CN114491413A - 基于最小化交叉熵的概率密度假设航迹生成方法及*** - Google Patents
基于最小化交叉熵的概率密度假设航迹生成方法及*** Download PDFInfo
- Publication number
- CN114491413A CN114491413A CN202210088269.4A CN202210088269A CN114491413A CN 114491413 A CN114491413 A CN 114491413A CN 202210088269 A CN202210088269 A CN 202210088269A CN 114491413 A CN114491413 A CN 114491413A
- Authority
- CN
- China
- Prior art keywords
- probability density
- state
- density function
- target
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005192 partition Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于最小化交叉熵的概率密度假设航迹生成方法及***,包括:基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集;基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集;基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数;基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态集生成各个目标的航迹。本发明能较好地解决目标相邻或交叉运动时的航迹生成问题。
Description
技术领域
本发明涉及多目标跟踪技术领域,特别是涉及一种基于最小化交叉熵的概率密度假设航迹生成方法及***。
背景技术
传统的基于数据关联的多目标跟踪方法将多目标跟踪问题转化为单目标跟踪问题,在完成单目标滤波后自然生成了目标航迹。尽管基于序贯蒙特卡洛-概率假设密度(Sequential Monte Carlo method-Probability hypothesis density,SMC-PHD)滤波的多目标跟踪方法可以在目标数目实时变化和量测信息不确定的情况下完成多目标的状态估计,但其并没有给出各目标状态的归属,也就无法形成完整的目标航迹,这给后续的高层融合(目标识别、态势评估和威胁估计等)带来了诸多困难。
对于基于SMC-PHD滤波的航迹生成问题,主要有以下两种方法:
第一种方法是将SMC-PHD滤波与传统的数据关联方法(如MHT和JPDA等)结合来生成目标航迹。这种方法下又可细分为两类方法,一类是将SMC-PHD滤波当作量测预处理装置,其主要作用就是将杂波和虚警从量测集中剔除,然后将剩余量测作为传统数据关联方法的输入来完成多目标跟踪并形成目标航迹;而另一类是将SMC-PHD的状态估计结果作为传统数据关联方法的输入,从而生成多目标航迹。
第二种方法考虑将航迹管理纳入到滤波过程中,在SMC-PHD滤波进行的同时,通过对粒子打标签的方式来标记状态的目标属性,从而输出带有标签的状态估计,并随之生成目标航迹。
上述两种方法在处理目标相邻或交叉运动时的跟踪问题仍存在困难。
发明内容
有鉴于此,本发明提供了一种基于最小化交叉熵的概率密度假设航迹生成方法及***,摒弃传统的数据关联方法,将航迹生成问题归结为状态估计集划分问题,可较好地解决目标相邻或交叉运动时的航迹生成问题。
为实现上述目的,本发明提供了如下方案:
一种基于最小化交叉熵的概率密度假设航迹生成方法,包括:
基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集;
基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集;
基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数;
基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态划分生成各个目标的航迹。
优选地,所述基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集,包括:
基于传感器观测到的观测值得到状态估计集;
所述有效划分集中的每个状态向量满足以下约束条件:
式中:i代表第i个目标,j代表第j个目标;
其中nl为目标i在kl时刻的状态估计个数;
5)可测性:每条目标航迹至少对应两个目标状态,即|τi|≥2,i=1,2,…,CK。
优选地,所述基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集,包括:
基于所述有效划分集确定所述后验概率密度函数;
定义权值有向图;
获取所述权值有向图的概率权值矩阵;
基于所述概率权值矩阵和所述有效划分集构建所述参数概率密度函数集。
本发明还提供了一种基于最小化交叉熵的概率密度假设航迹生成***,包括:
数据划分模块,基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集;
概率密度模块,基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集;
优化模块,基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数;
航迹生成模块,基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态划分生成各个目标的航迹。
优选地,所述数据划分模块包括:
数据获取单元,基于传感器观测到的观测值得到状态估计集;
所述有效划分集中的每个状态向量满足以下约束条件:
式中:i代表第i个目标,j代表第j个目标;
其中nl为目标i在kl时刻的状态估计个数;
5)可测性:每条目标航迹至少对应两个目标状态,即|τi|≥2,i=1,2,…,CK。
优选地,所述概率密度模块包括:
后验概率密度单元,基于所述有效划分集确定所述后验概率密度函数;
有向图单元,定义权值有向图;
权值矩阵单元,获取所述权值有向图的概率权值矩阵;
参数概率密度单元,基于所述概率权值矩阵和所述有效划分集构建所述参数概率密度函数集。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明涉及一种基于最小化交叉熵的概率密度假设航迹生成方法及***,包括:基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集;基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集;基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数;基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态集生成各个目标的航迹。本发明能较好地解决目标相邻或交叉运动时的航迹生成问题
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于最小化交叉熵的概率密度假设航迹生成方法流程图;
图2为本发明基于最小化交叉熵的概率密度假设航迹生成***结构图。
符号说明:1-数据划分模块,2-概率密度模块,3-优化模块,4-航迹生成模块。
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。基于本发明中的实施例,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。
本发明的目的是提供一种基于最小化交叉熵的概率密度假设航迹生成方法及***,摒弃传统的数据关联方法,将航迹生成问题归结为状态估计集划分问题,可较好地解决目标相邻或交叉运动时的航迹生成问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于最小化交叉熵的概率密度假设航迹生成方法流程图。如图所示,本发明提供了一种基于最小化交叉熵的概率密度假设航迹生成方法,包括:
步骤S1,基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集。具体地:
基于传感器观测到的观测值得到状态估计集。
所述有效划分集中的每个状态向量满足以下约束条件:
式中:i代表第i个目标,j代表第j个目标。
其中nl为目标i在kl时刻的状态估计个数。
5)可测性:每条目标航迹至少对应两个目标状态,即|τi|≥2,i=1,2,…,CK。
步骤S2,基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集。
进一步地,所述步骤S2具体为:
将寻找最优状态划分ω*的问题转化为ω在最大化后验概率密度函数(Maximuma-Posteriori probability,MAP)意义下的最优估计问题,即
对于任一有效划分ω,假设k时刻目标个数为nk,其中新生目标个数为bk,消亡目标个数为mk,被传感器检测到的目标个数为dk,未被检测的目标个数为uk,虚假估计个数为fk,若此时的状态估计数为Nk,则上述参量存在如下代数关系:
则后验概率密度函数表达式如下:
式中:C0为不依赖于有效划分ω的常数;N(x;μ,Δ)表示均值为μ方差为Δ的高斯分布;τi为目标i的状态估计向量,C为有效划分ω中除去虚假估计τ0的所有估计个数,为状态的步预测;为新息协方差;pm为目标消亡概率;pd为目标检测概率;pb为目标新生概率;pf为目标虚警概率。
假设总的估计个数为N,则
定义带权值的有向图G=(V,E,P),其中,V为图的节点集合,E为图的边,P为权值矩阵。对于V和E,其表示式为:
式中,Vmax为目标的速度上限;k2-k1≤2表示仅考察连续两帧的估计值关联情况。
若用Ni,i=1,…,N表示图的节点,由于状态估计点是有时序的,即图G是有向的,将节点Ni和Nj连接的边表示为(i,j)。为构造参数向量,作如下定义:
1)节点Ni为连接图G中某一边起始点的概率为pb(i)。
2)节点Ni为连接图G中某一边终止点的概率为pf(i)。
3)连接图中某路径经过节点Ni,并紧接通过节点Nj的概率为pij。
由以上定义可知,对任意Ni∈V,则有:
pf(i)+∑pij=1;
上式表示连接图中的节点Ni作为终止点或者中间节点出现。故概率权值矩阵为
事实上,P即为参数化向量,对应于参数化概率密度函数中的v。为解决目标交叉运动时的航迹关联问题,考虑将目标的状态信息和航向信息融入概率权值矩阵中,假设节点Ni和Nj对应的时刻分别为k1和k2,且k2>k1,对连接图中边的权值概率pij作如下定义:
式中,||·||2表示2范数;表示状态估计的k2-k1步预测;θij表示矢量与矢量之间的夹角,θij越小表明节点Ni和Nj关联的可能性越大;β1和β2为与过程噪声和量测噪声相关的常数;Ci为归一化参数,其值可由下式给出:
在完成概率权值矩阵P的定义后,则某一路径τ=(i1,…,im)的概率为:
步骤S3,基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数。
具体地,设Y为目标状态空间,S(·)为定义在Y上的性能函数,则该性能函数最优值γ*为:
其中y*为性能函数最优时的目标状态。为求取性能函数的最优值γ*,假定f和h为与性能函数S(·)相关的m维参数概率密度函数,定义两者的交叉熵(也称Kullback-Leibler距离)为:
式中,Ef表示期望,D(f|h)反映了两概率密度函数的接近程度,而求取一定约束条件下最接近的两概率密度函数的过程即为最小化交叉熵过程。假定h(·)已知,f和h均为参数化概率密度函数,可用f(y,v)和h(y,u)表示,v和u为参数向量,最小交叉熵用min D(f|h)表示,其性能约束条件为:
EfS(Y)=γ;
在上述约束条件下,min D(f|h)的解为:
式中,v*为最小交叉熵的解对应的参数向量,λ为常数,可由下式得到
由于对连续概率分布f(y,v*)采样没有有效的方法,因此若想通过对f(y,v*)采样逐渐逼近全局最优y*很难实现。假定h(y,u)和f(y,v*)为多维离散分布,Y=(Y1,…,Yn)为随机矢量且Yi从集合{a1,…,an}取值,则估计量
其最小交叉熵解为
式中,I{·}表示事件,P表示概率,ak为集合{a1,…,an}中的元素。在以上假设下,可以用下式代替:
构造参数向量序列v1,v2,…,vt,通过迭代采样逐步逼近全局最优y*。
本实施例中,通过步骤S2得到的参数概率密度函数集,通过迭代采样逐步逼近全局最优,得到所述最优后验概率密度函数。
步骤S4,基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态集生成各个目标的航迹。
图2为本发明基于最小化交叉熵的概率密度假设航迹生成***结构图。如图2所示,本发明提供了一种基于最小化交叉熵的概率密度假设航迹生成***,包括:数据划分模块1、概率密度模块2、优化模块3和航迹生成模块4。
所述数据划分模块1基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集。
所述概率密度模块2基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集。
所述优化模块3基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数。
所述航迹生成模块4基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态集生成各个目标的航迹。
作为一种可选的实施方式,本发明所述数据划分模块1包括:数据获取单元和数据划分单元。
所述数据获取单元基于传感器观测到的观测值得到状态估计集。
所述有效划分集中的每个状态向量满足以下约束条件:
式中:i代表第i个目标,j代表第j个目标;
其中nl为目标i在kl时刻的状态估计个数;
5)可测性:每条目标航迹至少对应两个目标状态,即|τi|≥2,i=1,2,…,CK。
作为一种可选的实施方式,本发明所述概率密度模块2包括:后验概率密度单元、有向图单元、权值矩阵单元和参数概率密度单元。
所述后验概率密度单元基于所述有效划分集确定所述后验概率密度函数。
所述有向图单元定义权值有向图。
所述权值矩阵单元获取所述权值有向图的概率权值矩阵。
所述参数概率密度单元基于所述概率权值矩阵和所述有效划分集构建所述参数概率密度函数集。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于最小化交叉熵的概率密度假设航迹生成方法,其特征在于,包括:
基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集;
基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集;
基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数;
基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态划分生成各个目标的航迹。
2.根据权利要求1所述的基于最小化交叉熵的概率密度假设航迹生成方法,其特征在于,所述基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集,包括:
基于传感器观测到的观测值得到状态估计集;
所述有效划分集中的每个状态向量满足以下约束条件:
式中:i代表第i个目标,j代表第j个目标;
其中nl为目标i在kl时刻的状态估计个数;
5)可测性:每条目标航迹至少对应两个目标状态,即|τi|≥2,i=1,2,…,CK。
3.根据权利要求1所述的基于最小化交叉熵的概率密度假设航迹生成方法,其特征在于,所述基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集,包括:
基于所述有效划分集确定所述后验概率密度函数;
定义权值有向图;
获取所述权值有向图的概率权值矩阵;
基于所述概率权值矩阵和所述有效划分集构建所述参数概率密度函数集。
4.一种基于最小化交叉熵的概率密度假设航迹生成***,其特征在于,包括:
数据划分模块,基于传感器观测到的观测值得到状态估计集,并对所述状态估计集进行划分,得到有效划分集;
概率密度模块,基于所述有效划分集确定后验概率密度函数;基于所述有效划分集得到参数概率密度函数集;
优化模块,基于所述参数概率密度函数集,采用最小交叉熵优化方法,对所述后验概率密度函数进行逐步优化,得到最优后验概率密度函数;
航迹生成模块,基于所述最优后验概率密度函数,得到最优状态划分;基于所述最优状态划分生成各个目标的航迹。
5.根据权利要求1所述的基于最小化交叉熵的概率密度假设航迹生成***,其特征在于,所述数据划分模块包括:
数据获取单元,基于传感器观测到的观测值得到状态估计集;
所述有效划分集中的每个状态向量满足以下约束条件:
式中:i代表第i个目标,j代表第j个目标;
其中nl为目标i在kl时刻的状态估计个数;
5)可测性:每条目标航迹至少对应两个目标状态,即|τi|≥2,i=1,2,…,CK。
6.根据权利要求1所述的基于最小化交叉熵的概率密度假设航迹生成***,其特征在于,所述概率密度模块包括:
后验概率密度单元,基于所述有效划分集确定所述后验概率密度函数;
有向图单元,定义权值有向图;
权值矩阵单元,获取所述权值有向图的概率权值矩阵;
参数概率密度单元,基于所述概率权值矩阵和所述有效划分集构建所述参数概率密度函数集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088269.4A CN114491413A (zh) | 2022-01-25 | 2022-01-25 | 基于最小化交叉熵的概率密度假设航迹生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088269.4A CN114491413A (zh) | 2022-01-25 | 2022-01-25 | 基于最小化交叉熵的概率密度假设航迹生成方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491413A true CN114491413A (zh) | 2022-05-13 |
Family
ID=81475127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210088269.4A Pending CN114491413A (zh) | 2022-01-25 | 2022-01-25 | 基于最小化交叉熵的概率密度假设航迹生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491413A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356718A (zh) * | 2022-09-01 | 2022-11-18 | 西安电子科技大学 | 一种基于交叉熵模糊聚类的多目标跟踪数据关联方法 |
CN115356718B (zh) * | 2022-09-01 | 2024-07-26 | 西安电子科技大学 | 一种基于交叉熵模糊聚类的多目标跟踪数据关联方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN106707272A (zh) * | 2016-07-01 | 2017-05-24 | 电子科技大学 | 一种基于随机集理论的多目标跟踪方法 |
CN107192998A (zh) * | 2017-04-06 | 2017-09-22 | 中国电子科技集团公司第二十八研究所 | 一种基于协方差指标函数的自适应分布式航迹数据融合方法 |
CN112434643A (zh) * | 2020-12-06 | 2021-03-02 | 零八一电子集团有限公司 | 低慢小目标的分类识别方法 |
CN113569465A (zh) * | 2021-06-25 | 2021-10-29 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度学习的航迹矢量和目标类型联合估计***及估计方法 |
-
2022
- 2022-01-25 CN CN202210088269.4A patent/CN114491413A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN106707272A (zh) * | 2016-07-01 | 2017-05-24 | 电子科技大学 | 一种基于随机集理论的多目标跟踪方法 |
CN107192998A (zh) * | 2017-04-06 | 2017-09-22 | 中国电子科技集团公司第二十八研究所 | 一种基于协方差指标函数的自适应分布式航迹数据融合方法 |
CN112434643A (zh) * | 2020-12-06 | 2021-03-02 | 零八一电子集团有限公司 | 低慢小目标的分类识别方法 |
CN113569465A (zh) * | 2021-06-25 | 2021-10-29 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度学习的航迹矢量和目标类型联合估计***及估计方法 |
Non-Patent Citations (1)
Title |
---|
李雪腾王海鹏柳华林: "一种基于多维航迹特征的目标轨迹聚类方法", 《舰船电子工程》, 30 November 2020 (2020-11-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356718A (zh) * | 2022-09-01 | 2022-11-18 | 西安电子科技大学 | 一种基于交叉熵模糊聚类的多目标跟踪数据关联方法 |
CN115356718B (zh) * | 2022-09-01 | 2024-07-26 | 西安电子科技大学 | 一种基于交叉熵模糊聚类的多目标跟踪数据关联方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kraus et al. | Uncertainty estimation in one-stage object detection | |
Clark et al. | Group target tracking with the gaussian mixture probability hypothesis density filter | |
CN110542885B (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
Vu et al. | A particle marginal Metropolis-Hastings multi-target tracker | |
Swain et al. | Extended object filtering using spatial independent cluster processes | |
Baisa | Occlusion-robust online multi-object visual tracking using a GM-PHD filter with CNN-based re-identification | |
CN116128932B (zh) | 一种多目标跟踪方法 | |
Baisa | Online multi-object visual tracking using a GM-PHD filter with deep appearance learning | |
Yang et al. | Linear-time joint probabilistic data association for multiple extended object tracking | |
CN103810266B (zh) | 语义网络目标识别判证方法 | |
CN115963856A (zh) | 一种四旋翼无人机快速目标跟踪方法 | |
CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
Pece | From cluster tracking to people counting | |
US20220026556A1 (en) | Methods and Systems for Predicting a Trajectory of an Object | |
CN113077495A (zh) | 在线多目标跟踪方法、***、计算机设备及可读存储介质 | |
CN114491413A (zh) | 基于最小化交叉熵的概率密度假设航迹生成方法及*** | |
CN116523972A (zh) | 基于稀疏光流运动补偿的两阶段多目标追踪方法及产品 | |
CN115327529A (zh) | 一种融合毫米波雷达和激光雷达的3d目标检测与追踪方法 | |
Nygårds et al. | Decentralized tracking in sensor networks with varying coverage | |
CN111340853A (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
JP3435240B2 (ja) | 移動物体検知装置及びその方法 | |
Saif et al. | Adaptive long term motion pattern analysis for moving object detection using UAV aerial images | |
CN113221709B (zh) | 用于识别用户运动的方法、装置及热水器 | |
Juric-Kavelj et al. | People Tracking with Heterogeneous Sensors using JPDAF with Entropy Based Track Management. | |
CN115542282B (zh) | 基于深度学习的雷达回波检测方法、***、设备及介质 |
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 |