CN108732564B - 一种双雷达修正序贯高斯混合概率假设密度滤波方法 - Google Patents
一种双雷达修正序贯高斯混合概率假设密度滤波方法 Download PDFInfo
- Publication number
- CN108732564B CN108732564B CN201810203353.XA CN201810203353A CN108732564B CN 108732564 B CN108732564 B CN 108732564B CN 201810203353 A CN201810203353 A CN 201810203353A CN 108732564 B CN108732564 B CN 108732564B
- Authority
- CN
- China
- Prior art keywords
- gaussian
- radar
- gaussian component
- measurement
- ith
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000203 mixture Substances 0.000 title claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 76
- 238000009966 trimming Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 29
- 238000013138 pruning Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000003321 amplification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
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
本发明公开了一种双雷达修正序贯高斯混合概率假设密度滤波方法,传统双雷达序贯GM‑PHD仅适用于测量目标位于两个雷达的公共测量区域的情况,当目标未处于上述区域时,可能会出现目标丢失问题。本发明基于有限统计学理论,通过对各个雷达测量值对应的高斯成分进行预测、更新、修剪融合、维持融合、目标状态提取,实现多目标跟踪,且不会丢失处于非公共测量区域的目标,拓宽了序贯GM‑PHD的应用范围。与传统方法相比,计算复杂性变化不大。
Description
技术领域
本发明涉及多传感器多目标跟踪技术领域,尤其涉及一种双雷达修正序贯高斯混合概率假设密度滤波方法。
背景技术
20世纪50年代,随着雷达应用环境的复杂化,要求雷达能够同时跟踪多个目标,多目标跟踪的概念随之提出。经过几十年的研究,多目标跟踪技术理论发展迅速,越来越多的优良算法被提出,并广泛应用于军事和民事的各个领域,如军事情报收集、敌情预警、工业过程监控、空中交通管制等。
工程中常用的多目标跟踪算法主要有最近邻法(Nearest Neighbor,NN)、联合概率数据互联法(Joint Probabilistic Data Association,JPDA)以及多假设跟踪算法(Multiple Hypothesis Tracking,MHT)等。这些算法都需要通过数据关联技术将多目标跟踪问题转化为单目标跟踪问题,实现量测数据与已有航迹的准确关联,但数据关联本身是NP难的,也就是说引入数据关联大大增加了多目标跟踪问题的复杂度。因此,需要寻找一种不需要进行数据关联的多目标跟踪算法。
基于有限集统计(Finite Set Statistics,FISST)理论,一种不需要进行数据关联的多目标跟踪算法--概率假设密度(Probability Hypothesis Density,PHD)滤波--被提出,为解决多目标跟踪提供了一种新方法。由于不需要进行数据关联,PHD滤波的计算复杂度比传统的多目标跟踪算法要小,但其迭代式中包含多个一般情况下没有封闭形式解的积分,不便于工程应用。为此,基于线性高斯假设,澳大利亚科学家提出了一种高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GM-PHD)滤波,使PHD滤波的工程应用向前迈出了一大步。
随着对跟踪目标实时性和准确性的要求越来越高,多传感器信息融合迅速发展。上面提到的各种滤波算法都是针对单传感器多目标跟踪,不能直接用于多传感器多目标跟踪。为解决多传感器多目标跟踪问题,许多人对传统多目标跟踪算法进行拓展,使其适用于多传感器目标跟踪。序贯GM-PHD就是一种基于GM-PHD的多传感器多目标跟踪滤波算法。当目标仅被部分传感器测量到时,序贯GM-PHD会出现目标丢失问题,这就大大限制了其使用范围。
实际***中,两个雷达的测量范围一般不会完全重合,而目标可能随机从任意地点出现,当目标从一个雷达测量范围的边缘出现时,传统序贯GM-PHD将会丢失目标,严重影响目标跟踪的准确性。在战场上,不能及时发现目标,可能会导致误判,影响战斗的结果。
发明内容
为了解决双雷达***中目标位于非公共测量区域时,序贯GM-PHD滤波会导致目标丢失的问题,本发明提供一种保持仅被单雷达测量到的目标的方法。
现有的序贯GM-PHD滤波只能针对目标同时被两个雷达测量到的情况,仅被一个雷达测量到的目标会丢失。为了使序贯GM-PHD滤波的应用可以不受目标位置的限制,本发明在传统序贯GM-PHD滤波中加入维持融合操作,从而实现了双雷达***中的多目标正确跟踪。
本发明所采用的技术方案是:双雷达***中修正序贯GM-PHD滤波。本发明假设雷达测量时间同步,上一时刻的目标状态强度的高斯成分已知,序贯算法先使用雷达1的测量数据,后使用雷达2的测量数据,具体包括如下步骤:
步骤1,初始化:雷达1和雷达2组成雷达***,假设雷达1和雷达2测量时间同步,建立***方程和测量方程,通过传感器获得目标初始时刻的状态,包含目标的位置和速度信息,得到第0个周期的目标状态强度的高斯成分集合;
步骤2,雷达1高斯成分预测:以k-1表示雷达***前一扫描周期,以k表示雷达当前扫描周期,记雷达扫描周期为T,利用***方程将k-1周期目标状态强度的高斯成分集合进行预测,得到k周期雷达1的预测高斯成分集合,该预测高斯成分集合中包括存活高斯成分预测项、新出生高斯成分项和***高斯成分项;
步骤3,雷达1高斯成分测量更新;
步骤4,雷达1高斯成分融合修剪:删除测量更新后的高斯成分集合中权重充分小的高斯项,将距离充分小的高斯成分合并成一个;
步骤5,雷达2高斯成分测量更新;
步骤6,雷达2高斯成分融合修剪:删除测量更新后的高斯成分集合中权重充分小的高斯项,将距离充分小的高斯成分合并成一个;
步骤7,高斯成分维持融合:对于步骤4得到的雷达1的修剪融合后的高斯成分集合中的每一个元素,从步骤6得到的雷达2修剪融合后的高斯成分集合中找出与其距离最近的元素,进行维持融合,得到维持融合后的高斯成分集合;
步骤8,目标状态提取,将步骤7得到的高斯成分集合中权重大于0.5的高斯成份均值提取出来作为当前时刻的目标状态估计值。
步骤1包括如下步骤:
步骤1-1,建立如下***方程:
Xk=Fk*Xk-1+wk-1 (公式一)
其中,表示k时刻目标状态向量,xk为x方向的位置,yk为y方向的位置,为x方向的速度,为y方向的速度,Fk为k时刻状态转移矩阵,wk为k时刻***噪声,wk服从均值为0,协方差为Qk的正态分布,Qk为k时刻正态分布的协方差;
步骤1-2,为生成雷达1和雷达2的测量数据,建立如下两个测量方程:
雷达1和雷达2的测量噪声分别为具有协方差的零均值、白色高斯测量噪声和具有协方差的零均值、白色高斯测量噪声分别表示为N表示正态分布, 分别为雷达1的测量噪声的标准差和雷达2的测量噪声的标准差,I2为2阶单位矩阵;
步骤1-3,通过雷达1获得目标初始时刻的状态,包含目标的位置和速度信息,得到第0个周期的目标状态强度的高斯成分集合为其中,为0时刻第i个高斯成分的权重,为0时刻第i个高斯成分的状态向量,为0时刻第i个高斯成分的方差阵,J0为0时刻高斯成分的数量。
步骤1-1中,状态转移矩阵Fk和噪声方差阵Qk分别如下:
步骤2中,得到k时刻雷达1的预测高斯成分集合为其中,为k时刻第i个预测高斯成分的权重,为k时刻第i个预测高斯成分的状态向量,为k时刻第i个预测高斯成分的方差阵,Jk|k-1为k时刻预测高斯成分的数量。
步骤3包括如下步骤:
其中,I为单位矩阵;
其中,i为下标,表示将第i个预测高斯成分作为以x为变量,以为均值、以为方差阵的高斯分布,为高斯分布的权重,表示用第j个测量值更新第i个预测高斯成分后得到的更新后的以x为变量、以为均值、以为方差阵的高斯分布,其权重为
其中,为第i个高斯成分的状态,为k时刻第l个预测高斯成分的权重,为第i个高斯成分的方差阵,kk(zj)为第j个测量值的杂波强度函数,为雷达1由第1至k测量周期所有测量构成的集合,为雷达1检测到目标的概率;
步骤4包括如下步骤:
步骤4-3,得到雷达1修剪融合后的高斯成分集合为其中,为修剪融合后的第i个高斯成分,为其状态,为其协方差阵,Jk,1为雷达1修剪融合后高斯成分的个数。为进行序贯操作,将该高斯成分集合作为雷达2的预测高斯成分集合。
步骤5包括如下步骤:
其中,
步骤6包括如下步骤:
其中L为所有可合并高斯成分的指标集合;
步骤7包括如下步骤:
步骤7-1,对于步骤4得到的雷达1的修剪融合后的高斯成分集合I1,即中的每一个元素,从步骤6得到的雷达2修剪融合后的高斯成分集合I2,即中找出与其距离最近的元素,设为最近距离,M为维持融合门限,一般可取为4,若dj>M,则将I1中元素添加到I2中,否则,通过两个元素中的权值项进行比较,将两个元素融合为一个元素,融合的具体过程为:
若I1中元素权值不小于0.5而I2中元素权值小于0.5,则用I1中元素替换I2中元素,若I1中元素权值小于0.5而I2中元素权值不小于0.5,则不进行操作,若两元素权值均小于或均不小于0.5,则进行加权平均,公式如下:
有益效果:本发明采用GM-PHD滤波,不需要进行数据关联,相比其他传统滤波算法计算量小,并且,不论目标仅被一个雷达测量到还是同时被两个雷达测量到都能够正确跟踪目标,不会出现目标丢失问题。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明的多目标跟踪方法原理框图。
图2是本发明实例目标编队飞行的轨迹图。
图3是传统方法的目标跟踪轨迹。
图4是本发明方法的目标跟踪轨迹。
图5a~图5c是本发明方法的目标跟踪轨迹局部放大图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明的双雷达***中修正序贯GM-PHD滤波能给出作为滤波器输出的高斯项,在滤波器预测、更新、裁剪合并和维持融合后,滤波器输出目标状态。本实施例中***方程为:
Xk=Fk*Xk-1+wk-1 (公式一)
测量方程分别为
如图1所示,本发明主要包括:初始化模块、雷达1高斯成分预测模块、雷达1高斯成分测量更新模块、雷达1高斯成分融合修剪模块、雷达2高斯成分测量更新模块、雷达2高斯成分融合修剪模块、高斯成分维持融合模块、目标状态提取模块。结合流程图说明具体实现步骤为:
步骤2:雷达1高斯成分预测,以k-1表示雷达***前一扫描周期,以k表示雷达当前扫描周期,记雷达扫描周期为T,利用***方程将k-1周期目标状态强度的高斯成分集合进行预测,得到k周期预测高斯成分集合该预测高斯成分集合中包括存活高斯成分预测项、新出生高斯成分项和***高斯成分项;
步骤3:雷达1高斯成分测量更新,首先根据雷达1的预测高斯成分集合计算预测测量值、预测测量误差协方差阵、增益矩阵、估计误差协方差阵如下:
其中
步骤4:雷达1高斯成分融合修剪,删除测量更新后的高斯成分集合中权重充分小的高斯项,即删除权重的高斯项,其中为裁减门限,然后将距离充分小的高斯成分合并成一个,即将的高斯项合并成一个,其中为合并门限,距离di,j定义为高斯成分合并方法如下
步骤5:雷达2高斯成分测量更新,首先根据雷达2的预测高斯成分集合计算预测测量值、预测测量误差协方差阵、增益矩阵、估计误差协方差阵如下:
其中
步骤6:雷达2高斯成分融合修剪,删除测量更新后的高斯成分集合中权重充分小的高斯项,即删除权重的高斯项,其中为裁减门限,然后将距离充分小的高斯成分合并成一个,即将的高斯成分合并成一个,其中为合并门限,距离di,j定义为高斯成分合并方法如下
步骤7:高斯成分维持融合,对于步骤4得到的雷达1的修剪融合后的高斯成分集合I1,即中的每一个元素,从步骤7得到的雷达2修剪融合后的高斯成分集合I2,即中找出与其距离最近的元素。设为最近距离,M为维持融合门限,若dj>M,则将I1中元素添加到I2中,否则,通过两个元素中的权值项进行比较,将两个元素融合为一个元素。融合的具体过程为,若I1中元素权值不小于0.5而I2中元素权值小于0.5,则用I1中元素替换I2中元素,若I1中元素权值小于0.5而I2中元素权值不小于0.5,则不进行操作,若两元素权值均小于或均不小于0.5,则进行加权平均,具体为
步骤8:目标状态提取,将权重大于0.5的高斯成份均值提取出来作为当前时刻的目标状态估计值。
在既有新目标出现和已有目标消失的情况下,对图2所示的仿真数据进行处理,传统方法得到的跟踪结果如图3所示,本发明得到的跟踪结果如图4所示,图5a为图4中并行目标运动轨迹的局部放大效果,图5b为图4中交叉目标运动轨迹的局部放大效果,图5c为图4中***目标运动轨迹的局部放大效果。从图4以及图5a~图5c中可以看出,本发明提出的跟踪方法能探测出观测空间的全部6批目标并能进行有效跟踪。
和现有序贯GM-PHD滤波相比,本发明的特点是:通过对两个雷达修剪融合后的高斯成分进行维持融合,可以正常跟踪从雷达探测范围内任意已知位置起始的目标,从而解决了目标位于雷达测量非公共区域时传统序贯GM-PHD会丢失目标的问题,提高了序贯GM-PHD滤波的工程使用价值。
本发明提供了一种双雷达修正序贯高斯混合概率假设密度滤波方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (2)
1.一种双雷达修正序贯高斯混合概率假设密度滤波方法,其特征在于,包括如下步骤:
步骤1,初始化:雷达1和雷达2组成雷达***,假设雷达1和雷达2测量时间同步,建立***方程和测量方程,通过传感器获得目标初始时刻的状态,包含目标的位置和速度信息,得到第0个周期的目标状态强度的高斯成分集合;
步骤2,雷达1高斯成分预测:以k-1表示雷达***前一扫描周期,以k表示雷达当前扫描周期,记雷达扫描周期为T,利用***方程将k-1周期目标状态强度的高斯成分集合进行预测,得到k周期雷达1的预测高斯成分集合,该预测高斯成分集合中包括存活高斯成分预测项、新出生高斯成分项和***高斯成分项;
步骤3,雷达1高斯成分测量更新;
步骤4,雷达1高斯成分融合修剪:删除测量更新后的高斯成分集合中权重充分小的高斯项,将距离充分小的高斯成分合并成一个;
步骤5,雷达2高斯成分测量更新;
步骤6,雷达2高斯成分融合修剪:删除测量更新后的高斯成分集合中权重充分小的高斯项,将距离充分小的高斯成分合并成一个;
步骤7,高斯成分维持融合:对于步骤4得到的雷达1的修剪融合后的高斯成分集合中的每一个元素,从步骤6得到的雷达2修剪融合后的高斯成分集合中找出与其距离最近的元素,进行维持融合,得到维持融合后的高斯成分集合;
步骤8,目标状态提取,将步骤7得到的高斯成分集合中权重大于0.5的高斯成份均值提取出来作为当前时刻的目标状态估计值;
步骤1包括如下步骤:
步骤1-1,建立如下***方程:
Xk=Fk*Xk-1+wk-1 (公式一)
其中,表示k时刻目标状态向量,xk为x方向的位置,yk为y方向的位置,为x方向的速度,为y方向的速度,Fk为k时刻状态转移矩阵,wk为k时刻***噪声,wk服从均值为0,协方差为Qk的正态分布,Qk为k时刻正态分布的协方差;
步骤1-2,为生成雷达1和雷达2的测量数据,建立如下两个测量方程:
其中,为雷达1的测量值,为雷达2的测量值,两个雷达的测量矩阵满足雷达1和雷达2的测量噪声分别为具有协方差的零均值、白色高斯测量噪声和具有协方差的零均值、白色高斯测量噪声分别表示为N表示正态分布, 分别为雷达1的测量噪声的标准差和雷达2的测量噪声的标准差,I2为2阶单位矩阵;
步骤1-3,通过雷达1获得目标初始时刻的状态,包含目标的位置和速度信息,得到第0个周期的目标状态强度的高斯成分集合为其中,为0时刻第i个高斯成分的权重,为0时刻第i个高斯成分的状态向量,为0时刻第i个高斯成分的方差阵,J0为0时刻高斯成分的数量;
步骤1-1中,状态转移矩阵Fk和噪声方差阵Qk分别如下:
步骤2中,得到k时刻雷达1的预测高斯成分集合为其中,为k时刻第i个预测高斯成分的权重,为k时刻第i个预测高斯成分的状态向量,为k时刻第i个预测高斯成分的方差阵,Jk|k-1为k时刻预测高斯成分的数量;
步骤3包括如下步骤:
其中,I为单位矩阵;
其中,表示将第i个预测高斯成分作为以x为变量、以为均值、以为方差阵的高斯分布,为高斯分布的权重;表示用第j个测量值更新第i个预测高斯成分后得到的更新后的以x为变量、以为均值、以为方差阵的高斯分布,其权重为
其中,为第i个高斯成分的状态,为k时刻第l个预测高斯成分的权重,为第i个高斯成分的方差阵,kk(zj)为第j个测量值的杂波强度函数,为雷达1由第1至k测量周期所有测量构成的集合,为雷达1检测到目标的概率;
步骤4包括如下步骤:
步骤4-3,得到雷达1修剪融合后的高斯成分集合为其中,为修剪融合后的第i个高斯成分,为其状态,为其协方差阵,Jk,1为雷达1修剪融合后高斯成分的个数,为进行序贯操作,将该高斯成分集合作为雷达2的预测高斯成分集合;
步骤5包括如下步骤:
其中,
步骤6包括如下步骤:
其中L为所有可合并高斯成分的指标集合;
2.根据权利要求1所述的方法,其特征在于,步骤7包括如下步骤:
步骤7-1,对于步骤4得到的雷达1的修剪融合后的高斯成分集合I1,即中的每一个元素,从步骤6得到的雷达2修剪融合后的高斯成分集合I2,即中找出与其距离最近的元素,设为最近距离,M为维持融合门限,若dj>M,则将I1中元素添加到I2中,否则,通过两个元素中的权值项进行比较,将两个元素融合为一个元素,融合的具体过程为:
若I1中元素权值不小于0.5而I2中元素权值小于0.5,则用I1中元素替换I2中元素,若I1中元素权值小于0.5而I2中元素权值不小于0.5,则不进行操作,若两元素权值均小于或均不小于0.5,则进行加权平均,公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810203353.XA CN108732564B (zh) | 2018-03-13 | 2018-03-13 | 一种双雷达修正序贯高斯混合概率假设密度滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810203353.XA CN108732564B (zh) | 2018-03-13 | 2018-03-13 | 一种双雷达修正序贯高斯混合概率假设密度滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108732564A CN108732564A (zh) | 2018-11-02 |
CN108732564B true CN108732564B (zh) | 2020-04-17 |
Family
ID=63940370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810203353.XA Active CN108732564B (zh) | 2018-03-13 | 2018-03-13 | 一种双雷达修正序贯高斯混合概率假设密度滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732564B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109525220B (zh) * | 2018-12-10 | 2019-08-30 | 中国人民解放军国防科技大学 | 具有航迹关联和提取能力的高斯混合cphd滤波方法 |
CN110376582B (zh) * | 2019-01-24 | 2022-10-04 | 西安电子科技大学 | 自适应gm-phd的机动目标跟踪方法 |
CN111736145B (zh) * | 2020-06-28 | 2022-04-19 | 电子科技大学 | 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 |
CN117724087B (zh) * | 2024-02-07 | 2024-05-28 | 中国人民解放军海军航空大学 | 雷达多目标跟踪双标签多伯努利滤波算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324835B (zh) * | 2013-05-30 | 2016-09-28 | 深圳大学 | 概率假设密度滤波器目标信息的保持方法及信息保持*** |
CN106022340A (zh) * | 2016-05-17 | 2016-10-12 | 南京理工大学 | 一种改进的高斯混合势概率假设密度滤波方法 |
CN106896352A (zh) * | 2017-04-17 | 2017-06-27 | 电子科技大学 | 一种基于随机集理论的多雷达异步数据分布式融合方法 |
-
2018
- 2018-03-13 CN CN201810203353.XA patent/CN108732564B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324835B (zh) * | 2013-05-30 | 2016-09-28 | 深圳大学 | 概率假设密度滤波器目标信息的保持方法及信息保持*** |
CN106022340A (zh) * | 2016-05-17 | 2016-10-12 | 南京理工大学 | 一种改进的高斯混合势概率假设密度滤波方法 |
CN106896352A (zh) * | 2017-04-17 | 2017-06-27 | 电子科技大学 | 一种基于随机集理论的多雷达异步数据分布式融合方法 |
Non-Patent Citations (2)
Title |
---|
基于GMPHD的雷达组网检测跟踪算法研究;赵温波等;《***仿真学报》;20161130;第28卷(第11期);2804-2812 * |
组网无源雷达变数目多目标跟踪算法;时银水等;《西安电子科技大学学报》;20100430;第37卷(第02期);218-223 * |
Also Published As
Publication number | Publication date |
---|---|
CN108732564A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108732564B (zh) | 一种双雷达修正序贯高斯混合概率假设密度滤波方法 | |
CN106680806A (zh) | 一种多雷达点迹融合方法 | |
CN109886305B (zh) | 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法 | |
CN108344981B (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
Pollard et al. | Hybrid algorithms for multitarget tracking using MHT and GM-CPHD | |
CN110542885A (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
CN116128932B (zh) | 一种多目标跟踪方法 | |
CN110109095B (zh) | 目标特征辅助多源数据的关联方法 | |
CN106934324A (zh) | 基于简化多假设算法的雷达数据关联方法 | |
CN111829505A (zh) | 多传感器航迹质量外推航迹融合方法 | |
CN111127523A (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
Chong et al. | Ground target tracking-a historical perspective | |
CN110596693A (zh) | 一种迭代更新的多传感器gmphd自适应融合方法 | |
CN114002667A (zh) | 一种基于随机矩阵法的多近邻扩展目标跟踪算法 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN115061139A (zh) | 一种面向智能驾驶车辆的多传感器融合方法及*** | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN110376581B (zh) | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 | |
CN109190647B (zh) | 一种有源无源数据融合方法 | |
Ma et al. | Radiation intensity Gaussian mixture PHD filter for close target tracking | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
Blasch | Modeling Intent for a target tracking and identification Scenario | |
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 | |
CN106973364B (zh) | 一种多项式参数化似然函数的分布式批估计数据融合方法 |
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 |