CN116224319A - 一种毫米波雷达中针对微动和动目标的航迹重关联方法 - Google Patents

一种毫米波雷达中针对微动和动目标的航迹重关联方法 Download PDF

Info

Publication number
CN116224319A
CN116224319A CN202310016700.9A CN202310016700A CN116224319A CN 116224319 A CN116224319 A CN 116224319A CN 202310016700 A CN202310016700 A CN 202310016700A CN 116224319 A CN116224319 A CN 116224319A
Authority
CN
China
Prior art keywords
track
short
tracks
target
micro
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.)
Pending
Application number
CN202310016700.9A
Other languages
English (en)
Inventor
郭世盛
蒋美秋
罗皓蓝
崔国龙
孔令讲
杨晓波
姚禹
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 CN202310016700.9A priority Critical patent/CN116224319A/zh
Publication of CN116224319A publication Critical patent/CN116224319A/zh
Pending legal-status Critical Current

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
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种毫米波雷达中针对微动和动目标的航迹重关联方法，应用于毫米波定位跟踪技术领域，针对现有技术存在的估计的航迹缺乏连贯性的问题，本发明首先分别对短航迹状态进行动静目标判断，然后通过门限检测挑选出多组可能同源的短航迹，并且构建相应的Hankel矩阵，基于最小秩原则求解缺失航迹，然后基于定义的关联概率，使用广义线性分配模型进行航迹分配。接着更新该航迹的历史重关联次数。对于微动目标，利用历史重关联次数来更新其航迹状态和航迹信息；对于动目标，则直接更新航迹信息并且将其视作正式航迹。本发明的方法实现了动目标和微动目标的重关联。

Description

一种毫米波雷达中针对微动和动目标的航迹重关联方法
技术领域
本发明属于毫米波定位跟踪技术领域，特别涉及一种微动和动目标的断裂航迹重关联和补充技术。
背景技术
基于毫米波的目标跟踪技术主要是利用人体反射的电磁波，通过信号处理后得到包含距离、径向速度以及方位角、俯仰角等信息的量测，然后对量测进行目标跟踪算法处理，从而估计目标的实时状态以及累积轨迹，在智能驾驶、家居控制等民用产业中有广泛应用。当雷达与目标之间出现障碍物遮挡或者目标运动停止，可能造成漏检；同时，当目标之间出现交叉等动作交互，这可能造成单个目标关联全部量测，这两种情况都会导致在跟踪过程中出现目标连续多帧目标关联失败，目标提前终止航迹。在目标再次被成功聚类后，将会被视作新产生的目标，无法判断其与先前终止航迹之间的关系，并且起始新的航迹。因此，断裂航迹重关联和缺失航迹补偿在目标跟踪中非常重要。
国内外许多研究机构开展了室内目标连续跟踪的研究。英国牛津大学提出了基于目标识别的室内目标连续跟踪方法(Zhao P,et al.,"mID:Tracking and IdentifyingPeople with Millimeter Wave Radar",International Conference on DistributedComputing in Sensor Systems(DCOSS),2019,pp.33-40.)，它使用一个固定大小的边界框来包围每一帧中可能属于人体目标的点形成网格，通过将一系列边界框序列输入长短期记忆(LSTM)网络中，提取目标的步态、质心等特征，对目标进行识别。通过目标识别可以降低航迹意外断裂的可能性。然而，体型和人体步态是弱生物识别技术，随着目标数量的增加、室内环境的复杂性增加，效果会变差。印度的卡纳塔克邦国家技术研究所提出了一种中断航迹的关联方法(Cao Y,Cao J,Zhou Z.Track Segment Association Method Based onBidirectional Track Prediction and Fuzzy Analysis[J].Aerospace,2022,9(5):274.)，它通过基于双向Holt-Winters的预测方法对过去航迹进行预测并对新航迹进行回溯，并结合模糊分析对两个航迹的相似度进行判断，然后执行航迹关联。然而，由于趋势预测模型简单，它难以处理目标复杂运动的情况，同时它没有进行缺失航迹的补充，这使得最终估计的航迹缺乏连贯性。因此，研究室内环境中应对航迹断裂情况在基于毫米波雷达的室内人体目标跟踪领域非常重要。
发明内容
为解决上述技术问题，本发明提出一种毫米波雷达中针对微动和动目标的航迹重关联方法，能够有效地判断断裂短航迹的同源性并且估计缺失的目标轨迹。
本发明采用的技术方案为：一种毫米波雷达中针对微动和动目标的航迹重关联方法，包括：
S1、获取目标的短航迹；
S2、根据各短航迹的状态方差对短航迹标记为微动目标或动目标；
S3、遍历经步骤S2标记后的各短航迹，得到一系列可能同源的航迹对；
S4、通过计算可能同源的航迹对中各对短航迹之间的缺失航迹，根据计算出的缺失航迹对各对短航迹进行补充，从而得到一系列补充后的长航迹；
S5、根据步骤S4得到的一系列补充后的长航迹，计算短航迹关联矩阵；
S6、根据短航迹关联矩阵获得关联成功的航迹，从而进行航迹更新。
步骤S3具体包括：
对于标记为微动目标的某两个短航迹，若这两个短航迹的状态均值差均满足要求，则将这两个短航迹标记为可能同源的航迹对；
对于标记为动目标的某两个短航迹，若这两个短航迹的存在的时间差、斜率差、距离差均满足要求，则将这两个短航迹标记为可能同源的航迹对。
步骤S4中计算缺失航迹的过程为：
记一对短航迹为：短航迹i和短航迹j；将原始航迹定义为
Figure BDA0004040868860000021
补充后的航迹定义为/>
Figure BDA0004040868860000022
其中/>
Figure BDA0004040868860000023
为缺失航迹；
将目标状态模型采用以下线性回归关系表示：
Figure BDA0004040868860000024
通过最小化以下Hankel矩阵的秩，得到缺失航迹：
Figure BDA0004040868860000025
其中
Figure BDA0004040868860000027
代表选取的短航迹起始时目标状态，/>
Figure BDA0004040868860000026
则代表航迹终止时目标状态。
步骤S5具体为：
记一系列补充后的长航迹中的某个长轨迹为
Figure BDA0004040868860000031
原始航迹/>
Figure BDA0004040868860000032
对应的Hankel矩阵分别记为/>
Figure BDA0004040868860000033
和/>
Figure BDA0004040868860000034
长轨迹/>
Figure BDA0004040868860000035
对应的Hankel矩阵记为/>
Figure BDA0004040868860000036
对
Figure BDA0004040868860000037
分别进行SVD分解，得到各自的奇异值矩阵；
将
Figure BDA0004040868860000038
各自大于阈值的奇异值数量作为/>
Figure BDA0004040868860000039
各自的秩；
根据
Figure BDA00040408688600000310
各自的秩计算短航迹i和短航迹j的关联概率；
使用Jonker-Volgenant方法计算以下最小代价问题，得到短航迹关联矩阵A；
Figure BDA00040408688600000311
Figure BDA00040408688600000312
/>
Figure BDA00040408688600000313
Aij∈{0，1}
其中，Aij表示A的元素。
步骤S6具体为：若目标是动目标，则删去新的短航迹
Figure BDA00040408688600000314
的信息，并更新旧航迹/>
Figure BDA00040408688600000315
的信息并将航迹状态修改为正式航迹；若目标是微动目标，删去新的短航迹/>
Figure BDA00040408688600000316
的信息，并更新该旧航迹/>
Figure BDA00040408688600000317
已重关联的次数Nra，当重关联次数Nra大于阈值/>
Figure BDA00040408688600000318
则将其航迹状态修改为正式航迹，否则，将其航迹状态修改为临时航迹。
本发明的有益效果：本发明提出了一种基于毫米波的室内跟踪中针对微动和动目标的航迹重关联方法，本发明的方法能够有效地判断断裂短航迹的同源性并且估计缺失的目标轨迹。相比于技术背景中提到的方法，本发明能够在小场景下进行多目标同时跟踪的情况下，实现多短航迹的重关联，并且同时考虑了室内可能存在的目标短时间微动情况，保证了室内跟踪的连续性和鲁棒性，为操作人员做出正确的决策提供了有力的保障。
附图说明
图1为室内环境下航迹重关联的流程图。
图2为具体实施方式中的仿真场景示意图。
图3为具体实施方式中的累积一百帧量测仿真图。
图4为具体实施方式中第75帧的航迹结果。
图5为具体实施方式中未重关联的累积一百帧的航迹结果。
图6为具体实施方式中重关联后累积一百帧的航迹结果。
具体实施方式
本发明方法首先分别对短航迹状态进行动静目标判断，然后通过门限检测挑选出多组可能同源的短航迹，并且构建相应的Hankel矩阵，基于最小秩原则求解缺失航迹，然后基于定义的关联概率，使用广义线性分配模型进行航迹分配。接着更新该航迹的历史重关联次数。对于微动目标，利用历史重关联次数来更新其航迹状态和航迹信息；对于动目标，则直接更新航迹信息并且将其视作正式航迹。本发明的方法实现了动目标和微动目标的重关联；本发明方法的处理流程如图1所示，包括以下步骤：
步骤1：航迹状态估计和逻辑判断
通过毫米波雷达获取航迹，采用滑窗获取短航迹，得到在k时刻第i个m帧短航迹
Figure BDA0004040868860000041
计算该短航迹状态均值/>
Figure BDA0004040868860000042
以及方差/>
Figure BDA0004040868860000043
当方差
Figure BDA0004040868860000044
小于阈值/>
Figure BDA0004040868860000045
时，将其标记为微动目标，否则将其标记为动目标。
重复以上环节直到遍历所有现存短航迹，完成所有现存短航迹的标记。
对于标记为微动目标的短航迹i和j，当其状态均值差小于阈值
Figure BDA0004040868860000046
时，将其标记为可能同源的航迹对；/>
对于标记为动目标的航迹a和b，计算其航迹存在的时间差
Figure BDA0004040868860000047
斜率差/>
Figure BDA0004040868860000048
以及距离差/>
Figure BDA0004040868860000049
并且判断这三个值是否均小于阈值，若通过，则将其标记为可能同源的航迹对。重复逻辑判断过程，直到遍历所有可能的航迹对，最终得到一系列可能同源的航迹对。
步骤2：基于Hankel矩阵求解缺失航迹
从可能同源的航迹对中选取长度为m的短航迹i和j，将原始航迹定义为
Figure BDA00040408688600000410
补充后的航迹定义为/>
Figure BDA00040408688600000411
其中/>
Figure BDA00040408688600000412
为缺失航迹。
对于连续运动的人体目标，其当前目标状态xk与历史目标状态xk-i相关，即采用权值ai对历史目标状态加权可以表示目前目标状态。目标状态模型可以用如下线性回归关系表示：
Figure BDA0004040868860000051
其中
Figure BDA0004040868860000052
代表选取的短航迹当前目标状态，/>
Figure BDA0004040868860000053
则代表航迹历史目标状态。
为了计算其中缺失航迹
Figure BDA0004040868860000054
需要最小化以上回归模型的阶数。最小化该模型阶数可以等价为最小化Hankel矩阵的秩。可以计算航迹的n阶Hankel矩阵为：
Figure BDA0004040868860000055
其中
Figure BDA0004040868860000056
代表选取的短航迹起始时目标状态，/>
Figure BDA0004040868860000057
则代表航迹终止时目标状态。
然后本发明需要最小化Hankel矩阵
Figure BDA0004040868860000058
的秩：
Figure BDA0004040868860000059
Figure BDA00040408688600000510
其中，
Figure BDA00040408688600000511
ε是一个足够小的阈值，ε可以取值为0.01，⊙为哈达玛积。上述最小化矩阵秩的问题在经过凸松弛后，转化为如下凸最优化问题：
minTr(X)+Tr(Z)
Figure BDA00040408688600000512
Figure BDA00040408688600000513
其中，X和Z为自由变量，Tr(·)为矩阵的迹。通过遍历所有可能同源的航迹对并计算Hankel矩阵以及其缺失航迹，可以获取一系列补充后的长航迹
Figure BDA00040408688600000514
步骤3：航迹关联
选取
Figure BDA0004040868860000061
中的航迹对/>
Figure BDA0004040868860000062
对原始短航迹的Hankel矩阵
Figure BDA0004040868860000063
和/>
Figure BDA0004040868860000064
与补充后长航迹/>
Figure BDA0004040868860000065
的Hankel矩阵/>
Figure BDA0004040868860000066
进行SVD分解。得到奇异值矩阵S，并且将高于阈值的奇异值数量作为Hankel矩阵的秩r(H)。然后计算短航迹i和j的关联概率：
Figure BDA0004040868860000067
然后使用Jonker-Volgenant方法计算以下最小代价问题，并且得到短航迹关联矩阵A。
Figure BDA0004040868860000068
Figure BDA0004040868860000069
Figure BDA00040408688600000610
Aij∈{0，1}
步骤4：航迹信息更新
对于在步骤3中成功关联的航迹对，按照时间先后顺序标记新旧航迹。若目标是动目标，则直接在航迹管理模块中删去新的短航迹
Figure BDA00040408688600000611
的信息，并更新旧航迹/>
Figure BDA00040408688600000612
的信息并将旧航迹状态修改为正式航迹；若目标是微动目标，删去新的短航迹/>
Figure BDA00040408688600000613
的信息，则更新该旧航迹/>
Figure BDA00040408688600000614
已重关联的次数Nra，当重关联次数Nra大于阈值/>
Figure BDA00040408688600000615
则将旧航迹状态修改为正式航迹，否则，修改为临时航迹以避免噪声可能带来的影响。
下面根据一个MATLAB仿真例子给出本发明的具体实施方式。
仿真场景如图2所示，房间大小为6m×8m，坐标系零点位于场景中心位置，目标1使用CT模型行走，目标2在距离(0m,0m)0.25m范围内随机微动；为了方便观察微动和动目标同时关联，所以设定目标1和目标2均在第50到60帧之间量测缺失。仿真的累积一百帧的量测图像如图3所示。
如图1所示，本发明的方案包括以下步骤：
步骤1：航迹的状态估计和逻辑判断
由于设置最小短航迹长度为16帧，所以在第75帧进入两个目标的重关联模块，此时如图4所示，其中存在四条短航迹，短航迹1和3属于目标1，短航迹2和4属于目标2，位于(0m,0m)附近。
首先，计算出四条短航迹均值和方差分别为：
Figure BDA0004040868860000071
选取单个航迹的方差阈值
Figure BDA0004040868860000072
为0.5，并且判断目标的动静状态。此处短航迹2和4被标记为微动目标航迹，而短航迹1和3被标记为动目标航迹。然后，对于微动目标，判断是否可能同源。微动短航迹2和4的均值差为[0.02；0.01]，小于选取的阈值/>
Figure BDA0004040868860000073
故将微动目标航迹2和4标记为可能同源的航迹对[2,4]。对于动目标航迹1和3，由于满足同源性的前提是两个航迹存在时间不能重叠，所以航迹存在的时间差/>
Figure BDA0004040868860000074
满足条件；斜率差
Figure BDA0004040868860000075
其中阈值0.3419取值为两个短航迹中的最大斜率；距离差
Figure BDA0004040868860000076
故将动目标航迹1和3标记为可能同源的航迹对[1,3]。最终得到一系列可能同源的航迹对{[1,3]，[2,4]}。
步骤2：基于Hankel矩阵求解缺失航迹
对于可能同源的航迹对，计算以下凸优化问题：
minTr(X)+Tr(Z)
Figure BDA0004040868860000077
Figure BDA0004040868860000078
然后本发明可以获取一系列补充后的长航迹。如表1所示为航迹对[1,3]的补充航迹，由于补充航迹长度较长，本发明仅选取前十个补充点结果作为示例，其中第一行是x值，第二行是y值：
表1航迹对[1,3]的补充航迹
2.11 2.15 2.19 2.21 2.27 2.35 2.37 2.42 2.44 2.47
-0.78 -0.69 -0.58 -0.52 -0.46 -0.31 -0.25 -0.14 -0.06 0.02
如表2所示为航迹对[2,4]的补充航迹，由于补充航迹长度较长，本发明仅选取前十个补充点结果作为示例，其中第一行是x值，第二行是y值：
表2航迹对[2,4]的补充航迹
-0.05 0.03 0.05 0.12 0.01 0.02 0.08 0.09 0.07 0.05
0.05 0.12 0.02 0.08 0.07 0.09 0.07 0.05 -0.01 0.08
步骤3：航迹关联
选取航迹对[1,3]，选取SVD阈值为10。对两条原始短航迹的Hankel矩阵
Figure BDA0004040868860000081
和/>
Figure BDA0004040868860000082
进行SVD分解，得到奇异值矩阵S1和S3，S1和S3中大于10的值均只有一个。并且计算补充后长航迹/>
Figure BDA0004040868860000083
的Hankel矩阵/>
Figure BDA0004040868860000084
的奇异值矩阵S13，其中也只有一个值大于10。将高于阈值的奇异值数量作为Hankel矩阵的秩r(H)，然后计算短航迹1和3的关联概率：/>
Figure BDA0004040868860000085
同理，对航迹2和4也采用同样的步骤计算，得到短航迹2和4的关联概率：
Figure BDA0004040868860000086
然后使用Jonker-Volgenant方法计算最小代价问题，然后得到短航迹关联矩阵A。
Figure BDA0004040868860000087
步骤4：航迹信息更新
根据关联矩阵，可以得到步骤3中成功关联的航迹对为{[1,3]，[2,4]}。然后在航迹管理模块中删去新的短航迹
Figure BDA0004040868860000088
和/>
Figure BDA0004040868860000089
的信息，并更新旧航迹/>
Figure BDA00040408688600000810
的信息并将航迹状态修改为正式航迹；接着更新该旧航迹/>
Figure BDA00040408688600000811
已重关联的次数Nra＝1，由于重关联次数Nra小于阈值
Figure BDA00040408688600000812
则将其航迹状态修改为临时航迹，当后续多帧关联成功后，航迹2将会再次成为正式航迹。
未经过重关联后的一百帧累积航迹图像如图5所示，图5中出现四条航迹，是多帧量测缺失后航迹提前终止导致的；经过重关联后的一百帧累积航迹图像如图6所示，图6中仅出现两条航迹，并且在量测缺失部分，本发明估计出了最佳补充航迹，与预先设定的实际情况基本符合。
由仿真结果可知，本发明提供的适用于室内跟踪中针对微动和动目标的航迹重关联，不会造成目标航迹的断裂并且能够估计缺失的目标航迹，验证了本发明的正确性和有效性。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.一种毫米波雷达中针对微动和动目标的航迹重关联方法，其特征在于，包括：
S1、获取目标的短航迹；
S2、根据各短航迹的状态方差对短航迹标记为微动目标或动目标；
S3、遍历经步骤S2标记后的各短航迹，得到一系列可能同源的航迹对；
S4、通过计算可能同源的航迹对中各对短航迹之间的缺失航迹，根据计算出的缺失航迹对各对短航迹进行补充，从而得到一系列补充后的长航迹；
S5、根据步骤S4得到的一系列补充后的长航迹，计算短航迹关联矩阵；
S6、根据短航迹关联矩阵获得关联成功的航迹，从而进行航迹更新。
2.根据权利要求1所述的一种毫米波雷达中针对微动和动目标的航迹重关联方法，其特征在于，步骤S2具体为：当短航迹的状态方差小于阈值
Figure FDA0004040868850000016
时，将其标记为微动目标，否则将其标记为动目标。
3.根据权利要求2所述的一种毫米波雷达中针对微动和动目标的航迹重关联方法，其特征在于，步骤S3具体包括：
对于标记为微动目标的某两个短航迹，若这两个短航迹的状态均值差均满足要求，则将这两个短航迹标记为可能同源的航迹对；
对于标记为动目标的某两个短航迹，若这两个短航迹的存在的时间差、斜率差、距离差均满足要求，则将这两个短航迹标记为可能同源的航迹对。
4.根据权利要求3所述的一种毫米波雷达中针对微动和动目标的航迹重关联方法，其特征在于，步骤S4中计算缺失航迹的过程为：
记一对短航迹为：短航迹i和短航迹j；将原始航迹定义为
Figure FDA0004040868850000011
补充后的航迹定义为/>
Figure FDA0004040868850000012
其中/>
Figure FDA0004040868850000013
为缺失航迹；
将目标状态模型采用以下线性回归关系表示：
Figure FDA0004040868850000014
通过最小化以下Hankel矩阵的秩，得到缺失航迹：
Figure FDA0004040868850000015
其中
Figure FDA0004040868850000021
代表选取的短航迹起始时目标状态，/>
Figure FDA0004040868850000022
则代表航迹终止时目标状态。
5.根据权利要求4所述的一种毫米波雷达中针对微动和动目标的航迹重关联方法，其特征在于，步骤S5具体为：
记一系列补充后的长航迹中的某个长轨迹为
Figure FDA0004040868850000023
原始航迹/>
Figure FDA0004040868850000024
对应的Hankel矩阵分别记为/>
Figure FDA0004040868850000025
和/>
Figure FDA0004040868850000026
长轨迹/>
Figure FDA0004040868850000027
对应的Hankel矩阵记为/>
Figure FDA0004040868850000028
对
Figure FDA0004040868850000029
分别进行SVD分解，得到各自的奇异值矩阵；/>
将
Figure FDA00040408688500000210
各自大于阈值的奇异值数量作为/>
Figure FDA00040408688500000211
各自的秩；
根据
Figure FDA00040408688500000212
各自的秩计算短航迹i和短航迹j的关联概率；
使用Jonker-Volgenant方法计算以下最小代价问题，得到短航迹关联矩阵A；
Figure FDA00040408688500000213
Figure FDA00040408688500000214
Figure FDA00040408688500000215
Aij∈{0，1}
其中，Aij表示A的元素。
6.根据权利要求5所述的一种毫米波雷达中针对微动和动目标的航迹重关联方法，其特征在于，步骤S6具体为：若目标是动目标，则删去新的短航迹
Figure FDA00040408688500000216
的信息，并更新旧航迹
Figure FDA00040408688500000217
的信息并将航迹状态修改为正式航迹；若目标是微动目标，删去新的短航迹/>
Figure FDA00040408688500000218
的信息，并更新该旧航迹/>
Figure FDA00040408688500000219
已重关联的次数Nra，当重关联次数Nra大于阈值/>
Figure FDA00040408688500000220
则将其航迹状态修改为正式航迹，否则，将其航迹状态修改为临时航迹。/>
CN202310016700.9A 2023-01-06 2023-01-06 一种毫米波雷达中针对微动和动目标的航迹重关联方法 Pending CN116224319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310016700.9A CN116224319A (zh) 2023-01-06 2023-01-06 一种毫米波雷达中针对微动和动目标的航迹重关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310016700.9A CN116224319A (zh) 2023-01-06 2023-01-06 一种毫米波雷达中针对微动和动目标的航迹重关联方法

Publications (1)

Publication Number Publication Date
CN116224319A true CN116224319A (zh) 2023-06-06

Family

ID=86583697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310016700.9A Pending CN116224319A (zh) 2023-01-06 2023-01-06 一种毫米波雷达中针对微动和动目标的航迹重关联方法

Country Status (1)

Country Link
CN (1) CN116224319A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116859380A (zh) * 2023-09-05 2023-10-10 长沙隼眼软件科技有限公司 目标航迹的测量方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116859380A (zh) * 2023-09-05 2023-10-10 长沙隼眼软件科技有限公司 目标航迹的测量方法、装置、电子设备及存储介质
CN116859380B (zh) * 2023-09-05 2023-11-21 长沙隼眼软件科技有限公司 目标航迹的测量方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110084831B (zh) 基于YOLOv3多伯努利视频多目标检测跟踪方法
CN112784965B (zh) 面向云环境下大规模多元时间序列数据异常检测方法
CN111126152B (zh) 一种基于视频的多目标行人检测与跟踪的方法
CN107545582B (zh) 基于模糊逻辑的视频多目标跟踪方法及装置
CN108564326A (zh) 订单的预测方法及装置、计算机可读介质、物流系统
CN108776694A (zh) 一种时间序列异常点检测方法及装置
CN104156984A (zh) 一种不均匀杂波环境下多目标跟踪的概率假设密度方法
CN107656265A (zh) 针对多帧检测前跟踪短航迹的粒子滤波融合方法
CN110501671A (zh) 一种基于测量分配的目标跟踪方法及装置
CN100531405C (zh) 体育视频目标跟踪方法
CN116224319A (zh) 一种毫米波雷达中针对微动和动目标的航迹重关联方法
CN106405510B (zh) 一种基于伪滑窗l判决准则的航迹删除方法
CN111830501B (zh) Hrrp历史特征辅助的信号模糊数据关联方法及系统
CN111739053A (zh) 一种复杂场景下的在线多行人检测跟踪方法
CN114092517A (zh) 基于传统和深度学习算法的多目标跟踪方法
CN104237853A (zh) 一种针对多帧检测前跟踪点迹序列的粒子滤波方法
CN111178261A (zh) 一种基于视频编码技术的人脸检测加速方法
CN112233145A (zh) 一种基于rgb-d时空上下文模型的多目标遮挡跟踪方法
CN114048546B (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN117630860A (zh) 一种毫米波雷达的手势识别方法
CN113255963A (zh) 基于路元拆分和深度学习模型lstm的路面使用性能预测方法
CN111898746A (zh) 一种中断航迹接续关联深度学习方法
CN112183221A (zh) 一种基于语义的动态物体自适应轨迹预测方法
Zhang et al. Learning to multi-target tracking in dense clutter environment with JPDA-recurrent neural networks
CN113866754B (zh) 基于高斯分布波门的运动目标航迹关联方法

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