CN113721237A - 一种多隶属度的目标智能匹配算法 - Google Patents

一种多隶属度的目标智能匹配算法 Download PDF

Info

Publication number
CN113721237A
CN113721237A CN202111287161.XA CN202111287161A CN113721237A CN 113721237 A CN113721237 A CN 113721237A CN 202111287161 A CN202111287161 A CN 202111287161A CN 113721237 A CN113721237 A CN 113721237A
Authority
CN
China
Prior art keywords
target
tracking
model
backup
probability
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
Application number
CN202111287161.XA
Other languages
English (en)
Other versions
CN113721237B (zh
Inventor
马志强
柯树林
黄建
储德松
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.)
Nanjing Thunderbolt Information Technology Co ltd
Original Assignee
Nanjing Leading Information Technology Co ltd
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 Nanjing Leading Information Technology Co ltd filed Critical Nanjing Leading Information Technology Co ltd
Priority to CN202111287161.XA priority Critical patent/CN113721237B/zh
Publication of CN113721237A publication Critical patent/CN113721237A/zh
Application granted granted Critical
Publication of CN113721237B publication Critical patent/CN113721237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous 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
    • G01S7/02—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
    • G01S7/418—Theoretical aspects

Abstract

本发明公开的一种多隶属度的目标智能匹配算法，包括：雷达跟踪目标过程中，配置以跟踪目标为中心的邻域空间；在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标进行点迹‑航迹关联；利用卡尔曼滤波模型对邻域空间中的备份目标进行点迹‑航迹关联；对邻域空间中的备份目标进行裁决，保留真实目标航迹；计算跟踪目标的检测概率且当小于等于目标检测丢失概率时，在备份目标选择最优的邻域目标作为跟踪目标，并对跟踪目标完成状态估计更新；在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标。本发明通过分析目标跟踪环境实现目标运动态势感知，对目标进行智能匹配，提高目标跟踪连续性，降低目标跟踪错误概率。

Description

一种多隶属度的目标智能匹配算法
技术领域
本发明涉及雷达检测目标跟踪技术领域，具体涉及一种多隶属度的目标智能匹配算法。
背景技术
雷达检测跟踪目标过程中，受地物遮挡、多目标遮挡或者目标高速机动等多种因素影响，易出现目标回波丢失现象，导致目标跟踪连续性和稳定性下降。传统的雷达数据处理技术，一种方法采用调整预测协方差矩阵的方法，扩大目标波门实现目标搜索关联。在多目标或者杂波干扰的条件下，该方法增加了目标跟踪错误或者跟踪丢失的概率；另一种多假设关联算法可提高目标跟踪性能，但是该方法具有延迟特性，不适合实时目标跟踪阶段。
发明内容
发明目的：本发明目的在于针对现有技术的不足，提供一种多隶属度的目标智能匹配算法，通过分析目标跟踪环境实现目标运动态势感知，以时间、空间等多隶属度参数关系对目标进行智能匹配，在多目标、遮挡、高机动等场景下提高目标跟踪连续性，降低目标跟踪错误概率，减少人工干预，提升了雷达跟踪系统的智能化水平。
技术方案：本发明所述的多隶属度的目标智能匹配算法，包括如下步骤：
S1：雷达跟踪目标过程中，配置以跟踪目标
Figure 286043DEST_PATH_IMAGE001
为中心的邻域空间，对跟踪目标进行 环境感知；
S2：在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标
Figure 778204DEST_PATH_IMAGE001
进行点迹-航迹 关联，实现目标跟踪和状态估计；
S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 488671DEST_PATH_IMAGE002
，
Figure 622849DEST_PATH_IMAGE003
，
Figure 328637DEST_PATH_IMAGE004
是邻域 空间备份目标个数，利用卡尔曼滤波模型进行点迹-航迹关联，实现目标检测跟踪和状态估 计；
S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 398224DEST_PATH_IMAGE002
进行裁决，删除虚假目标 航迹和独立点航迹，保留真实目标航迹；
S5：计算跟踪目标
Figure 956507DEST_PATH_IMAGE001
的检测概率
Figure 769742DEST_PATH_IMAGE005
并与目标检测丢失概率
Figure 861195DEST_PATH_IMAGE006
进行比较，当
Figure 570525DEST_PATH_IMAGE007
时，跟踪目标
Figure 114639DEST_PATH_IMAGE001
丢失，在备份目标
Figure 590620DEST_PATH_IMAGE002
中选择最优的邻域目标
Figure 411945DEST_PATH_IMAGE008
匹配为跟踪目标
Figure 175065DEST_PATH_IMAGE001
，并对匹 配后的跟踪目标
Figure 81841DEST_PATH_IMAGE001
完成状态估计更新；
S6：在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标
Figure 361513DEST_PATH_IMAGE002
；
S7：重复步骤S2至 S6，直至删除跟踪目标
Figure 302924DEST_PATH_IMAGE001
。
进一步完善上述技术方案，所述步骤S1中邻域空间配置成以跟踪目标
Figure 885215DEST_PATH_IMAGE001
为圆心的 圆空间或者以跟踪目标
Figure 403921DEST_PATH_IMAGE001
为中心的矩形空间，两种空间能够通过配置参数进行切换。
进一步地，所述步骤S2中交互式多模型算法的模型数
Figure 97071DEST_PATH_IMAGE009
，分别为匀速运动跟踪模 型和机动跟踪模型，匀速运动跟踪模型的状态转移矩阵为
Figure 17622DEST_PATH_IMAGE010
，机动跟踪模型的状态转移矩阵 为
Figure 770815DEST_PATH_IMAGE011
：
Figure 747123DEST_PATH_IMAGE012
，
Figure 103018DEST_PATH_IMAGE013
其中，
Figure 612497DEST_PATH_IMAGE014
为雷达扫描周期，
Figure 536590DEST_PATH_IMAGE015
为机动常数；
匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
Figure 764309DEST_PATH_IMAGE016
；
匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
Figure 799262DEST_PATH_IMAGE017
；
匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
Figure 661782DEST_PATH_IMAGE018
；
匀速运动跟踪模型和机动跟踪模型的状态空间
Figure 22356DEST_PATH_IMAGE019
为：
Figure 737371DEST_PATH_IMAGE020
；
其中，
Figure 576014DEST_PATH_IMAGE021
时代表匀速运动跟踪模型，
Figure 60085DEST_PATH_IMAGE022
时代表机动跟踪模型，
Figure 450615DEST_PATH_IMAGE023
为X方向位置，
Figure 528293DEST_PATH_IMAGE024
为X方向速度，
Figure 531146DEST_PATH_IMAGE025
为X方向加速度，
Figure 745090DEST_PATH_IMAGE026
为Y方向位置，
Figure 40942DEST_PATH_IMAGE027
为Y方向速度，
Figure 730549DEST_PATH_IMAGE028
为Y方向加速度。
进一步地，所述交互式多模型计算流程如下：
S21：
Figure 910995DEST_PATH_IMAGE029
时刻，对于算法模型集中的任意模型
Figure 635237DEST_PATH_IMAGE030
，由模型
Figure 977357DEST_PATH_IMAGE031
到模型
Figure 861917DEST_PATH_IMAGE032
的混合概率为：
Figure 236267DEST_PATH_IMAGE033
式中：
Figure 424802DEST_PATH_IMAGE034
为模型个数，
Figure 796878DEST_PATH_IMAGE035
为模型
Figure 929919DEST_PATH_IMAGE036
到模型
Figure 812687DEST_PATH_IMAGE032
的转移概率，
Figure 386887DEST_PATH_IMAGE037
为当前时刻每个滤波 器的模型概率，
Figure 461023DEST_PATH_IMAGE038
；
模型
Figure 81360DEST_PATH_IMAGE032
的混合状态估计：
Figure 141720DEST_PATH_IMAGE040
；
模型
Figure 429482DEST_PATH_IMAGE032
的混合协方差估计：
Figure 549884DEST_PATH_IMAGE042
；
S22：对于模型
Figure 421632DEST_PATH_IMAGE032
，进行卡尔曼滤波
状态预测：
Figure 144737DEST_PATH_IMAGE043
；
预测误差协方差：
Figure 693530DEST_PATH_IMAGE044
；
残差：
Figure 984835DEST_PATH_IMAGE045
；
卡尔曼增益：
Figure 845343DEST_PATH_IMAGE046
；
状态更新：
Figure 372139DEST_PATH_IMAGE047
；
预测误差协方差更新：
Figure 244281DEST_PATH_IMAGE048
；
S23：模型概率更新
采用似然函数更新模型概率
Figure 660481DEST_PATH_IMAGE037
，模型
Figure 618072DEST_PATH_IMAGE032
的似然函数为
Figure 214139DEST_PATH_IMAGE049
；
模型
Figure 65420DEST_PATH_IMAGE050
的概率更新为
Figure 698527DEST_PATH_IMAGE051
，
其中
Figure 49741DEST_PATH_IMAGE052
，
S24、输出融合，
状态估计：
Figure 59285DEST_PATH_IMAGE053
；
协方差估计：
Figure 765073DEST_PATH_IMAGE055
。
进一步地，所述步骤S3中卡尔曼滤波模型的计算流程如下：
预测阶段：
Figure 693715DEST_PATH_IMAGE056
式中，
Figure 360319DEST_PATH_IMAGE057
为状态估计空间，
Figure 298188DEST_PATH_IMAGE058
为状态转移矩阵，
Figure 999428DEST_PATH_IMAGE059
为状态协方差矩阵，
Figure 600436DEST_PATH_IMAGE060
为过程噪声矩阵，
Figure 613391DEST_PATH_IMAGE061
为目标预测状态，
Figure 89372DEST_PATH_IMAGE062
为目标预测协方 差矩阵；
更新阶段：
Figure 910698DEST_PATH_IMAGE064
；
Figure 181142DEST_PATH_IMAGE065
为测量方程的噪声，
Figure 445508DEST_PATH_IMAGE066
为卡尔曼增益矩阵，
Figure 600546DEST_PATH_IMAGE067
为测量矩阵。
进一步地，所述步骤S4的具体过程如下：
S41：计算备份目标
Figure 401011DEST_PATH_IMAGE002
的跟踪滑窗长度
Figure 983302DEST_PATH_IMAGE068
并与目标检测跟踪的最小滑窗长度
Figure 236429DEST_PATH_IMAGE069
比较，当
Figure 788633DEST_PATH_IMAGE070
时对备份目标进行裁决；
S42：计算备份目标
Figure 584551DEST_PATH_IMAGE002
的检测概率
Figure 698263DEST_PATH_IMAGE071
，
Figure 579631DEST_PATH_IMAGE072
；
S43：计算备份目标
Figure 669947DEST_PATH_IMAGE002
的似然比
Figure 445005DEST_PATH_IMAGE073
，
Figure 369099DEST_PATH_IMAGE074
；
其中，
Figure 331238DEST_PATH_IMAGE075
为备份目标
Figure 366190DEST_PATH_IMAGE002
至
Figure 765729DEST_PATH_IMAGE029
时刻的关联点迹量测集合，
Figure 860724DEST_PATH_IMAGE076
表示假设备份目标
Figure 575739DEST_PATH_IMAGE002
来源于真实目标事件，
Figure 414382DEST_PATH_IMAGE077
表示假设备份目标
Figure 898453DEST_PATH_IMAGE002
来源于真实目标的归一化概率，
Figure 288983DEST_PATH_IMAGE078
表示假设备份目标
Figure 101081DEST_PATH_IMAGE002
来源于杂波事件，
Figure 103934DEST_PATH_IMAGE079
表示假设备份目标
Figure 583457DEST_PATH_IMAGE002
来源于杂波的 归一化概率；
S44、对备份目标
Figure 144889DEST_PATH_IMAGE002
进行裁决，裁决约束条件为：
Figure 709862DEST_PATH_IMAGE080
其中，
Figure 749362DEST_PATH_IMAGE081
为真实目标存在的最小检测概率，
Figure 942446DEST_PATH_IMAGE082
为真实目标存在的最小似然比， 若备份目标
Figure 550145DEST_PATH_IMAGE002
不满足裁决约束条件，则执行步骤S5；
S45、计算备份目标
Figure 225584DEST_PATH_IMAGE002
的检测生存时间
Figure 209720DEST_PATH_IMAGE083
并与备份目标最大检测跟踪时间
Figure 522890DEST_PATH_IMAGE084
比 较，若
Figure 301490DEST_PATH_IMAGE085
成立，则删除备份目标
Figure 965689DEST_PATH_IMAGE002
。
进一步地，所述步骤S5中采用时间和空间隶属度在备份目标
Figure 346992DEST_PATH_IMAGE002
中进行匹配。
进一步地，所述步骤S5的具体过程如下：
S51：计算跟踪目标
Figure 655614DEST_PATH_IMAGE001
丢失时间和创建备份目标
Figure 870695DEST_PATH_IMAGE002
的时间差
Figure 523655DEST_PATH_IMAGE086
；
S52：计算跟踪目标
Figure 443069DEST_PATH_IMAGE001
丢失时，备份目标
Figure 340618DEST_PATH_IMAGE002
出现概率
Figure 851234DEST_PATH_IMAGE087
，
Figure 958867DEST_PATH_IMAGE088
其中
Figure 822918DEST_PATH_IMAGE089
为跟踪目标
Figure 192283DEST_PATH_IMAGE001
的新息协方差，
Figure 608221DEST_PATH_IMAGE090
为备份目标
Figure 344096DEST_PATH_IMAGE002
的新息；
S53：若
Figure 136471DEST_PATH_IMAGE091
且备份目标
Figure 8612DEST_PATH_IMAGE002
创建状态
Figure 595451DEST_PATH_IMAGE092
，在满足上述条件的备份目标
Figure 818622DEST_PATH_IMAGE002
中选择出现概率
Figure 650574DEST_PATH_IMAGE087
最大的备份目标作为跟踪目标
Figure 642801DEST_PATH_IMAGE001
的匹配目标
Figure 666121DEST_PATH_IMAGE008
；
S54：根据匹配目标
Figure 376588DEST_PATH_IMAGE008
对跟踪目标
Figure 245187DEST_PATH_IMAGE001
完成状态估计更新。
S51是时间约束条件，S52采用出现概率描述进行空间约束。
进一步地，点迹只要不满足下面公式，就可以创建备份目标，所述步骤S6的具体过程如下：
S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标
Figure 357499DEST_PATH_IMAGE001
的 距离差
Figure 286141DEST_PATH_IMAGE093
和方位差
Figure 483904DEST_PATH_IMAGE094
，并与距离保护空间范围
Figure 389150DEST_PATH_IMAGE095
、方位保护空间范围
Figure 215023DEST_PATH_IMAGE096
相 比较，若
Figure 314566DEST_PATH_IMAGE097
则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的
Figure 734047DEST_PATH_IMAGE098
的状 态，设置条件为：
Figure 210027DEST_PATH_IMAGE099
。
有益效果：与现有技术相比，本发明的优点在于：本发明通过分析目标跟踪环境实现目标运动态势感知，以时间、空间多隶属度参数关系对跟踪目标进行智能匹配，提高了目标跟踪的连续性，与传统的调整协方差法和多假设法，降低了目标跟踪错误概率，减少了人工干预，提高了目标跟踪实时性。
附图说明
图1是本发明的智能匹配算法处理流程图；
图2是本发明目标裁决处理流程图；
图3是目标丢失匹配算法流程图；
图4是目标跟踪滑窗的示意图；
图5是目标丢失回波场景下的目标自动匹配示意图；
图6是目标机动丢失回波场景下的目标自动匹配示意图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示的多隶属度的目标智能匹配算法，包括：
S1：雷达跟踪目标过程中，建立以跟踪目标
Figure 765773DEST_PATH_IMAGE001
为中心的邻域空间，实现跟踪目标环 境感知；
S2：在雷达当前扫描周期中，对跟踪目标
Figure 803262DEST_PATH_IMAGE001
利用交互式多模型算法进行跟踪和状 态估计；
S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 710038DEST_PATH_IMAGE002
，
Figure 724130DEST_PATH_IMAGE003
，利用卡尔 曼滤波模型进行检测跟踪和状态估计，
Figure 665542DEST_PATH_IMAGE004
是邻域空间备份目标个数；
S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 372466DEST_PATH_IMAGE002
进行裁决，删除虚假目标 航迹和独立点航迹，保留真实目标航迹；
S5：当跟踪目标
Figure 766539DEST_PATH_IMAGE001
检测概率
Figure 584322DEST_PATH_IMAGE007
（
Figure 114660DEST_PATH_IMAGE006
为目标检测丢失概率），以时间、空间等多 隶属度在备份目标
Figure 496881DEST_PATH_IMAGE002
中进行匹配，选择最优的邻域目标
Figure 378249DEST_PATH_IMAGE008
作为跟踪目标
Figure 265303DEST_PATH_IMAGE002
，提高目标跟踪 连续性；
S6：当雷达当前扫描周期中，对邻域空间中的非目标关联点迹起始备份目标；
S7：重复S2~S6。
具体地，步骤S1：邻域空间可设置成以跟踪目标为圆心的圆空间或者以跟踪目标为中心的矩形空间，可利用配置参数进行切换。
定义邻域空间参数NbSpaceCfg数据结构如下：
NbSpaceCfg.Type; //目标邻域空间类别: 1表示圆空间，2表示矩形空间
NbSpaceCfg.radius; //圆空间半径距离
NbSpaceCfg.xMaxDis; //在笛卡尔系下，矩形空间到跟踪目标中心的X方向最大距离
NbSpaceCfg.yMaxDis; //在笛卡尔系下，矩形空间到跟踪目标中心的Y方向最大距离。
步骤S2：本发明中，跟踪目标
Figure 915727DEST_PATH_IMAGE100
采用交互式多模型方法，模型数
Figure 698875DEST_PATH_IMAGE009
，一种为匀速运 动跟踪模型，一种为机动跟踪模型，其状态转移矩阵分别为
Figure 67540DEST_PATH_IMAGE012
Figure 227126DEST_PATH_IMAGE013
其中，
Figure 997636DEST_PATH_IMAGE014
为雷达扫描周期，
Figure 453150DEST_PATH_IMAGE015
为机动常数；
匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
Figure 309110DEST_PATH_IMAGE016
匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
Figure 272387DEST_PATH_IMAGE017
匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
Figure 631824DEST_PATH_IMAGE018
匀速运动跟踪模型和机动跟踪模型的状态空间
Figure 22354DEST_PATH_IMAGE101
为：
Figure 100032DEST_PATH_IMAGE020
其中，
Figure 867000DEST_PATH_IMAGE021
时代表匀速运动跟踪模型，
Figure 346523DEST_PATH_IMAGE022
时代表机动跟踪模型，
Figure 406489DEST_PATH_IMAGE023
为X方向位置，
Figure 237042DEST_PATH_IMAGE024
为X方向速度，
Figure 417487DEST_PATH_IMAGE025
为X方向加速度，
Figure 876151DEST_PATH_IMAGE026
为Y方向位置，
Figure 483849DEST_PATH_IMAGE027
为Y方向速度，
Figure 660753DEST_PATH_IMAGE028
为Y方向加速度。
交互式多模型计算流程包括如下步骤：
S21：
Figure 379310DEST_PATH_IMAGE029
时刻，对于算法模型集中的任意模型
Figure 958059DEST_PATH_IMAGE030
，由模型
Figure 2238DEST_PATH_IMAGE031
到模型
Figure 902324DEST_PATH_IMAGE032
的混合概率为：
Figure 690151DEST_PATH_IMAGE103
；
式中：
Figure 857827DEST_PATH_IMAGE034
为模型个数，
Figure 807329DEST_PATH_IMAGE035
为模型
Figure 693245DEST_PATH_IMAGE036
到模型
Figure 19184DEST_PATH_IMAGE032
的转移概率，
Figure 306946DEST_PATH_IMAGE037
为当前时刻每个滤波 器的模型概率，
Figure 692928DEST_PATH_IMAGE038
；
模型
Figure 582254DEST_PATH_IMAGE032
的混合状态估计：
Figure 711884DEST_PATH_IMAGE105
；
模型
Figure 588573DEST_PATH_IMAGE032
的混合协方差估计：
Figure DEST_PATH_IMAGE106
；
S22：对于模型
Figure 473352DEST_PATH_IMAGE032
，进行卡尔曼滤波
状态预测：
Figure 68282DEST_PATH_IMAGE043
；
预测误差协方差：
Figure 1603DEST_PATH_IMAGE044
；
残差：
Figure 499842DEST_PATH_IMAGE045
；
卡尔曼增益：
Figure 227627DEST_PATH_IMAGE046
；
状态更新：
Figure 575432DEST_PATH_IMAGE047
；
预测误差协方差更新：
Figure 781285DEST_PATH_IMAGE048
。
S23：模型概率更新
采用似然函数更新模型概率
Figure 898146DEST_PATH_IMAGE037
，模型
Figure 62411DEST_PATH_IMAGE032
的似然函数为
Figure 507299DEST_PATH_IMAGE049
；
模型
Figure 641477DEST_PATH_IMAGE050
的概率更新为：
Figure 753789DEST_PATH_IMAGE051
，
其中
Figure 180966DEST_PATH_IMAGE052
，
S24、输出融合，
状态估计：
Figure 378729DEST_PATH_IMAGE053
；
协方差估计：
Figure 316598DEST_PATH_IMAGE107
。
在步骤S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure DEST_PATH_IMAGE108
利 用卡尔曼滤波模型进行点迹-航迹关联，实现目标检测跟踪和状态估计，
Figure 345734DEST_PATH_IMAGE109
是邻域空间备份 目标个数；
预测阶段：
Figure 445277DEST_PATH_IMAGE056
式中，
Figure 130336DEST_PATH_IMAGE057
为状态估计空间，
Figure 747262DEST_PATH_IMAGE058
为状态转移矩阵，
Figure 194687DEST_PATH_IMAGE059
为状态协方差矩阵，
Figure 606076DEST_PATH_IMAGE060
为过程噪声矩阵，
Figure 637486DEST_PATH_IMAGE061
为目标预测状态，
Figure 526945DEST_PATH_IMAGE062
为目标预测协方 差矩阵；
更新阶段：
Figure DEST_PATH_IMAGE110
；
Figure 920886DEST_PATH_IMAGE065
为测量方程的噪声，
Figure 237598DEST_PATH_IMAGE066
为卡尔曼增益矩阵，
Figure 260698DEST_PATH_IMAGE067
为测量矩阵。
步骤S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 953848DEST_PATH_IMAGE002
进行裁决，删除虚假 目标航迹和独立点航迹，保留真实目标航迹。具体步骤如下：
S41：计算备份目标
Figure 874399DEST_PATH_IMAGE002
的跟踪滑窗长度
Figure 627592DEST_PATH_IMAGE068
并与目标检测跟踪的最小滑窗长度
Figure 774539DEST_PATH_IMAGE069
比较，当
Figure 130434DEST_PATH_IMAGE070
时对备份目标进行裁决；
S42：计算备份目标
Figure 780858DEST_PATH_IMAGE002
的检测概率
Figure 829586DEST_PATH_IMAGE071
，
Figure 463830DEST_PATH_IMAGE072
；
S43：计算备份目标
Figure 124880DEST_PATH_IMAGE002
的似然比
Figure 629811DEST_PATH_IMAGE073
，
Figure 849440DEST_PATH_IMAGE074
；
其中，
Figure 705400DEST_PATH_IMAGE075
为备份目标
Figure 403098DEST_PATH_IMAGE002
至
Figure 28114DEST_PATH_IMAGE029
时刻的关联点迹量测集合，
Figure 559590DEST_PATH_IMAGE076
表示假设备份目标
Figure 761901DEST_PATH_IMAGE002
来源于真实目标事件，
Figure 404235DEST_PATH_IMAGE077
表示假设备份目标
Figure 506927DEST_PATH_IMAGE002
来源于真实目标的归一化概率，
Figure 943724DEST_PATH_IMAGE078
表示假设备份目标
Figure 633332DEST_PATH_IMAGE002
来源于杂波事件，
Figure 548198DEST_PATH_IMAGE079
表示假设备份目标
Figure 538020DEST_PATH_IMAGE002
来源于杂波的 归一化概率；
S44、对备份目标
Figure 145718DEST_PATH_IMAGE002
进行裁决，裁决约束条件为：
Figure 322622DEST_PATH_IMAGE080
其中，
Figure 41179DEST_PATH_IMAGE081
为真实目标存在的最小检测概率，
Figure 121393DEST_PATH_IMAGE082
为真实目标存在的最小似然比， 若备份目标
Figure 899993DEST_PATH_IMAGE002
不满足裁决约束条件，则执行步骤S5；
S45、计算备份目标
Figure 705138DEST_PATH_IMAGE002
的检测生存时间
Figure 352020DEST_PATH_IMAGE083
并与备份目标最大检测跟踪时间
Figure 660642DEST_PATH_IMAGE084
比 较，若
Figure 734777DEST_PATH_IMAGE085
成立，则删除备份目标
Figure 496059DEST_PATH_IMAGE002
。
步骤5：当跟踪目标
Figure 946632DEST_PATH_IMAGE001
检测概率
Figure 375340DEST_PATH_IMAGE007
时，
Figure 113052DEST_PATH_IMAGE006
为目标检测丢失概率，以时间、空间等 多隶属度在备份目标
Figure 627210DEST_PATH_IMAGE002
中进行匹配，选择最优的邻域目标
Figure 615895DEST_PATH_IMAGE008
作为跟踪目标
Figure 633529DEST_PATH_IMAGE001
，提高目标跟 踪连续性。具体步骤如下：
S51：计算跟踪目标
Figure 315046DEST_PATH_IMAGE001
丢失时间和创建备份目标
Figure 50921DEST_PATH_IMAGE002
的时间差
Figure 577717DEST_PATH_IMAGE086
；
S52：计算跟踪目标
Figure 981017DEST_PATH_IMAGE001
丢失时，备份目标
Figure 708801DEST_PATH_IMAGE002
出现概率
Figure 292492DEST_PATH_IMAGE087
，
Figure 763924DEST_PATH_IMAGE088
其中
Figure 146364DEST_PATH_IMAGE089
为跟踪目标
Figure 513892DEST_PATH_IMAGE001
的新息协方差，
Figure 614572DEST_PATH_IMAGE090
为备份目标
Figure 624116DEST_PATH_IMAGE002
的新息；
S53：若
Figure 595483DEST_PATH_IMAGE091
且备份目标
Figure 665070DEST_PATH_IMAGE002
创建状态
Figure 220423DEST_PATH_IMAGE092
，在满足上述条件的备份目标
Figure 33658DEST_PATH_IMAGE002
中选择出现概率
Figure 125111DEST_PATH_IMAGE087
最大的备份目标作为跟踪目标
Figure 100020DEST_PATH_IMAGE001
的匹配目标
Figure 50659DEST_PATH_IMAGE008
；
S54：根据匹配目标
Figure 526639DEST_PATH_IMAGE008
对跟踪目标
Figure 347965DEST_PATH_IMAGE001
完成状态估计更新。
S6：当雷达当前扫描周期中，对邻域空间中的非目标关联点迹进行备份目标
Figure 618409DEST_PATH_IMAGE002
起 始。具体步骤如下：
S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标
Figure 525185DEST_PATH_IMAGE001
的 距离差
Figure 306322DEST_PATH_IMAGE093
和方位差
Figure 982154DEST_PATH_IMAGE094
，并与距离保护空间范围
Figure 689079DEST_PATH_IMAGE095
、方位保护空间范围
Figure 83151DEST_PATH_IMAGE096
相 比较，若
Figure 900934DEST_PATH_IMAGE097
则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的
Figure 696852DEST_PATH_IMAGE098
的状 态，设置条件为：
Figure 840257DEST_PATH_IMAGE099
。
S7：重复步骤2~步骤6。
如图5所示，对跟踪目标采用匀速运动跟踪模型进行跟踪和状态估计，雷达量测点迹与目标轨迹在目标丢失回波场景下的目标自动匹配；如图6所示，对跟踪目标采用机动跟踪模型，雷达量测点迹与目标轨迹在机动丢失回波场景下自动匹配。与传统的调整协方差法和多假设法，降低了目标跟踪错误概率，减少了人工干预，提高了目标跟踪实时性。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (9)

1.一种多隶属度的目标智能匹配算法，其特征在于，包括如下步骤：
S1：雷达跟踪目标过程中，配置以跟踪目标
Figure 44349DEST_PATH_IMAGE001
为中心的邻域空间，对跟踪目标进行环境 感知；
S2：在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标
Figure 400244DEST_PATH_IMAGE001
进行点迹-航迹关联， 实现目标跟踪和状态估计；
S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 175302DEST_PATH_IMAGE002
，
Figure 99396DEST_PATH_IMAGE003
，
Figure 97088DEST_PATH_IMAGE004
是邻域空间 备份目标个数，利用卡尔曼滤波模型进行点迹-航迹关联，实现目标检测跟踪和状态估计；
S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 132041DEST_PATH_IMAGE002
进行裁决，删除虚假目标航迹 和独立点航迹，保留真实目标航迹；
S5：计算跟踪目标
Figure 496026DEST_PATH_IMAGE001
的检测概率
Figure 856600DEST_PATH_IMAGE005
并与目标检测丢失概率
Figure 306036DEST_PATH_IMAGE006
进行比较，当
Figure 144679DEST_PATH_IMAGE007
时，跟 踪目标
Figure 894329DEST_PATH_IMAGE001
丢失，在备份目标
Figure 160225DEST_PATH_IMAGE002
中选择最优的邻域目标
Figure 864001DEST_PATH_IMAGE008
匹配为跟踪目标
Figure 240756DEST_PATH_IMAGE001
，并对匹配后的 跟踪目标
Figure 844913DEST_PATH_IMAGE001
完成状态估计更新；
S6：在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标
Figure 281710DEST_PATH_IMAGE002
；
S7：重复步骤S2至 S6，直至删除跟踪目标
Figure 236897DEST_PATH_IMAGE001
。
2.根据权利要求1所述的多隶属度的目标智能匹配算法，其特征在于：所述步骤S1中邻 域空间配置成以跟踪目标
Figure 417342DEST_PATH_IMAGE001
为圆心的圆空间或者以跟踪目标
Figure 141585DEST_PATH_IMAGE001
为中心的矩形空间，两种空 间能够通过配置参数进行切换。
3.根据权利要求2所述的多隶属度的目标智能匹配算法，其特征在于：所述步骤S2中交 互式多模型算法的模型数
Figure 749284DEST_PATH_IMAGE009
，分别为匀速运动跟踪模型和机动跟踪模型，匀速运动跟踪模 型的状态转移矩阵为
Figure 159143DEST_PATH_IMAGE010
，机动跟踪模型的状态转移矩阵为
Figure 143280DEST_PATH_IMAGE011
：
Figure 722028DEST_PATH_IMAGE012
，
Figure 235049DEST_PATH_IMAGE013
其中，
Figure 368090DEST_PATH_IMAGE014
为雷达扫描周期，
Figure 14972DEST_PATH_IMAGE015
为机动常数；
匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
Figure 323594DEST_PATH_IMAGE016
；
匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
Figure 899194DEST_PATH_IMAGE017
；
匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
Figure 926056DEST_PATH_IMAGE018
；
匀速运动跟踪模型和机动跟踪模型的状态空间
Figure 845470DEST_PATH_IMAGE019
为：
Figure 274178DEST_PATH_IMAGE020
；
其中，
Figure 519214DEST_PATH_IMAGE021
时代表匀速运动跟踪模型，
Figure 767793DEST_PATH_IMAGE022
时代表机动跟踪模型，
Figure 756478DEST_PATH_IMAGE023
为X方向位置，
Figure 39691DEST_PATH_IMAGE024
为 X方向速度，
Figure 948305DEST_PATH_IMAGE025
为X方向加速度，
Figure 684180DEST_PATH_IMAGE026
为Y方向位置，
Figure 210976DEST_PATH_IMAGE027
为Y方向速度，
Figure 614276DEST_PATH_IMAGE028
为Y方向加速度。
4.根据权利要求3所述的多隶属度的目标智能匹配算法，其特征在于：所述交互式多模型计算流程如下：
S21：
Figure 935536DEST_PATH_IMAGE029
时刻，对于算法模型集中的任意模型
Figure 283340DEST_PATH_IMAGE030
，由模型
Figure 754773DEST_PATH_IMAGE031
到模型
Figure 107519DEST_PATH_IMAGE032
的 混合概率为：
Figure 740626DEST_PATH_IMAGE033
式中：
Figure 310147DEST_PATH_IMAGE034
为模型个数，
Figure 444325DEST_PATH_IMAGE035
为模型
Figure 884534DEST_PATH_IMAGE036
到模型
Figure 954121DEST_PATH_IMAGE032
的转移概率，
Figure 243895DEST_PATH_IMAGE037
为当前时刻每个滤波器 的模型概率，
Figure 57130DEST_PATH_IMAGE038
；
模型
Figure 883004DEST_PATH_IMAGE032
的混合状态估计：
Figure 123492DEST_PATH_IMAGE039
；
模型
Figure 667606DEST_PATH_IMAGE032
的混合协方差估计：
Figure 18953DEST_PATH_IMAGE040
；
S22：对于模型
Figure 699333DEST_PATH_IMAGE032
，进行卡尔曼滤波
状态预测：
Figure 736821DEST_PATH_IMAGE041
；
预测误差协方差：
Figure 643597DEST_PATH_IMAGE042
；
残差：
Figure 923269DEST_PATH_IMAGE043
；
卡尔曼增益：
Figure 333522DEST_PATH_IMAGE044
；
状态更新：
Figure 40447DEST_PATH_IMAGE045
；
预测误差协方差更新：
Figure 434519DEST_PATH_IMAGE046
；
S23：模型概率更新
采用似然函数更新模型概率
Figure 252302DEST_PATH_IMAGE037
，模型
Figure 48220DEST_PATH_IMAGE032
的似然函数为
Figure 164861DEST_PATH_IMAGE047
；
模型
Figure 905284DEST_PATH_IMAGE048
的概率更新为
Figure 402125DEST_PATH_IMAGE049
，
其中，
Figure 177183DEST_PATH_IMAGE050
S24、输出融合，
状态估计：
Figure 101276DEST_PATH_IMAGE051
；
协方差估计：
Figure 63416DEST_PATH_IMAGE052
。
5.根据权利要求4所述的多隶属度的目标智能匹配算法，其特征在于：所述步骤S3中卡尔曼滤波模型的计算流程如下：
预测阶段：
Figure 458888DEST_PATH_IMAGE053
式中，
Figure 963818DEST_PATH_IMAGE054
为状态估计空间，
Figure 183447DEST_PATH_IMAGE055
为状态转移矩阵，
Figure 773828DEST_PATH_IMAGE056
为 状态协方差矩阵，
Figure 737105DEST_PATH_IMAGE057
为过程噪声矩阵，
Figure 362122DEST_PATH_IMAGE058
为目标预测状态，
Figure 752652DEST_PATH_IMAGE059
为目标预测协方差矩 阵；
更新阶段：
Figure 187919DEST_PATH_IMAGE060
；
Figure 299094DEST_PATH_IMAGE061
为测量方程的噪声，
Figure 903251DEST_PATH_IMAGE062
为卡尔曼增益矩阵，
Figure 340048DEST_PATH_IMAGE063
为测量矩阵。
6.根据权利要求5所述的多隶属度的目标智能匹配算法，其特征在于：所述步骤S4的具体过程如下：
S41：计算备份目标
Figure 29656DEST_PATH_IMAGE002
的跟踪滑窗长度
Figure 210101DEST_PATH_IMAGE064
并与目标检测跟踪的最小滑窗长度
Figure 668765DEST_PATH_IMAGE065
比较， 当
Figure 276463DEST_PATH_IMAGE066
时对备份目标进行裁决；
S42：计算备份目标
Figure 954832DEST_PATH_IMAGE002
的检测概率
Figure 938968DEST_PATH_IMAGE067
，
Figure 252138DEST_PATH_IMAGE068
；
S43：计算备份目标
Figure 889793DEST_PATH_IMAGE002
的似然比
Figure 429358DEST_PATH_IMAGE069
，
Figure 810661DEST_PATH_IMAGE070
；
其中，
Figure 306951DEST_PATH_IMAGE071
为备份目标
Figure 256452DEST_PATH_IMAGE002
至
Figure 142368DEST_PATH_IMAGE029
时刻的关联点迹量测集合，
Figure 468307DEST_PATH_IMAGE072
表示假设备份目标
Figure 756069DEST_PATH_IMAGE002
来 源于真实目标事件，
Figure 142051DEST_PATH_IMAGE073
表示假设备份目标
Figure 984105DEST_PATH_IMAGE002
来源于真实目标的归一化概率，
Figure 474255DEST_PATH_IMAGE074
表示假设备份目标
Figure 491889DEST_PATH_IMAGE002
来源于杂波事件，
Figure 642248DEST_PATH_IMAGE075
表示假设备份目标
Figure 502757DEST_PATH_IMAGE002
来源于杂波的归 一化概率；
S44、对备份目标
Figure 170498DEST_PATH_IMAGE002
进行裁决，裁决约束条件为：
Figure 432852DEST_PATH_IMAGE076
其中，
Figure 895058DEST_PATH_IMAGE077
为真实目标存在的最小检测概率，
Figure 741398DEST_PATH_IMAGE078
为真实目标存在的最小似然比，若备份 目标
Figure 947251DEST_PATH_IMAGE002
不满足裁决约束条件，则执行步骤S5；
S45、计算备份目标
Figure 798532DEST_PATH_IMAGE002
的检测生存时间
Figure 697218DEST_PATH_IMAGE079
并与备份目标最大检测跟踪时间
Figure 532319DEST_PATH_IMAGE080
比较，若
Figure 276284DEST_PATH_IMAGE081
成立，则删除备份目标
Figure 513231DEST_PATH_IMAGE002
。
7.根据权利要求6所述的多隶属度的目标智能匹配算法，其特征在于：所述步骤S5中采 用时间和空间隶属度在备份目标
Figure 317238DEST_PATH_IMAGE002
中进行匹配。
8.根据权利要求7所述的多隶属度的目标智能匹配算法，其特征在于：所述步骤S5的具体过程如下：
S51：计算跟踪目标
Figure 875521DEST_PATH_IMAGE001
丢失时间和创建备份目标
Figure 688756DEST_PATH_IMAGE002
的时间差
Figure 514630DEST_PATH_IMAGE082
；
S52：计算跟踪目标
Figure 879752DEST_PATH_IMAGE001
丢失时，备份目标
Figure 299232DEST_PATH_IMAGE002
出现概率
Figure 775213DEST_PATH_IMAGE083
，
Figure 596538DEST_PATH_IMAGE084
其中
Figure 636956DEST_PATH_IMAGE085
为跟踪目标
Figure 543732DEST_PATH_IMAGE001
的新息协方差，
Figure 557825DEST_PATH_IMAGE086
为备份目标
Figure 233657DEST_PATH_IMAGE002
的新息；
S53：若
Figure 206161DEST_PATH_IMAGE087
且备份目标
Figure 334654DEST_PATH_IMAGE002
创建状态
Figure 886858DEST_PATH_IMAGE088
，在满足上述条件的备份目标
Figure 777716DEST_PATH_IMAGE002
中选 择出现概率
Figure 655542DEST_PATH_IMAGE083
最大的备份目标作为跟踪目标
Figure 222396DEST_PATH_IMAGE001
的匹配目标
Figure 312712DEST_PATH_IMAGE008
；
S54：根据匹配目标
Figure 822191DEST_PATH_IMAGE008
对跟踪目标
Figure 74180DEST_PATH_IMAGE001
完成状态估计更新。
9.根据权利要求8所述的多隶属度的目标智能匹配算法，其特征在于：所述步骤S6的具体过程如下：
S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标
Figure 537785DEST_PATH_IMAGE001
的距离 差
Figure 166213DEST_PATH_IMAGE089
和方位差
Figure 264619DEST_PATH_IMAGE090
，并与距离保护空间范围
Figure 421930DEST_PATH_IMAGE091
、方位保护空间范围
Figure 98463DEST_PATH_IMAGE092
相比较， 若
Figure 796160DEST_PATH_IMAGE093
则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的
Figure 14652DEST_PATH_IMAGE094
的状态，设 置条件为：
Figure 139603DEST_PATH_IMAGE095
。
CN202111287161.XA 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法 Active CN113721237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111287161.XA CN113721237B (zh) 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111287161.XA CN113721237B (zh) 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法

Publications (2)

Publication Number Publication Date
CN113721237A true CN113721237A (zh) 2021-11-30
CN113721237B CN113721237B (zh) 2022-02-08

Family

ID=78686414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111287161.XA Active CN113721237B (zh) 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法

Country Status (1)

Country Link
CN (1) CN113721237B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030200065A1 (en) * 2001-04-20 2003-10-23 Li Luo Wen Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms
CN101614817A (zh) * 2009-06-24 2009-12-30 北京航空航天大学 一种基于地面动目标指示雷达系统的多目标跟踪方法
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN106249232A (zh) * 2016-08-24 2016-12-21 中国电子科技集团公司第二十八研究所 基于目标运动态势信息数据关联策略的目标跟踪方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN109508000A (zh) * 2018-12-16 2019-03-22 西南电子技术研究所（中国电子科技集团公司第十研究所） 异构多传感器多目标跟踪方法
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
CN112233145A (zh) * 2020-10-23 2021-01-15 湖南工程学院 一种基于rgb-d时空上下文模型的多目标遮挡跟踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030200065A1 (en) * 2001-04-20 2003-10-23 Li Luo Wen Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms
CN101614817A (zh) * 2009-06-24 2009-12-30 北京航空航天大学 一种基于地面动目标指示雷达系统的多目标跟踪方法
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN106249232A (zh) * 2016-08-24 2016-12-21 中国电子科技集团公司第二十八研究所 基于目标运动态势信息数据关联策略的目标跟踪方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN109508000A (zh) * 2018-12-16 2019-03-22 西南电子技术研究所（中国电子科技集团公司第十研究所） 异构多传感器多目标跟踪方法
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
CN112233145A (zh) * 2020-10-23 2021-01-15 湖南工程学院 一种基于rgb-d时空上下文模型的多目标遮挡跟踪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
KEJUN LIN等: "Kalman Filter-based Multi-Object Tracking Algorithm by Collaborative Multi-Feature", 《2017 IEEE 2ND ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC)》 *
侯磊: "机动目标跟踪算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
廖圣龙 等: "基于特征匹配的机场场面目标跟踪", 《ELECTRONICS WORLD・探索与观察》 *
高洁 等: "一种基于动态规划的机动目标检测前跟踪方法", 《测控技术与仪器仪表》 *
黄鑫: "分布式穿墙雷达目标跟踪技术", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN113721237B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN109633589A (zh) 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
US7079991B2 (en) Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms
CN109946671B (zh) 一种基于双门限判决的水下机动弱目标检测跟踪方法
CN109298725B (zh) 一种基于phd滤波的群体机器人分布式多目标跟踪方法
Lan et al. An EM algorithm for multipath state estimation in OTHR target tracking
CN107436434B (zh) 基于双向多普勒估计的航迹起始方法
CN107064865B (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
CN113671481B (zh) 一种基于毫米波雷达的3d多目标跟踪处理方法
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
CN114049382A (zh) 一种智能网联环境下目标融合跟踪方法、系统和介质
Wang et al. An adaptive particle swarm optimization for underwater target tracking in forward looking sonar image sequences
Wang et al. Greedy algorithm-based track-before-detect in radar systems
Xia et al. Extended object tracking with automotive radar using learned structural measurement model
CN113721237B (zh) 一种多隶属度的目标智能匹配算法
Yoo et al. Alpha–beta-tracking index (α–β–Λ) tracking filter
CN117433538A (zh) 一种多源异构传感器航迹融合方法
Coraluppi et al. Recent advances in multi-INT track fusion
CN116184386A (zh) 一种目标跟踪方法、设备和存储介质
Seget et al. Multi-hypothesis tracking and fusion techniques for multistatic active sonar systems
CN114325686B (zh) 基于smc-phd滤波器的多目标跟踪方法
Baek et al. Grid-based target estimation scheme for passive coherent location system
Yang Review of Target Tracking Algorithms Based on Bayes Filtering
Perera et al. A gm-phd filter with estimation of probability of detection and survival for individual targets
CN116299254B (zh) 一种被动雷达寻的器的目标跟踪方法
Zhang et al. Multisensor management method for ground moving target tracking based on Doppler blind zone information

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province

Patentee after: Nanjing Thunderbolt Information Technology Co.,Ltd.

Address before: 210000 15 Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province

Patentee before: NANJING LEADING INFORMATION TECHNOLOGY Co.,Ltd.