CN113702979B - 一种跨区目标跟踪轨迹片段时空拼接方法 - Google Patents
一种跨区目标跟踪轨迹片段时空拼接方法 Download PDFInfo
- Publication number
- CN113702979B CN113702979B CN202110806447.8A CN202110806447A CN113702979B CN 113702979 B CN113702979 B CN 113702979B CN 202110806447 A CN202110806447 A CN 202110806447A CN 113702979 B CN113702979 B CN 113702979B
- Authority
- CN
- China
- Prior art keywords
- track
- time
- target
- tracking
- azimuth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 23
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- 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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明专利为一种跨区目标跟踪轨迹片段时空拼接方法,对某‑目标在某传感器探测区跟踪轨迹的末段/头段轨迹和目标进入同类毗邻传感器探测区跟踪轨迹的头段/末段轨迹利用轨迹时间、位置、方位、能量、谱结构等特征信息集联合进行轨迹段时空约束下的拼接,进而获得同一目标在同类相邻传感器探测区的轨迹,增加了目标在区域中的持续跟踪能力,减少了轨迹管理负担。该方法可以适用于主/被动等多种探测情况,适应性强,范围广。
Description
技术领域
本发明属于声纳信号与信息处理领域,主要是一种跨区目标跟踪轨迹片段时空拼接方法。
背景技术
由于目前使用的各种目标检测方法在实际应用中仍无法完全实现对目标的准确检测,当出现复杂背景、干扰、跨区、合并分离等情形时,都会影响检测结果。这样,在目标跟踪过程中某些时段就会出现跟踪不连续导致目标轨迹不完整,轨迹批次繁多等现象。
在探测、跟踪、轨迹融合中,数据关联是一种常用技术,数据关联通常分为三种点-点关联、点-迹、迹-迹关联,也分别称为目标起始、目标跟踪、航迹关联。目前,比较常用的数据关联主要包括序贯起始、HOUGH图像变换起始、多假设跟踪、概率密度跟踪、最近邻跟踪、加权法、统计双门限法、序贯航迹关联相关双门限法等等,这些关联方法主要用于不间断或偶尔有极少数点间断的目标轨迹的关联,当出现连续较长时间的观察点间断,目标轨迹跟踪就无法持续,导致轨迹需要重新起始,但事实上间断后重启起始的目标轨迹是与间断前是同一目标。这与判断来自于不同系统的两条航迹是否代表同一个目标的航迹关联不同。同一传感器、同一间断目标轨迹关联的研究以成为目标跟踪领域一个新的研究热点,也有一些研究应用成果。但对于多个传感器的大探测区域系统而言,探测目标在不同传感器探测范围之间交替时会存在轨迹跟踪间断或不同传感器目标跟踪批号管理混乱的情况,因此需要对不同传感器不同探测区之间的事实上为同一目标的轨迹进行轨迹片段关联拼接,形成同一目标完整轨迹,便于态势显示和轨迹管理。
发明内容
本发明的目的在于克服现有技术存在的不足,而提供一种跨区目标跟踪轨迹片段时空拼接方法。主要解决区域水声探测系统中多个同类型相邻且探测区无交叉覆盖的声纳目标跟踪轨迹间的同一性确认问题,通过提取需要关联的目标轨迹段特性,利用时空约束、特征匹配、前向后向关联方法,达到相邻探测区之间同一目标轨迹的认定,实现轨迹自动跨区持续跟踪,方便轨迹建库、管理。
本发明的目的是通过如下技术方案来完成的。一种跨区目标跟踪轨迹片段时空拼接方法,该方法步骤如下:对需要关联的跨区目标轨迹段提取时间、方位、距离、主要线谱特征形成特征集,并统计该段轨迹内特征,形成特征集和对应的统计量,利用预测方法对目标轨迹段特征集合中的时间、方位、距离相关时空特征进行轨迹预测或反向推导;对预测反推的特征向量依据同一个物体在同一时间不能出现在两个不同的位置和移动必须是连续不能突变得排它性进行初步关联,然后对初步关联上的目标进行谱结构匹配、统计值相关加权综合性判断,当综合关联系数大于给定阈值比较,判断为同一目标轨迹,从而形成跨区的同一目标连续的长轨迹。
具体步骤如下:
(1)对需要关联的跨区目标轨迹段提取时间、方位、距离、主要线谱特征形成特征集,并对该段轨迹内特征的变换规律进行统计,形成特征集和对应的统计量,特征集合如下:
Trace=[Time,Bearing,Range,Fre,StatisticsB,StatisticsR];
(2)利用内插外推、最小二乘、卡尔曼等预测算法对目标轨迹末段特征集合中的时间、方位、距离等时空特征进行轨迹预测,同样对目标轨迹头段特征的时空特征进行轨迹逆向反推;直到时间上k-n=k+m,其中k,n,m均为时刻值,且n+m一般不超过跟踪时间间隔的30倍;特征预测与反推特征表示形式如下:
和/>
(3)对预测反推的特征向量依据同一个物体在同一时间不能出现在两个不同的位置和移动必须是连续不能突变得排它性进行初步关联,
(4)对初步关联上的目标进行谱结构匹配、统计值相关等加权综合性判断,综合关联系数如下:
(5)综合关联系数γij与给定阈值比较,判断是否为同一目标轨迹,并形成跨区的同一目标连续的长轨迹。
本发明在区域探测系统中应用获得了以下技术效果:
(1)采用轨迹段时空多维度特征信息形成轨迹特征集,增加了判断依据维度;
(2)采用时间、空间多维度分级前后向判断方法,利用不同性质的特征采用不同关联、匹配方式,按照初判、细判分级判断标准进行轨迹关联,提高了轨迹段关联正确率;
(3)解决了跨探测区的目标轨迹段同一性认定,实现了目标轨迹跨区的持续跟踪,方便了轨迹管理,减少了轨迹管理负担,适用范围广。
附图说明
图1:处理流程框图;
图2:轨迹段关联仿真图;
图3:轨迹段关联试验结果。
具体实施方式
下面结合附图和实例对本发明作进一步说明:
本发明提出了一种跨区目标跟踪轨迹片段时空拼接方法,包括目标轨迹特性提取技术、轨迹预测技术、轨迹特征关联技术与目标特征综合判断,将四种技术结合使用,实现跨区中断轨迹的预测与拼接功能。通过区域内相邻传感器无交叉覆盖探测区的目标跟踪轨迹段进行关联处理实现目标同一性认定,跨区目标持续跟踪。对需要关联的跨区目标轨迹段提取时间、方位、距离、主要线谱特征形成特征集,并统计该段轨迹内特征,形成特征集和对应的统计量,利用预测方法对目标轨迹段特征集合中的时间、方位、距离等时空特征进行轨迹预测或反向推导;对预测反推的特征向量依据同一个物体在同一时间不能出现在两个不同的位置和移动必须是连续不能突变得排它性进行初步关联,然后对初步关联上的目标进行谱结构匹配、统计值相关等加权综合性判断,当综合关联系数大于给定阈值比较,判断为同一目标轨迹,从而形成跨区的同一目标连续的长轨迹。
具体步骤如下:
(1)对需要关联的跨区目标轨迹段提取时间、方位、距离、主要线谱特征形成特征集,并对该段轨迹内特征的变换规律进行统计,形成特征集和对应的统计量,特征集合如下:
Trace=[Time,Bearing,Range,Fre,StatisticsB,StatisticsR];
(2)利用内插外推、最小二乘、卡尔曼等预测算法对目标轨迹末段特征集合中的时间、方位、距离等时空特征进行轨迹预测,同样对目标轨迹头段特征的时空特征进行轨迹逆向反推;直到时间上k-n=k+m,其中k,n,m均为时刻值,且n+m一般不超过跟踪时间间隔的30倍;特征预测与反推特征表示形式如下:
和/>
(3)对预测反推的特征向量依据同一个物体在同一时间不能出现在两个不同的位置和移动必须是连续不能突变得排它性进行初步关联,
(4)对初步关联上的目标进行谱结构匹配、统计值相关等加权综合性判断,综合关联系数如下:
(5)综合关联系数γij与给定阈值比较,判断是否为同一目标轨迹,并形成跨区的同一目标连续的长轨迹。
处理方法原理实现框图见图1,对一定时间内的不同轨迹段进行关联的实现步骤如下:
第一步,确定需要关联的目标轨迹段轨迹时序轨迹信息;
第二步,提取轨迹段中每个跟踪点的特征信息:时间、方位、距离、频率等特性集合;
第三步,对特征集中的方位、距离信息统计其变化统计特性;
第四步,对处于轨迹末端的最后轨迹点利用统计信息和预测算法进行时间、方位、距离预测处理,得到间断时间段中点的轨迹信息;
第五步,对处于轨迹前端的最前轨迹点里利用统计信息和前推算法进行时间、方位、距离反推处理,得到间断时间段中点的轨迹信息;
第六步,对中点轨迹点的信息进行位置、时间初步判断,确定是否可能为同一目标;
第七步,对可能为同一目标的轨迹,进行谱线匹配、统计量相关性计算,得到综合关联度;
第八步,比较综合关联度与给定阈值大小,最后判定是否为同一目标;
第九步,对判断为同一目标的轨迹进行合并轨迹、持续跟踪,并统一跟踪批号。
数据处理结果:
对被动、主动目标跟踪数据进行仿真,并利用本成果进行处理得到图2所示的两种情况下的轨迹关联拼接效果,如图1所示,左图轨迹编号为1、5是同一目标,左图轨迹编号为2、6是同一目标,右图轨迹编号为1、3、7是同一目标,右图轨迹编号为5、8是同一目标;利用某试验的湖上试验结果按照本成果的步骤进行处理,得到轨迹关联拼接结果图,如图3所示。
本发明对某一目标在某传感器探测区跟踪轨迹的末段/头段轨迹和目标进入同类毗邻传感器探测区跟踪轨迹的头段/末段轨迹利用轨迹时间、位置、方位、能量、谱结构等特征信息集联合进行轨迹段时空约束下的拼接,进而获得同一目标在同类相邻传感器探测区的轨迹,增加了目标在区域中的持续跟踪能力,减少了轨迹管理负担。该方法可以适用于主/被动等多种探测情况,适应性强,范围广。
可以理解的是,对本领域技术人员来说,对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种跨区目标跟踪轨迹片段时空拼接方法,其特征在于:该方法步骤如下:对需要关联的跨区目标轨迹段提取时间、方位、距离、主要线谱特征形成特征集,并统计该段轨迹内特征,形成特征集和对应的统计量,利用预测方法对目标轨迹段特征集合中的时间、方位、距离相关时空特征进行轨迹预测或反向推导;对预测反推的特征向量依据同一个物体在同一时间不能出现在两个不同的位置和移动必须是连续不能突变得排它性进行初步关联,然后对初步关联上的目标进行谱结构匹配、统计值相关加权综合性判断,当综合关联系数大于给定阈值比较,判断为同一目标轨迹,从而形成跨区的同一目标连续的长轨迹;
对需要关联的跨区目标轨迹段提取时间、方位、距离、主要线谱特征形成特征集,并对该段轨迹内特征的变换规律进行统计,形成特征集和对应的统计量;
所述轨迹预测,利用内插外推、最小二乘、卡尔曼这些预测算法对目标轨迹末段特征集合中的时间、方位、距离相关时空特征进行轨迹预测,同样对目标轨迹头段特征的时空特征进行轨迹逆向反推;直到时间上k-n=k+m,其中k,n,m均为时刻值,且n+m不超过跟踪时间间隔的30倍。
2.根据权利要求1所述的跨区目标跟踪轨迹片段时空拼接方法,其特征在于:轨迹特征关联,对预测反推的特征向量依据同一个物体在同一时间不能出现在两个不同的位置和移动必须是连续不能突变得排它性进行初步关联。
3.根据权利要求1所述的跨区目标跟踪轨迹片段时空拼接方法,其特征在于:目标特征综合判断,对初步关联上的目标进行谱结构匹配、统计值相关加权综合性判断,综合关联系数γij与给定阈值比较,判断是否为同一目标轨迹,并形成跨区的同一目标连续的长轨迹。
4.根据权利要求1所述的跨区目标跟踪轨迹片段时空拼接方法,其特征在于:对一定时间内的不同轨迹段进行关联的实现步骤如下:
第一步,确定需要关联的目标轨迹段轨迹时序轨迹信息;
第二步,提取轨迹段中每个跟踪点的特征信息:时间、方位、距离、频率相关特性集合;
第三步,对特征集中的方位、距离信息统计其变化统计特性;
第四步,对处于轨迹末端的最后轨迹点利用统计信息和预测算法进行时间、方位、距离预测处理,得到间断时间段中点的轨迹信息;
第五步,对处于轨迹前端的最前轨迹点里利用统计信息和前推算法进行时间、方位、距离反推处理,得到间断时间段中点的轨迹信息;
第六步,对中点轨迹点的信息进行位置、时间初步判断,确定是否可能为同一目标;
第七步,对可能为同一目标的轨迹,进行谱线匹配、统计量相关性计算,得到综合关联度;
第八步,比较综合关联度与给定阈值大小,最后判定是否为同一目标;
第九步,对判断为同一目标的轨迹进行合并轨迹、持续跟踪,并统一跟踪批号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110806447.8A CN113702979B (zh) | 2021-07-16 | 2021-07-16 | 一种跨区目标跟踪轨迹片段时空拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110806447.8A CN113702979B (zh) | 2021-07-16 | 2021-07-16 | 一种跨区目标跟踪轨迹片段时空拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702979A CN113702979A (zh) | 2021-11-26 |
CN113702979B true CN113702979B (zh) | 2024-03-15 |
Family
ID=78648740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110806447.8A Active CN113702979B (zh) | 2021-07-16 | 2021-07-16 | 一种跨区目标跟踪轨迹片段时空拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702979B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11625909B1 (en) * | 2022-05-04 | 2023-04-11 | Motional Ad Llc | Track segment cleaning of tracked objects |
CN116150299B (zh) * | 2023-04-21 | 2023-07-04 | 北京航空航天大学 | 一种可信度传播网络指引的多源轨迹关联方法 |
CN117197195B (zh) * | 2023-09-15 | 2024-04-26 | 南京芯传汇电子科技有限公司 | 一种基于目标识别和跟踪的视频处理方法与系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006003256A (ja) * | 2004-06-18 | 2006-01-05 | Mitsubishi Electric Corp | 目標追尾装置 |
JP2011185723A (ja) * | 2010-03-08 | 2011-09-22 | Nec Corp | 目標追尾装置、目標追尾方法、及びプログラム |
KR20120104025A (ko) * | 2011-03-11 | 2012-09-20 | 국방과학연구소 | 허프 변환을 이용한 이동 표적 연계 방법 및 이를 이용한 탐지 시스템 |
CN107798079A (zh) * | 2017-09-30 | 2018-03-13 | 北京泓达九通科技发展有限公司 | 基于车辆轨迹数据的路段拼接方法及系统 |
CN108241150A (zh) * | 2016-12-26 | 2018-07-03 | 中国科学院软件研究所 | 一种三维声呐点云环境中的移动物体检测与跟踪方法 |
WO2018154367A1 (en) * | 2017-02-23 | 2018-08-30 | Kpit Technologies Limited | System and method for target track management of an autonomous vehicle |
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 |
CN111737598A (zh) * | 2020-04-24 | 2020-10-02 | 北京理工大学 | 区域栅格化与时间片段化融合的长时空轨迹预测方法 |
CN112200106A (zh) * | 2020-10-16 | 2021-01-08 | 中国计量大学 | 跨相机行人重识别与跟踪方法 |
CN112561966A (zh) * | 2020-12-22 | 2021-03-26 | 清华大学 | 一种融合时空信息的稀疏点云多目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179311B (zh) * | 2019-12-23 | 2022-08-19 | 全球能源互联网研究院有限公司 | 多目标跟踪方法、装置及电子设备 |
-
2021
- 2021-07-16 CN CN202110806447.8A patent/CN113702979B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006003256A (ja) * | 2004-06-18 | 2006-01-05 | Mitsubishi Electric Corp | 目標追尾装置 |
JP2011185723A (ja) * | 2010-03-08 | 2011-09-22 | Nec Corp | 目標追尾装置、目標追尾方法、及びプログラム |
KR20120104025A (ko) * | 2011-03-11 | 2012-09-20 | 국방과학연구소 | 허프 변환을 이용한 이동 표적 연계 방법 및 이를 이용한 탐지 시스템 |
CN108241150A (zh) * | 2016-12-26 | 2018-07-03 | 中国科学院软件研究所 | 一种三维声呐点云环境中的移动物体检测与跟踪方法 |
WO2018154367A1 (en) * | 2017-02-23 | 2018-08-30 | Kpit Technologies Limited | System and method for target track management of an autonomous vehicle |
CN107798079A (zh) * | 2017-09-30 | 2018-03-13 | 北京泓达九通科技发展有限公司 | 基于车辆轨迹数据的路段拼接方法及系统 |
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 |
CN111737598A (zh) * | 2020-04-24 | 2020-10-02 | 北京理工大学 | 区域栅格化与时间片段化融合的长时空轨迹预测方法 |
CN112200106A (zh) * | 2020-10-16 | 2021-01-08 | 中国计量大学 | 跨相机行人重识别与跟踪方法 |
CN112561966A (zh) * | 2020-12-22 | 2021-03-26 | 清华大学 | 一种融合时空信息的稀疏点云多目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
一种利用时空约束轨迹片段关联的目标跟踪方法;王江峰 等;计算机应用研究;第28卷(第03期);第1165-1167页 * |
基于卡尔曼预测的轨迹片段关联目标跟踪算法;刘德华;软件导刊;第16卷(第4期);第64-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113702979A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113702979B (zh) | 一种跨区目标跟踪轨迹片段时空拼接方法 | |
CN113034548B (zh) | 一种适用于嵌入式终端的多目标跟踪方法及其系统 | |
JP6759474B2 (ja) | 深層学習ネットワーク及び平均シフトに基づく船舶自動追跡方法及びシステム | |
CN109978851B (zh) | 一种红外视频空中弱小运动目标检测跟踪方法 | |
CN101159855B (zh) | 基于特征点分析的多目标分离预测方法 | |
CN101567087B (zh) | 复杂天空背景下红外序列图像弱小目标检测与跟踪方法 | |
CN110288627B (zh) | 一种基于深度学习和数据关联的在线多目标跟踪方法 | |
CN113284168A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN103077539A (zh) | 一种复杂背景及遮挡条件下的运动目标跟踪方法 | |
WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
CN111754545B (zh) | 一种基于iou匹配的双滤波器视频多目标跟踪方法 | |
CN104965199A (zh) | 雷达视频运动目标特征融合判定方法 | |
CN112130142A (zh) | 一种复杂运动目标微多普勒特征提取方法及系统 | |
CN113516037A (zh) | 海上船只航迹片段关联方法、系统、存储介质及设备 | |
Dehghani et al. | Small target detection and tracking based on the background elimination and Kalman filter | |
Zheng et al. | Adaptive edge-based mean shift for drastic change gray target tracking | |
CN113763427A (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
Casagrande et al. | Abnormal motion analysis for tracking-based approaches using region-based method with mobile grid | |
Zou et al. | Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network. | |
Zhao | Motion track enhancement method of sports video image based on otsu algorithm | |
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 | |
CN112767438B (zh) | 结合时空运动的多目标跟踪方法 | |
CN108241837B (zh) | 一种遗留物检测方法和装置 | |
Li et al. | Adaptive multiple video sensors fusion based on decentralized Kalman filter and sensor confidence. | |
CN113311420B (zh) | 一种基于分簇管理的雷达目标检测与跟踪方法及其装置 |
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 |