CN110738275B - 基于ut-phd的多传感器序贯融合跟踪方法 - Google Patents

基于ut-phd的多传感器序贯融合跟踪方法 Download PDF

Info

Publication number
CN110738275B
CN110738275B CN201911041389.3A CN201911041389A CN110738275B CN 110738275 B CN110738275 B CN 110738275B CN 201911041389 A CN201911041389 A CN 201911041389A CN 110738275 B CN110738275 B CN 110738275B
Authority
CN
China
Prior art keywords
measurement
sensor
target
phd
particle
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
Application number
CN201911041389.3A
Other languages
English (en)
Other versions
CN110738275A (zh
Inventor
谭顺成
康勖萍
姜鹏
贾舒宜
王国宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN201911041389.3A priority Critical patent/CN110738275B/zh
Publication of CN110738275A publication Critical patent/CN110738275A/zh
Application granted granted Critical
Publication of CN110738275B publication Critical patent/CN110738275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了基于UT‑PHD的多传感器序贯融合跟踪方法，属于信息融合领域，适应于多传感器对多目标的融合跟踪。基于各自滤波再航迹关联和融合的方法存在量测信息利用不充分，统一坐标系时量测转换误差较大以及需要进行航迹关联等问题。本发明提出的基于UT‑PHD的多传感器序贯融合跟踪方法立足于解决此类问题。本发明通过不敏变换(UT)将各传感器量测转到ECEF坐标系，再利用PHD滤波器对各传感器量测进行序贯滤波，同时克服了各自滤波再航迹关联和融合的方法信息利用不充分、量测转换误差大以及需要进行航迹关联等局限性，因此具有较强的工程应用价值和推广前景。

Description

基于UT-PHD的多传感器序贯融合跟踪方法
技术领域
本发明涉及一种目标跟踪方法，特别是涉及一种多传感器多目标的融合跟踪方法，属于信息融合领域，适应于多传感器对多目标的融合跟踪。
背景技术
随着现代科技的迅猛发展，军事技术的日新月异，现代战争日益复杂，战场范围不断扩大，已经发展到陆、海、空、天、电磁五维空间。与此同时，传感器技术也得到了飞速发展，各种面向复杂应用背景的多传感器***大量涌现。综合利用各类传感器***，可以克服单一传感器由于各种电子对抗、空中复杂环境及随机噪声等因素导致测量到的目标信息存在较大随机误差的问题，同时也可以获取到更多的单一传感器所不能提供的目标其他信息。因此，利用多传感器对目标进行联合探测是当前目标跟踪领域的发展趋势。目前的多传感器目标跟踪方法主要通过各自滤波再航迹关联和融合的方法实现，该方法主要包括以下步骤：
(1)各传感器获取量测数据；
(2)对各传感器的量测数据进行滤波，得到各传感器各自坐标系下的目标航迹和跟踪精度；
(3)将各传感器滤波得到的目标航迹转换到统一坐标系，并通过线性化的方法估计统一坐标系各航迹点对应的跟踪精度；
(4)在统一坐标系下进行航迹的关联，并利用转换后的跟踪精度进行航迹的加权融合。
各自滤波再航迹关联和融合的多传感器目标跟踪方法具有以下两个缺陷：(1)在各传感器下先滤波再关联融合，每个传感器在滤波的过程都可能造成部分量测信息的损失，量测信息并未得到充分的利用；(2)当坐标转换方程具有较强的非线性时，利用线性化的方法估计目标跟踪精度将带来较大的误差，进而严重影响后续航迹融合的精度；(3)需进行航迹关联。
发明内容
本发明的目的是提出一种基于UT-PHD的多传感器序贯融合跟踪方法，解决基于各自滤波再航迹关联和融合的多传感器目标融合跟踪方法不能充分利用量测信息和线性化估计目标跟踪精度误差大的缺陷。
本发明提出的基于UT-PHD的多传感器序贯融合跟踪方法的技术方案包括以下步骤：
步骤1：变量初始化
(1)e为地球偏心率，a为地球短半轴长度，b为地球长半轴长度；
(2)M为多传感器的个数，其中T为传感器采样周期，Pm,z为传感器m的量测误差协方差，
Figure GDA0003481746600000021
为传感器m的地理坐标，m＝1,2,...,M；
(3)函数diag(B)表示以向量B构建对角线矩阵，函数round(x)表示取与x最接近的整数；
(4)D0为目标出现的初始分布，γk为平均目标出现概率，PD为目标检测概率；λk为平均每帧的杂波个数，
Figure GDA0003481746600000022
为k时刻估计的目标个数，Qk为过程噪声协方差；
步骤2：根据已知条件完成PHD滤波器的初始化工作；
步骤3：令k＝k+1，获得k时刻多传感器的量测数据
对任意m∈{1,2,...,M}，将传感器m接收到的信号进行A/D变换，获得k时刻传感器m的量测数据集
Figure GDA0003481746600000023
并将其送融合中心数据处理计算机，其中
Figure GDA0003481746600000024
表示k时刻传感器m的第n个量测，包含距离量测
Figure GDA0003481746600000025
方位量测
Figure GDA0003481746600000026
和俯仰量测
Figure GDA0003481746600000027
而Mm,k则表示k时刻传感器m的量测个数；
步骤4：基于UT的多传感器量测坐标系转换和量测误差估计
利用UT变换将各传感器NED坐标系下的量测和量测误差协方差转换成ECEF坐标系下的量测和量测误差协方差；
步骤5：PHD滤波器预测；
步骤6：基于序贯滤波的PHD滤波器更新
利用各传感器ECEF坐标系下的量测和量测误差协方差依次进行PHD滤波器更新，并估计目标数量和目标状态；
步骤7：重复步骤3～步骤7，直至多传感器***关机。
具体的，所述步骤4具体为：
(1)对任意m∈{1,2,...,M}和n∈{1,2,…,Mm,k}，令
Figure GDA0003481746600000028
wq＝1/(2Nz+1),q＝0,1,…,2Nz
其中
Figure GDA0003481746600000029
表示矩阵NzRm,z平方根的第p个行向量或列向量，Rm,z为传感器m的量测误差协方差，Nz为量测
Figure GDA00034817466000000210
的维数；
a.对任意q∈{0,1,…,2Nz}，令
Figure GDA0003481746600000031
其中f(·)表示NED坐标到ECEF坐标的转换公式
Figure GDA0003481746600000032
Figure GDA0003481746600000033
Figure GDA0003481746600000034
b.令
Figure GDA0003481746600000035
和
Figure GDA0003481746600000036
得到ECEF坐标系下的传感器量测
Figure GDA0003481746600000037
及对应的量测误差协方差
Figure GDA0003481746600000038
(2)令
Figure GDA0003481746600000039
和
Figure GDA00034817466000000310
m＝1,2,...,M，得到ECEF坐标系下的传感器m的量测集和对应的量测误差协方差集。
具体的，所述步骤6具体为：
(1)令m＝1；
(2)利用量测集Ym,k和量测误差协方差集Pm,k对k时刻的PHD滤波器进行更新；
(3)令m＝m+1，若m≤M，滤波器重置，转回(2)，否则执行(4)；
(4)估计目标数量和目标状态。
和背景技术相比，本发明的有益效果说明：
(1)本发明提出的基于UT-PHD的多传感器序贯融合跟踪方法，在统一坐标系下进行序贯滤波和融合跟踪，解决了背景技术在各自坐标系下进行滤波造成量测信息损失的问题；
(2)本发明通过UT变换估计各传感器量测数据在统一坐标下的量测误差，估计精度精确到2阶，解决了背景技术线性化估计目标跟踪精度误差大的问题；
(3)本发明通过PHD滤波得以实现，在对多目标进行跟踪的同时有效避免了多传感器航迹关联的问题。
附图说明
附图1是本发明的基于UT-PHD的多传感器序贯融合跟踪方法的整体流程图。
具体实施方式
不失一般性，假设PHD滤波器通过粒子滤波实现，多传感器***包含2部传感器，传感器采样周期T＝1s，其地理坐标分别为(36.5,120,100)和(36,120,100)，其距离和角度误差均分别为100m和0.5°，地球短半轴长度a＝6356752.3m，长半轴长度b＝6378137.0m。代表1个目标粒子数L0＝4000，搜索新目标粒子数Jk＝3000，目标出现初始分布D0＝0.2N(x|x0,Qb)，其中N(·|x0,Qb)表示均值为x0，协方差为Qb的正态分布，取
x0＝[30km,0.2km/s,30km,0.3km/s,30km，0.4km/s]T
Qb＝diag([1km，0.5km/s，1km，0.5km/s,1km，0.5km/s])
目标出现概率γk＝0.2，目标检测概率PD＝0.95；平均每帧的杂波个数λk＝10，目标各方向的过程噪声qx,k＝qy,k＝qz,k＝10m/s2。
下面结合附图，对本发明的基于UT-PHD的多传感器序贯融合跟踪方法进行详细描述。步骤1：按发明内容部分步骤1所述的方法进行变量初始化
(1)多传感器个数M＝2，地球偏心率
Figure GDA0003481746600000041
(2)两传感器的量测误差协方差分别为
Figure GDA0003481746600000042
其地理坐标分别为
Figure GDA0003481746600000043
和
Figure GDA0003481746600000044
(3)函数diag(B)表示以向量B构建对角线矩阵，函数round(x)表示取与x最接近的整数；
(4)目标出现的初始分布D0＝0.2N(x|x0,Qb)，其中N(·|x0,Qb)表示均值为x0，协方差为Qb的正态分布
x0＝[30km,0.2km/s,30km,0.3km/s,30km，0.4km/s]T
Qb＝diag([1km，0.5km/s，1km，0.5km/s,1km，0.5km/s])
平均目标出现概率γk＝0.2，目标检测概率PD＝0.95，平均每帧的杂波个数λk＝10，
Figure GDA0003481746600000051
为k时刻估计的目标个数，过程噪声协方差
Figure GDA0003481746600000052
步骤2：按发明内容部分步骤2所述的方法完成PHD滤波器初始化工作
(1)代表1个目标粒子数L0＝4000，搜索新目标粒子数Jk＝3000；
(2)令k＝0和
Figure GDA0003481746600000053
对任意p∈{1,2,…,L0}，从初始分布D0中采样粒子
Figure GDA0003481746600000054
其中
Figure GDA0003481746600000055
表示粒子代表的目标状态，包含了目标的位置
Figure GDA0003481746600000056
和速度
Figure GDA0003481746600000057
信息，并赋予该粒子权重
Figure GDA0003481746600000058
步骤3：按发明内容部分步骤3所述的方法进行多传感器量测获取
令k＝k+1，对任意m∈{1,2,...,M}，将传感器m接收到的信号进行A/D变换，获得k时刻传感器m的量测数据集
Figure GDA0003481746600000059
并将其送融合中心数据处理计算机，其中
Figure GDA00034817466000000510
表示k时刻传感器m的第n个量测，包含距离量测
Figure GDA00034817466000000511
方位量测
Figure GDA00034817466000000512
和俯仰量测
Figure GDA00034817466000000513
而Mmk则表示k时刻传感器m的量测个数；
步骤4：按发明内容部分步骤4所述的方法进行基于UT的多传感器量测坐标系转换和量测误差估计
(1)对任意m∈{1,2,…,M}和n∈{1,2,…,Mm,k}，令
Figure GDA00034817466000000514
wq＝1/(2Nz+1),q＝0,1,…,2Nz
其中
Figure GDA00034817466000000515
表示矩阵NzRm,z平方根的第p个行向量或列向量，Rm,z为传感器m的量测误差协方差，Nz为量测
Figure GDA00034817466000000516
的维数；
a.对任意q∈{0,1,…,2Nz}，令
Figure GDA00034817466000000517
其中f(·)表示NED坐标到ECEF坐标的转换公式
Figure GDA0003481746600000061
Figure GDA0003481746600000062
Figure GDA0003481746600000063
b.令
Figure GDA0003481746600000064
和
Figure GDA0003481746600000065
得到ECEF坐标系下的传感器量测
Figure GDA0003481746600000066
及对应的量测误差协方差
Figure GDA0003481746600000067
(2)令
Figure GDA0003481746600000068
和
Figure GDA0003481746600000069
m＝1,2,…,M，得到ECEF坐标系下的传感器m的量测集和对应的量测误差协方差集。
步骤5：按发明内容部分步骤5所述的方法进行PHD滤波器预测
(1)对任意p∈{1,2,…,Lk-1}，对粒子
Figure GDA00034817466000000610
的状态进行一步预测
Figure GDA00034817466000000611
其中
Figure GDA00034817466000000612
和
Figure GDA0003481746600000071
Figure GDA0003481746600000072
得到粒子
Figure GDA0003481746600000073
并赋予该粒子权重
Figure GDA0003481746600000074
其中randn(3,1)表示根据标准正态分布随机产生一个3×1的向量；
(2)对任意p∈{Lk-1+1,Lk-1+2,…,Lk-1+Jk}，根据初始分布D0采样“新生”粒子
Figure GDA0003481746600000075
并赋予该粒子权重
Figure GDA0003481746600000076
步骤6：按发明内容部分步骤6所述的方法进行基于序贯滤波的PHD滤波器更新
(1)令m＝1；
(2)利用量测集Ym,k和量测误差协方差集Pm,k对k时刻的滤波器进行更新
a.对任意p∈{1,2,…,Lk-1+Jk}，令
Figure GDA0003481746600000077
得到预测量测
Figure GDA0003481746600000078
b.对任意p∈{1,2,…,Lk-1+Jk}和任意n∈{1,2,…,Mm,k}，计算新息
Figure GDA0003481746600000079
并计算
Figure GDA00034817466000000710
c.对任意n∈{1,2,…,Mm,k}，计算
Figure GDA00034817466000000711
d.对任意p∈{1,2,…,Lk-1+Jk}，计算粒子权重
Figure GDA00034817466000000712
(3)令m＝m+1，若m≤M，对任意p∈{1,2,…,Lk-1+Jk}，令
Figure GDA00034817466000000713
转回(2)，否则执行(4)；
(4)估计目标数量和目标状态。
a.计算所有粒子的权重和
Figure GDA00034817466000000714
对粒子集
Figure GDA0003481746600000081
进行重采样，得到新的粒子集
Figure GDA0003481746600000082
其中
Figure GDA0003481746600000083
b.采用聚类分析的方法将粒子集
Figure GDA0003481746600000084
划分为
Figure GDA0003481746600000085
个类，第n个类的中心即为第n个目标的状态估计
Figure GDA0003481746600000086
步骤7：循环执行发明内容部分步骤3～步骤7，直至多传感器***关机。
实施例条件中，本发明提出的基于UT-PHD的多传感器序贯融合跟踪方法，在ECEF坐标系下进行序贯滤波和融合跟踪，避免了各自滤波带来的有用量测信息损失的问题；本发明方法通过UT变换将各传感器量测数据从各自的NED坐标系转换到ECEF坐标，并估计ECEF坐标下各自的量测误差，估计精度可精确到二阶，解决了背景技术线性化估计目标跟踪精度误差大的问题；从该发明专利的所有步骤来可看出，本发明方法无需进行数据关联。

Claims (1)

1.基于UT-PHD的多传感器序贯融合跟踪方法，其特征包括以下步骤：
步骤1：变量初始化
(1)e为地球偏心率，a为地球短半轴长度，b为地球长半轴长度，其中
Figure FDA0003481746590000011
(2)M为多传感器的个数，其中T为传感器采样周期，Pm,z为传感器m的量测误差协方差，
Figure FDA0003481746590000012
为传感器m的地理坐标，m＝1,2,…,M；
(3)函数diag(B)表示以向量B构建对角线矩阵，函数round(x)表示取与x最接近的整数；
(4)D0为目标出现的初始分布，γk为平均目标出现概率，PD为目标检测概率；λk为平均每帧的杂波个数，
Figure FDA0003481746590000013
为k时刻估计的目标个数，Qk为过程噪声协方差，其中
D0＝0.2N(x|x0,Qb)，
Figure FDA0003481746590000014
其中N(·|x0,Qb)表示均值为x0，协方差为Qb的正态分布，qx,k,qy,k,qz,k为目标各方向的过程噪声；
步骤2：根据已知条件完成PHD滤波器的初始化工作
(1)代表1个目标粒子数L0，搜索新目标粒子数Jk；
(2)令k＝0和
Figure FDA0003481746590000015
对任意p∈{1,2,…,L0}，从初始分布D0中采样粒子
Figure FDA0003481746590000016
其中
Figure FDA0003481746590000017
表示粒子代表的目标状态，包含了目标的位置
Figure FDA0003481746590000018
和速度
Figure FDA0003481746590000019
信息，并赋予该粒子权重
Figure FDA00034817465900000110
步骤3：令k＝k+1，获得k时刻多传感器的量测数据
对任意m∈{1,2,…,M}，将传感器m接收到的信号进行A/D变换，获得k时刻传感器m的量测数据集
Figure FDA00034817465900000111
并将其送融合中心数据处理计算机，其中
Figure FDA00034817465900000112
表示k时刻传感器m的第n个量测，包含距离量测
Figure FDA00034817465900000113
方位量测
Figure FDA00034817465900000114
和俯仰量测
Figure FDA00034817465900000115
而Mm,k则表示k时刻传感器m的量测个数；
步骤4：基于UT的多传感器量测坐标系转换和量测误差估计
利用UT变换将各传感器NED坐标系下的量测和量测误差协方差转换成ECEF坐标系下的量测和量测误差协方差，具体如下：
(1)对任意m∈{1,2,…,M}和n∈{1,2,…,Mm,k}，令
Figure FDA0003481746590000021
wq＝1/(2Nz+1),q＝0,1,…,2Nz
其中
Figure FDA0003481746590000022
表示矩阵NzRm,z平方根的第p个行向量或列向量，Rm,z为传感器m的量测误差协方差，Nz为量测
Figure FDA0003481746590000023
的维数；
a.对任意q∈{0,1,…,2Nz}，令
Figure FDA0003481746590000024
其中f(·)表示NED坐标到ECEF坐标的转换公式
Figure FDA0003481746590000025
Figure FDA0003481746590000026
Figure FDA0003481746590000027
b.令
Figure FDA0003481746590000028
和
Figure FDA0003481746590000029
得到ECEF坐标系下的传感器量测
Figure FDA00034817465900000210
及对应的量测误差协方差
Figure FDA00034817465900000211
(2)令
Figure FDA00034817465900000212
和
Figure FDA00034817465900000213
得到ECEF坐标系下的传感器m的量测集和对应的量测误差协方差集；
步骤5：PHD滤波器预测
(1)对任意p∈{1,2,…,Lk-1}，对粒子
Figure FDA0003481746590000031
的状态进行一步预测
Figure FDA0003481746590000032
其中
Figure FDA0003481746590000033
和
Figure FDA0003481746590000034
Figure FDA0003481746590000035
得到粒子
Figure FDA0003481746590000036
并赋予该粒子权重
Figure FDA0003481746590000037
其中randn(3,1)表示根据标准正态分布随机产生一个3×1的向量；
(2)对任意p∈{Lk-1+1,Lk-1+2,…,Lk-1+Jk}，根据初始分布D0采样“新生”粒子
Figure FDA0003481746590000038
并赋予该粒子权重
Figure FDA0003481746590000039
步骤6：基于序贯滤波的PHD滤波器更新
利用各传感器ECEF坐标系下的量测和量测误差协方差依次进行PHD滤波器更新，并估计目标数量和目标状态，具体如下：
(1)令m＝1；
(2)利用量测集Ym,k和量测误差协方差集Pm,k对k时刻的滤波器进行更新
a.对任意p∈{1,2,…,Lk-1+Jk}，令
Figure FDA00034817465900000310
得到预测量测
Figure FDA00034817465900000311
b.对任意p∈{1,2,…,Lk-1+Jk}和任意n∈{1,2,…,Mm,k}，计算新息
Figure FDA00034817465900000312
并计算
Figure FDA00034817465900000313
c.对任意n∈{1,2,…,Mm,k}，计算
Figure FDA0003481746590000041
d.对任意p∈{1,2,…,Lk-1+Jk}，计算粒子权重
Figure FDA0003481746590000042
(3)令m＝m+1，若m≤M，对任意p∈{1,2,…,Lk-1+Jk}，令
Figure FDA0003481746590000043
转回(2)，否则执行(4)；
(4)估计目标数量和目标状态
a.计算所有粒子的权重和
Figure FDA0003481746590000044
对粒子集
Figure FDA0003481746590000045
进行重采样，得到新的粒子集
Figure FDA0003481746590000046
其中
Figure FDA0003481746590000047
b.采用聚类分析的方法将粒子集
Figure FDA0003481746590000048
划分为
Figure FDA0003481746590000049
个类，第n个类的中心即为第n个目标的状态估计
Figure FDA00034817465900000410
步骤7：重复步骤3～步骤7，直至多传感器***关机。
CN201911041389.3A 2019-10-30 2019-10-30 基于ut-phd的多传感器序贯融合跟踪方法 Active CN110738275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911041389.3A CN110738275B (zh) 2019-10-30 2019-10-30 基于ut-phd的多传感器序贯融合跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911041389.3A CN110738275B (zh) 2019-10-30 2019-10-30 基于ut-phd的多传感器序贯融合跟踪方法

Publications (2)

Publication Number Publication Date
CN110738275A CN110738275A (zh) 2020-01-31
CN110738275B true CN110738275B (zh) 2022-03-25

Family

ID=69270442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911041389.3A Active CN110738275B (zh) 2019-10-30 2019-10-30 基于ut-phd的多传感器序贯融合跟踪方法

Country Status (1)

Country Link
CN (1) CN110738275B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829506B (zh) * 2020-06-12 2021-05-14 中国船舶重工集团公司第七二四研究所 一种基于序贯处理的主被动航迹运动特征关联方法
CN112198504B (zh) * 2020-09-29 2022-04-08 中国船舶重工集团公司第七二四研究所 一种主被动观测特征交织的融合滤波方法
CN112684455B (zh) * 2020-12-04 2022-12-09 中国船舶重工集团公司第七一五研究所 一种多平台声纳信息集中式融合处理方法
CN112924943B (zh) * 2021-01-29 2023-05-05 中国人民解放军海军航空大学 协方差阵-位置偏差联合检验的虚假航迹鉴别方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7626534B1 (en) * 2007-06-12 2009-12-01 Lockheed Martin Corporation Unified navigation and inertial target tracking estimation system
CN101975575A (zh) * 2010-10-15 2011-02-16 西安电子科技大学 基于粒子滤波的被动传感器多目标跟踪方法
CN106526585A (zh) * 2016-10-26 2017-03-22 中国人民解放军空军工程大学 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
CN107037423A (zh) * 2016-11-09 2017-08-11 谭顺成 结合幅值信息的phd滤波多目标跟踪方法
CN107390191A (zh) * 2017-05-23 2017-11-24 中国民航大学 一种ecef坐标系下概率假设密度滤波雷达空间误差配准方法
CN108919254A (zh) * 2018-08-03 2018-11-30 谭顺成 高重频雷达机动弱小多目标检测跟踪的cs-phd方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7626534B1 (en) * 2007-06-12 2009-12-01 Lockheed Martin Corporation Unified navigation and inertial target tracking estimation system
CN101975575A (zh) * 2010-10-15 2011-02-16 西安电子科技大学 基于粒子滤波的被动传感器多目标跟踪方法
CN106526585A (zh) * 2016-10-26 2017-03-22 中国人民解放军空军工程大学 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
CN107037423A (zh) * 2016-11-09 2017-08-11 谭顺成 结合幅值信息的phd滤波多目标跟踪方法
CN107390191A (zh) * 2017-05-23 2017-11-24 中国民航大学 一种ecef坐标系下概率假设密度滤波雷达空间误差配准方法
CN108919254A (zh) * 2018-08-03 2018-11-30 谭顺成 高重频雷达机动弱小多目标检测跟踪的cs-phd方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multi-Sensor Joint Detection and Tracking with the Bernoulli Filter;Ba Tuong Vo et al.;《IEEE Transactions on Aerospace and Electronic Systems》;20120405;第48卷(第2期);第1385-1402页 *
基于PHD滤波和数据关联的多目标跟踪;谭顺成等;《***工程与电子技术》;20110415;第33卷(第4期);第24-27页 *
基于无迹粒子PHD滤波的序贯融合算法;孟凡彬 等;《***工程与电子技术》;20110115;第33卷(第1期);第30-34页 *

Also Published As

Publication number Publication date
CN110738275A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110738275B (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN110058236A (zh) 一种面向三维地表形变估计的InSAR和GNSS定权方法
CN108734725B (zh) 基于高斯过程的概率数据关联滤波扩展目标跟踪方法
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
CN109143224A (zh) 一种多目标关联方法和装置
CN104730537A (zh) 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及***
CN112146648B (zh) 一种基于多传感器数据融合的多目标跟踪方法
CN111487612B (zh) 基于cpd的异地配置雷达/esm航迹抗差关联方法
Sun et al. Vessel velocity estimation and tracking from Doppler echoes of T/RR composite compact HFSWR
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN114608568A (zh) 一种基于多传感器信息即时融合定位方法
CN112683307B (zh) 一种星敏感器星点质心位置精度测量方法
CN111736144B (zh) 一种仅用距离观测的机动转弯目标状态估计方法
Shilong et al. Joint FDOA and TDOA location algorithm and performance analysis of dual-satellite formations
CN116224320B (zh) 一种极坐标系下处理多普勒量测的雷达目标跟踪方法
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN114666732B (zh) 一种含噪网络下动目标定位解算及误差评价方法
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及***
CN116108314A (zh) 一种基于多传感器组合测量空间目标轨道确定方法
CN114636981A (zh) 基于雷达回波的在线深度学习台风中心定位***
CN113933798A (zh) 一种基于相似性原理的全局传感器***误差分区配准算法
CN113376626A (zh) 基于immpda算法的高机动目标跟踪方法
CN102426357B (zh) 一种具有图像确认的多目标跟踪方法
CN113050088B (zh) 一种基于视频sar阴影的定位方法

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