CN109991597A - 一种面向弱扩展目标的检测前跟踪方法 - Google Patents
一种面向弱扩展目标的检测前跟踪方法 Download PDFInfo
- Publication number
- CN109991597A CN109991597A CN201910273270.2A CN201910273270A CN109991597A CN 109991597 A CN109991597 A CN 109991597A CN 201910273270 A CN201910273270 A CN 201910273270A CN 109991597 A CN109991597 A CN 109991597A
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- moment
- state
- probability
- 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
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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于目标检测和跟踪技术领域,具体公开了一种面向弱扩展目标的检测前跟踪方法。本发明在贝叶斯滤波框架下,利用粒子近似手段递归预测和更新目标状态,从而实现弱扩展目标的检测与跟踪,其中在更新步骤中,通过粒子完成对目标所占据分辨单元的强度测量数据积累,当积累长度达到设定值后,估计目标所占据各分辨单元的功率,以此作为似然函数的参数对粒子权重进行更新。该方法可以在没有目标先验信息的情况下实现弱扩展目标的检测与跟踪,避免了传统方法复杂非线性参数估计过程,同时对强度测量数据类型没有特定要求,可广泛应用于视频监控***、机器人导航***、军事目标检测跟踪***等各类民用和军用***中,具有广阔的市场前景和应用价值。
Description
技术领域
本发明涉及目标检测和跟踪技术领域,更具体地说,涉及一种面向弱扩展目标的检测前跟踪方法。
背景技术
在民用监控与军事侦察需求日益深化的背景下,要求传感器具有对弱扩展目标的快速检测与稳健跟踪能力。在低信噪比条件下,与传统先检测后跟踪(TAD)技术相比,检测前跟踪(TBD)技术能够更有效地实现目标的联合检测与跟踪。TBD技术最早由Maybeck于1983年首先应用于红外图像序列的目标检测,此后广泛应用于雷达探测领域。TBD技术的基本思想是做检测判决之前,通过在目标运动轨迹上的回波信号能量积累,从而提高了目标检测信噪比,实现弱目标的联合检测与跟踪。由于TBD技术直接应用传感器输出的各分辨单元强度测量数据,避免了阈值处理给回波信息造成的损失。
目前对TBD技术的实现方法大致上可分为两类:一类是以三维匹配滤波、动态规划、哈弗变换、多阶假设检验等方法为代表的批处理方法,难以保证实时性;另一类是以递归贝叶斯滤波为代表的递归处理方法,其中粒子滤波近似在非线性应用中的成功,无疑提高了该方法的应用价值。对于单目标TBD技术的研究,大多数成果仍是基于点目标假设。随着高分辨传感器的广泛应用,点目标假设已经难以满足工程应用需求。针对弱扩展目标,现有研究仍以TAD技术思路为主,而基于强度测量数据实现联合检测与跟踪的TBD技术成果不多。本发明着眼于面向弱扩展目标的检测前跟踪方法。
现有为数不多的弱扩展目标TBD算法,在贝叶斯滤波框架下做更新时,均假设目标功率参数是先验已知,或者测量集信噪比是已知的。由于探测目标往往具有非合作性,这类假设通常难以满足。因此有学者引入参数估计思想,通过最大似然估计(MLE)的方法对目标和噪声功率进行估计,但该估计算法中至少存在以下两个问题:一是在目标强度服从莱斯分布的条件下,参数估计需要求解一组高度非线性方程;二是在目标强度服从指数分布的条件下,该估计算法完全失效。
发明内容
本发明要解决的技术问题是目标先验信息未知条件下的弱扩展目标联合检测与跟踪。为克服现有方法中的不足与缺点,本发明提供一种面向弱扩展目标的检测前跟踪方法,该方法将多帧传感器强度测量数据进行积累,以强度测量的平均值作为目标功率估计,能够有效适配不同模型分布条件下的传感器数据,保证检测与跟踪的自适应能力,实现弱扩展目标的快速检测与稳定跟踪。
本发明是通过以下技术方案实现的:
一种面向弱扩展目标的检测前跟踪方法,该方法包括下列步骤:
步骤1初始化滤波器:包括确定***的模型和参数,以及设定***的先验信息,基于以下步骤:
(1.1)定义目标动态模型xk=f(xk-1)+wk和传感器强度测量模型zk=h(xk)+vk,其中xk是k时刻目标的状态矢量,f(·)为目标状态转移函数,wk是服从pw分布的过程噪声,假设为独立同分布的;zk是k时刻传感器的强度测量集合,h(·)描述目标状态矢量xk与强度测量zk之间的关系,vk是服从pv分布且独立于wk的测量噪声,也假设为独立同分布的。
(1.2)设定***先验信息。由于滤波器是递归处理数据的,每一次迭代都需要上一时刻的粒子状态和存活概率。因此,初始时刻目标的存活概率以及用于产生新粒子状态的分布函数都必须先验设定。先验信息的设定包括以下三个方面:
a.设定初始时刻目标的存活概率为p0|0;
b.将目标的存在性mk建模为二状态马尔科夫链,并设定pb和ps为恒定的常数,其中pb=prob{mk=1|mk-1=0}表示k-1时刻目标不存在并且在k时刻“新生”的概率,ps=prob{mk=1|mk-1=1}表示目标在k-1时刻存在并且在k时刻“幸存”的概率;
c.设定两个用于产生新粒子状态的分布函数,即对应于pb的建议概率分布bk|k-1(x)和对应于ps的建议概率分布其中目标先验信息未知的条件下,bk|k-1(x)可假定为均匀分布;则由目标动态模型推导得到,为pw(xk-f(xk-1))。
(1.3)确定粒子滤波的粒子数N+B与目标最大占据分辨单元数Lmax,即完成滤波器的初始化,其中N表示每一时刻“幸存”粒子数,B表示每一时刻“新生”粒子数。
步骤2预测目标存活概率与粒子状态:由于滤波器在时间上是递归处理,因而将k-1时刻估计得到的目标存活概率pk-1|k-1和粒子状态传递到k时刻,表示k-1时刻第n个粒子的运动状态。根据粒子滤波器可以确定:
(2.1)通过步骤1中设定的目标“新生”概率,“幸存”概率以及k-1时刻的存活概率,预测k时刻目标的存活概率为:
pk|k-1=pb(1-pk-1|k-1)+pspk-1|k-1
其中,pk|k-1为k时刻目标存活概率的预测值。
(2.2)通过步骤1中设定的两个建议概率分布,预测k时刻N+B个粒子的状态为:
其中,表示第n个粒子的预测状态,用与粒子权重成正比的“伪权重”表示第n个粒子的预测权重。
由此确定包含“新生”粒子和“幸存”粒子在内的粒子预测状态集合和目标在k时刻存活概率的预测值pk|k-1。
步骤3将传感器产生的强度测量数据输入到滤波器中:在贝叶斯滤波框架下,完成步骤2提及的预测操作后,滤波器通过获取k时刻传感器的测量数据进而对粒子集的状态进行校正更新。将k时刻传感器提供的各分辨单元强度测量数据作为测量集输入滤波器,此时测量集每一个单元的数值对应于监测区域相应分辨单元的回波功率,记为其中I为传感器分辨单元总数,表示k时刻第i个分辨单元的回波功率。
步骤4目标功率参数估计:对于强度测量数据,受目标影响的分辨单元同时包含了噪声及目标的功率信息。在假设噪声功率先验已知的条件下,为了得到似然函数的参数,需要从步骤3输入的测量数据中估计目标功率信息。区别于传统方法,本发明利用粒子状态在多次迭代后逐渐向目标真实状态收敛的特性,在设定积累帧数长度Wl后,积累粒子每次所占分辨单元的强度测量值,在积累帧数达到积累长度后,减去噪声功率后取期望,作为目标功率参数的估计值。在k时刻,由于步骤3输入所有分辨单元的强度测量信息,各个粒子将各自占据分辨单元的强度测量积累到对应的粒子测量集合中。当粒子的测量集合长度达到Wl后,对应粒子所占据各分辨单元的功率参数Pn(r)可根据下式估计得到:
其中t表示测量数据所处的帧数,r为粒子n占据的第r个距离分辨单元,表示第t帧测量数据中第r个距离分辨单元的回波功率,表示粒子n占据的距离分辨单元集合,σ2是测量噪声功率,Lmax为目标最大占据分辨单元数,即为了保证该估计值有明确的物理意义,即功率数值上恒大于零,本方法加入了估计值与零之间取最大值操作。
步骤5校正目标存活概率与粒子状态:在贝叶斯滤波框架中,根据步骤2得到的目标存活概率预测值和粒子预测状态,在步骤3输入滤波器的测量数据基础上,对目标存活概率与粒子状态进行校正更新。首先,对于每一个粒子状态在测量集zk的所有分辨单元上计算对应的似然比并以该比值乘以相应的粒子权重作为粒子校正后的权重,其中计算似然比值时目标功率参数由步骤4给出;其次,联合校正后所有粒子的权重以及步骤2.1得到的目标预测存活概率pklk-1,对k时刻目标存活概率pk|k进行更新;最后,对粒子的权重做归一化并估计目标k时刻的状态具体过程为:
(5.1)计算各个粒子的似然比:
其中,g1(·)为目标存在时的似然函数,g0(·)为仅有噪声时的似然函数;是对于状态为的粒子在整个测量集上的似然比,Pn(r)为步骤4中估计得到的对应于粒子的目标功率。
(5.2)利用步骤5.1中得到的似然比和步骤2中的“伪权重”校正更新粒子权重:
同时,令
(5.3)目标存活概率的校正:利用步骤2.1的预测存活概率和步骤5.2校正后的权重更新目标存活概率:
pk|k=s/(1-pk|k-1+s)
其中,
(5.4)归一化权重并估计目标状态:
其中,表示归一化后的粒子权重,在最小均方误差准则下按照下式对目标状态进行估计:
至此,可以得到k时刻校正后的目标存活概率pk|k和所有粒子的状态同时得到目标k时刻的估计状态
步骤6粒子重采样:为了避免粒子滤波在多次迭代后产生粒子枯竭的问题,引入***化重采样步骤。按权重数值大小从校正后的粒子中重采样得到N个粒子,并将粒子传递到下一次的迭代滤波中,以完成滤波器的递归处理。
步骤7随着时刻k的不断延伸,重复迭代步骤2~步骤6。
与现有技术相比,本发明的技术效果如下:
第一,本发明方法利用TBD技术能够发挥联合检测与跟踪的优势,在传感器输出的各分辨单元强度测量数据上进行滤波,实现对弱扩展目标快速检测与稳定跟踪。
第二,本发明方法通过粒子对多帧测量的积累来近似估计目标功率参数,避免了MLE估计方法面临的非线性方程组求解困难问题;同时,该估计算法对测量数据满足的分布类型没有特定的要求,具备通用性。
附图说明
图1为本发明处理方法总体框图。
具体实施方式
为了更好地说明本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述。图1为本发明的一种面向弱扩展目标的检测前跟踪方法,其中所述为方法的一种粒子滤波近似实现方案,包括以下步骤:
步骤1初始化滤波器:初始化步骤涉及确定***模型和参数,以及设定***的先验信息。
(1.1)由目标的运动学特征(如匀速运动或匀加速运动)和传感器的数据获取方式,定义目标动态模型xk=f(xk-1)+wk和传感器强度测量模型zk=h(xk)+vk,其中xk是k时刻目标的状态矢量,f(·)为目标状态转移函数,wk是服从pw分布的过程噪声,假设为独立同分布的;zk是k时刻传感器的强度测量集合,h(·)描述目标状态xk与强度测量zk之间的关系,vk是服从pv分布且独立于wk的测量噪声,也假设为独立同分布的。
(1.2)设定***先验信息。由于滤波器是递归处理数据的,每一次迭代都需要上一时刻的粒子状态和存活概率。因此,初始时刻目标的存活概率以及用于产生新粒子状态的分布函数都必须先验设定。先验信息的设定分为以下三个方面:
a.设定初始时刻目标的存活概率为p0|0,通常该概率取较小的数值,优选取值为0.01;
b.将目标的存在性mk建模为二状态马尔科夫链,并设定pb和ps为恒定的常数,其中pb=prob{mk=1|mk-1=0}表示k-1时刻目标不存在并且在k时刻“新生”的概率,ps=prob{mk=1|mk-1=1}表示目标在k-1时刻存在并且在k时刻“幸存”的概率。由于目标“幸存”的概率要远大于目标“新生”的概率,因此,pb通常取值较小而ps取值较大,优选取值分别为0.01和0.99;
c.设定两个用于产生新粒子状态的分布函数,即对应于pb的建议概率分布bk|k-1(x)和对应于ps的建议概率分布其中目标先验信息未知的条件下,bk|k-1(x)可假定为均匀分布;则由目标动态模型推导得到,为pw(xk-f(xk-1))。
(1.3)确定粒子滤波的粒子数N+B与目标最大占据分辨单元数Lmax,即完成滤波器的初始化,其中N表示每一时刻“幸存”粒子数,B表示每一时刻“新生”粒子数。
步骤2预测目标存活概率与粒子状态:由于滤波器在时间上是递归处理,因而将k-1时刻估计得到的目标存活概率pk-1|k-1和粒子状态传递到k时刻,其中表示第n个粒子的运动状态。根据粒子滤波器可以确定:
(2.1)通过步骤1中设定的目标“新生”概率,“幸存”概率以及k-1时刻的存活概率,预测k时刻目标的存活概率为:
pk|k-1=pb(1-pk-1|k-1)+pspk-1|k-1
其中,pk|k-1为k时刻存活概率的预测值。
(2.2)通过步骤1中设定的两个建议概率分布,预测k时刻N+B个粒子的状态为:
其中,表示第n个粒子的预测权重,表示第n个粒子的预测状态;在计算中采用“伪权重”的方法来简化并降低计算复杂度,即:
由此可以得到包含“新生”粒子和“幸存”粒子在内的粒子预测状态集合和目标在k时刻存活概率的预测值pk|k-1。
步骤3将传感器产生的强度测量数据输入到滤波器中:在贝叶斯滤波框架下,完成步骤2提及的预测操作后,滤波器需要获取k时刻传感器的测量数据才能对粒子集的状态进行校正更新。将k时刻传感器提供的各分辨单元强度测量数据作为测量集输入滤波器,此时测量集每一个单元的数值对应于监测区域相应分辨单元的回波功率,记为其中I为传感器分辨单元总数,表示k时刻第i个分辨单元的回波功率。
步骤4目标功率参数估计:对于强度测量数据,受目标影响的分辨单元同时包含了噪声及目标的功率信息。在假设噪声功率先验已知的条件下,为了得到似然函数的参数,需要从步骤3输入的测量数据中估计目标功率信息。区别于传统方法,本发明利用粒子状态在多次迭代后逐渐向目标真实状态收敛的特性,在设定积累帧数长度Wl后,积累粒子每次所占分辨单元的强度测量,在积累帧数达到积累长度后,减去噪声功率后取期望,作为目标功率参数的估计值。在k时刻,由于步骤3输入所有分辨单元的强度测量信息,各个粒子将各自占据分辨单元的强度测量积累到对应的粒子测量积累集合中。当粒子的测量积累集合长度达到Wl后,对应粒子所占据各分辨单元的目标功率参数Pn(r)可由下式估计得到:
其中,r为粒子n占据的第r个距离分辨单元,表示第t帧测量数据中第r个距离分辨单元的回波功率,表示粒子n占据的距离分辨单元集合,σ2是测量噪声功率,Lmax为目标最大占据分辨单元数,即为保证该估计值有明确的物理意义,即满足功率数值上恒大于零,本方法加入了估计值与零之间取最大值操作。
步骤5校正目标存活概率与粒子状态:在贝叶斯滤波框架中,根据步骤2得到的目标存活概率预测值和粒子预测状态,在步骤3输入滤波器的测量数据基础上,对目标存活概率与粒子状态进行校正更新。首先,对于每一个粒子状态在测量集zk的所有分辨单元上计算对应的似然比并以该比值乘以相应的粒子权重作为粒子校正后的权重,其中计算似然比值时目标功率参数由步骤4给出;其次,联合校正后所有粒子的权重以及步骤2.1得到的目标预测存活概率pk|k-1,对k时刻目标存活概率pk|k进行更新;最后,对粒子的权重做归一化并估计目标k时刻的状态具体过程为:
(5.1)计算各个粒子的似然比:
其中,g1(·)为目标存在时的似然函数,g0(·)为仅有噪声时的似然函数;是对于状态为的粒子在整个测量集上的似然比,Pn(r)为步骤4中估计得到的对应于粒子的目标功率。
(5.2)利用步骤5.1中得到的似然比和步骤2中的“伪权重”校正粒子权重:
同时,令
(5.3)目标存活概率的校正:利用步骤2.1的预测存活概率和步骤5.2校正后的权重更新目标存活概率:
pk|k=s/(1-pk|k-1+s)
其中,
(5.4)归一化权重并估计目标状态:
其中,表示归一化后的粒子权重,在最小均方误差准则下按照下式对目标状态进行估计:
至此,可以得到k时刻校正后的目标存活概率pk|k和所有粒子的状态同时得到目标k时刻的估计状态
步骤6粒子重采样:为了避免粒子滤波在多次迭代后产生粒子枯竭的问题,引入***化重采样步骤。利用***化重采样的方法,按权重数值大小从校正后的粒子中重采样得到N个粒子,并将粒子传递到下一时刻的迭代滤波中,以完成滤波器的递归处理。
步骤7随着时刻k的不断延伸,重复迭代步骤2~步骤6。
以上仅是本发明的实施方式之一,本发明的保护范围并不仅限于上述实例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,应当视为落入本发明的保护范围。
Claims (2)
1.一种面向弱扩展目标的检测前跟踪方法,其特征在于,该方法包括下列步骤:
步骤1初始化滤波器:包括确定***的模型和参数,以及设定***的先验信息,基于以下步骤:
(1.1)定义目标动态模型xk=f(xk-1)+wk和传感器强度测量模型zk=h(xk)+vk,其中xk是k时刻目标的状态矢量,f(·)为目标状态转移函数,wk是服从pw分布的过程噪声,假设为独立同分布的;zk是k时刻传感器的强度测量集合,h(·)描述目标状态矢量xk与强度测量zk之间的关系,vk是服从pv分布且独立于wk的测量噪声,也假设为独立同分布的;
(1.2)设定***先验信息,分为以下三个方面:
a.设定初始时刻目标的存活概率为p0|0;
b.将目标的存在性mk建模为二状态马尔科夫链,并设定pb和ps为恒定的常数,其中pb=prob{mk=1|mk-1=0}表示k-1时刻目标不存在并且在k时刻“新生”的概率,ps=prob{mk=1|mk-1=1}表示目标在k-1时刻存在并且在k时刻“幸存”的概率;
c.设定两个用于产生新粒子状态的分布函数,即对应于pb的建议概率分布bk|k-1(x)和对应于ps的建议概率分布其中目标先验信息未知的条件下,bk|k-1(x)可假定为均匀分布;则由目标动态模型推导得到,为pw(xk-f(xk-1));
(1.3)确定粒子滤波的粒子数N+B与目标最大占据分辨单元数Lmax,即完成滤波器的初始化,其中N表示每一时刻“幸存”粒子数,B表示每一时刻“新生”粒子数;
步骤2预测目标存活概率与粒子状态:将k-1时刻估计得到的目标存活概率pk-1|k-1和粒子状态传递到k时刻,表示k-1时刻第n个粒子的运动状态;根据粒子滤波器可以确定:
(2.1)通过步骤1中设定的目标“新生”概率,“幸存”概率以及k-1时刻的存活概率,预测k时刻目标的存活概率为:
pk|k-1=pb(1-pk-1|k-1)+pspk-1|k-1
其中,pk|k-1为k时刻目标存活概率的预测值;
(2.2)通过步骤1中设定的两个建议概率分布,预测k时刻N+B个粒子的状态为:
其中,表示第n个粒子的预测状态,用与粒子权重成正比的“伪权重”表示第n个粒子的预测权重;
由此确定包含“新生”粒子和“幸存”粒子在内的粒子预测状态集合和目标在k时刻存活概率的预测值pk|k-1;
步骤3将传感器产生的强度测量数据输入到滤波器中:将k时刻传感器提供的各分辨单元强度测量数据作为测量集输入滤波器,此时测量集每一个单元的数值对应于监测区域相应分辨单元的回波功率,记为其中I为传感器分辨单元总数,表示k时刻第i个分辨单元的回波功率;
步骤4目标功率参数估计:利用粒子状态在多次迭代后逐渐向目标真实状态收敛的特性,在设定积累帧数长度Wl后,积累粒子每次所占分辨单元的强度测量值,在积累帧数达到积累长度后,减去噪声功率后取期望,作为目标功率参数的估计值;在k时刻,由于步骤3输入所有分辨单元的强度测量信息,各个粒子将各自占据分辨单元的强度测量积累到对应的粒子测量集合中;当粒子的测量集合长度达到Wl后,对应粒子所占据各分辨单元的功率参数Pn(r)可根据下式估计得到:
其中t表示测量数据所处的帧数,r为粒子n占据的第r个距离分辨单元,表示第t帧测量数据中第r个距离分辨单元的回波功率,表示粒子n占据的距离分辨单元集合,σ2是测量噪声功率,Lmax为目标最大占据分辨单元数,即通过估计值与零之间取最大值操作保证功率数值上恒大于零;
步骤5校正目标存活概率与粒子状态:首先,对于每一个粒子状态在测量集zk的所有分辨单元上计算对应的似然比并以该比值乘以相应的粒子权重作为粒子校正后的权重,其中计算似然比值时目标功率参数由步骤4给出;其次,联合校正后所有粒子的权重以及步骤2.1得到的目标预测存活概率pk|k-1,对k时刻目标存活概率pk|k进行更新;最后,对粒子的权重做归一化并估计目标k时刻的状态具体过程为:
(5.1)计算各个粒子的似然比:
其中,g1(·)为目标存在时的似然函数,g0(·)为仅有噪声时的似然函数;是对于状态为的粒子在整个测量集上的似然比,Pn(r)为步骤4中估计得到的对应于粒子的目标功率;
(5.2)利用步骤5.1中得到的似然比和步骤2中的“伪权重”校正更新粒子权重:
同时,令
(5.3)目标存活概率的校正:利用步骤2.1的预测存活概率和步骤5.2校正后的权重更新目标存活概率:
pk|k=s/(1-pk|k-1+s)
其中,
(5.4)归一化权重并估计目标状态:
其中,表示归一化后的粒子权重,在最小均方误差准则下按照下式对目标状态进行估计:
至此,可以得到k时刻校正后的目标存活概率pk|k和所有粒子的状态同时得到目标k时刻的估计状态
步骤6粒子重采样:按权重数值大小从校正后的粒子中重采样得到N个粒子,并将粒子传递到下一次的迭代滤波中,以完成滤波器的递归处理;
步骤7随着时刻k的不断延伸,重复迭代步骤2~步骤6。
2.根据权利要求1所述的一种面向弱扩展目标的检测前跟踪方法,其特征在于,所述步骤(1.2)中p0|0的优选取值为0.01,pb和ps的优选取值为0.01和0.99。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910273270.2A CN109991597A (zh) | 2019-04-04 | 2019-04-04 | 一种面向弱扩展目标的检测前跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910273270.2A CN109991597A (zh) | 2019-04-04 | 2019-04-04 | 一种面向弱扩展目标的检测前跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109991597A true CN109991597A (zh) | 2019-07-09 |
Family
ID=67130933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910273270.2A Pending CN109991597A (zh) | 2019-04-04 | 2019-04-04 | 一种面向弱扩展目标的检测前跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109991597A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
CN113408422A (zh) * | 2021-06-21 | 2021-09-17 | 电子科技大学 | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 |
WO2022116375A1 (zh) * | 2020-12-01 | 2022-06-09 | 中国人民解放军海军航空大学 | 高分辨传感器弱小多目标检测前跟踪方法 |
CN115097437A (zh) * | 2022-06-06 | 2022-09-23 | 哈尔滨工程大学 | 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 |
CN115407299A (zh) * | 2022-09-15 | 2022-11-29 | 中国人民解放军国防科技大学 | 基于伯努利滤波器算法的弱小目标检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014106133A (ja) * | 2012-11-28 | 2014-06-09 | Toshiba Corp | 目標検出装置及び目標検出方法 |
CN106569193A (zh) * | 2016-11-01 | 2017-04-19 | 西安电子科技大学 | 基于前‑后向收益参考粒子滤波的海面小目标检测方法 |
CN107340514A (zh) * | 2017-07-10 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
CN108919225A (zh) * | 2018-07-26 | 2018-11-30 | 中国人民解放军海军航空大学 | 部分均匀环境下距离扩展目标多通道融合检测方法 |
CN109471081A (zh) * | 2018-11-07 | 2019-03-15 | 中国人民解放军国防科技大学 | 单脉冲雷达弱小目标联合检测及状态估计方法 |
-
2019
- 2019-04-04 CN CN201910273270.2A patent/CN109991597A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014106133A (ja) * | 2012-11-28 | 2014-06-09 | Toshiba Corp | 目標検出装置及び目標検出方法 |
CN106569193A (zh) * | 2016-11-01 | 2017-04-19 | 西安电子科技大学 | 基于前‑后向收益参考粒子滤波的海面小目标检测方法 |
CN107340514A (zh) * | 2017-07-10 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
CN108919225A (zh) * | 2018-07-26 | 2018-11-30 | 中国人民解放军海军航空大学 | 部分均匀环境下距离扩展目标多通道融合检测方法 |
CN109471081A (zh) * | 2018-11-07 | 2019-03-15 | 中国人民解放军国防科技大学 | 单脉冲雷达弱小目标联合检测及状态估计方法 |
Non-Patent Citations (1)
Title |
---|
蔡飞: ""雷达弱小目标检测与跟踪技术研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
WO2022116375A1 (zh) * | 2020-12-01 | 2022-06-09 | 中国人民解放军海军航空大学 | 高分辨传感器弱小多目标检测前跟踪方法 |
CN113408422A (zh) * | 2021-06-21 | 2021-09-17 | 电子科技大学 | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 |
CN115097437A (zh) * | 2022-06-06 | 2022-09-23 | 哈尔滨工程大学 | 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 |
CN115407299A (zh) * | 2022-09-15 | 2022-11-29 | 中国人民解放军国防科技大学 | 基于伯努利滤波器算法的弱小目标检测方法和装置 |
CN115407299B (zh) * | 2022-09-15 | 2024-06-18 | 中国人民解放军国防科技大学 | 基于伯努利滤波器算法的弱小目标检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109991597A (zh) | 一种面向弱扩展目标的检测前跟踪方法 | |
CN105717505B (zh) | 利用传感网进行多目标跟踪的数据关联方法 | |
CN104766320B (zh) | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 | |
CN107703496B (zh) | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 | |
CN106526585B (zh) | 基于高斯粒子势概率假设密度滤波的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 | |
CN105740203A (zh) | 多传感器无源协同测向定位方法 | |
CN108333569A (zh) | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 | |
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 | |
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 | |
CN107202989A (zh) | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 | |
CN110007299A (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN109239702B (zh) | 一种基于目标状态集的机场低空飞鸟数量统计方法 | |
CN106295674B (zh) | 一种基于多粒子群算法的图像目标匹配检测方法及*** | |
CN107730537A (zh) | 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法 | |
CN109471091A (zh) | 中重频pd雷达同时解模糊与检测跟踪方法 | |
CN116087943A (zh) | 基于毫米波雷达的室内跌倒检测方法及*** | |
CN115755015A (zh) | 座舱内的活体检测方法、装置、设备及介质 | |
CN107247257A (zh) | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 | |
CN111259332A (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 | |
CN110244289A (zh) | 一种自适应粒子滤波地波雷达目标一体化探测方法 | |
CN116541668A (zh) | 一种游泳划水次数确定方法、装置、设备及存储介质 | |
CN115792895A (zh) | 一种结合ukf和随机矩阵的毫米波雷达目标跟踪方法 | |
CN113740843B (zh) | 一种跟踪目标的运动状态估计方法、***及电子装置 | |
CN112748735B (zh) | 一种引入颜色特征的扩展目标跟踪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190709 |
|
WD01 | Invention patent application deemed withdrawn after publication |