申请/专利权人：杭州电子科技大学

申请日：2019-12-04

公开（公告）日：2023-06-02

公开（公告）号：CN111340853B

主分类号：G06T7/277

分类号：G06T7/277;G06V10/80;G01C21/00;G01C25/00

优先权：

专利状态码：有效-授权

法律状态：2023.06.02#授权;2020.07.21#实质审查的生效;2020.06.26#公开

摘要：本发明公开了一种基于OSPA迭代的多传感器GMPHD自适应融合方法，本发明为了研究融合顺序对融合结果的影响,在量测迭迭代校正多传感器PHDICMPHD算法的基础上，基于OSPA度量评价指标,提出了一种自适应迭代校正多传感器PHDAICMPHD方法，再将高斯混合GM技术引入AICMPHD方法中，实现AIC‑GMPHD算法。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

主权项：1.基于OSPA迭代的多传感器GMPHD自适应融合方法，其特征在于该方法具体包括以下步骤：1构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；其中传感器的量测来自目标或来自杂波；建立目标的运动模型：式中，k表示离散时间变量，i表示目标的序号，i＝1,2,···,N，表示第i个目标在k时刻的状态变量，ωk表示均值为零、方差为Qk的高斯白噪声，映射fk|k+1表示第i个目标从k时刻到k+1时刻状态转移的状态转移方程；第i个目标在k时刻的状态变量其中，xi,k,yi,k为k时刻第i个目标在监测空间中的位置分量，为k时刻第i个目标在监测空间中的速度分量；如果传感器的量测来自目标，则传感器的量测符合以下传感器量测模型： 式中，j表示传感器的序列，j＝1,2,···,s，表示k时刻传感器j的输出量测，映射hk表示第j个传感器在k时刻对目标状态的观测方程，υk表示均值为零、方差为的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立；k时刻传感器j的观测集合为累积观测集合为s个传感器累积到k时刻的观测集合为传感器j在k时刻对被跟踪目标的探测概率为如果传感器的量测来自杂波，则传感器的量测符合以下杂波模型： 式中，！表示阶乘，nk为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ的泊松分布，ρnk为杂波个数nk的概率函数，yl为第l个杂波的位置状态，Ψx为监测空间的体积，qyl为第l个杂波出现的概率；2构建一种多传感器迭代更新自适应融合框架；基于OSPA度量对GM粒子集进行质量评价，进行加权来突出权值较大的粒子的对OSPA度量值的影响，再根据粒子集质量的一致性对传感器融合顺序进行排序，从而得到最优融合顺序；该方法描述如下：假设存在s个传感器，对于任意的传感器j，k时刻得到它的后验GM粒子集其中为GM项的个数，分别表示目标的权重、状态估计和对应的协方差估计；则对于传感器j1≠j2，根据如下的OSPA距离公式计算它们之间的一致性度量： 其中，c为水平参数，用于调节目标状态估计误差的阈值；p为距离敏感参数，p均取2；进一步定义传感器S的全局一致性度量如下： 基于上式分别计算每个传感器的全局一致性度量，并将计算结果从小到大排序；此处认为全局一致度量越小，则传感器获得的GM粒子集质量越高；因此，按照全局一致性度量由大到小对融合顺序进行排序，即最先将GM粒子集质量最低的传感器进行融合，然后与GM粒子集质量第二低的传感器进行融合，以此类推，直到最终与GM粒子集质量最高的传感器融合完毕；3对每个传感器分别应用高斯混合PHD滤波算法对先验信息和自身获得的测量值进行滤波估计；高斯混合PHD滤波算法具体过程如下：1预测新生目标 式中，表示第ib个目标在k-1时刻的先验权重，表示第ib个目标在k时刻的预测权重；表示第ib个目标在k-1时刻的先验状态值，表示第ib个目标在k时刻的预测状态值；表示第ib个目标在k-1时刻的先验协方差，表示第ib个目标在k时刻的预测协方差，Jγ,k表示预测的新生目标个数；2预测已存在目标 式中，表示第is个目标在k-1时刻的权值，ps表示目标的生存概率；示第is个目标在k时刻的预测权值；表示第is个目标在k-1时刻的先验状态值，表示第is个目标在k时刻的预测状态值，Fk-1表示k-1时刻目标的状态转移矩阵；表示第is个目标在k-1时刻的先验协方差，表示第is个目标在k时刻的预测协方差；Jk-1表示预测的已存在的目标个数，Qk-1表示k-1时刻的过程噪声协方差，F'k-1表示Fk-1的转置；3更新先验PHD强度密度Dk|k-1的高斯和形式为： Jk|k-1＝Jγ,k+Jk-1式中，N·；x,P表示均值为x、协方差为P的高斯分布，Jk|k-1表示k时刻的预测目标个数；则k时刻后验PHD强度密度Dk的高斯和形式为： 式中 式中，表示传感器j在k时刻对被跟踪目标的检测概率，κkz表示监测空间中的杂波强度；4排序；根据步骤2中的自适应融合框架和步骤3的估计值分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；5融合；基于步骤4计算得到的传感器融合顺序和下列公式进行融合操作；首先，假设k时刻融合顺序为FSk＝{s1,...su,...ss}，将融合顺序中排在第一位的传感器su＝1得到的后验估计作为滤波器的先验信息，即： 利用下一个传感器su+1的量测对其进行更新、剪枝合并，得到后验估计再将其作为滤波器的先验信息，即： u＝u+1再利用下一个传感器su+1的量测对其进行更新、剪枝合并，结果也同样作为滤波器的先验信息，依照此步骤直到利用最后一个传感器su＝s的量测进行更新、剪枝合并，得到后验高斯粒子估计集将该粒子集反馈给每个传感器，作为下一时刻的先验信息进行滤波；6枝剪、合并与状态输出；对滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；对k时刻每一次进行融合后得到的融合的高斯混合粒子集由于后验概率密度高斯项随时间变化会出现无限制增加，因此需要通过枝剪和合并来解决该问题；首先对中权重值小于设定枝剪门限Tth的高斯项进行删除；接着从权重值最大的一个开始，利用马氏距离判断其与每个点迹间的距离，通过合并门限U来对门限内的高斯项进行合并，通过循环操作后得到表示高斯项的个数；在k时刻最后一次融合完成后，进行状态的提取，对高斯粒子权值大于0.5的进行四舍五入，得到状态集xk，目标估计数Nk；7将步骤6最终输出的反馈给各传感器，作为下一时刻的输入，重复步骤3到步骤7，迭代完所有时刻，得到最终的融合结果。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于OSPA迭代的多传感器GMPHD自适应融合方法

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