CN117607794A - 一种交通场景下的多目标跟踪方法 - Google Patents
一种交通场景下的多目标跟踪方法 Download PDFInfo
- Publication number
- CN117607794A CN117607794A CN202311573962.1A CN202311573962A CN117607794A CN 117607794 A CN117607794 A CN 117607794A CN 202311573962 A CN202311573962 A CN 202311573962A CN 117607794 A CN117607794 A CN 117607794A
- Authority
- CN
- China
- Prior art keywords
- track
- clusters
- cluster
- radar
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种交通场景下的多目标跟踪方法,将雷达输出的点迹进行聚类形成簇,簇的信息包含簇内雷达点迹的平均位置、平均速度、簇内雷达点迹数量和平均信噪比。在进行航迹更新时,将所有关联到的簇的位置和速度信息,关于当前簇内雷达点迹平均信噪比与雷达点迹数量的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例加权,将加权结果作为卡尔曼滤波的输入。本发明可以有效缓解目标跟踪的大尺寸目标航迹分裂的问题,适用于复杂交通场景下的多目标跟踪。
Description
技术领域
本发明涉及雷达数据处理领域,尤其涉及一种交通场景下的多目标跟踪方法。
背景技术
与光学相机、激光雷达等传感器相比,毫米波雷达具有全天时、全天候的优势,在智慧交通领域发挥着其他传感器不可替代的作用。基于毫米波雷达数据的目标跟踪为智慧交通提供重要的交通目标信息。
交通场景下的目标跟踪主要包括目标跟踪预处理-聚类和目标跟踪两大技术。在交通场景中,通常采用基于密度的DBSCAN聚类算法,DBSCAN算法具有不需要事先给定聚类数、实时性高的优点。在DBSCAN算法中,需要给定用于判断雷达点迹是否为核心样本的阈值,在类似的聚类算法中,都需要给定判断是否为同一目标的阈值。在复杂交通场景中,该阈值的设定很难同时兼顾大尺寸目标和小尺寸目标,从而给后续目标跟踪带来困难。如果该阈值设置过大,可能会导致相近的小目标被聚类为同一簇;设置过小,则可能会导致大目标被聚类为多个簇。
传统的目标跟踪方法在对当前航迹进行滤波时,将与该航迹最近的簇作为卡尔曼滤波的输入。此时,如果前期的聚类使大目标聚类为多个簇,可能会导致大目标航迹分裂的问题。
现有解决航迹分裂问题的方法大概有:基于优化航迹管理的方法,但是该方法没有从滤波跟踪算法本身解决问题,没有提高滤波跟踪结果的正确性,该种方法优化航迹的效果有限;将传统帧内聚类改用为帧间聚类,但涉及到很多参数的设定,如空间分段的数量、合并的帧数量等,针对不同场景、不同目标信噪比,该参数设置存在差异并且仅根据经验设置;结合迭代过程优化测量值,多次迭代使得这种方法在复杂的交通多目标应用场景中实时性差。
这里的陈述仅提供与本发明有关的背景技术,而并不必然地构成现有技术。
发明内容
本发明的目的在于提供一种交通场景下的多目标跟踪方法,可有效解决复杂交通场景下大尺寸目标航迹分裂的问题,提高目标跟踪结果正确性。
为了达到上述目的,本发明提供一种交通场景下的多目标跟踪方法,包含以下步骤:
步骤S1、将雷达点迹数据进行聚类,形成簇;
步骤S2、判断航迹是否起始成功;
步骤S3、对每一个航迹,搜索航迹相关波门内的簇,即得到关联簇;
步骤S4、在进行航迹更新时,将与当前航迹关联的所有簇的位置和速度信息,关于当前簇内雷达点迹平均信噪比与雷达点迹数量的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例加权,将加权结果作为卡尔曼滤波的输入;
步骤S5、对加权后的簇内横向位置、纵向位置和速度,进行卡尔曼滤波。
所述簇的信息包含:簇内雷达点迹的平均横向位置、平均纵向位置、平均速度、簇内雷达点迹数量、以及簇内雷达点迹平均信噪比。
采用直观法判断航迹是否起始成功,航迹信息包含:位置、速度、从当前帧到前M帧是否有目标与之关联、当前帧及之前帧连续关联失败的帧数,阈值条件包含:目标运动速度是否在取值范围[vmin,vmax]内,目标加速度是否在取值范围[amin,amax]内,其中,vmin、vmax、amin、amax分别为目标可能取到的最小速度、最大速度、最小加速度、最大加速度;如果连续q1帧数据中有q2帧数据满足阈值条件,则认为航迹起始成功。
采用相似度来设定相关波门,计算簇与航迹的位置差的绝对值Δr和速度差的绝对值Δv,如果Δr小于设定的阈值ρr,且Δv小于设定的阈值ρv,则认为该簇与当前航迹关联。
卡尔曼滤波包含状态的滤波预测和更新,状态的滤波预测公式为:
其中,下标k-1和k分别表示上一时刻和当前时刻,表示上一时刻的后验状态估计,/>表示利用先验知识求出的当前状态的先验状态估计,A表示上一状态到当前状态的转换矩阵,Pk -表示先验状态估计的误差协方差矩阵,Pk-1表示上一时刻后验状态估计的误差协方差矩阵,Q表示过程噪声的协方差矩阵;
状态更新公式为:
其中,Kk表示卡尔曼滤波增益,H表示当前状态到测量的转换矩阵,R表示测量噪声的协方差矩阵,zk表示当前时刻测量值,表示当前状态的后验状态估计,I表示单位矩阵,Pk表示后验状态估计的误差协方差矩阵。
所述多目标跟踪方法还包含:步骤S6、对于每个航迹,逐个判断是否该航迹连续N帧没有测量数据与之关联,若是,则结束该航迹,若否,则继续进行航迹更新。
本发明在雷达点迹聚类时,不仅输出簇内雷达点迹的平均位置、平均速度,还输出簇内雷达点迹数量和平均信噪比。在进行航迹更新时,将所有在波门内的簇的位置和速度,关于当前簇内雷达点迹平均信噪比与雷达点迹数量的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例加权,并作为卡尔曼滤波的输入。这样即使存在同一大尺寸目标聚类为多个簇的情况,相应的簇也能正确关联到对应的航迹。而如果簇为噪声,则由于簇内雷达点迹数量和信噪比较低,从而权重小,对加权后的结果影响不大。本发明可有效解决复杂交通场景下大尺寸目标航迹分裂的问题,提高目标跟踪结果正确性。
附图说明
图1是本发明提供的一种交通场景下的多目标跟踪方法的流程图。
图2是数据采集的实际交通场景。
图3是优化前目标跟踪轨迹横向距离。
图4是优化前目标跟踪轨迹纵向距离。
图5是优化后目标跟踪轨迹横向距离。
图6是优化后目标跟踪轨迹纵向距离。
具体实施方式
以下根据图1~图6,具体说明本发明的较佳实施例。
针对雷达点迹聚类阈值设置无法同时兼顾大尺寸目标和小尺寸目标,可能存在同一大尺寸目标被聚类为多个簇,从而影响目标跟踪的问题,本发明提供一种交通场景下的多目标跟踪方法,如图1所示,包含以下步骤:
步骤S1、将雷达点迹数据进行聚类,形成簇。所述簇的信息包含:簇内雷达点迹的平均横向位置、平均纵向位置、平均速度、簇内雷达点迹数量、以及簇内雷达点迹平均信噪比。
步骤S2、判断航迹是否起始成功。
判断航迹是否起始成功可采用直观法,如果连续q1帧数据中有q2帧数据满足阈值条件,则认为航迹起始成功。根据实际场景和经验设定,本实施例中,q1=5,q2=3。
其中,航迹信息包含:位置、速度、从当前帧到前M帧是否有目标与之关联、当前帧及之前帧连续关联失败的帧数。直观法具体为,判断目标运动速度是否在取值范围[vmin,vmax]内、目标加速度是否在取值范围[amin,amax]内。其中vmin、vmax、amin、amax分别为目标可能取到的最小速度、最大速度、最小加速度、最大加速度。
步骤S3、对每一个航迹,搜索航迹相关波门内的簇,即得到关联簇。
相关波门可采用相似度来设定,即,计算簇与航迹的位置差的绝对值Δr和速度差的绝对值Δv,如果Δr小于设定的阈值ρr,且Δv小于设定的阈值ρv,则认为该簇与当前航迹关联。
步骤S4、在进行航迹更新时,将与当前航迹关联的所有簇的位置和速度信息,关于当前簇内雷达点迹平均信噪比与雷达点迹数量的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例加权,将加权结果作为卡尔曼滤波的输入。
步骤S5、对加权后的簇内横向位置、纵向位置和速度,进行卡尔曼滤波。
卡尔曼滤波包含状态的滤波预测和更新,状态的滤波预测公式为:
Pk -=APk-1AT+Q
其中,下标k-1和k分别表示上一时刻和当前时刻,表示上一时刻的后验状态估计,/>表示利用先验知识求出的当前状态的先验状态估计,A表示上一状态到当前状态的转换矩阵,Pk -表示先验状态估计的误差协方差矩阵,Pk-1表示上一时刻后验状态估计的误差协方差矩阵,Q表示过程噪声的协方差矩阵。
状态更新公式为:
Kk=Pk -HT(HPk -HT+R)-1
其中,Kk表示卡尔曼滤波增益,H表示当前状态到测量的转换矩阵,R表示测量噪声的协方差矩阵,zk表示当前时刻测量值,表示当前状态的后验状态估计,I表示单位矩阵,Pk表示后验状态估计的误差协方差矩阵。
步骤S6、对于每个航迹,逐个判断是否该航迹连续N帧没有测量数据与之关联,若是,则结束该航迹。若否,则继续进行航迹更新。
实施例:
步骤1、对于每一帧的雷达点迹数据进行聚类,形成簇。簇的信息包含簇的横向位置x、纵向位置y、速度v、信噪比snr、簇内雷达点迹数量n。簇的横向位置x为簇内雷达点迹横向位置的平均值,假设有P个雷达点迹聚类为一个簇,则该簇的横向距离为其中,xi′,i=1…P为第i个雷达点迹的横向距离。类似地,簇的纵向位置y为簇内雷达点迹纵向位置的平均值,簇的速度v为簇内雷达点迹速度的平均值,簇的信噪比snr为簇内雷达点迹在距离-速度图上的信噪比的平均值。
步骤2、进行航迹起始的判断。航迹起始的判断可采用直观法,如果连续q1帧数据中有q2帧数据满足阈值条件,则认为航迹起始成功。其中,航迹信息包含:位置、速度、从当前帧到前5帧是否有目标与之关联、当前帧及之前帧连续关联失败的帧数。
步骤3、搜索航迹相关波门内的簇,即得到关联簇。相关波门可采用相似度来设定,即计算簇与航迹的位置差、速度差,如果位置差和速度差均小于设定的阈值,则认为该簇与当前航迹关联。
步骤4、在进行航迹更新时,将所有在波门内的簇的位置和速度,关于当前簇内雷达点迹平均信噪比与雷达点迹数量的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例加权,得到卡尔曼滤波的输入。
设当前航迹有M个关联簇,M个关联簇的横向位置为xi(i=1…M)、纵向位置为yi(i=1…M)、速度为vi(i=1…M)、信噪比为snri(i=1…M)、簇内雷达点迹数量为ni(i=1…M);
则卡尔曼滤波的输入为:
其中,权值αi为第i个簇的簇内雷达点迹平均信噪比snri与雷达点迹数量ni的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例,即:
步骤5、根据航迹信息和卡尔曼滤波输入,进行卡尔曼滤波。
步骤6、判断是否满足航迹结束条件,若是,则结束航迹。若否,则继续进行航迹更新。
本实施例为实际交通场景的目标跟踪处理,由相同的雷达数据分别采用常规方法和本发明方法进行目标跟踪,毫米波雷达帧周期为0.1s,共采集了130帧数据。常规目标跟踪方法的流程是:对雷达点迹数据采用DBSCAN算法聚类,得到簇;进行航迹起始的判断;在进行航迹更新时,采用离航迹相关波门最近的簇作为关联对象,并将其作为卡尔曼滤波的输入进行线性卡尔曼滤波;判断是否满足航迹结束的条件,若是,则结束航迹,若否,则继续进行航迹更新。本发明方法的聚类操作同样采用DBSCAN算法,簇的信息除了包含常规簇的位置、速度,还包含簇内雷达点迹数量、平均信噪比。在航迹更新时,将所有在波门内的簇的位置和速度,关于当前簇内雷达点迹平均信噪比与雷达点迹数量的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例加权,并作为卡尔曼滤波的输入。
如图2所示为采集数据第70帧时的实际交通场景,在中间车道大约200米处有一辆大型货车,雷达平面垂直于道路延伸方向,使雷达照射道路前方。设目标所在的坐标系为:以雷达天线相位中心为坐标原点,以垂直于雷达平面且向道路延伸的方向为Y轴(纵向)的正方向,沿着雷达平面的方向X轴(横向)方向,垂直于X轴和Y轴方向指向天的方向为Z轴的正方向,X轴的正方向以右手坐标系定则确定。图3是未经本发明优化的目标跟踪的横向轨迹,图中横坐标轴为帧,纵坐标为横向轨迹(X轴轨迹),图4是未经本发明优化的目标跟踪的纵向轨迹,图中横坐标轴为帧,纵坐标为纵向轨迹(Y轴轨迹),两张图中均用点标记聚类的结果,用圆圈标记目标跟踪的结果。从图中可以看出雷达点迹输出与的X位置信息误差较大,但是从图4中可以看出最长的纵向轨迹在38~78帧、85~100帧出现了航迹分裂问题(用空心圆环表示)。图5和图6是采用本发明方法的目标跟踪结果,采用本发明方法得到的目标跟踪结果不存在航迹分裂问题,可以看出,本发明可以有效缓解交通场景下的大尺寸目标航迹分裂的问题,适用于复杂交通场景下的多目标跟踪。
需要说明的是,在本发明的实施例中,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述实施例,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种交通场景下的多目标跟踪方法,其特征在于,包含以下步骤:
步骤S1、将雷达点迹数据进行聚类,形成簇;
步骤S2、判断航迹是否起始成功;
步骤S3、对每一个航迹,搜索航迹相关波门内的簇,即得到关联簇;
步骤S4、在进行航迹更新时,将与当前航迹关联的所有簇的位置和速度信息,关于当前簇内雷达点迹平均信噪比与雷达点迹数量的乘积占所有关联簇的簇内雷达点迹平均信噪比与雷达点迹数量的乘积的总和的比例加权,将加权结果作为卡尔曼滤波的输入;
步骤S5、对加权后的簇内横向位置、纵向位置和速度,进行卡尔曼滤波。
2.如权利要求1所述的交通场景下的多目标跟踪方法,其特征在于,所述簇的信息包含:簇内雷达点迹的平均横向位置、平均纵向位置、平均速度、簇内雷达点迹数量、以及簇内雷达点迹平均信噪比。
3.如权利要求1所述的交通场景下的多目标跟踪方法,其特征在于,采用直观法判断航迹是否起始成功,航迹信息包含:位置、速度、从当前帧到前M帧是否有目标与之关联、当前帧及之前帧连续关联失败的帧数,阈值条件包含:目标运动速度是否在取值范围[vmin vmax]内,目标加速度是否,
在取值范围[amin,amax]内,其中,vmin、vmax、amin、amax分别为目标可能取到的最小速度、最大速度、最小加速度、最大加速度;如果连续q1帧数据中有q2帧数据满足阈值条件,则认为航迹起始成功。
4.如权利要求1所述的交通场景下的多目标跟踪方法,其特征在于,采用相似度来设定相关波门,计算簇与航迹的位置差的绝对值Δr和速度差的绝对值Δv,如果Δr小于设定的阈值ρr,且Δv小于设定的阈值ρv,则认为该簇与当前航迹关联。
5.如权利要求1所述的交通场景下的多目标跟踪方法,其特征在于,卡尔曼滤波包含状态的滤波预测和更新,状态的滤波预测公式为:
其中,下标k-1和k分别表示上一时刻和当前时刻,表示上一时刻的后验状态估计,表示利用先验知识求出的当前状态的先验状态估计,A表示上一状态到当前状态的转换矩阵,Pk -表示先验状态估计的误差协方差矩阵,Pk-1表示上一时刻后验状态估计的误差协方差矩阵,Q表示过程噪声的协方差矩阵;
状态更新公式为:
其中,Kk表示卡尔曼滤波增益,H表示当前状态到测量的转换矩阵,R表示测量噪声的协方差矩阵,zk表示当前时刻测量值,表示当前状态的后验状态估计,I表示单位矩阵,Pk表示后验状态估计的误差协方差矩阵。
6.如权利要求1所述的交通场景下的多目标跟踪方法,其特征在于,所述多目标跟踪方法还包含:步骤S6、对于每个航迹,逐个判断是否该航迹连续N帧没有测量数据与之关联,若是,则结束该航迹,若否,则继续进行航迹更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573962.1A CN117607794A (zh) | 2023-11-23 | 2023-11-23 | 一种交通场景下的多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573962.1A CN117607794A (zh) | 2023-11-23 | 2023-11-23 | 一种交通场景下的多目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117607794A true CN117607794A (zh) | 2024-02-27 |
Family
ID=89950851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311573962.1A Pending CN117607794A (zh) | 2023-11-23 | 2023-11-23 | 一种交通场景下的多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117607794A (zh) |
-
2023
- 2023-11-23 CN CN202311573962.1A patent/CN117607794A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100714B (zh) | 一种基于极坐标系的低慢小目标跟踪方法 | |
CN107255803B (zh) | 一种船舶航迹逻辑起始算法 | |
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 | |
CN113671481B (zh) | 一种基于毫米波雷达的3d多目标跟踪处理方法 | |
CN110187336B (zh) | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 | |
CN109188430B (zh) | 一种基于地面监视雷达系统的目标提取方法 | |
CN115840221B (zh) | 基于4d毫米波雷达实现目标特征提取与多目标跟踪的方法 | |
CN112051568A (zh) | 一种两坐标雷达的俯仰测角方法 | |
CN109100697B (zh) | 一种基于地面监视雷达系统的目标凝聚方法 | |
CN111007880B (zh) | 一种基于汽车雷达的扩展目标跟踪方法 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN110673134B (zh) | 一种雷达远近交替测距模式下航迹跟踪优化方法 | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN117607794A (zh) | 一种交通场景下的多目标跟踪方法 | |
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 | |
CN116580217A (zh) | 一种基于预测误差反馈的毫米波雷达交通目标聚类方法 | |
CN107561506B (zh) | 一种多级虚警概率联合递推目标检测方法 | |
CN113721237B (zh) | 一种多隶属度的目标智能匹配算法 | |
CN110007298A (zh) | 一种目标超前预测跟踪方法 | |
CN114167359A (zh) | 一种弱小目标自适应关联滤波方法、系统及存储介质 | |
CN109581305B (zh) | 一种基于历史数据的多雷达误差校正方法 | |
CN117250606B (zh) | 轨迹跟踪方法、装置、设备及存储介质 | |
CN113514823B (zh) | 一种基于伪谱的多模型机动目标检测前跟踪方法 | |
RU2815305C1 (ru) | Способ и устройство сопровождения маневрирующих целей в обзорной доплеровской рлс | |
CN111537950B (zh) | 一种基于位置指纹和二步多项式拟合的卫星位置预测跟踪方法 |
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 |