申请/专利权人：杭州电子科技大学

申请日：2022-07-19

公开（公告）日：2022-10-11

公开（公告）号：CN115169136A

主分类号：G06F30/20

分类号：G06F30/20;G06F111/08;G06F119/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.10.28#实质审查的生效;2022.10.11#公开

摘要：本发明公开三维空间下快速UK‑GMPHD多目标跟踪方法。本发明是构建单传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；对多目标的状态、观测进行建模；对传感器进行F‑UK‑GMPHD滤波，得到后验高斯分量，实现对多目标跟踪。通过对原始UK‑GMPHD的更新步骤进行改进，并省去合并操作来提高运行效率，因此，所提出的滤波器能够在复杂跟踪环境中显著提升计算效率。本发明提出了一套完整的处理方法和流程，配置结构明了，在保证跟踪精度的同时，有效提高多目标跟踪效率，可广泛应用于单传感器多目标跟踪领域。

主权项：1.三维空间下的快速UK-GMPHD多目标跟踪方法，包括以下步骤：步骤1、构建单传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；步骤2、对多目标的状态、观测进行建模；步骤3、基于步骤1、2，对传感器进行F-UK-GMPHD滤波，得到后验高斯分量，具体是：3-1：F-UK-GMPHD预测假设在k-1时刻，多目标PHD表示为如下高斯混合的形式： 其中Dk-1x表示k-1时刻目标状态为x的PHD，Jk-1是k-1时刻的高斯分量个数；和分别为第i个高斯分量的权重、状态均值和状态协方差；表示目标状态为x的空间分布，其服从状态均值为状态协方差为的高斯分布；那么k时刻的预测PHD表示为：Dk|k-1x＝DS,k|k-1x+γkx5 其中Dk|k-1x表示k时刻目标状态为x的预测PHD；DS,k|k-1x表示k时刻幸存目标状态为x的预测PHD；γkx表示k时刻新生目标状态为x的预测PHD；pS,k表示幸存概率；G表示噪声驱动矩阵；Qk-1表示在k-1时刻的过程噪声协方差；Jγ,k是新生目标高斯分量的数量；和分别代表k时刻第i个新生目标高斯分量的权重、状态均值和状态协方差；表示目标状态为x的空间分布，其服从状态均值为状态协方差为的高斯分布；分别代表k时刻第i个幸存目标高斯分量的预测状态均值和预测状态协方差；表示目标状态为x的空间分布，其服从状态均值为状态协方差为的高斯分布；由于k时刻预测PHDDk|k-1x为高斯混合形式，故式5改写为如下： 其中，Jk|k-1＝Jk-1+Jγ,k11 表示目标状态为x的空间分布，其服从状态均值为状态协方差为的高斯分布；分别表示k时刻第i个预测高斯分量的权重、状态均值和状态协方差；3-2：获取Sigma点集及相应权值3-2-1获取Sigma点集对Jk|k-1个预测高斯分量计算获取得到Jk|k-1组Sigma点集，每组个数为2nx+1个，然后计算各组Sigma点集内每个Sigma点的预测状态均值 其中j表示第j个Sigma点，j＝1,…,2nx+1；nx表示状态维数；λU＝αU2nx+κU-nx，λU表示比例因子，αU表示采样点的分布状态，κU表示预设参数，并通过调整κU使得矩阵nx+λUP0为半正定矩阵；P0表示初始协方差；3-2-2计算Sigma点相应的权值 其中为Sigma点集内状态均值对应的权值，为Sigma点集内状态协方差对应的权值，上标j表示第j个Sigma点；βU是一个非负数；3-3：F-UK-GM-PHD更新根据公式15对多目标预测PHDDk|k-1x进行更新，得到后验PHDDkx： 其中φ表示一个系数，0≤φ≤1，pd为检测概率，Dd,kx；z表示量测z更新预测PHD；公式15中φ·1-pd·Dk|k-1x表示漏检分量的更新，表示k时刻量测Zk更新预测PHD； 其中， 其中表示k时刻第l个后验高斯分量的权重、状态均值和状态协方差；Jk表示更新后的高斯分量数；表示目标状态为x的空间分布，其服从状态均值为状态协方差为的高斯分布；pd为检测概率；表示量测z的空间分布，其服从均值为协方差为的高斯分布；κk表示杂波强度；g·为非线性观测函数；ZM,k表示权重最大的PHD分量对应的量测集合；表示k时刻第i个量测z的似然，Ψ表示量测索引；表示k时刻第l个后验高斯分量的增益；zΨ,k表示k时刻第Ψ个量测；表示第Ψ个预测观测的均值；R表示量测噪声协方差；为Sigma点集内第j个Sigma点的状态均值对应的权值；为Sigma点集内第j个Sigma点状态协方差对应的权值；表示第i个预测观测的均值；表示第i个Sigma点集内第j个预测状态均值；表示第i个Sigma点集内第j个预测观测；表示第i个预测观测的协方差；表示第i个状态测量的协方差；3-4：剪枝对目标后验PHD的后验高斯分量进行剪枝，保留权重较大的高斯分量： 其中τh表示修剪阈值，0τh≤1；剪枝后的高斯分量表示如下： 其中,表示k时刻剪枝后的第i个高斯分量的权重、状态均值和状态协方差；表示k时刻剪枝后的高斯分量的个数；表示目标状态为x的空间分布，其服从状态均值为状态协方差为的高斯分布；3-5：新生目标自动起始3-5-1设置参数：最大速度VMAX和最小速度VMIN；3-5-2k时刻用于新生的量测表示为k-1时刻用于新生的量测则为Nk表示k时刻量测数目；当以下公式成立时，新生目标自动起始； 其中hp·表示映射函数，即将量测映射到笛卡尔坐标系；3-5-3重复步骤3-5-2，遍历所有量测集合和Zk-1，得到的新生目标高斯分量为： 3-5-4将作为k时刻的后验多目标PHD，同时将新生γkx传递到k+1时刻进行下一时刻PHD预测与更新； 3-6：多目标状态估计剪枝合并得到后验PHDDkx，使用如下公式得到最终目标的个数估计值: 其中round·表示取整操作；取前个权重大于阈值τM的状态均值作为k时刻多目标状态步骤4、重复步骤3得到一次蒙特卡洛下，对所有时刻的多目标估计结果，实现对多目标跟踪；步骤5、重复步骤3-4进行下一次蒙特卡洛的滤波。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 三维空间下快速UK-GMPHD多目标跟踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD