CN107656265A - 针对多帧检测前跟踪短航迹的粒子滤波融合方法 - Google Patents
针对多帧检测前跟踪短航迹的粒子滤波融合方法 Download PDFInfo
- Publication number
- CN107656265A CN107656265A CN201710844804.3A CN201710844804A CN107656265A CN 107656265 A CN107656265 A CN 107656265A CN 201710844804 A CN201710844804 A CN 201710844804A CN 107656265 A CN107656265 A CN 107656265A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- particle
- msubsup
- mover
- 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
Links
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种针对多帧检测前跟踪短航迹的粒子滤波融合方法,属于雷达数据处理技术领域。本发明对多帧检测前跟踪处理得到的短航迹做进一步处理,以实现对目标的长时间跟踪,解决多帧检测前跟踪方法不能提供目标完整航迹信息的技术问题,并迭代的对目标状态进行实时估计,利用多帧检测前跟踪处理得到的短航迹对目标状态进行滤波和融合处理,以提高对目标状态估计的精度和充分的利用迭代滑窗当中的重复但是没有得到充分利用的信息。通过粒子状态预测,以有效解决低信噪比微弱目标检测前跟踪可能出现的漏检问题,保证了航迹的连续性。
Description
技术领域
本发明属于雷达数据处理技术领域,特别涉及了雷达微弱目标跟踪技术领域。
背景技术
众所周知,雷达探测环境的日益复杂和目标隐身技术的日益成熟,使得雷达及时可靠地监测到淹没在强杂波中的微弱目标变得更加困难。提高雷达对微弱目标的检测跟踪性能具有重要的理论价值和实际意义。
检测前跟踪技术是一种在低信噪比环境中对微弱目标进行检测跟踪的一种技术。与传统的检测方法不同,检测前跟踪不在单帧宣布检测结果,而是对多帧数据进行处理后同时宣布目标的检测结果与航迹。实现检测前跟踪技术的方法包括有粒子滤波、动态规划、霍夫变换等。基于粒子滤波的检测前跟踪方法的航迹起始能力不如动态规划和霍夫变换等方法,并且该方法需要计算概率,计算量大。但是,动态规划等多帧检测前跟踪方法处理一次只能得到目标的短航迹,无法得到目标的完整航迹。而且,动态规划方法是在离散空间得到的状态估计结果,估计精度存在一定损失。此外,现在基于动态规划的获取目标完整航迹的方法一般是滑窗方法,这种方法每次滑动一帧,仅仅利用滑窗量测进行滤波会有大量的数据没有得到充分利用。
发明内容
本发明的目的是提出一种用于处理多帧检测前跟踪得到的短航迹的滤波融合方法,提高对目标状态的估计精度,解决了多帧检测前跟踪方法无法提供目标完整航迹的问题并且充分利用了多帧信息。
本发明的针对多帧检测前跟踪短航迹的粒子滤波融合方法包括下列步骤:
步骤1、变量初始化:
初始化变量包括:总仿真时间K;一次检测前跟踪处理帧数N;目标信噪比SNR;检测前跟踪处理门限VT;检测前跟踪量测可能范围γ∈{δ2;δ=1,2,3,4,...};一次多帧检测前跟踪处理第n帧的检测概率雷达扫描周期T;目标状态转移矩阵F;观测矩阵H;过程噪声协方差Q;粒子数Ns;x和y方向的距离范围[xmin,xmax]和[ymin,ymax];x和y方向的速度范围和
步骤2、粒子集初始化:
初始化时间变量k=1;
粒子x方向(水平)和y方向(竖直)位置和速度状态初始化:
其中rand(1)表示按照均匀分布产生一个[0,1]区间上的随机数;
粒子权值初始化为
令则,得到初始粒子集
步骤3、状态预测:
如果k=1,则跳过此步骤。否则对k-1时刻的粒子集进行一步预测:
得到预测粒子集其中是均值为零协方差矩阵为Q的过程噪声。
用(1)和(3)分别区分每个粒子在x方向和y方向的粒子状态,对每个粒子状态分别进行如下处理:
若第i个粒子状态则令若则令
若第i个粒子则令若则令
并将当前粒子i的权值置为0。
步骤4、多帧检测前跟踪处理:
从雷达接收机中读取第k-N+1,k-N+2,...,k帧回波数据(如果k≤N,则从雷达接收机中读取第1,2,...,N帧回波数据),进行多帧检测前跟踪处理。
若存在多帧检测前跟踪处理的检测结果;则执行步骤5;否则直接执行步骤7;
步骤5、权值更新:
令表示最后一帧时刻为tk的检测前跟踪处理得到的第l帧检测结果,即l为当前多帧检测前跟踪处理的帧标识符,tk为当前多帧检测前跟踪处理的最后一帧的时刻;
若k>N,则检测结果为若k≤N,则检测结果为
基于当前多帧检测前跟踪处理的检测结果更新预测粒子权值:
为了表示方便,用表示对应父粒子的状态,当l≤k-1,用表示对应父粒子的状态。
当k>N时,更新粒子权值为: 其中,似然概率Δx和Δy的取值范围均为且Δx和Δy均不等于零。
当k≤N时,更新粒子权值为:
基于更新后的粒子权值,计算粒子权值和并取归一化后的值对粒子权值进行二次更新,得到
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过步骤5,直接执行步骤7。
步骤6、重采样:
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过步骤6,并执行步骤7。否则对权值更新后的粒子集进行***重采样:
601:初始i=1;随机产生u0,其服从范围内的均匀分布,即
602:计算其中
603:计算其中j=1,2,...,Ns;
判断是否uj>ci,若是,则令i=i+1并执行步骤602;否则,令并记录该粒子的父粒子ij=i。
重采样后的粒子集表示为
步骤7、目标状态估计和协方差估计:
对所有粒子状态加权平均并且计算噪声协方差矩阵得到第k时刻的目标状态估计结果和协方差矩阵。
步骤8、令k=k+1,对目标状态估计结果和协方差矩阵进行滑窗迭代融合:
将一次滑窗得到的批处理数据记为和其中第k次滑窗的帧标识符α=k,k-1,…k-N+1;
将一次滑窗后的数据记为和其中第k+1次滑窗的帧标识符β=k+1,k,…k-N+2;
用γ表示α和β重叠的帧标识符,对和和中的公共部分进行基于DCI(Determinant Convariance Inversion)准则的融合,得到融合后的目标状态估计
其中,融合后的协方差矩阵其中取决于mindet代表最小的行列式值;
步骤9、重复步骤3~8,直到得到k=K,得到完整航迹。
通过上述步骤可以得到目标的完整航迹并且充分利用了滑窗之间的重复的量测信息。
本发明与现有技术相比的优点在于:
(1)本发明对多帧检测前跟踪处理得到的短航迹做进一步处理,实现了对目标的长时间跟踪,解决了多帧检测前跟踪方法不能提供目标完整航迹信息的问题。
(2)本发明提出的方法可以迭代的对目标状态进行实时估计,并且没有引入过多的存储量和计算量。
(3)本发明利用多帧检测前跟踪处理得到的短航迹对目标状态进行滤波和融合处理,可以提高了对目标状态估计的精度和充分的利用迭代滑窗当中的重复但是没有得到充分利用的信息。
(4)本发明通过粒子状态预测,可以有效解决低信噪比微弱目标检测前跟踪可能出现的漏检问题,保证了航迹的连续性。
附图说明
图1为本发明的流程图。
图2为本发明实施例中目标真实航迹与应用本发明跟踪得到的目标航迹。
图3为本发明实施例中应用本发明方法估计目标状态的目标位置均方根误差。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
实施例
本发明主要采用计算机仿真的方法进行验证,所有步骤、结论都在MATLAB-R2010b上验证正确。参见图1,具体实施步骤如下:
步骤1、变量初始化:
初始化变量包括:总仿真时间K=20;一次检测前跟踪处理帧数N=6;目标信噪比SNR=12dB;检测前跟踪处理门限VT=13.2847;检测前跟踪量测可能范围γ=72;一次多帧检测前跟踪处理第第1,2,...,N帧的检测概率分别为0.876,0.892,0.918,0.910,0.908,0.838;雷达扫描周期T=1s;粒子数Ns=8000;x和y方向的距离范围均为[1,150];x和y方向的速度范围均为[3.7,4.4];目标状态转移矩阵观测矩阵过程噪声协方差
步骤2、粒子集初始化:
初始化时间变量k=1。粒子x和y方向位置和速度状态初始化
其中rand(1)表示按照均匀分布产生一个[0,1]区间上的随机数。
粒子权值初始化为:令则得到初始粒子集
步骤3、状态预测:
如果k=1,则跳过此步骤。否则对k-1时刻的粒子集进行一步预测:得到预测粒子集其中是均值为零协方差矩阵为Q的过程噪声。
若第i个粒子状态则令若则令
若则令若则令
并将该粒子对应的权值置为0。
步骤4、多帧检测前跟踪处理:
从雷达接收机中读取第k-N+1,k-N+2,...,k帧回波数据(如果k≤N,则从雷达接收机中读取第1,2,...,N帧回波数据),进行多帧检测前跟踪处理。
步骤5、权值更新:
令表示最后一帧时刻为tk的检测前跟踪处理得到的第l帧检测结果。如果在该次检测前跟踪处理中存在检测结果(如果k≤N,则检测结果为则更新预测粒子权值:
为了表示方便,用表示对应父粒子的状态,当l≤k-1,用表示对应父粒子的状态。当k>N时,按下式更新粒子权值:
其中,似然概率
Δx和Δy的取值范围均为且Δx和Δy均不等于零。
当k≤N时,按下式更新粒子权值:
基于更新后的粒子权值,计算粒子权值和并将粒子权值二次更新为:
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过该步骤。
步骤6、重采样:
如果在该次检测前跟踪处理中不存在检测结果,即没有状态过门限,则跳过该步骤。否则对权值更新后的粒子集进行***重采样。
6.1、初始化
6.2、对于所有i=2,3,...,Ns,计算
6.3、随机产生u1,其服从范围内的均匀分布,即
6.4、令i=1,对于所有j=1,2,...,Ns,执行:
如果uj>ci,则循环执行i=i+1,直至uj≤ci。然后令并记录该粒子的父粒子ij=i。
重采样后的粒子集表示为
步骤7、目标状态估计和协方差估计:
对所有粒子状态加权平均并且计算噪声协方差矩阵得到第k时刻的目标状态估计结果和协方差矩阵。
步骤8、令k=k+1,进行滑窗迭代融合。
将一次滑窗得到的批处理数据记为和其中第k次滑窗的帧标识符α=k,k-1,…k-N+1;
将一次滑窗后的数据记为和其中第k+1次滑窗的帧标识符β=k+1,k,…k-N+2;
用γ表示α和β重叠的帧标识符,对和和中的公共部分进行基于DCI准则的融合,得到融合后的目标状态估计
其中,融合后的协方差矩阵其中取决于mindet代表最小的行列式值;
步骤9、重复步骤3-8,直到得到k=K,得到完整航迹。
通过上述步骤可以得到目标的完整航迹并且充分利用了滑窗之间的重复的量测信息。图2给出了本仿真实例中对目标航迹的恢复结果,成功提供了目标的完整航迹信息,且不存在漏检问题。图3给出了本实施例中利用本发明得到的目标位置均方根误差,是200次蒙特卡罗试验的统计结果,结果表明该方法具有较高且平稳的估计精度。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.针对多帧检测前跟踪短航迹的粒子滤波融合方法,其特征在于,包括下列步骤:
步骤1、变量初始化:总仿真时间K;一次检测前跟踪处理帧数N;目标信噪比SNR;检测前跟踪处理门限VT;检测前跟踪量测可能范围γ;一次多帧检测前跟踪处理第n帧的检测概率雷达扫描周期T;目标状态转移矩阵F;观测矩阵H;过程噪声协方差Q;粒子数Ns;x和y方向的距离范围[xmin,xmax]和[ymin,ymax];x和y方向的速度范围和
步骤2、粒子集初始化:
初始化时间变量k=1;
粒子x方向和y方向位置和速度状态初始化:
<mrow>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mo>;</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mo>;</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mo>;</mo>
</mrow>
其中rand(1)表示按照均匀分布产生一个[0,1]区间上的随机数;
粒子权值初始化为
令则得到初始粒子集
步骤3、状态预测:
判断是否k=1,若是,则执行步骤8;否则对k-1时刻的粒子集进行一步预测:得到预测粒子集其中是均值为零协方差矩阵为Q的过程噪声;
若第i个粒子状态则令若则令
若第i个粒子则令若则令
并将当前粒子i的权值置为0;
其中粒子状态表达式中的“(1)”和“(3)”分别为x方向和y方向的区分符;
步骤4、多帧检测前跟踪处理:
从雷达接收机中读取N帧回波数据进行多帧检测前跟踪处理,若k≤N,则N帧回波数据为第1,2,...,N帧回波数据;否则为第k-N+1,k-N+2,...,k帧回波数据;
若存在多帧检测前跟踪处理的检测结果;则执行步骤5;否则直接执行步骤7;
步骤5、权值更新:
用表示当前多帧检测前跟踪处理的第l帧检测结果,tk表示当前多帧检测前跟踪处理的最后一帧的时刻;
基于当前多帧检测前跟踪处理的检测结果更新预测粒子权值:
用表示对应父粒子的状态,当l≤k-1,用表示对应父粒子的状态,其中i=1,2,...,Ns;
当k>N时,更新粒子权值为:其中似然概率Δx和Δy的取值范围均为且Δx和Δy均不等于零;
当k≤N时,更新粒子权值为:
基于更新后的粒子权值,计算粒子权值和并取归一化后的值对粒子权值进行二次更新,得到
步骤6、重采样:
601:初始i=1;随机产生u0,其服从范围内的均匀分布;
602:计算其中
603:计算其中j=1,2,...,Ns;
判断是否uj>ci,若是,则令i=i+1并执行步骤602;否则,令并记录该粒子的父粒子ij=i;
重采样后的粒子集表示为
步骤7、目标状态估计和协方差估计:
对所有粒子状态加权平均并且计算噪声协方差矩阵得到第k时刻的目标状态估计结果μk和协方差矩阵Pk;
步骤8、令k=k+1,对目标状态估计结果和协方差矩阵进行滑窗迭代融合:
将一次滑窗得到的批处理数据记为和其中第k次滑窗的帧标识符α=k,k-1,…k-N+1;
将一次滑窗后的数据记为和其中第k+1次滑窗的帧标识符β=k+1,k,…k-N+2;
用γ表示α和β重叠的帧标识符,对和和中的公共部分进行基于DCI(DeterminantConvariance Inversion)准则的融合,得到融合后的目标状态估计
<mrow>
<msubsup>
<mi>&mu;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>&prime;</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>&prime;</mo>
<mi>&gamma;</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&omega;</mi>
<mi>k</mi>
<mi>&gamma;</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mi>k</mi>
<mi>&gamma;</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>&mu;</mi>
<mi>k</mi>
<mi>&gamma;</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>&mu;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>&gamma;</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,融合后的协方差矩阵其中取决于det代表最小的行列式值;
步骤9、重复步骤3~8,直到得到k=K,得到完整航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710844804.3A CN107656265B (zh) | 2017-09-19 | 2017-09-19 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710844804.3A CN107656265B (zh) | 2017-09-19 | 2017-09-19 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107656265A true CN107656265A (zh) | 2018-02-02 |
CN107656265B CN107656265B (zh) | 2021-03-30 |
Family
ID=61129775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710844804.3A Active CN107656265B (zh) | 2017-09-19 | 2017-09-19 | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107656265B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333571A (zh) * | 2018-02-07 | 2018-07-27 | 电子科技大学 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
CN108594201A (zh) * | 2018-07-24 | 2018-09-28 | 电子科技大学 | 基于Tabu算法的粒子滤波微弱目标检测前跟踪方法 |
CN109765914A (zh) * | 2019-03-12 | 2019-05-17 | 哈尔滨工程大学 | 一种基于滑窗粒子群的水面无人艇避碰方法 |
CN110058222A (zh) * | 2019-03-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
CN110146850A (zh) * | 2019-06-20 | 2019-08-20 | 电子科技大学 | 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法 |
CN110244289A (zh) * | 2019-05-23 | 2019-09-17 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN110673132A (zh) * | 2019-10-11 | 2020-01-10 | 电子科技大学 | 一种用于多帧联合检测与跟踪的点迹序列实时滤波方法 |
CN111257865A (zh) * | 2020-02-07 | 2020-06-09 | 电子科技大学 | 一种基于线性伪量测模型的机动目标多帧检测跟踪方法 |
CN111812636A (zh) * | 2020-06-01 | 2020-10-23 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1351069A1 (en) * | 2002-04-02 | 2003-10-08 | Thales Nederland B.V. | Multi-targets detection method applied in particular to surveillance radars with multi-beamforming in elevation |
US20050114079A1 (en) * | 2003-05-02 | 2005-05-26 | Microsoft Corporation | System and process for tracking an object state using a particle filter sensor fusion technique |
CN101404086A (zh) * | 2008-04-30 | 2009-04-08 | 浙江大学 | 基于视频的目标跟踪方法及装置 |
CN102043150A (zh) * | 2010-12-06 | 2011-05-04 | 电子科技大学 | 用于微弱目标检测的改进型粒子滤波检测前跟踪方法 |
US20110241927A1 (en) * | 2010-04-02 | 2011-10-06 | Porikli Fatih M | Method for Detecting Small Targets in Radar Images Using Needle Based Hypotheses Verification |
CN102607526A (zh) * | 2012-01-03 | 2012-07-25 | 西安电子科技大学 | 双介质下基于双目视觉的目标姿态测量方法 |
CN102621542A (zh) * | 2012-04-02 | 2012-08-01 | 中国人民解放军海军航空工程学院 | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 |
CN102997911A (zh) * | 2012-12-13 | 2013-03-27 | 中国航空无线电电子研究所 | 一种被动传感器组网探测多目标方法 |
CN103616680A (zh) * | 2013-10-22 | 2014-03-05 | 杭州电子科技大学 | 基于离散变速率采样的机动弱目标检测前跟踪方法 |
CN103885057A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 自适应变滑窗多目标跟踪方法 |
CN104035076A (zh) * | 2014-06-30 | 2014-09-10 | 电子科技大学 | 一种多帧检测前跟踪的迭代滤波方法 |
CN104237853A (zh) * | 2014-09-16 | 2014-12-24 | 电子科技大学 | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 |
CN105116392A (zh) * | 2015-09-09 | 2015-12-02 | 电子科技大学 | 一种针对ais与主动雷达航迹融合及识别的方法 |
CN105353353A (zh) * | 2015-11-17 | 2016-02-24 | 中国人民解放军海军航空工程学院 | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 |
JP5985372B2 (ja) * | 2012-11-28 | 2016-09-06 | 株式会社東芝 | 目標検出装置及び目標検出方法 |
-
2017
- 2017-09-19 CN CN201710844804.3A patent/CN107656265B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1351069A1 (en) * | 2002-04-02 | 2003-10-08 | Thales Nederland B.V. | Multi-targets detection method applied in particular to surveillance radars with multi-beamforming in elevation |
US20050114079A1 (en) * | 2003-05-02 | 2005-05-26 | Microsoft Corporation | System and process for tracking an object state using a particle filter sensor fusion technique |
CN101404086A (zh) * | 2008-04-30 | 2009-04-08 | 浙江大学 | 基于视频的目标跟踪方法及装置 |
US20110241927A1 (en) * | 2010-04-02 | 2011-10-06 | Porikli Fatih M | Method for Detecting Small Targets in Radar Images Using Needle Based Hypotheses Verification |
CN102043150A (zh) * | 2010-12-06 | 2011-05-04 | 电子科技大学 | 用于微弱目标检测的改进型粒子滤波检测前跟踪方法 |
CN102607526A (zh) * | 2012-01-03 | 2012-07-25 | 西安电子科技大学 | 双介质下基于双目视觉的目标姿态测量方法 |
CN102621542A (zh) * | 2012-04-02 | 2012-08-01 | 中国人民解放军海军航空工程学院 | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 |
JP5985372B2 (ja) * | 2012-11-28 | 2016-09-06 | 株式会社東芝 | 目標検出装置及び目標検出方法 |
CN102997911A (zh) * | 2012-12-13 | 2013-03-27 | 中国航空无线电电子研究所 | 一种被动传感器组网探测多目标方法 |
CN103616680A (zh) * | 2013-10-22 | 2014-03-05 | 杭州电子科技大学 | 基于离散变速率采样的机动弱目标检测前跟踪方法 |
CN103885057A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 自适应变滑窗多目标跟踪方法 |
CN104035076A (zh) * | 2014-06-30 | 2014-09-10 | 电子科技大学 | 一种多帧检测前跟踪的迭代滤波方法 |
CN104237853A (zh) * | 2014-09-16 | 2014-12-24 | 电子科技大学 | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 |
CN104237853B (zh) * | 2014-09-16 | 2016-09-28 | 电子科技大学 | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 |
CN105116392A (zh) * | 2015-09-09 | 2015-12-02 | 电子科技大学 | 一种针对ais与主动雷达航迹融合及识别的方法 |
CN105353353A (zh) * | 2015-11-17 | 2016-02-24 | 中国人民解放军海军航空工程学院 | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
J. SIJS 等: "State fusion with unknown correlation: Ellipsoidal intersection", 《PROCEEDINGS OF THE 2010 AMERICAN CONTROL CONFERENCE》 * |
YANGYANG LI 等: "A centralized asynchronous fusion algorithm for sensors with different resolution via DP-TBD", 《2017 IEEE RADAR CONFERENCE 》 * |
刘加欢: "近海监控***中的多源信息融合算法", 《中国优秀硕士学位论文全文库 基础科学辑》 * |
张杰成 等: "滑窗迭代DFT检测谐波和无功电流的新算法", 《电力***及其自动化学报》 * |
李洋漾 等: "基于DP-TBD的分布式异步迭代滤波融合算法研究", 《雷达学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333571A (zh) * | 2018-02-07 | 2018-07-27 | 电子科技大学 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
CN108333571B (zh) * | 2018-02-07 | 2020-04-21 | 电子科技大学 | 一种基于点迹序列融合的多传感器多帧联合检测跟踪方法 |
CN108594201A (zh) * | 2018-07-24 | 2018-09-28 | 电子科技大学 | 基于Tabu算法的粒子滤波微弱目标检测前跟踪方法 |
CN109765914A (zh) * | 2019-03-12 | 2019-05-17 | 哈尔滨工程大学 | 一种基于滑窗粒子群的水面无人艇避碰方法 |
CN110058222B (zh) * | 2019-03-29 | 2020-11-24 | 杭州电子科技大学 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
CN110058222A (zh) * | 2019-03-29 | 2019-07-26 | 杭州电子科技大学 | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 |
CN110244289A (zh) * | 2019-05-23 | 2019-09-17 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN110244289B (zh) * | 2019-05-23 | 2022-08-12 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN110146850A (zh) * | 2019-06-20 | 2019-08-20 | 电子科技大学 | 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法 |
CN110673132A (zh) * | 2019-10-11 | 2020-01-10 | 电子科技大学 | 一种用于多帧联合检测与跟踪的点迹序列实时滤波方法 |
CN111257865A (zh) * | 2020-02-07 | 2020-06-09 | 电子科技大学 | 一种基于线性伪量测模型的机动目标多帧检测跟踪方法 |
CN111812636A (zh) * | 2020-06-01 | 2020-10-23 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
CN111812636B (zh) * | 2020-06-01 | 2023-06-13 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107656265B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107656265A (zh) | 针对多帧检测前跟踪短航迹的粒子滤波融合方法 | |
CN104297748B (zh) | 一种基于轨迹增强的雷达目标检测前跟踪方法 | |
CN108802722A (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
CN110824467B (zh) | 一种多目标跟踪数据关联方法及*** | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN104237853B (zh) | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 | |
CN106872955A (zh) | 基于联合概率数据关联算法的雷达多目标跟踪优化方法 | |
CN104021519B (zh) | 基于gpu架构的密集杂波条件下机动多目标跟踪方法 | |
CN110501671A (zh) | 一种基于测量分配的目标跟踪方法及装置 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
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 | |
CN112098993A (zh) | 一种多目标跟踪数据关联方法及*** | |
CN110146850A (zh) | 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法 | |
CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及*** | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及*** | |
CN107346020A (zh) | 一种用于异步多基地雷达***的分布式批估计融合方法 | |
CN116520281B (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
CN110187335A (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN104407345B (zh) | 一种用于弱目标检测跟踪中的改进型动态规划方法 | |
CN112379268A (zh) | 基于svm_ekf算法的锂电池soc估计方法、装置及存储介质 | |
CN117556198B (zh) | 基于全波形井地电法的视电阻率去噪计算方法 | |
CN109559342A (zh) | 动物体长的测量方法和装置 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN113759362A (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
CN111505575B (zh) | 基于转化toa模型的针对tdoa定位的传感器选择方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |