为解决毫米波雷达在对多目标跟踪时目标近邻聚类失败导致的目标数目低估和跟踪精度下降问题,提出一种基于概率假设密度(probability hypothesis density,PHD)滤波器的量测集联合划分方法。利用带噪声密度空间聚类(density based spatial...为解决毫米波雷达在对多目标跟踪时目标近邻聚类失败导致的目标数目低估和跟踪精度下降问题,提出一种基于概率假设密度(probability hypothesis density,PHD)滤波器的量测集联合划分方法。利用带噪声密度空间聚类(density based spatial clustering of applications with noise,DBSCAN)算法对采集到的量测集进行初步划分。通过PHD滤波器的预测值判断初步划分的点云簇是否存在重叠簇。针对重叠簇,利用滤波器预测值改进高斯混合模型(Gaussian mixed model,GMM)聚类算法并进行子划分。在仿真和实际环境中进行算法测试,仿真结果表明,所提算法能正确划分并跟踪近邻的目标,相比其他算法具有更好的跟踪精度。实测结果进一步验证了该算法能够成功识别近邻目标数量并跟踪,具有一定的工程实践意义。展开更多
针对海战场环境下态势评估中目标数量多、类型复杂多样的问题,首先引入数据聚类对态势评估的目标分群环节进行聚类分群,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的密度聚类,可聚类任意形状的...针对海战场环境下态势评估中目标数量多、类型复杂多样的问题,首先引入数据聚类对态势评估的目标分群环节进行聚类分群,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的密度聚类,可聚类任意形状的数据簇,遍历性好,能够对战场环境下目标进行全面合理的分群;然后,给出了算法计算的基本步骤,并利用算例对已知战场态势的目标群进行正确性验证;最后,将该算法与基于划分的K-means算法、基于层次的AGNES(AGglomerative NESting)算法进行了对比分析,证明了该算法的有效性和合理性。展开更多
飞行时间(Time of Flight, ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会...飞行时间(Time of Flight, ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会受到背景界面多次反射产生的多路径干扰,因此在复杂环境中目标物体深度测量数据会受到侧面和背景界面的多次反射的回波信号影响,降低边缘处深度测量的精度水平,因此需要对原始点云数据进行目标提取和多路径去除的预处理。本文针对该问题提出一种多界面场景中基于点云矢量的目标提取方法,能够实现复杂多目标的快速提取和多路径强干扰的去除。首先基于k-means提出一种FVP-k-means算法,完成目标点云数据的全局全矢量提取处理。再基于K-NN提出一种迭代滤波算法,实现局部多路径干扰数据的滤除。通过与其它方法的比较研究,该方法能够有效去除TOF点云目标数据的多路径干扰,目标提取性能提高了40%,实验表明本文提出的全局点云数据全矢量目标提取和多路径干扰去除算法能够实现对目标点云数据的无监督学习智能提取与滤波要求。展开更多
文摘为解决毫米波雷达在对多目标跟踪时目标近邻聚类失败导致的目标数目低估和跟踪精度下降问题,提出一种基于概率假设密度(probability hypothesis density,PHD)滤波器的量测集联合划分方法。利用带噪声密度空间聚类(density based spatial clustering of applications with noise,DBSCAN)算法对采集到的量测集进行初步划分。通过PHD滤波器的预测值判断初步划分的点云簇是否存在重叠簇。针对重叠簇,利用滤波器预测值改进高斯混合模型(Gaussian mixed model,GMM)聚类算法并进行子划分。在仿真和实际环境中进行算法测试,仿真结果表明,所提算法能正确划分并跟踪近邻的目标,相比其他算法具有更好的跟踪精度。实测结果进一步验证了该算法能够成功识别近邻目标数量并跟踪,具有一定的工程实践意义。
文摘针对海战场环境下态势评估中目标数量多、类型复杂多样的问题,首先引入数据聚类对态势评估的目标分群环节进行聚类分群,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的密度聚类,可聚类任意形状的数据簇,遍历性好,能够对战场环境下目标进行全面合理的分群;然后,给出了算法计算的基本步骤,并利用算例对已知战场态势的目标群进行正确性验证;最后,将该算法与基于划分的K-means算法、基于层次的AGNES(AGglomerative NESting)算法进行了对比分析,证明了该算法的有效性和合理性。
文摘飞行时间(Time of Flight, ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会受到背景界面多次反射产生的多路径干扰,因此在复杂环境中目标物体深度测量数据会受到侧面和背景界面的多次反射的回波信号影响,降低边缘处深度测量的精度水平,因此需要对原始点云数据进行目标提取和多路径去除的预处理。本文针对该问题提出一种多界面场景中基于点云矢量的目标提取方法,能够实现复杂多目标的快速提取和多路径强干扰的去除。首先基于k-means提出一种FVP-k-means算法,完成目标点云数据的全局全矢量提取处理。再基于K-NN提出一种迭代滤波算法,实现局部多路径干扰数据的滤除。通过与其它方法的比较研究,该方法能够有效去除TOF点云目标数据的多路径干扰,目标提取性能提高了40%,实验表明本文提出的全局点云数据全矢量目标提取和多路径干扰去除算法能够实现对目标点云数据的无监督学习智能提取与滤波要求。
