CN113589252B - 一种基于mht算法的多雷达传感器多目标跟踪方法 - Google Patents
一种基于mht算法的多雷达传感器多目标跟踪方法 Download PDFInfo
- Publication number
- CN113589252B CN113589252B CN202110887706.4A CN202110887706A CN113589252B CN 113589252 B CN113589252 B CN 113589252B CN 202110887706 A CN202110887706 A CN 202110887706A CN 113589252 B CN113589252 B CN 113589252B
- Authority
- CN
- China
- Prior art keywords
- track
- measurement
- hypotheses
- hypothesis
- moment
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 93
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008033 biological extinction Effects 0.000 abstract description 4
- 230000000977 initiatory effect Effects 0.000 abstract 2
- 230000001934 delay Effects 0.000 abstract 1
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013138 pruning Methods 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
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于MHT算法的多雷达传感器多目标跟踪方法,该方法将多传感器量测转化为单传感器量测,同时对每一时刻的假设依照概率进行假设删减,并综合考虑了航迹起始与航迹消亡的逻辑,延迟航迹的起始与消亡。本发明实现了对多雷达传感器的多目标检测算法的优化,大大减少了算法的计算量。
Description
技术领域
本发明涉及多目标跟踪邻域,具体涉及一种基于MHT算法的多雷达传感器多目标跟踪方法。
背景技术
多目标跟踪广泛应用于军事、汽车、船舶等领域,其主要作用是根据传感器收集的数据对多个感兴趣的目标进行定位,并记录他们的轨迹。主要算法包括:全局最近邻(GNN)、联合概率数据关联(JPDA)、多假设跟踪(MHT)等,其中MHT被公认为是现代数据关联的理想方法。
MHT算法的主要流程包括航迹预测、基于跟踪门进行数据关联、假设生成、假设管理和航迹更新,与其他算法最大的区别在于需要生成假设,即每一时刻需要保留多个关联结果,且随着时间增加假设数会呈指数上升,使其计算量巨大。尽管国外学者提出的Murty算法和N-scan剪枝处理可以有效减少假设数目,但计算效率仍然不高。除此之外,与单传感器多目标跟踪相比,多传感器所需处理的信息更多,需要的计算资源更大,因此国内少有人采用MHT算法对多传感器多目标进行跟踪。
发明内容
本发明的目的在于提供一种基于MHT算法的多雷达传感器多目标跟踪方法,以提升多雷达传感器的多目标跟踪算法的计算效率。
为解决上述技术问题,本发明提供了一种技术方案:一种基于MHT算法的多雷达传感器多目标跟踪方法,该方法包括如下步骤:
S1、通过雷达传感器获取当前时刻量测值,设置量测阈值,根据量测阈值融合不同雷达传感器的当前时刻量测值,生成雷达量测修正值;
S2、判断当前时刻是否为初始时刻;若是,则将雷达量测修正值作为暂时航迹输出,并将其作为首个假设,初始化使每个航迹起始标志flag=1,进入下一时刻,随后返回S1;若否,则进行后续步骤;其中初始时刻仅生成一个假设;
S3、对前一相邻时刻生成的n个假设运用卡尔曼滤波预测航迹状态值,并根据所述航迹状态值设置跟踪门;
S3中所述对前一相邻时刻的每个假设运用卡尔曼滤波预测航迹状态值,具体如下:
X(t|t-1)=F×X(t-1)
P(t|t-1)=F×P(t-1)×FT+Q
其中,X(t|t-1)为目标在t时刻的预测状态值,F为状态转移矩阵,P(t|t-1)为预测状态协方差,Q为过程噪声协方差矩阵;
跟踪门表示如下:
vT(t)S-1(t)v(t)≤γ
其中,γ为椭圆门门限,由卡方分布表获得,H为观测矩阵,R为观测噪声协方差矩阵,残差v(t)与残差协方差S(t)由以下公式计算:
v(t)=Z(t)-H×X(t|t-1)
S(t)=H×P(t|t-1)×HT+R;
其中,Z(t)为t时刻的雷达量测修正值;
S4、根据所述跟踪门计算成本矩阵,判断量测是否满足与航迹关联;同时结合MHT算法与Murty算法列举出前一相邻时刻的每个假设派生前k个最优假设;
S4中所述根据所述跟踪门计算成本矩阵,判断量测是否与航迹关联,具体为:
若t时刻有p个量测q个航迹,则建立p×(q+p+p)的成本矩阵;前q列表示已存在航迹与量测的关联结果,若量测在跟踪门的门限内则值为其置信度,表示航迹与量测互相关联,若不在门限内则置0;由于量测也可能是新航迹或者虚警,因此中间p×p矩阵代表量测是否为新目标的关联结果,最后p列代表量测是否为虚警的关联结果,关联航迹、新航迹以及虚警的置信度计算公式如下:
LR(t)=LR(t-1)+ΔLR(t)
LRN=log(βNT)
LRF=log(βFT)
其中:
其中,PD为目标检测概率,βFT为虚警概率密度,M为量测维数,V为椭圆跟踪门体积;
根据成本矩阵生成假设矩阵,假设矩阵要求每一行有且仅有一个元素非0,这表示一个量测的三种情况:与已有航迹相关联、为新航迹、虚警;假设矩阵要求每一列至多有一个元素非0,这表示每一条航迹至多与一个量测关联;
S5、依照概率由高至低对派生的共n*k个最优假设进行排序,并提取排序后的前n个假设;
S6、对前n个假设对应的航迹进行卡尔曼更新,更新航迹状态值和航迹起始标志flag,根据航迹起始标志flag的值判断是否确认航迹,将最优假设的确认航迹可视化输出,读取下一时刻量测值,返回S1;
S6中所述卡尔曼更新的更新方程如下:
K(t)=P(t|t-1)HT(t)S-1(t)
X(t)=X(t|t-1)+K(t)v(t)
P(t)=P(t|t-1)-K(t)S(t)KT(t)
其中,K(t)为卡尔曼增益,X(t)为更新后的状态值,P(t)为更新后的状态协方差;
在提取的n个假设中,若此时有量测与航迹关联,则对应航迹起始标志flag加1;若量测为新航迹,则使该航迹起始标志flag置为1;若量测与航迹无关联,则该航迹起始标志flag减1;当航迹起始标志flag=5时,将暂时航迹转换为确认航迹输出,当航迹起始标志flag=0时,判定航迹已消失,不再输出。
按上述方案,S1中所述根据量测阈值融合不同雷达传感器量测具体如下:
对于同一类型雷达信号,满足如下条件则进行量测融合:
(Z1-Z2)T×(Z1-Z2)<measThre2
其中,Z1与Z2分别为来自两个不同雷达传感器的量测的列向量,measThre为量测融合阈值;
量测融合方法如下:
Z=(Z1+Z2)/2。
按上述方案,S5中所述概率具体计算如下:
计算每个假设的概率,假设Hi概率公式如下:
由于t-1时刻保留了n个假设,每一个假设在经过S1~S4后又产生k个子假设,因此此时存在n*k个子假设,将所有子假设概率由高到低排序,保留前n个假设,作为下一时刻的父假设。
一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上文所述的基于MHT算法的多雷达传感器多目标跟踪方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上文所述的基于MHT算法的多雷达传感器多目标跟踪方法的步骤。
本发明的有益效果是:通过每一时刻依照概率对假设进行删减,极大的减少了计算的时间;通过生成雷达量测修正值将多传感器量测融合简化为单个传感器量测,总和考虑了多个传感器的两侧状态,减少单传感器带来的漏检误差,此外将多传感器假设跟踪转化为单传感器多假设跟踪,有效避免量测过多导致多假设跟踪的计算量增大;
进一步地,根据成本矩阵生成假设矩阵,将量测分为:与已有航迹相关联、为新航迹、虚警三种情况,并根据设置的航迹起始标志计算和输出逻辑进行显示,避免了由于雷达误检而产生多余航迹,同时防止雷达漏检而造成真实航迹的丢失。
附图说明
图1为本发明一实施例的算法主要流程图;
图2为本发明一实施例的成本矩阵示意图;
图3为本发明一实施例的Murty算法基本流程图;
图4为本发明一实施例的航迹生成与消亡示意图;
图5为本发明一实施例的跟踪结果输出示意图;
图6为本发明一实施例的假设树生成示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
参见图1,一种基于MHT算法的多雷达传感器多目标跟踪方法,该方法包括如下步骤:
S1、通过雷达传感器获取当前时刻量测值,设置量测阈值,根据量测阈值融合不同雷达传感器的当前时刻量测值,生成雷达量测修正值;
S2、判断当前时刻是否为初始时刻;若是,则将雷达量测修正值作为暂时航迹输出,并将其作为首个假设,初始化使每个航迹起始标志flag=1,进入下一时刻,随后返回S1;若否,则进行后续步骤;其中初始时刻仅生成一个假设,其他时刻生成n个假设;
S3、对前一相邻时刻生成的n个假设运用卡尔曼滤波预测航迹状态值,并根据所述航迹状态值设置跟踪门;
S4、根据所述跟踪门计算成本矩阵,判断量测是否满足与航迹关联;同时结合MHT算法与Murty算法列举出前一相邻时刻的每个假设派生前k个最优假设;
S5、依照概率由高至低对派生的共n*k个最优假设进行排序,并提取排序后的前n个假设;参见图6,以k=3,n=2为例的假设树生成示意图,图中序号代表假设概率由高到低排序顺序;
S6、对前n个假设对应的航迹进行卡尔曼更新,更新航迹状态值和航迹起始标志flag,根据航迹起始标志flag的值判断是否确认航迹,将最优假设的确认航迹可视化输出,读取下一时刻量测值,返回S1。
进一步地,S1中所述根据阈值融合不同雷达传感器量测具体如下:
对于同一类型雷达信号,满足如下条件则进行量测融合:
(Z1-Z2)T×(Z1-Z2)<measThre2
其中,Z1与Z2分别为来自两个不同雷达传感器的量测的列向量,measThre为量测融合阈值;
量测融合方法如下:
Z=(Z1+Z2)/2。
进一步地,S3中所述对前一时刻的每个假设运用卡尔曼滤波预测航迹状态值,具体如下:
X(t|t-1)=F×X(t-1)
P(t|t-1)=F×P(t-1)×FT+Q
其中,X(t|t-1)为目标在t时刻的预测状态值,F为状态转移矩阵,P(t|t-1)为预测状态协方差,Q为过程噪声协方差矩阵;
跟踪门表示如下:
vT(t)S-1(t)v(t)≤γ
其中,γ为椭圆门门限,由卡方分布表获得,H为观测矩阵,R为观测噪声协方差矩阵,残差v(t)与残差协方差S(t)由以下公式计算:
v(t)=Z(t)-H×X(t|t-1)
S(t)=H×P(t|t-1)×HT+R。
进一步地,S4中所述根据所述跟踪门计算成本矩阵,判断量测是否与航迹关联,具体为:
参见图2,若t时刻有p个量测q个航迹,则建立p×(q+p+p)的成本矩阵;前q列表示已存在航迹与量测的关联结果,若量测在跟踪门的门限内则值为其置信度,表示航迹与量测互相关联,若不在门限内则置0;由于量测也可能是新航迹或者虚警,因此中间p×p矩阵代表量测是否为新目标的关联结果,最后p列代表量测是否为虚警的关联结果,关联航迹、新航迹以及虚警的置信度计算公式如下:
LR(t)=LR(t-1)+ΔLR(t)
LRN=log(βNT)
LRF=log(βFT)
其中:
其中,PD为目标检测概率,βFT为虚警概率密度,M为量测维数,V为椭圆跟踪门体积;
根据成本矩阵生成假设矩阵,假设矩阵要求每一行有且仅有一个元素非0,这表示一个量测的三种情况:与已有航迹相关联、为新航迹、虚警;假设矩阵要求每一列至多有一个元素非0,这表示每一条航迹至多与一个量测关联;
本实施例中运用Murty算法取出前5个最优假设,即3个假设矩阵;Murty算法不用穷举出所有假设再筛选,因此计算效率较高,基本流程图参见图3。
进一步地,S5中所述概率具体计算如下:
计算每个假设的概率,假设Hi概率公式如下:
由于t-1时刻保留了n个假设,每一个假设在经过S1~S4后又产生k个子假设,因此此时存在n*k个子假设,将所有子假设概率由高到低排序,保留前n个假设,作为下一时刻的父假设;本实施例中n取3,即从15个子假设中取出3个最优假设作为下一时刻父假设。
进一步地,S6中所述卡尔曼更新的更新方程如下:
X(t)=P(t|t-1)HT(t)S-1(t)
X(t)=X(t|t-1)+K(t)v(t)
P(t)=P(t|t-1)-K(t)S(t)KT(t)
其中,K(t)为卡尔曼增益,X(t)为更新后的状态值,P(t)为更新后的状态协方差;
在提取的n个假设中,若此时有量测与航迹关联,则对应航迹起始标志flag加1;若量测为新航迹,则使该航迹起始标志flag置为1;若量测与航迹无关联,则该航迹起始标志flag减1;当航迹起始标志flag=5时,将暂时航迹转换为确认航迹输出,当航迹起始标志flag=0时,判定航迹已消失,不再输出;
航迹生成与消亡的具体逻辑参见图4;由图可知,暂时航迹在连续5帧与量测关联上之后才会转换为确认航迹,有效避免虚警被关联,确认航迹在连续5帧没有被量测关联才认为确认航迹已经消失,这能有效避免当雷达漏检时直接将目标删除。
本实施例中,采用上述方法进行四个角雷达多目标跟踪在某一时刻的结果,参见图5;图中圆圈代表四个角雷达融合前的量测,方框代表已确认的跟踪航迹,方框旁边的整数代表航迹编号,自身汽车位于坐标原点处;由图中可看出,量测较近时会融合成单个量测,作为一个目标输出,目标出现不到5帧不会转换为确认航迹输出。
一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上文所述的基于MHT算法的多雷达传感器多目标跟踪方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的基于MHT算法的多雷达传感器多目标跟踪方法的步骤。
以上所述仅为本发明的实施例,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它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于MHT算法的多雷达传感器多目标跟踪方法,其特征在于:该方法包括如下步骤:
S1、通过雷达传感器获取当前时刻量测值,设置量测阈值,根据量测阈值融合不同雷达传感器的当前时刻量测值,生成雷达量测修正值;
S2、判断当前时刻是否为初始时刻;若是,则将雷达量测修正值作为暂时航迹输出,并将其作为首个假设,初始化使每个航迹起始标志flag=1,进入下一时刻,随后返回S1;若否,则进行后续步骤;其中初始时刻仅生成一个假设;
S3、对前一相邻时刻生成的n个假设运用卡尔曼滤波预测航迹状态值,并根据所述航迹状态值设置跟踪门;
S3中所述对前一相邻时刻的每个假设运用卡尔曼滤波预测航迹状态值,具体如下:
X(t|t-1)=F×X(t-1)
P(t|t-1)=F×P(t-1)×FT+Q
其中,X(t|t-1)为目标在t时刻的预测状态值,F为状态转移矩阵,P(t|t-1)为预测状态协方差,Q为过程噪声协方差矩阵;
跟踪门表示如下:
vT(t)S-1(t)v(t)≤γ
其中,γ为椭圆门门限,由卡方分布表获得,H为观测矩阵,R为观测噪声协方差矩阵,残差v(t)与残差协方差S(t)由以下公式计算:
v(t)=Z(t)-H×X(t|t-1)
S(t)=H×P(t|t-1)×HT+R;
其中,Z(t)为t时刻的雷达量测修正值;
S4、根据所述跟踪门计算成本矩阵,判断量测是否满足与航迹关联;同时结合MHT算法与Murty算法列举出前一相邻时刻的每个假设派生前k个最优假设;
S4中所述根据所述跟踪门计算成本矩阵,判断量测是否与航迹关联,具体为:
若t时刻有p个量测q个航迹,则建立p×(q+p+p)的成本矩阵;前q列表示已存在航迹与量测的关联结果,若量测在跟踪门的门限内则值为其置信度,表示航迹与量测互相关联,若不在门限内则置0;由于量测也可能是新航迹或者虚警,因此中间p×p矩阵代表量测是否为新目标的关联结果,最后p列代表量测是否为虚警的关联结果,关联航迹、新航迹以及虚警的置信度计算公式如下:
LR(t)=LR(t-1)+ΔLR(t)
LRN=log(βNT)
LRF=log(βFT)
其中:
其中,PD为目标检测概率,βFT为虚警概率密度,M为量测维数,V为椭圆跟踪门体积;
根据成本矩阵生成假设矩阵,假设矩阵要求每一行有且仅有一个元素非0,这表示一个量测的三种情况:与已有航迹相关联、为新航迹、虚警;假设矩阵要求每一列至多有一个元素非0,这表示每一条航迹至多与一个量测关联;
S5、依照概率由高至低对派生的共n*k个最优假设进行排序,并提取排序后的前n个假设;
S6、对前n个假设对应的航迹进行卡尔曼更新,更新航迹状态值和航迹起始标志flag,根据航迹起始标志flag的值判断是否确认航迹,将最优假设的确认航迹可视化输出,读取下一时刻量测值,返回S1;
S6中所述卡尔曼更新的更新方程如下:
K(t)=P(t|t-1)HT(t)S-1(t)
X(t)=X(t|t-1)+K(t)v(t)
P(t)=P(t|t-1)-K(t)S(t)KT(t)
其中,K(t)为卡尔曼增益,X(t)为更新后的状态值,P(t)为更新后的状态协方差;
在提取的n个假设中,若此时有量测与航迹关联,则对应航迹起始标志flag加1;若量测为新航迹,则使该航迹起始标志flag置为1;若量测与航迹无关联,则该航迹起始标志flag减1;当航迹起始标志flag=5时,将暂时航迹转换为确认航迹输出,当航迹起始标志flag=0时,判定航迹已消失,不再输出。
2.根据权利要求1所述的基于MHT算法的多雷达传感器多目标跟踪方法,其特征在于:S1中所述根据量测阈值融合不同雷达传感器量测具体如下:
对于同一类型雷达信号,满足如下条件则进行量测融合:
(Z1-Z2)T×(Z1-Z2)<measThre2
其中,Z1与Z2分别为来自两个不同雷达传感器的量测的列向量,measThre为量测融合阈值;
量测融合方法如下:
Z=(Z1+Z2)/2。
4.一种计算机设备,其特征在于:包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述的基于MHT算法的多雷达传感器多目标跟踪方法的步骤。
5.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的基于MHT算法的多雷达传感器多目标跟踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110887706.4A CN113589252B (zh) | 2021-08-03 | 2021-08-03 | 一种基于mht算法的多雷达传感器多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110887706.4A CN113589252B (zh) | 2021-08-03 | 2021-08-03 | 一种基于mht算法的多雷达传感器多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113589252A CN113589252A (zh) | 2021-11-02 |
CN113589252B true CN113589252B (zh) | 2023-05-16 |
Family
ID=78254598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110887706.4A Active CN113589252B (zh) | 2021-08-03 | 2021-08-03 | 一种基于mht算法的多雷达传感器多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113589252B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003130948A (ja) * | 2001-10-25 | 2003-05-08 | Mitsubishi Electric Corp | 目標追尾装置 |
CN113093171A (zh) * | 2021-03-11 | 2021-07-09 | 南京航空航天大学 | 基于目标跟踪的机载雷达路径与辐射资源联合优化方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798942A (en) * | 1994-04-05 | 1998-08-25 | Trw Inc. | N-best feasible hypotheses multitarget tracking system for space-based early warning systems |
JP5379415B2 (ja) * | 2008-07-07 | 2013-12-25 | 三菱電機株式会社 | 目標追尾装置および目標追尾方法 |
US9291708B2 (en) * | 2012-03-09 | 2016-03-22 | Raytheon Company | Multiple hypothesis tracking using maximum weight independent set |
US8970429B2 (en) * | 2012-06-14 | 2015-03-03 | Raytheon Company | Systems and methods for tracking targets by a through-the-wall radar using multiple hypothesis tracking |
CN106934324A (zh) * | 2015-12-30 | 2017-07-07 | 南京理工大学 | 基于简化多假设算法的雷达数据关联方法 |
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 |
CN108303684B (zh) * | 2018-01-31 | 2021-09-03 | 长沙深之瞳信息科技有限公司 | 基于径向速度信息的地基监视雷达多目标跟踪方法 |
US11073608B2 (en) * | 2018-10-11 | 2021-07-27 | Raytheon Company | Resolving radar angle ambiguities using a multiple hypothesis tracker |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
CN111275087A (zh) * | 2020-01-15 | 2020-06-12 | 北京汽车集团有限公司 | 数据处理方法、装置、电子设备和机动车 |
CN111812638B (zh) * | 2020-07-17 | 2022-07-29 | 北京理工大学 | 一种imm-mht多目标跟踪方法 |
CN111948642A (zh) * | 2020-08-13 | 2020-11-17 | 贵州航天南海科技有限责任公司 | 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 |
CN113050054B (zh) * | 2021-03-23 | 2023-06-30 | 西安电子科技大学 | 基于径向速度和平均速度的虚假航迹剔除方法 |
-
2021
- 2021-08-03 CN CN202110887706.4A patent/CN113589252B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003130948A (ja) * | 2001-10-25 | 2003-05-08 | Mitsubishi Electric Corp | 目標追尾装置 |
CN113093171A (zh) * | 2021-03-11 | 2021-07-09 | 南京航空航天大学 | 基于目标跟踪的机载雷达路径与辐射资源联合优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113589252A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102881024B (zh) | 一种基于tld的视频目标跟踪方法 | |
CN111709975B (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
CN110542885A (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
CN112991391A (zh) | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 | |
CN108447076B (zh) | 基于深度增强学习的多目标跟踪方法 | |
CN108344981B (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
WO2022116375A1 (zh) | 高分辨传感器弱小多目标检测前跟踪方法 | |
CN111681259A (zh) | 基于无Anchor机制检测网络的车辆跟踪模型建立方法 | |
CN110929796A (zh) | 基于多源传感器决策层数据融合方法、系统及存储介质 | |
CN113628244A (zh) | 基于无标注视频训练的目标跟踪方法、系统、终端及介质 | |
CN113269811A (zh) | 数据融合方法、装置及电子设备 | |
CN108010066B (zh) | 基于红外目标灰度互相关和角度信息的多假设跟踪方法 | |
CN115657008A (zh) | 一种机载太赫兹雷达多目标跟踪方法和装置 | |
CN113191427B (zh) | 一种多目标车辆跟踪方法及相关装置 | |
CN113589252B (zh) | 一种基于mht算法的多雷达传感器多目标跟踪方法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN111161323B (zh) | 一种基于相关滤波的复杂场景目标跟踪方法及系统 | |
CN108876809B (zh) | 一种基于卡尔曼滤波的tld图像跟踪算法 | |
CN115494494A (zh) | 多传感器目标融合方法、装置、电子设备及存储介质 | |
Pan et al. | An efficient TO-MHT algorithm for multi-target tracking in cluttered environment | |
JP6279185B2 (ja) | 目標追尾装置 | |
CN113192110B (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
Hu et al. | Multi-task based marine radar tracking network | |
CN114792379A (zh) | 一种基于lmb的红外全景图像多目标航迹处理方法及系统 |
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 |