CN109814074A - 基于图像形态处理的群目标跟踪方法 - Google Patents
基于图像形态处理的群目标跟踪方法 Download PDFInfo
- Publication number
- CN109814074A CN109814074A CN201910057384.3A CN201910057384A CN109814074A CN 109814074 A CN109814074 A CN 109814074A CN 201910057384 A CN201910057384 A CN 201910057384A CN 109814074 A CN109814074 A CN 109814074A
- Authority
- CN
- China
- Prior art keywords
- multiple targets
- center
- coordinate
- sampling period
- image
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于图像形态处理的群目标跟踪方法,包括对雷达接收机在一个采样周期内接收到的回波信号进行处理并进行坐标转换计算,建立初始图像矩阵并计算二值图像矩阵,对二值图像矩阵依次进行图像形态学处理和标记处理并计算本采样周期内群目标的等效中心向量,采用逻辑法计算群目标的航迹集合并计算群目标中心的初始状态,计算关联矩阵并根据其调整滤波跟踪轨迹并将当前滤波跟踪轨迹状态作为下一个采样周期群目标中心位置预测的滤波状态,最后得到群目标跟踪结果。本发明方法基于图像形态处理的群目标跟踪用在雷达跟踪技术领域不仅保障了群目标中心计算的精度,更在群目标发生部分缺失情况下很好地跟踪群目标,具有很有价值的实用性。
Description
技术领域
本发明属于雷达目标跟踪技术领域,特别涉及一种基于图像形态处理的群目标跟踪方法。
背景技术
在现代战争中,使用无人机技术进行侦查和打击已成为军事对抗的重要手段,由无人机组成的无人机群作战对于防御***的威胁非常巨大。而群目标可以看做是一组彼此相近很近,短时间内速度、运动方向基本一致的目标。因此对群目标中心跟踪来维持对群目标整体跟踪,不考虑群内每一个目标,通过对群目标的中心进行跟踪,得到每个群在每一帧的位置;群目标跟踪在空中目标监控,无人机多目标编队运动跟踪领域有重要的应用价值。由于雷达分辨单元受波束宽度影响,密集的群目标的出现将影响探测回波的精度从而导致雷达获得的群目标观测是部分可分辨的。导致部分可分辨的原因是由于同一个群中目标与目标之间的距离和角度超过了雷达分辨能力,时常发生两个目标识别成一个目标的情况,因而无法获得群内所有单个目标的观测信息。这使得群目标的中心与真实中心的位置误差增大,严重时可能导致跟丢群目标。
发明内容
为了解决上述技术问题,本发明公开了一种基于图像形态处理的群目标跟踪方法,本方法基于雷达接收机接收的一个采样周期内的回波经处理后得到的观测值,运用图像形态学和连通区域标记法计算出本采样周期内群目标的个数和群目标等效中心的坐标,进一步运用逻辑法推理计算群目标中心的航迹集合,并确定群目标中心的初始状态,然后根据群目标中心的初始状态预测下一个采样周期内的群目标中心位置,并将下一个采样周期内的群目标中心向量与对应的下一个采样周期内的群目标等效中心位置向量相关联,最后根据关联结果调整滤波跟踪参数进而对群目标进行跟踪。本方法基于图像形态处理提高了雷达点迹预处理模块对群目标中心计算的精度,降低了后续跟踪的复杂度,而且使雷达数据处理模块采用卡尔曼滤波算法时提高了对群目标中心跟踪的效率。
为达到上述目的,本发明采用如下技术方案予以实现:
一种基于图像形态处理的群目标跟踪方法,所述方法包括如下步骤:
步骤1,对雷达接收机在一个采样周期内接收到的回波信号进行处理,得到雷达在本采样周期内所有回波信号中目标的总数Q以及每个目标量测的距离和方位角,并通过直角坐标转换计算得到每个目标量测的距离和方位角在二维直角坐标系中的X方向坐标和Y方向坐标。
步骤2,建立初始图像矩阵I,并计算二值图像矩阵I′。
步骤3,对二值图像矩阵I′依次进行图像形态学处理和标记处理,得到群目标的个数L以及含有不同标记号l的图像矩阵Ipm,l=1,2,...,a,…,L。
步骤4,根据含有不同标记号l的图像矩阵Ipm,计算本采样周期内L个群目标的等效中心向量Z,Z=(z1,z2,…zl,…,zL),其中zl=(Xcl,Ycl),Xcl,Ycl分别表示本采样周期内第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标。
步骤5,根据多个采样周期内L个群目标的等效中心坐标,采用逻辑法推理计算L个群目标的航迹集合H={H1,H2,…,Hl,…,HL},其中,Hl为第l个群目标的稳定航迹。
步骤6,计算L个群目标中心的初始状态,其中第l个群目标中心的初始状态为:
其中,X_st(l)表示第l个群目标的初始状态,X_initial(l)、Y_initial(l)、分别表示第l个群目标中心在初始状态的X方向坐标和Y方向坐标,VX_initial(l)、VY_initial(l)分别表示第l个群目标中心在初始状态的X方向速度和Y方向速度。
步骤7,雷达数据处理模块以步骤6得到的L个群目标中心的初始状态为基准对L个群目标开始跟踪,设跟踪总步数为K,初始化k=0。
步骤8,雷达接收机接收到下一个采样周期内的所有回波信号后执行步骤1至步骤4,从而得到下一个采样周期内F个群目标的等效中心向量Zc,则Zc=(z1,z2,…zf,…,zF)。
步骤9,对下一个采样周期内F个群目标的等效中心向量Zc与对应所述下一个采样周期内L个群目标的预测中心位置向量Zc′进行关联计算,得到关联矩阵C,所述下一个采样周期内L个群目标的预测中心位置向量Zc′在该步骤9的子步骤3中计算得到;
所述步骤9具体包括以下三个子步骤:
子步骤1,判断F与L关系:如果F>L,执行子步骤2;如果F=L,执行子步骤3;
子步骤2,当F>L时,说明跟踪的L个群目标出现了分离现象,则接着步骤4继续执行步骤5至步骤6重新计算F个群目标中心的初始状态,然后再执行步骤9中的子步骤3;
子步骤3,令k加1,计算所述关联矩阵C。
步骤10,根据步骤9得到的关联矩阵C中元素cfl的数值对相对应的群目标滤波跟踪轨迹进行调整:针对cfl=1,表示下一个采样周期内第f个群目标的等效中心与第l个群目标的预测中心关联,则将此第f个群目标的等效中心坐标用于下一个采样周期内该群目标的轨迹进行滤波跟踪,从而得到当前F个群目标的滤波轨迹;
同时将所述当前F个群目标的滤波轨迹一方面作为新的下一个采样周期内F个群目标的中心位置进行预测的滤波状态,另一方面作为F个群目标的跟踪结果。
步骤11,判断k的值,若k<K,执行步骤8至10,否则结束跟踪。
与现有技术相比,本发明提供的一种基于图像形态处理的群目标跟踪方法利用图像形态处理的方法确保在群目标部分观测丢失的情况下,能够减小群目标观测中心的偏移程度,使获得的群目标等效观测中心更加准确,提高了跟踪稳定性;运用在雷达跟踪技术领域提高了雷达点迹预处理模块对群目标中心计算的精度,可处理部分分辨率不高的的群目标,从而提高了群目标中心的跟踪精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于图像形态处理的群目标跟踪方法的流程示意图;
图2为本发明实施例的群目标图像处理前的示意图;
图3为本发明实施例的群目标图像经图像形态处理后的示意图;
图4为本发明实施例的基于图像形态处理的群目标等效中心跟踪轨迹图;
图5为本发明实施例的群目标中心观测的真实轨迹图;
图6为本发明实施例的群目标1中心轨迹的距离误差示意图;
图7为本发明实施例的群目标1中心轨迹的方位角误差示意图;
图8为本发明实施例的群目标2中心轨迹的距离误差示意图;
图9为本发明实施例的群目标2中心轨迹的方位角误差示意图;
图10为本发明实施例的群目标3中心轨迹的距离误差示意图;
图11为本发明实施例的群目标3中心轨迹的方位角误差示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1所示为本发明实施例提供的一种基于图像形态处理的群目标跟踪方法的流程示意图。
如图1所示,本发明实施例提供的一种基于图像形态处理的群目标跟踪方法,包括如下步骤:
步骤1,对雷达接收机在一个采样周期内接收到的回波信号进行处理,得到雷达在本采样周期内所有回波信号中目标的总数Q以及每个目标量测的距离和方位角,并通过直角坐标转换计算得到每个目标量测的距离和方位角在二维直角坐标系中的X方向坐标和Y方向坐标,具体的计算过程为:
首先,对雷达接收机在一个采样周期内接收到的所有回波信号,依次进行脉压、恒虚警检测以及单脉冲测角处理,从而得到雷达在本采样周期内接收到的所有回波信号中目标的总数Q、每个目标量测的距离和每个目标量测的方位角;
其次,采用直角坐标转换方法,根据以下公式将每个目标量测的距离和方位角转换为每个目标量测在二维直角坐标系中的X方向坐标和Y方向坐标:
xd=Rdcosθd,yd=Rdsinθd
其中,xd、yd分别表示第d个目标量测在二维直角坐标系中的X方向坐标和Y方向坐标,Rd表示第d个目标量测的距离,θd表示第d个目标量测的方位角。
该步骤1将雷达接收机在一个采样周期内接收到的回波信号进行相关处理是为了得到实际观测到的目标的总数以及每个目标在极坐标下的位置,并对每个目标极坐标下位置进行直角坐标转化为后期运用图像处理奠定基础。
步骤2,建立初始图像矩阵I,并计算二值图像矩阵I′,具体包含如下子步骤:
子步骤1,设目标监视区域的范围为[x min,x max]×[y min,y max],其中,xmin、x max分别表示目标监视区域范围X方向的最小值和X方向的最大值,y min、y max分别表示目标监视区域范围Y方向的最小值和Y方向的最大值。
同时设图像的像素单元大小为x_im×y_im,其中,x_im、y_im分别表示图像像素单元的宽度和高度。
该子步骤1目标监视区域范围的设定是根据雷达一个采样周期内目标的总数、每个目标的坐标以及反复实验总结确定的。
子步骤2,计算图像矩阵I的行与列的维数,计算公式为:
其中,P表示图像矩阵I的行的维数,N表示图像矩阵I的列的维数。
子步骤3,对图像矩阵I中的所有像素单元初始化,初始值为0。
子步骤4,计算步骤1中所有目标量测对应在图像矩阵I中的X方向坐标和Y方向坐标,计算公式如下:
其中,m=1,2,…,Q;Xm_Im、Ym_Im分别表示第m个目标量测对应在图像矩阵I中的X方向坐标和Y方向坐标;Xm_dkr、Ym_dkr分别表示第m个目标量测的X方向坐标和Y方向坐标;<>表示向下取整;x min分别表示目标监视区域范围X方向的最小值,y min分别表示目标监视区域范围Y方向最小值。
子步骤5,根据得到的所有目标量测对应在图像矩阵I中的X方向坐标和Y方向坐标,在图像矩阵I中找到每个目标量测对应的一个坐标位置,并将这个坐标位置处对应像素单元的初始值0更新赋值为1,从而得到包含所有目标量测的新的图像矩阵I′,则所述图像矩阵I′为二值图像矩阵。
该步骤2将步骤1得到的所有目标通过每个目标的直角坐标建立在图像矩阵I′中,这样为运用图像形态学处理群目标跟踪中心做好准备,也是本方法的关键所在。
步骤3,对二值图像矩阵I′依次进行图像形态学处理和标记处理,得到群目标的个数L以及含有不同标记号l的图像矩阵Ipm,l=1,2,...,a,…,L,所述图像形态学处理和标记处理的具体过程为:
首先,对二值图像矩阵I′进行形态学处理:
设结构元素B是半径为8的圆盘型结构的矩阵,按照图像膨胀算法对二值图像矩阵I′进行膨胀操作,从而得到边缘扩展后的二值图像矩阵Ip且所述二值图像矩阵Ip中形成了多个连通区域;所述二值图像矩阵Ip中行与列的维数分别与图像矩阵I′中行与列的维数一致。
其次,采用连通域标记法对二值图像矩阵Ip中的多个连通区域进行标记计算,所述标记计算过程包括:
3a)对二值图像矩阵Ip按行序逐行扫描,如果第一行中所有像素单元中有一个或多个像素单元为1,则执行3b)至3d);如果第一行中所有像素单元都为0,则继续扫描第二行,如果第二行中所有像素单元都为0,则继续扫描第三行直至扫描的行中首次出现像素单元有1,则执行3b)至3d);
3b)逐行扫描二值图像矩阵Ip,把每一行中连续像素单元都为1的组成一个序列,记录每个序列的起点、终点以及所在的行号;
针对二值图像矩阵Ip所有行中首次出现像素单元为1的行,对所述行中的所有序列依次进行标记,对应的标记号l依次赋值为1,2,…,a′。
3c)以3b)所述行中所有序列标记的标记号为基础,对下一行中的所有序列依次进行标记,如果第s个序列与3b)所述行中的一个序列有重合区域,则第s个序列标记的标记号与3b)所述行中这个序列标记的标记号相同;如果第s个序列与3b)所述行中两个或两个以上的序列有重叠区域,则第s个序列标记的标记号与3b)所述行中这两个或两个以上的序列标记的标记号中最小的标记号相同,并将3b)所述行中这两个或两个以上的序列标记的标记号记录为等价对;如果第s个序列与3b)所述行中的所有序列都没有重合区域,则第s个序列标记的标记号为新的标记号,当s=1时,则新的标记号l=a′+1,当s≠1,则新的标记号是按照所述下一行序列所标记的新的标记号排序的;
依次类推,对二值图像矩阵Ip中后面所有行中的所有序列依次进行标记。
3d)将3c)中记录的不同等价对的标记号分别等价为其中标记号中最小值的标记号,完成消除等价对的计算,然后遍历之前的所有标记并对所有连通区域以自然数顺序重新标记,从而得到含有不同标记号l的图像矩阵Ipm,标记的最大值就是连通域的个数L,而连通域的个数就是群目标的个数,所述图像矩阵Ipm的行与列的维数分别与图像矩阵Ip中行与列的维数一致。
该步骤3是本方法的重中之重,利用图像形态学和连通域标记法找到步骤1中所有目标的种群数即群目标的个数以及每个群目标的几何区域,且每个群目标的几何区域用标记号标记出呈现在一个图像矩阵Ipm中。这样每个群目标的几何区域的中心是一定的,即使群目标中的一个或几个目标缺失也不影响该群目标的几何区域的中心,从而保证了每个群目标中心的计算精度,提高了群目标中心的跟踪效果。
步骤4,根据含有不同标记号l的图像矩阵Ipm,计算本采样周期内L个群目标的等效中心向量Z,Z=(z1,z2,…zl,…,zL),其中zl=(Xcl,Ycl),Xcl,Ycl分别表示本采样周期内第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标:
通过步骤3可知,图像矩阵Ipm中的连通区域为L个,对应的,雷达接收机接收到的一个采样周期内的所有目标中有L个群目标。
首先,计算图像矩阵Ipm中所有连通区域中心的坐标,计算公式如下:
其中,表示图像矩阵Ipm中第l个连通区域中心的X方向坐标,表示图像矩阵Ipm中第l个连通区域中心的Y方向坐标;xln,ylj分别表示第l个连通区域中第n个像素单元的X方向坐标和第j个像素单元的Y方向坐标;lr、lc分别表示图像矩阵Ipm中像素单元中标记为l的X方向像素单元总数和Y方向像素单元总数;Sl为第l个连通区域中像素单元的总数。
其次,计算L个群目标的等效中心的坐标,其计算公式如下:
其中,Xcl,Ycl分别表示第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标。
最后,根据L个群目标的等效中心的坐标,得到本采样周期内L个群目标的等效中心向量Z=(z1,z2,…zl,…,zL),其中zl=(Xcl,Ycl)。
该步骤4利用求数学几何图形中心的方法得到每个群目标的几何区域中心,然后将每个群目标的几何区域中心转换在直角坐标系中从而得到每个群目标的等效中心坐标。
步骤5,根据多个采样周期内L个群目标的等效中心坐标,采用逻辑法推理计算L个群目标的航迹集合H={H1,H2,…,Hl,…,HL},其中,Hl为第l个群目标的稳定航迹。
一个采样周期为一个采样时间,则多个采样周期为多个采样时间,设雷达采样时间为T,优选地雷达采样时间为前四个时刻,则当T=1、T=2、T=3及T=4时分别执行步骤1至步骤4,得到对应时刻下L个群目标的等效中心向量:设T=t,t=1,2,3,4,则第t个时刻L个群目标的等效中心向量为Zt,Zt=(z(t,1),z(t,2),…,z(t,L)),其中z(t,l)=(Xct,l,Yct,l),Xct,l,Yct,l分别表示第t个时刻第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标。
根据本发明的实施例,所述采样时间优选为前四个时刻是根据逻辑法推理并多次实验模拟确定的,一般采样时间为前三个或四个时刻,运用逻辑法便可推理出多个群目标的稳定航迹。
从而利用前四个时刻下L个群目标的等效中心坐标,采用逻辑法推理L个群目标的稳定航迹:
首先,第一个时刻内的L个群目标的等效中心用速度法建立初始相关波门,对落入初始相关波门内的第二个时刻内的L个群目标的等效中心都建立可能航迹集合。
其次,对上述可能航迹集合中的每个子集航迹进行外推,以外推点为中心,由航迹外推误差协方差确定此时的波门大小:若第三个时刻内存在落入相关波门内的群目标的等效中心,则将离外推点最近的群目标的等效中心存入相对应的可能航迹子集中;若没有群目标的等效中心落入相关波门内,则从可能航迹集合中删除这条可能子集航迹。
最后,继续对剩余的可能航迹进行外推,若第四个时刻内存在落入相关波门内的群等效中心,则将离外推点最近的群等效中心存入相对应的可能航迹集合中并将此条航迹确定为稳定航迹;若没有群等效中心落入相关波门内,则从可能航迹集合中删除这条可能航迹。
按照上述逻辑法处理后,可得到L个群目标的稳定航迹集合H,H={H1,H2,…,Hl,…,HL},其中,Hl为第l个群目标的稳定航迹,也是前四个时刻第l个群目标的等效中心坐标位置形成的子集,则Hl的表达式为Hl={h(l,1),…,h(l,t),…h(l,4)},其中元素h(l,t)为第t个时刻下第l个群目标的等效中心坐标位置,即Xc(l,t)、Yc(l,t)分别表示第t个时刻下第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标。
步骤6,计算L个群目标中心的初始状态,其中第l个群目标中心的初始状态为:
其中,X_st(l)表示第l个群目标中心的初始状态,X_initial(l)、Y_initial(l)分别表示第l个群目标中心在初始状态的X方向坐标和Y方向坐标,VX_iniital(l)、VY_initial(l)分别表示第l个群目标中心在初始状态的X方向速度和Y方向速度。
根据以下公式计算第l个群目标中心的初始状态:
其中,Xc(l,T)、Yc(l,T)分别表示第T个时刻下第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标,Xc(l,t+1)、Yc(l,t+1)分别表示第t+1个时刻下第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标,Δt表示连续两个采样周期之间的时间间隔。
该步骤6计算得到的L个群目标中心的初始状态为下一个采样周期即第五个时刻下L个群目标的中心位置预测做铺垫。
步骤7,雷达数据处理模块以步骤6得到的L个群目标中心的初始状态为基准对L个群目标开始跟踪,设跟踪总步数为K,初始化k=0。
该步骤7对L个群目标跟踪开始的采样时间为第五个时刻,依次跟踪下一个时刻下的L个群目标。
步骤8,雷达接收机接收到下一个采样周期内的所有回波信号后执行步骤1至步骤4,从而得到下一个采样周期内F个群目标的等效中心向量Zc,则Zc=(z1,z2,…zf,…,zF)。
根据本发明的实施例,雷达滤波每次跟踪前,首先雷达接收机接收所要跟踪的下一个采样周期内的所有群目标的回波信号,然后执行步骤1至步骤4得到跟踪的所有群目标的等效中心向量Zc,为步骤9计算做准备。
步骤9,对下一个采样周期内F个群目标的等效中心向量Zc与对应所述下一个采样周期内L个群目标的预测中心位置向量Zc′进行关联计算,得到关联矩阵C,所述下一个采样周期内L个群目标的预测中心位置向量Zc′在该步骤9的子步骤3中计算得到;
所述步骤9具体包括以下三个子步骤:
子步骤1,判断F与L关系:如果F>L,执行子步骤2;如果F=L,执行子步骤3;
子步骤2,当F>L时,说明跟踪的L个群目标出现了分离现象,则接着步骤4继续执行步骤5至步骤6重新计算F个群目标中心的初始状态,然后再执行步骤9中的子步骤3;
子步骤3,令k加1,计算所述关联矩阵C。
根据本发明的实施例,在计算关联矩阵之前首先要判断F与L的关系,因为实际跟踪的时候会发生群目标分离的现象:如果F=L说明跟踪的群目标没有分离可以继续后面的计算;如果F>L说明跟踪的群目标发生分离了,这需重新计算F个群目标的等效中心和F个群目标的初始状态,为后期的继续群目标跟踪做铺垫。
作为优选的,所述子步骤3的具体计算过程为:
9a)判断k的值,若k=1,则依次执行子步骤9b)和9d),否则,依次执行子步骤9c)和9d)。
该步骤9a)判断k的值后,存在两种执行计算,实际中只有群目标开始跟踪的时候用到依次执行子步骤9b)和9d),这是因为首次跟踪本采样周期内没有雷达滤波跟踪的滤波状态,后面跟踪的时候计算都执行子步骤9c)和9d),利用雷达滤波跟踪的滤波状态预测群目标的中心位置。
9b)以步骤6中L个群目标中心的初始状态为基准采用如下公式对下一采样周期内这L个群目标的中心位置进行预测,从而得到下一个采样周期内L个群目标的预测中心位置:
X_pre(l)=X_initial(l)+VX_initial(l)·Δt
Y_pre(l)=Y_initial(l)+VY_initial(l)·Δt
其中,X_pre(l)、Y_pre(l)分别表示下一个采样周期内第l个群目标的预测中心的X方向坐标和Y方向坐标,Δt表示连续连续两个采样周期之间的时间间隔;
则可得到下一个采样周期内L个群目标的预测中心位置向量Zc′,Zc′=(z1′,z2′,…zl′,…,zL′),其中zl′=(X_pre(l),Y_pre(l))。
9c)以当前L个群目标中心的滤波状态采用如下公式对下一个采样周期内L个群目标的中心位置进行预测,从而得到下一个采样周期内第l个群目标的预测中心位置:
X_pre(l)=X_f(l)+VX_f(l)·Δt
Y_pre(l)=Y_f(l)+VY_f(l)·Δt
其中,X_pre(l)、Y_pre(l)分别表示下一个采样周期内第l个群目标的预测中心的X方向坐标和Y方向坐标,X_f(l)、Y_f(l)分别表示当前第l个群目标中心滤波后的X方向坐标和Y方向坐标,VX_f(l)、VY_f(l)分别表示当前第l个群目标中心滤波后的X方向速度和Y方向速度,Δt表示连续两帧观测信息的采样时间间隔;
则可得到下一个采样周期内L个群目标的预测中心位置向量Zc′,Zc′=(z1′,z2′,…zl′,…,zL′),其中zl′=(X_pre(l),Y_pre(l))。
9d)对下一个采样周期内F个群目标的等效中心向量Zc与对应所述下一个采样周期内L个群目标的预测中心位置向量Zc′进行关联计算:
设矩形波门门限值Ux、Uy,根据下式确定关联矩阵C的元素cfl:
其中,cfl表示关联矩阵C中第f行第l列的元素,||表示取绝对值,&表示与运算,Xcf,Ycf分别表示下一个采样周期内第f个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标。
步骤10,根据步骤9得到的关联矩阵C中元素cfl的数值对相对应的群目标滤波跟踪轨迹进行调整:针对cfl=1,表示下一个采样周期内第f个群目标的等效中心与第l个群目标的预测中心关联,则将此第f个群目标的等效中心坐标用于下一个采样周期内该群目标的轨迹进行滤波跟踪,从而得到当前F个群目标的滤波轨迹;同时将所述当前F个群目标的滤波轨迹一方面作为新的下一个采样周期内F个群目标的中心位置进行预测的滤波状态,另一方面作为F个群目标的跟踪结果。
步骤11,判断k的值,若k<K,执行步骤8至10,否则结束跟踪。
以下通过仿真实验对本发明实施例提供的上述方法的效果进行验证:
仿真实验环境:
实验环境:Inter(R)Core(TM)[email protected],64位Windows操作***和MATLAB 2014a仿真软件。
实验数据:
雷达接收机接收到的一个采样周期内目标的总数Q=24,共有群目标L=3,每个群中分别包含8个目标,而雷达探测出的实际观测目标个数为3-4个,群目标1、2、3分别起始于[-8000-2000],[-80002000],[-6000-4000]附近,测距误差为σr=20m,测角误差为σθ=0.1rad。雷达距离分辨率为λr=20,角度分辨率为λθ=0.01rad。
实验结果:
1.如图2和图3分别表示本发明实施例的群目标图像经图像形态处理前后的示意图,即图2和图3分别为群目标图像膨胀处理前与膨胀处理后的群目标图像,由两图像可知,经过处理后同一个群目标的图像像素单元形成了连通区域,从而可计算每个连通区域的中心并把每个连通区域的中心作为相对应的群目标的等效中心,进而避免了部分观测图像缺失的情况下群目标中心偏移的现象,使缺失图像观测的影响降到最小,保障了群目标中心计算的精度,使得群目标中心跟踪更加稳定。
2.如图4为本发明实施例的基于图像形态处理的跟踪群目标等效中心轨迹,图5为本发明实施例的群目标中心观测的真实轨迹,由两图可知,基于图像形态处理的跟踪群目标等效中心轨迹与该群目标中心观测的真实轨迹十分吻合,未出现较大的偏移,也未出现失跟的情况,说明本发明实施例基于图像形态学处理而得到的群目标等效中心是可靠的。
3.如图6和图7分别为本发明实施例的群目标1中心轨迹的距离误差和方位角误差示意图,图8和图9分别为本发明实施例的群目标2中心轨迹的距离误差和方位角误差示意图,图10和图11分别为本发明实施例的群目标3中心轨迹的距离误差和方位角误差示意图,由图可知,群目标1中心的距离误差为-20m~25m,方位角误差为-0.3度~0.5度;群目标2中心的距离误差为-25m~20m,方位角误差为-0.5度~0.5度;群目标3中心的距离误差为-20m~40m,方位角误差为-0.5度~0.3度,说明本发明实施例通过群目标等效中心集合与群目标预测中心位置之间的关联矩阵来调整雷达滤波跟踪参数使得滤波跟踪性能,无论从距离还是角度上都具有很好的跟踪效果,并且在群目标部分观测缺失情况下仍能够保持很好的跟踪效果。
由仿真实验可知,本发明方法基于图像形态处理的群目标跟踪方法用在雷达跟踪技术领域不仅保障了群目标中心计算的精度,更能够在群目标发生部分缺失情况下很好地跟踪群目标,具有很有价值的实用性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于图像形态处理的群目标跟踪方法,其特征在于,所述方法包括以下步骤:
步骤1,对雷达接收机在一个采样周期内接收到的回波信号进行处理,得到雷达在本采样周期内所有回波信号中目标的总数Q以及每个目标量测的距离和方位角,并通过直角坐标转换计算得到每个目标量测的距离和方位角在二维直角坐标系中的X方向坐标和Y方向坐标;
步骤2,建立初始图像矩阵I,并计算二值图像矩阵I′;
步骤3,对二值图像矩阵I′依次进行图像形态学处理和标记处理,得到群目标的个数L以及含有不同标记号l的图像矩阵Ipm,l=1,2,...,a,…,L;
步骤4,根据含有不同标记号l的图像矩阵Ipm,计算本采样周期内L个群目标的等效中心向量Z,Z=(z1,z2,…zl,…,zL),其中zl=(Xcl,Ycl),Xcl,Ycl分别表示本采样周期内第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标;
步骤5,根据多个采样周期内L个群目标的等效中心坐标,采用逻辑法推理计算L个群目标的航迹集合H={H1,H2,…,Hl,…,HL},其中,Hl为第l个群目标的稳定航迹;
步骤6,计算L个群目标中心的初始状态,其中第l个群目标中心的初始状态为:
其中,X_st(l)表示第l个群目标中心的初始状态,X_initial(l)、Y_initial(l)分别表示第l个群目标中心在初始状态的X方向坐标和Y方向坐标,VX_initial(l)、VY_initial(l)分别表示第l个群目标中心在初始状态的X方向速度和Y方向速度;
步骤7,雷达数据处理模块以步骤6得到的L个群目标中心的初始状态为基准对L个群目标开始跟踪,设跟踪总步数为K,初始化k=0;
步骤8,雷达接收机接收到下一个采样周期内的所有回波信号后执行步骤1至步骤4,从而得到下一个采样周期内F个群目标的等效中心向量Zc,则Zc=(z1,z2,…zf,…,zF);
步骤9,对下一个采样周期内F个群目标的等效中心向量Zc与对应所述下一个采样周期内L个群目标的预测中心位置向量Zc′进行关联计算,得到关联矩阵C,所述下一个采样周期内L个群目标的预测中心位置向量Zc′在该步骤9的子步骤3中计算得到;
所述步骤9具体包括以下三个子步骤:
子步骤1,判断F与L关系:如果F>L,执行子步骤2;如果F=L,执行子步骤3;
子步骤2,当F>L时,说明跟踪的L个群目标出现了分离现象,则接着步骤4继续执行步骤5至步骤6重新计算F个群目标中心的初始状态,然后再执行步骤9中的子步骤3;
子步骤3,令k加1,计算所述关联矩阵C;
步骤10,根据步骤9得到的关联矩阵C中元素cfl的数值对相对应的群目标滤波跟踪轨迹进行调整:针对cfl=1,表示下一个采样周期内第f个群目标的等效中心与第l个群目标的预测中心关联,则将此第f个群目标的等效中心坐标用于下一个采样周期内该群目标的轨迹进行滤波跟踪,从而得到当前F个群目标的滤波轨迹;
同时将所述当前F个群目标的滤波轨迹一方面作为新的下一个采样周期内F个群目标的中心位置进行预测的滤波状态,另一方面作为F个群目标的跟踪结果;
步骤11,判断k的值,若k<K,执行步骤8至10,否则结束跟踪。
2.根据权利要求1所述的一种基于图像形态处理的群目标跟踪方法,其特征在于,步骤1具体包括以下子步骤:
子步骤1,对雷达接收机在一个采样周期内接收到的所有回波信号,依次进行脉压、恒虚警检测以及单脉冲测角处理,从而得到雷达在本采样周期内接收到的所有回波信号中目标的总数Q、每个目标量测的距离和每个目标量测的方位角;
子步骤2,采用直角坐标转换方法,根据以下公式将每个目标量测的距离和方位角转换为每个目标量测在二维直角坐标系中的X方向坐标和Y方向坐标:
xd=Rdcosθd
yd=Rdsinθd
其中,xd、yd分别表示第d个目标量测的距离和方位角在二维直角坐标系中的X方向坐标和Y方向坐标,Rd表示第d个目标量测的距离,θd表示第d个目标量测的方位角。
3.根据权利要求1所述的一种基于图像形态处理的群目标跟踪方法,其特征在于,步骤2具体包括以下子步骤:
子步骤1,设目标监视区域的范围为[xmin,xmax]×[ymin,ymax],其中,xmin、xmax分别表示目标监视区域范围X方向的最小值和X方向的最大值,ymin、ymax分别表示目标监视区域范围Y方向的最小值和Y方向的最大值;
同时设图像的像素单元大小为x_im×y_im,其中,x_im、y_im分别表示图像像素单元的宽度和高度;
子步骤2,计算图像矩阵I的行与列的维数,计算公式为:
其中,P表示图像矩阵I的行的维数,N表示图像矩阵I的列的维数;
子步骤3,对图像矩阵I中的所有像素单元初始化,初始值为0;
子步骤4,计算步骤1中所有目标量测的X方向坐标和Y方向坐标分别对应在图像矩阵I中的X方向坐标和Y方向坐标,计算公式如下:
其中,m=1,2,…,Q,Xm_Im、Ym_Im分别表示第m个目标量测对应在图像矩阵I中的X方向坐标和Y方向坐标,Xm_dkr、Ym_dkr分别表示第m个目标量测的X方向坐标和Y方向坐标,<>表示向下取整,xmin表示目标监视区域范围X方向的最小值,ymin表示目标监视区域范围Y方向最小值;
子步骤5,根据得到的所有目标量测对应在图像矩阵I中的X方向坐标和Y方向坐标,在图像矩阵I中找到每个目标量测对应的一个坐标位置,并将这个坐标位置处对应像素单元的初始值0更新赋值为1,从而得到包含所有目标量测的新的图像矩阵I′,则所述图像矩阵I′为二值图像矩阵。
4.根据权利要求1所述的一种基于图像形态处理的群目标跟踪方法,其特征在于,步骤3具体包括:
首先,对二值图像矩阵I′进行形态学处理:
设结构元素B是半径为8的圆盘型结构的矩阵,按照图像膨胀算法对二值图像矩阵I′进行膨胀操作,从而得到边缘扩展后的二值图像矩阵Ip且所述二值图像矩阵Ip中形成了多个连通区域;所述二值图像矩阵Ip中行与列的维数分别与图像矩阵I′中行与列的维数一致;
其次,采用连通域标记法对二值图像矩阵Ip中的多个连通区域进行标记计算,所述标记计算过程包括:
4a)对二值图像矩阵Ip按行序逐行扫描,如果第一行中所有像素单元中有一个或多个像素单元为1,则执行4b)至4d);如果第一行中所有像素单元都为0,则继续扫描第二行,如果第二行中所有像素单元都为0,则继续扫描第三行直至扫描的行中首次出现像素单元有1,则执行4b)至4d);
4b)逐行扫描二值图像矩阵Ip,把每一行中连续像素单元都为1的组成一个序列,记录每个序列的起点、终点以及所在的行号;
针对二值图像矩阵Ip所有行中首次出现像素单元为1的行,对所述行中的所有序列依次进行标记,对应的标记号l依次为l=1,2,…,a;
4c)以4b)所述行中所有序列标记的标记号为基础,对下一行中的所有序列依次进行标记,如果第s个序列与所述行中的一个序列有重合区域,则第s个序列标记的标记号与所述行中这个序列标记的标记号相同;如果第s个序列与所述行中两个或两个以上的序列有重叠区域,则第s个序列标记的标记号与所述行中这两个或两个以上的序列标记的标记号中最小的标记号相同,并将所述行中这两个或两个以上的序列标记的标记号记录为等价对;如果第s个序列与所述行中的所有序列都没有重合区域,则第s个序列标记的标记号为新的标记号,当s=1时,则新的标记号l=a+1,当s≠1,则新的标记号是按照所述下一行序列所标记的新的标记号排序的;
依次类推,对二值图像矩阵Ip中后面所有行中的所有序列依次进行标记;
4d)将4c)中记录的不同等价对的标记号分别等价为其中标记号中最小值的标记号,完成消除等价对的计算,然后遍历之前的所有标记并对所有连通区域以自然数顺序重新标记,从而得到含有不同标记号l的图像矩阵Ipm,标记的最大值就是连通域的个数L,而连通域的个数就是群目标的个数,所述图像矩阵Ipm的行与列的维数分别与图像矩阵Ip中行与列的维数一致。
5.根据权利要求1所述的一种基于图像形态处理的群目标跟踪方法,其特征在于,步骤4具体包括以下子步骤:
子步骤1,根据以下公式计算图像矩阵Ipm中所有连通区域中心的坐标:
其中,表示图像矩阵Ipm中第l个连通区域中心的X方向坐标,表示图像矩阵Ipm中第l个连通区域中心的Y方向坐标,xln,ylj分别表示第l个连通区域中第n个像素单元的X方向坐标和Y方向坐标,lr、lc分别表示图像矩阵Ipm中像素单元中标记为l的X方向像素单元总数和Y方向像素单元总数,Sl为第l个连通区域中像素单元的总数;
子步骤2,根据以下公式计算L个群目标的等效中心的坐标:
其中,Xcl,Ycl分别表示第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标;
子步骤3,根据L个群目标的等效中心的坐标,得到本采样周期内L个群目标的等效中心向量Z=(z1,z2,…zl,…,zL),其中zl=(Xcl,Ycl)。
6.根据权利要求1所述的一种基于图像形态处理的群目标跟踪方法,其特征在于,步骤5具体过程为:
一个采样周期为一个采样时间,则多个采样周期为多个采样时间,设雷达采样时间为前T个时刻,优选地雷达采样时间为前四个时刻,则当T=1、T=2、T=3及T=4时分别执行步骤1至步骤4,得到对应时刻下L个群目标的等效中心向量:设T=t,t=1,2,3,4,则第t个时刻L个群目标的等效中心向量为Zt,Zt=(z(t,1),z(t,2),…,z(t,L)),其中z(t,l)=(Xct,l,Yct,l),Xct,l,Yct,l分别表示第t个时刻第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标;
从而利用前四个时刻下L个群目标的等效中心坐标,采用逻辑法推理L个群目标的稳定航迹:
首先,第一个时刻内的L个群目标的等效中心用速度法建立初始相关波门,对落入初始相关波门内的第二个时刻内的L个群目标的等效中心都建立可能航迹集合;
其次,对上述可能航迹集合中的每个子集航迹进行外推,以外推点为中心,由航迹外推误差协方差确定此时的波门大小:若第三个时刻内存在落入相关波门内的群目标的等效中心,则将离外推点最近的群目标的等效中心存入相对应的可能航迹子集中;若没有群目标的等效中心落入相关波门内,则从可能航迹集合中删除这条可能子集航迹;
最后,继续对剩余的可能航迹进行外推,若第四个时刻内存在落入相关波门内的群等效中心,则将离外推点最近的群等效中心存入相对应的可能航迹集合中并将此条航迹确定为稳定航迹;若没有群等效中心落入相关波门内,则从可能航迹集合中删除这条可能航迹;
按照上述逻辑法处理后,可得到L个群目标的稳定航迹集合H,H={H1,H2,…,Hl,…,HL},其中,Hl为第l个群目标的稳定航迹,也是前四个时刻第l个群目标的等效中心坐标位置形成的子集,则Hl的表达式为Hl={h(l,1),…,h(l,t),…h(l,4)},其中元素h(l,t)为第t个时刻下第l个群目标的等效中心坐标位置,即Xc(l,t)、Yc(l,t)分别表示第t个时刻下第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标。
7.根据权利要求1所述的一种基于图像形态处理的群目标跟踪方法,其特征在于,步骤6具体包括:
根据以下公式计算第l个群目标中心的初始状态:
其中,Xc(l,T)、Yc(l,T)分别表示第T个时刻下第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标,Xc(l,t+1)、Yc(l,t+1)分别表示第t+1个时刻下第l个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标,Δt表示连续两个采样周期之间的时间间隔。
8.根据权利要求1所述的一种基于图像形态处理的群目标跟踪方法,其特征在于,步骤9的子步骤3具体包括:
8a)判断k的值,若k=1,则依次执行子步骤8b)和8d),否则,依次执行子步骤8c)和8d);
8b)以步骤6中L个群目标中心的初始状态为基准采用如下公式对下一个采样周期内这L个群目标的中心位置进行预测,从而得到下一个采样周期内第l个群目标的预测中心位置:
X_pre(l)=X_initial(l)+VX_initial(l)·Δt
Y_pre(l)=Y_initial(l)+VY_initial(l)·Δt
其中,X_pre(l)、Y_pre(l)分别表示下一个采样周期内第l个群目标的预测中心的X方向坐标和Y方向坐标,Δt表示连续两个采样周期之间的时间间隔;
则可得到下一个采样周期内L个群目标的预测中心位置向量Zc′,Zc′=(z1′,z2′,…zl′,…,zL′),其中zl′=(X_pre(l),Y_pre(l));
8c)以当前L个群目标中心的滤波状态采用如下公式对下一个采样周期内L个群目标的中心位置进行预测,从而得到下一个采样周期内第l个群目标的预测中心位置:
X_pre(l)=X_f(l)+VX_f(l)·Δt
Y_pre(l)=Y_f(l)+VY_f(l)·Δt
其中,X_pre(l)、Y_pre(l)分别表示下一个采样周期内第l个群目标的预测中心的X方向坐标和Y方向坐标,X_f(l)、Y_f(l)分别表示当前第l个群目标中心滤波后的X方向坐标和Y方向坐标,VX_f(l)、VY_f(l)分别表示当前第l个群目标中心滤波后的X方向速度和Y方向速度,Δt表示连续两帧观测信息的采样时间间隔;
则可得到下一个采样周期内L个群目标的预测中心位置向量Zc′,Zc′=(z1′,z2′,…zl′,…,zL′),其中zl′=(X_pre(l),Y_pre(l));
8d)对下一个采样周期内F个群目标的等效中心向量Zc与对应所述下一个采样周期内L个群目标的预测中心位置向量Zc′进行关联计算:
设矩形波门门限值Ux、Uy,根据下式确定关联矩阵C的元素cfl:
其中,cfl表示关联矩阵C中第f行第l列的元素,||表示取绝对值,&表示与运算,Xcf,Ycf分别表示下一个采样周期内第f个群目标的等效中心在直角坐标系中的X方向坐标和Y方向坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057384.3A CN109814074B (zh) | 2019-01-22 | 2019-01-22 | 基于图像形态处理的群目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057384.3A CN109814074B (zh) | 2019-01-22 | 2019-01-22 | 基于图像形态处理的群目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109814074A true CN109814074A (zh) | 2019-05-28 |
CN109814074B CN109814074B (zh) | 2022-11-18 |
Family
ID=66603610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910057384.3A Active CN109814074B (zh) | 2019-01-22 | 2019-01-22 | 基于图像形态处理的群目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109814074B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208501A (zh) * | 2019-12-30 | 2020-05-29 | 广州市番禺奥莱照明电器有限公司 | 基于雷达探测的多目标聚合方法、装置、设备和存储介质 |
CN113030943A (zh) * | 2021-03-05 | 2021-06-25 | 中国人民解放军空军工程大学航空机务士官学校 | 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 |
CN113658220A (zh) * | 2021-07-23 | 2021-11-16 | 哈尔滨工业大学 | 一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法 |
CN114859300A (zh) * | 2022-07-07 | 2022-08-05 | 中国人民解放军国防科技大学 | 一种基于图连通度的雷达辐射源数据流处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004233136A (ja) * | 2003-01-29 | 2004-08-19 | Mitsubishi Electric Corp | 目標追尾装置 |
CN108303692A (zh) * | 2018-01-30 | 2018-07-20 | 哈尔滨工业大学 | 一种解多普勒模糊的多目标跟踪方法 |
CN109031279A (zh) * | 2018-06-23 | 2018-12-18 | 中国人民解放军海军航空大学青岛校区 | 具有形状信息的多个群目标跟踪方法 |
-
2019
- 2019-01-22 CN CN201910057384.3A patent/CN109814074B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004233136A (ja) * | 2003-01-29 | 2004-08-19 | Mitsubishi Electric Corp | 目標追尾装置 |
CN108303692A (zh) * | 2018-01-30 | 2018-07-20 | 哈尔滨工业大学 | 一种解多普勒模糊的多目标跟踪方法 |
CN109031279A (zh) * | 2018-06-23 | 2018-12-18 | 中国人民解放军海军航空大学青岛校区 | 具有形状信息的多个群目标跟踪方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208501A (zh) * | 2019-12-30 | 2020-05-29 | 广州市番禺奥莱照明电器有限公司 | 基于雷达探测的多目标聚合方法、装置、设备和存储介质 |
CN111208501B (zh) * | 2019-12-30 | 2022-06-03 | 广州市番禺奥莱照明电器有限公司 | 基于雷达探测的多目标聚合方法、装置、设备和存储介质 |
CN113030943A (zh) * | 2021-03-05 | 2021-06-25 | 中国人民解放军空军工程大学航空机务士官学校 | 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 |
CN113030943B (zh) * | 2021-03-05 | 2023-08-18 | 中国人民解放军空军工程大学航空机务士官学校 | 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 |
CN113658220A (zh) * | 2021-07-23 | 2021-11-16 | 哈尔滨工业大学 | 一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法 |
CN113658220B (zh) * | 2021-07-23 | 2024-01-19 | 哈尔滨工业大学 | 一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法 |
CN114859300A (zh) * | 2022-07-07 | 2022-08-05 | 中国人民解放军国防科技大学 | 一种基于图连通度的雷达辐射源数据流处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109814074B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814074A (zh) | 基于图像形态处理的群目标跟踪方法 | |
CN104931966B (zh) | 一种基于dcs算法的星载视频sar成像处理方法 | |
CN109100714A (zh) | 一种基于极坐标系的低慢小目标跟踪方法 | |
CN108445480A (zh) | 基于激光雷达的移动平台自适应扩展目标跟踪***及方法 | |
CN108460341A (zh) | 基于集成深度卷积网络的光学遥感图像目标检测方法 | |
CN108535713A (zh) | 一种雷达和ais联合跟踪与信息融合方法 | |
CN104133983B (zh) | 基于加权负一阶rd和的多目标伯努利分布式融合方法 | |
CN108205135A (zh) | 基于无插值融合快速后向投影的雷达视频成像方法 | |
CN108196240A (zh) | 一种适用于csar成像的地面动目标轨迹重构方法 | |
CN111829963B (zh) | 一种分布式遥感卫星*** | |
CN105652255B (zh) | 雷达组网***的空间配准方法 | |
CN110751077B (zh) | 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法 | |
Karniely et al. | Sensor registration using neural networks | |
CN116245916B (zh) | 一种面向无人艇的红外舰船目标跟踪方法及装置 | |
JPS61112276A (ja) | デ−タ処理装置 | |
CN112325883A (zh) | 一种WiFi和视觉多源融合的移动机器人室内定位方法 | |
Wu et al. | Multivehicle object tracking in satellite video enhanced by slow features and motion features | |
CN110501006A (zh) | 一种异类传感器联合航迹关联与跟踪方法 | |
Zhao et al. | Imaging the Sun's far-side active regions by applying multiple measurement schemes on multiskip acoustic waves | |
Sun et al. | Vessel velocity estimation and tracking from Doppler echoes of T/RR composite compact HFSWR | |
CN108107427A (zh) | 基于超分辨技术的机载/弹载阵列雷达前视成像方法 | |
CN110414343A (zh) | 一种在轨卫星遥感图像舰船检测方法 | |
Yan et al. | Moving targets detection for video SAR surveillance using multilevel attention network based on shallow feature module | |
CN113589848B (zh) | 基于机器视觉的多无人机探测定位跟踪***及方法 | |
CN115201809A (zh) | 基于监控视频辅助的vts雷达目标解融合方法、***和设备 |
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 |