CN114609634B - 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法 - Google Patents

一种基于阴影的交互式多模型下的视频sar多目标跟踪方法 Download PDF

Info

Publication number
CN114609634B
CN114609634B CN202210274455.7A CN202210274455A CN114609634B CN 114609634 B CN114609634 B CN 114609634B CN 202210274455 A CN202210274455 A CN 202210274455A CN 114609634 B CN114609634 B CN 114609634B
Authority
CN
China
Prior art keywords
model
target
frame
moving
targets
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
CN202210274455.7A
Other languages
English (en)
Other versions
CN114609634A (zh
Inventor
皮亦鸣
钟亚
闵锐
李晋
蒋佳成
张家豪
杨晓波
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210274455.7A priority Critical patent/CN114609634B/zh
Publication of CN114609634A publication Critical patent/CN114609634A/zh
Application granted granted Critical
Publication of CN114609634B publication Critical patent/CN114609634B/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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • 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
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Electromagnetism (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于视频SAR多目标跟踪技术领域，具体涉及一种基于阴影的交互式多模型下的视频SAR多目标跟踪方法。本发明的方法：首先，根据视频SAR阴影检测结果，获取图像域中多个运动目标的位置信息，然后针对视频SAR成像结果中多目标的机动情况，建立基于交互式IMM多模型的运动模型，并利用卡尔曼滤波器来预测下一帧运动目标的状态信息，最后根据相邻帧间运动目标的帧间信息变化建立相似函数，来进行多目标之间的匹配，实现跟踪过程。这种算法针对视频SAR实际场景中运动目标机动情况的复杂性，其目标运动模型时刻机动变化，将对机动目标的跟踪由单模型转换为多模型，使用多运动模型的优势有效的降低了对机动目标的跟踪误差。

Description

一种基于阴影的交互式多模型下的视频SAR多目标跟踪方法
技术领域
本发明属于视频SAR多目标跟踪技术领域，具体涉及一种基于阴影的交互式多模型下的视频SAR多目标跟踪方法。
背景技术
视频SAR能够以视频的形式对目标区域和图像进行连续观测，其成像帧率大于5Hz，它在实时军事攻击和跟踪运动目标方面具有很大的优势，视频合成孔径雷达一经提出就成为研究热点。视频SAR采用太赫兹频段，相同分辨率条件下对目标的成像时间较传统低波段SAR大幅度缩短，具备了视频级侦察的能力，可连续不间断地对目标进行成像监视，并以视频流的形式输出。由于视频SAR采用的太赫兹波段的低端部分，原则上仍属于毫米波波段，因此对云雾、烟尘仍具有较强的穿透性，不依赖日照光强和能见度因素，环境适应性较强。利用视频SAR的成像结果，相邻帧图像中动目标连续变化，可有效检测运动目标并进行跟踪。视频SAR的动目标检测与跟踪在军事上对于战场敌情侦测占领主动权具有重大的战略意义，具备巨大的研究价值和前景，广泛应用于陆地观测、军事侦察、灾害监测等诸多领域，有着巨大的发挥潜力。
视频SAR概念一经提出，有关研究工作越来越受到关注，视频SAR运动目标的检测跟踪成为视频SAR成像技术的重要研究方向之一。但整体来说，研究仍然处于起步阶段。目标运动导致视频SAR的成像结果偏离真实位置，但运动目标形成的阴影可以精确反应运动目标的实际位置，因此可基于目标阴影来对运动目标进行持续跟踪。
针对运动目标的持续跟踪，其关键在于目标运动模型的建立，但在实际场景中运动目标的机动情况复杂，很难用单一运动模型来描述，仅仅采用单模型自适应滤波器无法稳定、准确地跟踪高机动目标。对地面目标的运动特点进行分析，建立相应的运动模型，描述运动目标在雷达平台周围可能出现的运动状态，实现视频SAR动目标阴影状态机动自适应跟踪，具有一定的实际研究应用前景。
发明内容
基于视频SAR运动目标阴影检测结果，阴影可以表示运动目标的真实位置，从而获取多个目标的运动状态信息。本发明的目的，是针对视频SAR成像结果中多目标的机动情况，建立多个运动模型，利用卡尔曼滤波器来预测下一帧运动目标的状态信息，根据相邻帧间运动目标的变化建立相似函数，来进行多目标之间的匹配，实现跟踪过程。本发明针对实际场景中运动目标机动情况的复杂性，其目标运动模型时刻机动变化，很难用单一运动模型来描述，仅仅采用单模型滤波器无法稳定、准确地跟踪高机动目标，将对机动目标的跟踪由单模型转换为多模型，本发明有效的利用了多模型跟踪来降低机动目标跟踪误差，具体的技术方案如图1所示。
具体步骤如下：
步骤1、获取视频SAR目标的量测值。根据视频SAR阴影检测结果，获取第k帧中多个运动目标位置信息
Figure BDA0003555285490000021
其中，M表示视频SAR当前帧中运动目标数量，k表示帧数。
步骤2、建立基于交互式IMM多模型的运动模型。视频SAR实际场景中运动目标机动情况复杂性，其目标运动模型时刻机动变化。根据视频SAR中运动目标的特点，描述运动目标在雷达平台周围可能出现的匀速状态、转弯状态等，建立匀速模型、左转弯、右转弯等多个运动模型来描述运动目标Ftotal＝{F1，F2，…FN}，其中，FN表示第N个运动模型的状态转移矩阵，N表示目标运动模型数量。
步骤3、利用卡尔曼滤波器对视频SAR中的多个运动目标进行滤波估计。多模型通过交互作用来跟踪一个目标的机动运动，对该目标的N个运动模型分别建立N个卡尔曼滤波器，构成一个IMM滤波器。并对第k帧中的M个运动目标建立M个IMM滤波器同时对视频SAR场景中的多个目标进行滤波估计。
(a)第m个运动目标在第k帧的状态向量可表示为
Figure BDA0003555285490000022
其中x和y表示运动目标的位置，vx和vy表示在参考系下正交两个方向的分速度。目标的动态过程可表示为：
Figure BDA0003555285490000023
其中，Fj是该目标的第j个运动模型的状态转移矩阵，
Figure BDA0003555285490000024
是均值为0，协方差为Qj的过程噪声。
(b)假设N种运动模型按照一定的概率相互转换，从模型i转移到模型j的转移概率为pij，通过先验条件来设定。
Figure BDA0003555285490000031
是第k帧时IMM滤波器的最终的目标m状态估计值，
Figure BDA0003555285490000032
是模型j的状态估计值，uk是各个模型的概率分布情况。已知模型j在视频SAR中第k-1帧的目标m状态估计值
Figure BDA0003555285490000033
状态协方差Pj，m k-1|k-1，以及从模型i转移到模型j的模型混合概率为
Figure BDA0003555285490000034
通过交互作用获取卡尔曼滤波器的输入参数：模型j的目标m状态估计值
Figure BDA0003555285490000035
状态协方差矩阵Poj，m k-1|k-1。
Figure BDA0003555285490000036
Figure BDA0003555285490000037
(c)将
Figure BDA0003555285490000038
和Poj，m k-1|k-1作为第k帧场景中运动目标m的第j个模型滤波器的输入参数，通过卡尔曼滤波进行预测，得到目标m第j个模型的状态预测值
Figure BDA0003555285490000039
以及预测状态协方差
Figure BDA00035552854900000310
步骤4、根据视频SAR相邻帧间信息进行多目标匹配。假设第k-1帧中共有r个运动目标，第k帧中共有g个运动目标。获取第k帧中多个目标的量测值Zk，依据帧间相似性原理构建相似函数d，建立相似度矩阵cost进行多目标之间的匹配。
Figure BDA00035552854900000311
步骤5、基于匹配结果获取视频SAR运动目标跟踪结果。根据匹配结果校正卡尔曼滤波器的预测值，更新各模型的卡尔曼滤波输出。第k帧目标m的第j个模型滤波输出更新为
Figure BDA00035552854900000312
将作为第k+1帧模型j的的滤波输入参数。最后，将目标m的各模型进行融合，得到总的状态估计
Figure BDA00035552854900000313
Figure BDA00035552854900000314
最终，第k帧中目标m的跟踪结果可表示为
Figure BDA0003555285490000041
在视频SAR成像区域可标记为点
Figure BDA0003555285490000042
其中x和y表示运动目标的位置，υx和vy表示在参考系下正交两个方向的分速度。
本发明的有益效果为，相较于传统的基于视频SAR的多目标跟踪技术，对机动目标的跟踪由单模型转换为多模型，利用多个滤波器同时进行跟踪，本发明有效地降低了跟踪误差，达到了更好的跟踪效果。
附图说明
图1为本发明的流程框图；
图2为实验基于本方法的仿真效果展示；其中，(a)为使用多模型和匀速CV单模型对单个运动目标跟踪与目标真实轨迹和观测样本进行效果对比的运动轨迹，图(b)是使用两种跟踪方法对单个运动目标进行跟踪后在X方向和Y方向的位置误差，可以看出用本发明方法可以有效降低跟踪误差。
图3为实验基于本方法的仿真效果展示；其中，(a)为使用多模型进行多个运动目标跟踪与目标真实轨迹和观测样本进行效果对比的运动轨迹，图(b)是使用该跟踪方法对多个运动目标进行跟踪后在X方向和Y方向的位置误差结果。
图4为本实验的数据集的部分展示，表示视频SAR成像的原始图像，该数据集中存在7个运动目标。
图5为实验基于本方法利用图4的数据集进行多模型跟踪的实测数据效果展示，其中7个运动目标的阴影用方框标出并进行标号，以区分不同的运动目标。
具体实施方式
下面结合附图和仿真示例对本发明进行验证，以证明本发明的实用性。
仿真环境：：Intel i5-9400F处理器，Windows操作系统，MATLAB软件仿真；
数据集：采用Sandia National Laboratories发布的视频SAR成像视频数据，如附图4所示。
采用本发明的方法在MATLAB进行仿真分析，对单个运动目标进行跟踪的仿真结果如附图2所示，对多个运动目标进行跟踪的仿真结果如图3所示，其中，对单个运动目标位置进行跟踪在不同帧的仿真精度如附图2(b)所示，利用多个运动目标进行跟踪在不同帧的仿真精度如附图3(b)、(c)，其中X方向、Y方向的误差εx k、
Figure BDA0003555285490000051
分别定义为：
Figure BDA0003555285490000052
Figure BDA0003555285490000053
采用本发明的方法在MATLAB进行实测数据跟踪，其跟踪结果如附图5所示，可以看出本发明的视频SAR多运动目标跟踪有着很好的效果。

Claims (1)

1.一种基于阴影的交互式多模型下的视频SAR多目标跟踪方法，其特征在于，包括以下步骤：
步骤1、获取视频SAR目标的量测值，根据视频SAR阴影检测结果，获取第k帧中多个运动目标位置信息其中，M表示视频SAR当前帧中运动目标数量，k表示帧数；
步骤2、建立基于交互式IMM多模型的运动模型：
Ftotal＝{F1，F2，…FN}
其中，FN表示第N个运动模型的状态转移矩阵，N表示目标运动模型数量；
步骤3、对应目标的N个运动模型，分别建立N个卡尔曼滤波器，构成一个IMM滤波器，并且对第k帧中的M个运动目标建立M个IMM滤波器同时对视频SAR场景中的多个目标进行滤波估计：
a.将第m个运动目标在第k帧的状态向量表示为其中x和y表示运动目标的位置，υX和υy表示在参考系下正交两个方向的分速度，下标m和上标k指第m个运动目标和第k帧；目标的动态过程表示为：
其中，Fj是该目标的第j个运动模型的状态转移矩阵，是均值为0，协方差为Qj的过程噪声；
b.定义N个运动模型按照先验条件设定的概率相互转换，从模型i转移到模型j的转移概率为pij，定义是第k帧时IMM滤波器的最终的目标m状态估计值，是模型j的状态估计值，uk是各个模型的概率分布情况；已知模型j在视频SAR中第k-1帧的目标m状态估计值状态协方差Pj，m k-1|k-1，以及从模型i转移到模型j的模型混合概率为通过交互作用获取卡尔曼滤波器的输入参数：模型j的目标m状态估计值状态协方差矩阵Poj，m k-1|k-1：
c.将和Poj，m k-1|k-1作为第k帧场景中运动目标m的第j个模型滤波器的输入参数，通过卡尔曼滤波进行预测，得到目标m第j个模型的状态预测值以及预测状态协方差
步骤4、根据视频SAR相邻帧间信息进行多目标匹配：
定义第k-1帧中共有r个运动目标，第k帧中共有g个运动目标，获取第k帧中多个目标的量测值Zk，依据帧间相似性原理构建相似函数d，建立相似度矩阵cost进行多目标之间的匹配：
步骤5、基于匹配结果获取视频SAR运动目标跟踪结果：
根据匹配结果校正卡尔曼滤波器的预测值，更新各模型的卡尔曼滤波输出；第k帧目标m的第j个模型滤波输出更新为将作为第k+1帧模型j的滤波输入参数；将目标m的各模型进行融合，得到总的状态估计
最终，第k帧中目标m的跟踪结果表示为在视频SAR成像区域标记为点
CN202210274455.7A 2022-03-21 2022-03-21 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法 Active CN114609634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210274455.7A CN114609634B (zh) 2022-03-21 2022-03-21 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210274455.7A CN114609634B (zh) 2022-03-21 2022-03-21 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN114609634A CN114609634A (zh) 2022-06-10
CN114609634B true CN114609634B (zh) 2023-04-25

Family

ID=81865734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210274455.7A Active CN114609634B (zh) 2022-03-21 2022-03-21 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN114609634B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108957453A (zh) * 2018-07-23 2018-12-07 航天恒星科技有限公司 一种基于多目标跟踪的高精度动目标成像及识别方法
CN111580084A (zh) * 2020-05-13 2020-08-25 中国人民解放军国防科技大学 一种面向多距离扩展目标的多伯努利检测前跟踪方法
CN111650577A (zh) * 2020-06-12 2020-09-11 电子科技大学 极坐标系下含多普勒量测的机动目标跟踪方法
CN111881837A (zh) * 2020-07-29 2020-11-03 中国人民解放军国防科技大学 基于阴影提取的视频sar运动目标检测方法
CN113160280A (zh) * 2021-04-28 2021-07-23 江苏方天电力技术有限公司 一种基于激光雷达的动态多目标跟踪方法
CN113253254A (zh) * 2020-01-28 2021-08-13 安波福技术有限公司 用于多个对象跟踪的成像和雷达融合
CN113283330A (zh) * 2021-05-20 2021-08-20 南京航空航天大学 基于深度学习与多目标跟踪算法的视频sar动目标检测方法
CN113671480A (zh) * 2021-07-10 2021-11-19 亿太特(陕西)科技有限公司 雷达与视频融合交通目标跟踪方法、系统、设备、终端
CN113960587A (zh) * 2021-10-15 2022-01-21 西安电子科技大学 基于类别信息反馈的毫米波雷达多目标跟踪方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7409092B2 (en) * 2002-06-20 2008-08-05 Hrl Laboratories, Llc Method and apparatus for the surveillance of objects in images
US10339387B2 (en) * 2016-03-03 2019-07-02 Brigham Young University Automated multiple target detection and tracking system
WO2018183777A1 (en) * 2017-03-31 2018-10-04 FLIR Belgium BVBA Visually correlated radar systems and methods

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108957453A (zh) * 2018-07-23 2018-12-07 航天恒星科技有限公司 一种基于多目标跟踪的高精度动目标成像及识别方法
CN113253254A (zh) * 2020-01-28 2021-08-13 安波福技术有限公司 用于多个对象跟踪的成像和雷达融合
CN111580084A (zh) * 2020-05-13 2020-08-25 中国人民解放军国防科技大学 一种面向多距离扩展目标的多伯努利检测前跟踪方法
CN111650577A (zh) * 2020-06-12 2020-09-11 电子科技大学 极坐标系下含多普勒量测的机动目标跟踪方法
CN111881837A (zh) * 2020-07-29 2020-11-03 中国人民解放军国防科技大学 基于阴影提取的视频sar运动目标检测方法
CN113160280A (zh) * 2021-04-28 2021-07-23 江苏方天电力技术有限公司 一种基于激光雷达的动态多目标跟踪方法
CN113283330A (zh) * 2021-05-20 2021-08-20 南京航空航天大学 基于深度学习与多目标跟踪算法的视频sar动目标检测方法
CN113671480A (zh) * 2021-07-10 2021-11-19 亿太特(陕西)科技有限公司 雷达与视频融合交通目标跟踪方法、系统、设备、终端
CN113960587A (zh) * 2021-10-15 2022-01-21 西安电子科技大学 基于类别信息反馈的毫米波雷达多目标跟踪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
何志华 ; 陈兴 ; 于春锐 ; 栗子涵 ; 余安喜.一种稳健的视频SAR动目标阴影检测与跟踪处理方法.电子与信息学报.2021,第44卷(第11期),8882-8890. *
吴晓桐.视频SAR的运动目标检测与跟踪技术研究.中国优秀硕士学位论文全文数据库 (信息科技辑).2020,(第2期),I136-1765. *
曲仕茹 ; 杨红红 ; .采用Kalman_BP神经网络的视频序列多目标检测与跟踪.红外与激光工程.2013,第42卷(第09期),2553-2560. *
胡瑶.基于阴影的SAR多目标跟踪方法研究.中国优秀硕士学位论文全文数据库 (信息科技辑).2022,(第1期),I136-2222. *
许人灿,邱兆坤,姜卫东.基于DSP的雷达目标检测和跟踪方法研究.现代雷达.2003,第25卷(第02期),35-37. *

Also Published As

Publication number Publication date
CN114609634A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN109271838B (zh) 一种基于fmcw雷达的三参数特征融合手势识别方法
CN109508444B (zh) 区间量测下交互式多模广义标签多伯努利的快速跟踪方法
CN110738690A (zh) 一种基于多目标追踪框架的无人机视频中车速校正方法
CN109634309B (zh) 一种飞行器自主避障系统、方法及飞行器
CN109448023B (zh) 一种卫星视频小目标实时跟踪方法
CN111693984B (zh) 一种改进的ekf-ukf动目标跟踪方法
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统
CN112507845B (zh) 基于CenterNet与深度关联矩阵的行人多目标跟踪方法
CN111027692A (zh) 一种目标运动态势预测方法及装置
Zhai et al. Millimeter wave radar target tracking based on adaptive Kalman filter
CN111723747A (zh) 一种应用于嵌入式平台轻量型高效率的目标检测方法
CN113960587B (zh) 基于类别信息反馈的毫米波雷达多目标跟踪方法
Chang et al. Applied state estimation and association
CN115856854A (zh) 一种模型与数据混合驱动的雷达探测方法及系统
CN114442092A (zh) 一种分布式无人机sar深度学习三维成像方法
CN114609634B (zh) 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法
CN116047495B (zh) 一种用于三坐标雷达的状态变换融合滤波跟踪方法
Ebert et al. Deep radar sensor models for accurate and robust object tracking
CN113189578B (zh) 一种扩展目标跟踪方法
Jing et al. Multi-target joint detection, tracking and classification based on random finite set for aerospace applications
Braga et al. Determining the trajectory of unmanned aerial vehicles by a novel approach for the particle filter
CN115128597B (zh) 基于imm-stekf的非高斯噪声下机动目标跟踪方法
CN114545402B (zh) 一种svd求逆分裂布雷格曼的扫描雷达前视成像方法
CN114577212B (zh) 一种基于方位和频率的单站水下机动目标运动分析方法
Xu et al. A Review of Target Association Methods

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