一种基于Kuhn_Munkras算法的目标关联方法技术

本发明专利技术公开了一种基于Kuhn_Munkras算法的目标关联方法，包括S1、数据同步，对观测值与预测值进行时间同步处理；S2、马氏距离计算，根据不同传感器的特性，确定关联时要考虑的目标属性，并根据目标属性个数确定置信水平，且计算观测值与预测值的马氏距离，确定不同传感器的门限值；S3、数据筛选，根据门限值，筛选出门限之内的观测值；S4、数据关联，将步骤S2计算得到的马氏距离作为权重，建立有权二部图，利用Kuhn_Munkras算法进行数据关联；S5、结果更新，更新关联结果。本发明专利技术考虑了不同传感器的差异，减少了主观因素对传感器的影响，提高了关联效率。联效率。联效率。

【技术实现步骤摘要】
一种基于Kuhn_Munkras算法的目标关联方法


[0001]本专利技术属于汽车电器
，更具体涉及一种基于Kuhn_Munkras算法的目标关联方法。

技术介绍

[0002]目标跟踪技术是指利用传感器获取运动目标的量测，估计目标的运动状态或目标的运动参数。其中多目标跟踪是目标跟踪技术中比较重要，应用比较广泛的一个领域，多目标跟踪技术最早应用在军事领域，它包含多个方面的内容如：点迹预处理、航迹起始、数据关联、跟踪维持、航迹消除、性能评估等，其中数据关联是多目标跟踪的核心问题，由于目标的观测过程和跟踪环境的不确定性增加了量测信息于目标信源之间对应关系的模糊性，所以数据关联问题直接影响着目标跟踪的性能。
[0003]对于实际的监视区域，数据关联的困难主要来自观察过程的不确定性和多目标跟踪环境的不确定性，例如传感器的测量误差，缺乏跟踪环境的先验知识。这些不确定性破环了量测和目标源之间的对应关系。
[0004]我国专利CN202110386725.9公开了一种多传感器多目标关联跟踪方法，阐述了一种数据关联方法，该方法以多传感器提供的目标的横向距离、纵向距离和角度作为选择的多模态目标级量测信息作为算法的输入，接着计算各个传感器的多模态量测信息值与上一时刻对应传感器已跟踪到的历史目标的多模态量测预测值之间的马氏距离，通过设定门限值对数据进行初步筛选，获取当前时刻各传感器的各个候选量测的多模态量测信息与对应目标运动状态预测值之间的隶属程度，对多模态量测信息的隶属程度进行主客观赋权，然后通过博弈理论对各候选量测的多模态量测信息的隶属程度的主、客观权重值进行组合赋权并归一化，确定多模态量测信息的隶属程度的最优值，最后将各候选量测的多模态量测信息的隶属程度与多模态量测信息的隶属程度的最优权重组合值归一化后的值相乘，得到各候选量测相似于当前目标的综合相似度，选取与当前目标综合相似度最大的候选量测与进行关联。
[0005]上述方法虽然在观测值与当前目标关联时全面的考虑了多个维度的因素，但是后续的赋权过程过于复杂，尤其当主观权重赋值不准确时，可能会影响关联结果，且存在多个目标时，算法的计算过程过于繁琐。

技术实现思路

[0006]为解决上述问题，本专利技术提供了一种基于Kuhn_Munkras算法的目标关联方法，考虑了不同传感器的差异，减少了主观因素对传感器的影响，提高了关联效率。
[0007]为了解决上述技术问题，本专利技术采用的技术方案是这样的：一种基于Kuhn_Munkras算法的目标关联方法，包括以下步骤，
[0008]S1、数据同步，对观测值与预测值进行时间同步处理；
[0009]S2、马氏距离计算，根据不同传感器的特性，确定关联时要考虑的目标属性，并根
据目标属性个数确定置信水平，且计算观测值与预测值的马氏距离，确定不同传感器的门限值；
[0010]S3、数据筛选，根据门限值，筛选出门限之内的观测值；
[0011]S4、数据关联，将步骤S2计算得到的马氏距离作为权重，建立有权二部图，利用Kuhn_Munkras算法进行数据关联；
[0012]S5、结果更新，更新关联结果。
[0013]作为优化，所述数据同步包括，利用卡尔曼滤波对上一帧观测值进行预测，预测到与当前观测值同一时间，使观测值与预测值时间同步。
[0014]作为优化，步骤S2中，所述置信水平的计算，包括，
[0015]S201、确定所述马氏距离中的协方差矩阵；
[0016]S202、根据所述协方差矩阵确定对应于目标属性个数的卡方分布；
[0017]S203、根据卡方检验概率表确定置信水平。
[0018]作为优化，步骤S4中，在数据关联前，判断传感器观测值与预测值的目标个数的大小，若观测值与预测值的目标个数不相等，则通过预设方法使观测值与预测值的目标个数的大小相等，并根据判断结果建立对应的有权二部图。
[0019]作为优化，所述预设方法包括，当观测值的目标个数小于预测值的目标个数时，建立虚观测值，使观测值与预测值的目标个数相等；当观测值的目标个数大于预测值的目标个数时，建立虚预测值，使观测值与预测值的目标个数相等。
[0020]作为优化，利用Kuhn_Munkras算法确定权值和最大的观测值与预测值的组合作为关联结果。
[0021]与现有技术相比，本专利技术具有如下优点：
[0022]本专利技术通过数据同步、马氏距离计算、数据筛选、数据关联、结果更新五个步骤，根据不同传感器的传感器噪声特性，充分考虑传感器特性，然后对马氏距离中的协方差矩阵进行赋值，将马氏距离作为权重，利用Kuhn_Munkras算法寻找关联权重和最大的一组观测值与上一时刻对应传感器已关联到的历史目标预测值作为当前帧的关联结果，本专利技术考虑了不同传感器的差异，减少了主观因素对传感器的影响，提高了关联效率。
附图说明
[0023]图1为本专利技术的逻辑流程示意图。
具体实施方式
[0024]下面将结合附图及实施例对本专利技术作进一步说明。
[0025]实施例：参见图1，
[0026]一种基于Kuhn_Munkras算法的目标关联方法，包括以下步骤，
[0027]S1、数据同步，对观测值与预测值进行时间同步处理；所述数据同步包括，利用卡尔曼滤波对上一帧观测值进行预测，预测到与当前观测值同一时间，使观测值与预测值时间同步。
[0028]S2、马氏距离计算，根据不同传感器的特性，确定关联时要考虑的目标属性，并根据目标属性个数(自由度)确定置信水平，且计算观测值与预测值的马氏距离，确定不同传
感器的门限值。具体的，根据传感器的噪声特性，先确定要影响关联结果的因素以及马氏距离中的协方差矩阵，其次根据马氏距离计算公式，例如考虑横向距离与纵向距离的马氏距离：
[0029][0030]其中∑为多维随机变量的协方差矩阵。多个维度的马氏距离的平方实际上就是多个维度的卡方分布，将多维随机变量的协方差矩阵展开可以得到：
[0031][0032]根据卡方检验的定义，(2)式代表自由度为二的卡方分布，s为置信水平，通过查卡方检验概率表可以获得置信水平。第三步是根据需求查表确定卡方检验的置信水平。
[0033]S3、数据筛选，根据门限值，筛选出门限之内的观测值；
[0034]S4、数据关联，将步骤S2计算得到的马氏距离作为权重，建立有权二部图，利用Kuhn_Munkras算法进行数据关联；在数据关联前，判断传感器观测值与预测值的目标个数的大小，若观测值与预测值的目标个数不相等，则通过预设方法使观测值与预测值的目标个数的大小相等，并根据判断结果建立对应的有权二部图。所述预设方法包括，当观测值的目标个数小于预测值的目标个数时，建立虚观测值，使观测值与预测值的目标个数相等；当观测值的目标个数大于预测值的目标个数时，建立虚预测值，使观测值与预测值的目标个数相等，然后建立当前有权二部图。将马氏距离作为权重，利用Kuhn_Munkr本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Kuhn_Munkras算法的目标关联方法，其特征在于，包括以下步骤，S1、数据同步，对观测值与预测值进行时间同步处理；S2、马氏距离计算，根据不同传感器的特性，确定关联时要考虑的目标属性，并根据目标属性个数确定置信水平，且计算观测值与预测值的马氏距离，确定不同传感器的门限值；S3、数据筛选，根据门限值，筛选出门限之内的观测值；S4、数据关联，将步骤S2计算得到的马氏距离作为权重，建立有权二部图，利用Kuhn_Munkras算法进行数据关联；S5、结果更新，更新关联结果。2.根据如权利要求1所述的基于Kuhn_Munkras算法的目标关联方法，其特征在于，所述数据同步包括，利用卡尔曼滤波对上一帧观测值进行预测，预测到与当前观测值同一时间，使观测值与预测值时间同步。3.根据如权利要求1所述的基于Kuhn_Munkras算法的目标关联方法，其特征在于，步骤S2中，所述置信水平的计算，包括，S201、确定所述马氏距离中的协方差矩...

【专利技术属性】
技术研发人员：刘辉，王宽，陈剑斌，任凡，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：