003549537750000038
分两种情况进行定义：
当
Figure FDA0003549537750000039
时，有
Figure FDA00035495377500000310
其中，
Figure FDA00035495377500000311
衡量了参照角度向量各元素与基准目标的角度差；令gk为向量g中第k个元素；
当
Figure FDA00035495377500000312
时，根据gk的符号进行以下修正处理，得到g′k：
Figure FDA00035495377500000313
进而有
Figure FDA0003549537750000041
5.如权利要求1所述的主被动传感器抗差数据关联方法，其特征在于：步骤S3中，设置角度量化单元大小ρ，根据量化单元大小ρ，将角度范围划分成一系列离散角度区间。
6.如权利要求1所述的主被动传感器抗差数据关联方法，其特征在于：步骤S5中，令
Figure FDA0003549537750000042
为给定时刻主被动传感器目标观测数据之间的关联关系矩阵，其中
Figure FDA0003549537750000043
7.如权利要求1所述的主被动传感器抗差数据关联方法，其特征在于：步骤S5中，所述算法为最近邻算法或全局最近邻算法。
CN202110588487.XA 2021-05-28 2021-05-28 一种主被动传感器抗差数据关联方法 Active CN113392882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110588487.XA CN113392882B (zh) 2021-05-28 2021-05-28 一种主被动传感器抗差数据关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110588487.XA CN113392882B (zh) 2021-05-28 2021-05-28 一种主被动传感器抗差数据关联方法

Publications (2)

Publication Number Publication Date
CN113392882A CN113392882A (zh) 2021-09-14
CN113392882B true CN113392882B (zh) 2022-04-26

Family

ID=77619291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110588487.XA Active CN113392882B (zh) 2021-05-28 2021-05-28 一种主被动传感器抗差数据关联方法

Country Status (1)

Country Link
CN (1) CN113392882B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017771A (zh) * 2012-12-27 2013-04-03 杭州电子科技大学 一种静止传感器平台的多目标联合分配与跟踪方法
CN103546916A (zh) * 2013-11-07 2014-01-29 东南大学 基于数据增量图的异常检测方法
CN109211298A (zh) * 2017-07-04 2019-01-15 百度在线网络技术（北京）有限公司 一种传感器标定方法和装置
CN109541584A (zh) * 2018-12-29 2019-03-29 中国人民解放军空军工程大学 一种基于智能终端的低空飞行器侦察预警系统及方法
CN109858526A (zh) * 2019-01-08 2019-06-07 沈阳理工大学 一种目标跟踪中基于传感器的多目标轨迹融合方法
CN110866887A (zh) * 2019-11-04 2020-03-06 深圳市唯特视科技有限公司 一种基于多传感器的目标态势融合感知方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6757219B2 (en) * 2002-07-31 2004-06-29 Lockheed Martin Corporation Raster based system and method for target tracking and motion analysis
US8290741B2 (en) * 2010-01-13 2012-10-16 Raytheon Company Fusing multi-sensor data sets according to relative geometrical relationships
EP3702802A1 (en) * 2019-03-01 2020-09-02 Aptiv Technologies Limited Method of multi-sensor data fusion

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017771A (zh) * 2012-12-27 2013-04-03 杭州电子科技大学 一种静止传感器平台的多目标联合分配与跟踪方法
CN103546916A (zh) * 2013-11-07 2014-01-29 东南大学 基于数据增量图的异常检测方法
CN109211298A (zh) * 2017-07-04 2019-01-15 百度在线网络技术（北京）有限公司 一种传感器标定方法和装置
CN109541584A (zh) * 2018-12-29 2019-03-29 中国人民解放军空军工程大学 一种基于智能终端的低空飞行器侦察预警系统及方法
CN109858526A (zh) * 2019-01-08 2019-06-07 沈阳理工大学 一种目标跟踪中基于传感器的多目标轨迹融合方法
CN110866887A (zh) * 2019-11-04 2020-03-06 深圳市唯特视科技有限公司 一种基于多传感器的目标态势融合感知方法和系统

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
Analytic performance prediction of track-to-track association with biased data in multi-sensor multi-target tracking scenarios;Wei TIan, et.al;《Sensors》;20130916;第13卷(第9期);全文 *
Joint Multi-Sensor Calibration and Multi-Target Tracking Based on Hierarchical Point Processes;Yunxiang Li, et.al;《2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics 》;20190204;全文 *
基于KL距离的异类传感器动态数据关联算法;吕丽平等;《电光与控制》;20171130;第24卷(第11期);全文 *
基于系统误差估计残差的错误关联检测方法;田威等;《系统工程与电子技术》;20131031;第35卷(第10期);全文 *
复杂环境下多传感器航迹关联与抗差处理;田威;《中国博士学位论文全文数据库 (信息科技辑)》;20150815(第8期);全文 *
多传感器多目标航迹相关与数据合成若干关键技术研究;黄友澎;《中国博士学位论文全文数据库 (信息科技辑)》;20110215(第2期);全文 *
多传感器数据融合中错误关联的生成机理及影响分析;田威等;《指挥与控制学报》;20180630;第4卷(第2期);全文 *
多传感器系统误差特性匹配的动态估计与补偿算法;邢文革;《电子科技大学学报》;20210331;第50卷(第2期);全文 *
稳健的联合航迹关联与系统误差估计;田威等;《清华大学学报（自然科学版）》;20130731;第53卷(第7期);全文 *
被动传感器组网模糊综合贴近度的数据关联算法;李雪等;《电子学报》;20140930;第42卷(第9期);全文 *
非理想关联下多传感器系统误差的文件估计;田威等;《电子与信息学报》;20180331;第40卷(第3期);全文 *

Also Published As

Publication number Publication date
CN113392882A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
Luo et al. Underwater acoustic target tracking: A review
EP1610152B1 (en) Tracking of a moving object for a self-defence system
US7379598B2 (en) Distance sorting algorithm for matching patterns
CN110361744B (zh) 基于密度聚类的rbmcda水下多目标跟踪方法
CN109633526B (zh) 基于方向函数的非均匀圆阵相位干涉仪测向解模糊方法
Yang et al. Multi-sensor fusion with interaction multiple model and chi-square test tolerant filter
CN106443664B (zh) 系统误差下基于拓扑信息的雷达与esm航迹关联方法
CN104050368B (zh) 系统误差下基于误差补偿的群航迹精细关联算法
CN108445505B (zh) 线环境下基于激光雷达的特征显著性检测方法
Naus et al. Use of a weighted ICP algorithm to precisely determine USV movement parameters
CN110738275A (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN111770436A (zh) 一种基于CSI的室内Wi-Fi定位方法、装置及存储介质
CN106599927A (zh) 基于模糊art划分的目标分群方法
CN107607904B (zh) 一种基于测角信息的多目标同一性识别方法
CN113392882B (zh) 一种主被动传感器抗差数据关联方法
CN109799513B (zh) 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法
Roux et al. LSTM-based projectile trajectory estimation in a GNSS-denied environment
CN107562890A (zh) 一种基于ais、雷达、电磁的目标信息融合方法
Hu et al. A Fault-Tolerant Integrated Navigation Method for Intelligent Vehicles
CN112033394B (zh) 一种基于定位设备的合作目标识别方法及装置
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
CN102707279B (zh) 序列ud分解的多目标跟踪方法
CN112230194A (zh) 一种基于平移阵列的解模糊方法、设备及存储介质
JP5383120B2 (ja) 追尾装置
US7627424B1 (en) Apparatus and method for long term tracking for ASW applications

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