一种改进的海面舰船目标跟踪方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (25): 239-240.

一种改进的海面舰船目标跟踪方法

张燕1，黄晓斌2

1.空军雷达学院预警监视指挥系，武汉 430019
2.空军雷达学院空天基预警监视装备系，武汉 430019

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-01 发布日期:2011-09-01

Improved tracking method for sea-surface ship target

ZHANG Yan1，HUANG Xiaobin2

1.Department of Early Warning Surveillance Command，Radar Academy of Air Force，Wuhan 430019，China
2.Department of Air/Space-based Early Warning Surveillance Equipment，Radar Academy of Air Force，Wuhan 430019，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-01 Published:2011-09-01

摘要/Abstract

摘要： 用警戒雷达跟踪海面舰船目标时，由于舰船运动速度较慢，这使得其在雷达两次观测之间的位移与雷达本身的测量误差是可比拟的。这种情况下，传统的Kalman滤波在付出较大计算量的同时并不能显著提高跟踪精度。为此，针对海面匀速直线运动的舰船目标，提出了一种基于线性递推回归的投影滤波跟踪算法（Projection Filter based on Linear Recursive Regression，PFLRR），仿真实验表明该算法的滤波性能与Kalman滤波相当，但其计算量仅为Kalman滤波的2/5左右。

关键词: 雷达, 目标跟踪, 线性递推回归, 投影

Abstract: When sea-surface target is tracked with surveillance radar，target moving range between two radar measures is comparable to the measurement error of radar because of its low velocity.In this case，the traditional Kalman filter pays a large amount of calculation while does not significantly improve tracking accuracy.To resolve this problem，a new tracking method called Projection Filter based on Linear Recursive Regression（PFLRR） for linear constant motion sea-surface target is presented.Simulation results show compared with Kalman filter，PFLRR gets the same filtering performance，while pays only two-fifths calculation.

Key words: radar, target tracking, linear recursive regression, projector

张燕1，黄晓斌2. 一种改进的海面舰船目标跟踪方法[J]. 计算机工程与应用, 2011, 47(25): 239-240.

ZHANG Yan1，HUANG Xiaobin2. Improved tracking method for sea-surface ship target[J]. Computer Engineering and Applications, 2011, 47(25): 239-240.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[3]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[4]	王玲，王家沛，王鹏，孙爽滋. 融合注意力机制的孪生网络目标跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 169-174.
[5]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[6]	崔洲涓，安军社，陈长龙，崔天舒. 基于PYNQ框架的深度卷积特征异构跟踪系统[J]. 计算机工程与应用, 2021, 57(4): 120-126.
[7]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[8]	邱守猛，谷宇章，袁泽强. 基于双分支孪生网络的目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 135-143.
[9]	刘竞升，伍星，王洪刚，李姜楠. 改进FCOS的二阶段SAR舰船检测算法[J]. 计算机工程与应用, 2021, 57(24): 144-151.
[10]	林淑彬，吴贵山，许甲云，杨文元. 多帧监督的相关滤波无人机目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 152-160.
[11]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[12]	武哲纬，周世杰，刘启和. 运算资源受限环境下的目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(21): 24-40.
[13]	王蓓，陈金广，王明明. 复杂场景下的改进核相关滤波跟踪算法[J]. 计算机工程与应用, 2021, 57(2): 198-208.
[14]	马成齐，李学华，张兰杰，向维. 抗遮挡的单目深度估计算法[J]. 计算机工程与应用, 2021, 57(2): 217-222.
[15]	李晓花，苏骏，李秀秀. 强干扰环境单观测站水下纯方位多目标跟踪[J]. 计算机工程与应用, 2021, 57(17): 253-259.