一种基于随机有限集理论的多目标跟踪装置制造方法及图纸

本发明专利技术公开了一种基于随机有限集理论的多目标跟踪装置，量测集合生成器根据收到的传感器量测生成量测集合，并发送给高斯分量初始化处理器；高斯分量初始化处理器将初始化的高斯分量集合发送给高斯分量集合缓存器进行存储；高斯分量矩阵生成器同时接收量测集合生成器生成的量测集合和高斯分量集合缓存器存储的最新时刻的高斯分量集合，通过解算得到高斯分量矩阵，并发送给高斯分量矩阵扩维器；高斯分量矩阵扩维器同时接收量测集合生成器生成的量测集合。本发明专利技术加入门限过滤和生成失败过滤机制，对高斯分量进行有效性鉴别，既对高斯分量矩阵进行了筛选过滤，提高了计算效率，又对生成失败的情况进行了保护，提高了处理过程的鲁棒性。

A Multi-target Tracking Device Based on Random Finite Set Theory

The invention discloses a multi-target tracking device based on random finite set theory. The measurement set generator generates the measurement set according to the received sensor measurements and sends it to the Gauss component initialization processor, which sends the initialized set of Gauss components to the Gauss component set buffer for storage, and the Gauss component matrix generator receives the measurement set simultaneously. The Gaussian component matrix is obtained by solving the Gaussian component set generated by the measurement set generator and the Gaussian component set at the latest time stored by the Gaussian component set buffer, which is sent to the Gaussian component matrix expander. The Gaussian component matrix expander receives the measurement set generated by the measurement set generator at the same time. The invention adds threshold filtering and generation failure filtering mechanism to identify the validity of Gauss component. It not only filters the Gauss component matrix, improves the calculation efficiency, but also protects the case of generation failure, and improves the robustness of the processing process.

【技术实现步骤摘要】
一种基于随机有限集理论的多目标跟踪装置
本专利技术涉及一种多目标跟踪技术，尤其涉及的是一种基于随机有限集理论的多目标跟踪装置。
技术介绍
多目标跟踪技术在雷达数据处理、图像/视频处理、机器人导航等多个领域均是关键技术之一，它是一种利用采集的传感器量测信息，通过相应的目标跟踪算法获得目标航迹的过程。传统的目标跟踪算法主要为基于数据关联的方法，包括航迹起始、关联和航迹终止等，其中正确的关联是实现目标稳定跟踪的前提条件，因此关联算法也成为其中最复杂的过程之一，如最近邻法、联合概率数据关联法和多假设跟踪(MHT)算法等。近年，基于随机有限集(RFS)理论的多目标跟踪方法成为研究热点，该方法基于有限集统计理论对传感器量测集合进行处理，直接估计出多目标的状态集合，从而避免了传统多目标跟踪方法对数据关联的依赖，并降低了计算复杂度。常见的基于随机有限集理论的滤波方法有概率假设密度(PHD)滤波器、序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器和高斯混合概率假设密度(GM-PHD)滤波器等，其中GM-PHD是比较常用的工程实现方法。目前，基于RFS的多目标跟踪方法在文献中多有报道。如(1)谭顺成、王国宏等，基于PHD滤波和数据关联的多目标跟踪，系统工程与电子技术，2011,33(4)；(2)StephanReuter,Ba-TuongVo,Ba-NguVo,KlausDietmayer.TheLabeledMulti-BernoulliFilter[J].IEEETransactionsonSignalProcessing,2014,62(12):3246-3260.一种带标签的多伯努利滤波器。(3)徐从安、刘瑜等，新生目标强度未知的双门限粒子PHD滤波器，航空学报，2015,36(12)。文献(1)将PHD滤波和传统的数据关联方法想结合获得目标的航迹，但同时也带来了传统数据关联方法计算复杂的缺陷。文献(2)将MHT和RFS理论结合，提出了δ-GLMB算法，但与MHT类似，在密集目标和强杂波环境下，该方法面临多假设的“组合爆炸”问题。文献(3)着重解决新生目标强度未知的问题，提出双门限法，但仍无法解决目标漏检的问题。而且，实际应用时，很多先验信息是未知的，如新生目标和衍生目标的模型、新生目标强度信息、目标存活率、检测概率等，因此这些方法基本很难实现工程应用。
技术实现思路
本专利技术所要解决的技术问题在于：如何提高计算效率和预防目标漏检，提供了一种基于随机有限集理论的多目标跟踪装置。本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括量测集合生成器、高斯分量初始化处理器、高斯分量集合缓存器、高斯分量矩阵生成器、高斯分量矩阵扩维器、高斯分量矩阵裁剪融合器、标签分配器和航迹生成器；所述量测集合生成器根据收到的传感器量测生成量测集合，并发送给高斯分量初始化处理器；所述高斯分量初始化处理器将初始化的高斯分量集合发送给高斯分量集合缓存器进行存储；所述高斯分量矩阵生成器同时接收量测集合生成器生成的量测集合和高斯分量集合缓存器存储的最新时刻的高斯分量集合，通过解算得到高斯分量矩阵，并发送给高斯分量矩阵扩维器；所述高斯分量矩阵扩维器同时接收量测集合生成器生成的量测集合，对高斯分量矩阵进行扩维，并将扩维后的高斯分量矩阵发送给高斯分量矩阵裁剪融合器；所述高斯分量矩阵裁剪融合器同时接收高斯分量集合缓存器存储的最新时刻的高斯分量集合，对扩维后的高斯分量矩阵进行裁剪融合，并将裁剪融合后的高斯分量矩阵发送给标签分配器；所述标签分配器采用标签法给高斯分量矩阵中每个高斯分量分配不同的标签后，将高斯分量矩阵发送给高斯分量集合缓存器进行存储，并发送给航迹生成器生成航迹。所述量测集合生成器收到传感器量测后，按照时间片生成量测集合，时间片大小取其中T为传感器采样周期，n为正整数。每个高斯分量包括权值、时间、状态均值、协方差矩阵、标签和有效标志。若高斯分量集合缓存器为空，则高斯分量初始化处理器取量测集合中第一个量测进行初始化，获得初始化的高斯分量集合，并存储在高斯分量集合缓存器中；否则，跳过初始化过程。所述高斯分量矩阵生成器生成高斯分量矩阵的维数为M×N，其中M为高斯分量集合缓存器中存储的最新时刻的高斯分量集合的元素个数，N为量测集合生成器生成的量测集合的元素个数，每个高斯分量的生成包括高斯分量的预测和更新过程，生成高斯分量矩阵后进行门限过滤和生成失败过滤，对超过门限或生成失败的高斯分量，将其有效标志置为无效。高斯分量矩阵扩维器、高斯分量矩阵裁剪融合器和标签分配器只处理有效标志为有效的高斯分量。所述高斯分量矩阵扩维器收到高斯分量矩阵后，若某一列高斯分量的权值均小于裁剪阈值，则对高斯分量矩阵进行增行扩维，新增行中相应列的高斯分量通过量测集合中对应的量测生成，且权值大于裁剪阈值。所述高斯分量矩阵裁剪融合器收到扩维后的高斯分量矩阵后，首先进行高斯分量的裁剪融合，然后进行预防目标漏检的处理；预防目标漏检的处理具体指：若高斯分量矩阵某一行的权值均小于裁剪阈值，则将该行权值最小的高斯分量替换为高斯分量集合缓存器存储的最新时刻的高斯分量集合中对应的高斯分量。所述高斯分量集合缓存器接收高斯分量矩阵后，将高斯分量按照权值从大到小的顺序排列，只存储前Jmax个权值大于裁剪阈值的高斯分量，其中Jmax为高斯分量集合缓存器中存储的高斯分量集合元素个数的最大值。所述航迹生成器接收高斯分量矩阵后，提取权值大于TSE的高斯分量，按照相同标签的高斯分量属于同一航迹的原则生成航迹，其中TSE为提取阈值。本专利技术相比现有技术具有以下优点：本专利技术加入门限过滤和生成失败过滤机制，对高斯分量进行有效性鉴别，既对高斯分量矩阵进行了筛选过滤，提高了计算效率，又对生成失败的情况进行了保护，提高了处理过程的鲁棒性。对高斯分量矩阵加入了扩维机制，可有效辅助目标起始，从而无需新生目标的先验信息，解决了随机有限集理论工程应用的瓶颈问题。无需衍生目标的先验信息，减少了参数配置项，从而降低了工程应用的难度。加入了预防目标漏检的处理，可有效预防目标的漏检，大大提高了随机有限集理论进行工程应用的效果。附图说明图1是本专利技术的流程示意图；图2是6个目标的真实运动轨迹，“○”为目标的起始位置，“△”为目标的终止位置；图3是使用本专利技术后的多目标跟踪效果示意图；图4是目标总数的变化图。具体实施方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。如图2所示，假设有6个目标在二维平面(x-y平面)作匀速直线运动，状态向量为x＝[x,vx,y,vy]T，x,y分别表示x-y平面x方向和y方向的位置，vx,vy分别表示x-y平面x方向和y方向的速度，每个目标的离散空间运动方程为：其中F为状态转移矩阵，H为量测矩阵，ωk和υk分别为过程噪声和量测噪声，二者均为零均值高斯白噪声，协方差矩阵分别为Q和R，采样时间为T＝1s，下标k表示第k个采样周期，k≥1，zk为k时刻传感器量测。整个仿真时间为100s，目标1的存活时间为第1s到第50s，目标2的存活时间为第10s到第70s，目标3的存活时间为第40s到第100s，目标4的存活时间为第40本文档来自技高网...

【技术保护点】
1.一种基于随机有限集理论的多目标跟踪装置，其特征在于，包括量测集合生成器、高斯分量初始化处理器、高斯分量集合缓存器、高斯分量矩阵生成器、高斯分量矩阵扩维器、高斯分量矩阵裁剪融合器、标签分配器和航迹生成器；所述量测集合生成器根据收到的传感器量测生成量测集合，并发送给高斯分量初始化处理器；所述高斯分量初始化处理器将初始化的高斯分量集合发送给高斯分量集合缓存器进行存储；所述高斯分量矩阵生成器同时接收量测集合生成器生成的量测集合和高斯分量集合缓存器存储的最新时刻的高斯分量集合，通过解算得到高斯分量矩阵，并发送给高斯分量矩阵扩维器；所述高斯分量矩阵扩维器同时接收量测集合生成器生成的量测集合，对高斯分量矩阵进行扩维，并将扩维后的高斯分量矩阵发送给高斯分量矩阵裁剪融合器；所述高斯分量矩阵裁剪融合器同时接收高斯分量集合缓存器存储的最新时刻的高斯分量集合，对扩维后的高斯分量矩阵进行裁剪融合，并将裁剪融合后的高斯分量矩阵发送给标签分配器；所述标签分配器采用标签法给高斯分量矩阵中每个高斯分量分配不同的标签后，将高斯分量矩阵发送给高斯分量集合缓存器进行存储，并发送给航迹生成器生成航迹。

【技术特征摘要】
1.一种基于随机有限集理论的多目标跟踪装置，其特征在于，包括量测集合生成器、高斯分量初始化处理器、高斯分量集合缓存器、高斯分量矩阵生成器、高斯分量矩阵扩维器、高斯分量矩阵裁剪融合器、标签分配器和航迹生成器；所述量测集合生成器根据收到的传感器量测生成量测集合，并发送给高斯分量初始化处理器；所述高斯分量初始化处理器将初始化的高斯分量集合发送给高斯分量集合缓存器进行存储；所述高斯分量矩阵生成器同时接收量测集合生成器生成的量测集合和高斯分量集合缓存器存储的最新时刻的高斯分量集合，通过解算得到高斯分量矩阵，并发送给高斯分量矩阵扩维器；所述高斯分量矩阵扩维器同时接收量测集合生成器生成的量测集合，对高斯分量矩阵进行扩维，并将扩维后的高斯分量矩阵发送给高斯分量矩阵裁剪融合器；所述高斯分量矩阵裁剪融合器同时接收高斯分量集合缓存器存储的最新时刻的高斯分量集合，对扩维后的高斯分量矩阵进行裁剪融合，并将裁剪融合后的高斯分量矩阵发送给标签分配器；所述标签分配器采用标签法给高斯分量矩阵中每个高斯分量分配不同的标签后，将高斯分量矩阵发送给高斯分量集合缓存器进行存储，并发送给航迹生成器生成航迹。2.根据权利要求1所述一种基于随机有限集理论的多目标跟踪装置，其特征在于，所述量测集合生成器收到传感器量测后，按照时间片生成量测集合，时间片大小取其中Τ为传感器采样周期，n为正整数。3.根据权利要求1所述一种基于随机有限集理论的多目标跟踪装置，其特征在于，每个高斯分量包括权值、时间、状态均值、协方差矩阵、标签和有效标志。4.根据权利要求1所述一种基于随机有限集理论的多目标跟踪装置，其特征在于，若高斯分量集合缓存器为空，则高斯分量初始化处理器取量测集合中第一个量测进行初始化，获得初始化的高斯分量集合，并存储在高斯分量集合缓存器中；否则，跳过初始化过程。5.根据权利要求1所述一种基于随机有限集理论的多目...

【专利技术属性】
技术研发人员：武慧勇，钮俊清，任清安，唐匀龙，马志娟，郭佳意，王建富，王文洋，
申请(专利权)人：中国电子科技集团公司第三十八研究所，
类型：发明
国别省市：安徽,34