本文選題：多目標(biāo)跟蹤 + 擴(kuò)展目標(biāo)跟蹤�。� 參考：《數(shù)據(jù)采集與處理》2017年01期

【摘要】：針對高斯混合假設(shè)概率密度濾波擴(kuò)展目標(biāo)跟蹤算法中的觀測集合劃分問題,本文分析了距離門限劃分方法存在的問題,提出了一種利用聚類方法進(jìn)行觀測數(shù)據(jù)集合劃分的方法。該方法利用極大似然方法獲得目標(biāo)數(shù)的估計(jì)值,以此作為聚類數(shù)利用K-means聚類對觀測數(shù)據(jù)集合進(jìn)行聚類劃分,并利用橢球門限對觀測數(shù)據(jù)進(jìn)行處理以降低雜波觀測對聚類劃分的影響。實(shí)驗(yàn)結(jié)果表明,該方法能夠獲得正確的劃分觀測集合,計(jì)算復(fù)雜度較距離門限劃分方法有較大降低,同時在多目標(biāo)跟蹤效果方面優(yōu)于觀測數(shù)據(jù)距離門限劃分的假設(shè)概率密度濾波擴(kuò)展目標(biāo)跟蹤算法。
[Abstract]:Aiming at the problem of the partition of observation set in the extended target tracking algorithm of Gao Si hybrid hypothesis probability density filter, this paper analyzes the problems of the distance threshold partition method, and puts forward a method to partition the observation data set by using the clustering method. In this method, the maximum likelihood method is used to obtain the estimated value of the target number, which is used as the clustering number to classify the observation data set by K-means clustering. The ellipsoidal threshold is used to process the observed data to reduce the influence of clutter observation on clustering. The experimental results show that this method can obtain the correct partition observation set, and the computational complexity is much lower than that of the distance threshold partition method. At the same time, the extended target tracking algorithm based on probability density filter is better than the threshold partition of observation data in the aspect of multi-target tracking.
【作者單位】： 中國民航大學(xué)天津市智能信號與圖像處理重點(diǎn)實(shí)驗(yàn)室;天津大學(xué)電子信息工程學(xué)院;
【基金】：國家自然科學(xué)基金(61471365,61231017,61571442)資助項(xiàng)目 中國民航大學(xué)中央高�；�(3122015D003)資助項(xiàng)目
【分類號】：TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董紅召;史彩霞;陳寧;劉冬旭;;基于關(guān)聯(lián)規(guī)則的公共自行車調(diào)度區(qū)域聚類劃分[J];科技通報;2013年09期

2 周德云;張X;;空戰(zhàn)多目標(biāo)集群攻擊算法研究[J];西北工業(yè)大學(xué)學(xué)報;2009年05期

3 王守強(qiáng);朱大銘;史士英;;基于最小聚類劃分的K-means聚類(1+ε)近似算法[J];計(jì)算機(jī)研究與發(fā)展;2008年S1期

4 劉建剛;唐敦兵;楊春;韓向東;江濤濤;王寧生;;基于物理DSM與行列變換的產(chǎn)品結(jié)構(gòu)聚類劃分[J];系統(tǒng)工程與電子技術(shù);2008年10期

5 黃丹;邱旭民;;AMOI管理模式下產(chǎn)品并行開發(fā)的產(chǎn)品結(jié)構(gòu)聚類劃分研究[J];湖南農(nóng)機(jī);2014年04期

6 王紅軍,陳慶新,陳新,鄭德濤;基于效用分析的客戶聚類方法研究[J];計(jì)算機(jī)集成制造系統(tǒng)-CIMS;2003年03期

7 于海濤;王慧強(qiáng);李梓;韓立娟;;基于模擬諧振子的優(yōu)化K-means聚類算法[J];計(jì)算機(jī)工程與應(yīng)用;2012年30期

8 趙杰文;原嬌杰;;基于聚類劃分的增量式關(guān)聯(lián)規(guī)則研究[J];科協(xié)論壇(下半月);2008年08期

9 周鑫;張化祥;;k-means算法的研究與改進(jìn)[J];微計(jì)算機(jī)信息;2008年30期

10 ;[J];;年期

相關(guān)碩士學(xué)位論文 前2條

1 劉智斌;基于廣義熵的加權(quán)模糊聚類算法研究[D];河北大學(xué);2012年

2 黃清蘭;基于聚類劃分的Web日志關(guān)聯(lián)規(guī)則增量式挖掘方法研究[D];南昌大學(xué);2013年

，

本文編號：2005063