简介:为了在杂波环境中准确的完成雷达微弱多目标的检测,需要对雷达微弱多目标检测方法进行研究。采用当前检测方法在杂波干扰下对雷达微弱多目标进行检测时,不能有效的去除目标回波信号中存在的噪声信号,得到的目标运动轨迹误差较大,存在信噪比低和检测准确率低的问题。提出一种杂波干扰下雷达微弱多目标检测方法,以地面的辐射源作为雷达发射站,载机作为接收站,建立雷达系统模型,通过雷达系统模型得到目标回波信号模型;通过滤波器去除目标回波信号中存在的噪声信号,得到重构的目标回波信号,通过两级门限检测方法得到微弱目标的状态序列,采用逆序递推法得到目标的运动轨迹,完成杂波干扰下雷达微弱多目标的检测。实验结果表明,所提方法的信噪比高、检测结果准确率高。
简介:无源定位跟踪是一种非线性系统状态估计问题。为了提高系统定位精度和降低系统复杂度,将无迹卡尔曼滤波(UKF)应用于多移动传感器多目标无源定位跟踪系统。由于多移动传感器多目标交叉定位时会产生大量虚假点,随着传感器和目标数量的增加而大幅增加。因此,提出了一种改进的快速精确定位算法,即首先通过预测点选取传感器-目标测量方程;然后变换该测量方程,排除大量虚假点;再进行基于距离的支持度非等权值融合;最后将UKF子滤波估计值进行融合得到融合估计值。仿真结果表明,UKF和基于距离的融合法相结合对多移动传感器多目标无源定位具有较高的定位精度和较好的跟踪效果。
简介:多目标跟踪问题是计算机视觉领域的关键研究问题之一。现有的目标跟踪算法严重依赖于目标检测器的性能,如果目标检测器的虚警率或漏警率较高,数据关联将会失败,导致目标跟踪精度不足。为此,本文提出一种基于结构化学习策略的目标身份感知网络流量技术,可在目标检测和数据关联并行化框架下有效地实现多目标跟踪。文中首先通过结构化学习为每个对象训练一个模型,并将目标跟踪问题建模为拉格朗日松驰优化问题,然后提出一种目标身份感知网络流量(TINF)技术进行结构化学习的推理。在学习期间,通过搜索使目标身份感知网络流量代价函数最小化的一组轨迹,确定最被违反约束和序列在下个时间段的最优轨迹,推断出视频片断中所有目标的最佳位置。最后,利用多种高难度数据集进行仿真实验,结果表明本文方法的性能优于其他最新算法。