基于相机雷达融合的改进GM-PHD多目标跟踪算法

发布时间：2024-07-10 20:57

　　针对复杂交通场景下单传感器跟踪性能不佳以及目标检测概率未知问题,提出了一种基于相机雷达融合的高斯混合概率密度假设(GM-PHD)多目标跟踪改进算法。通过预关联将目标集合划分为相机雷达量测匹配目标、仅相机量测匹配目标、仅雷达量测匹配目标以及无匹配目标,并采用不同的置信度对目标状态进行更新,综合雷达的径向距离以及相机的方位角对目标进行更准确的定位估计。将相机量测作为先验条件,简化优化高斯分量剪枝合并过程。仿真实验表明:所提算法能够有效提高目标跟踪精度和鲁棒性。

【文章页数】：5 页

【部分图文】：

图4基于相机雷达融合的GM-PHD跟踪结果

图3标准GM-PHD跟踪结果从结果图3、图4中不难看出，两种GM-PHD算法都可以实现过滤一部分杂波，对设定目标进行跟踪的功能。但仔细对比，本文提出的算法在以下几方面明显优于标准的GM-PHD算法:1)由于预先对相机量测做了关联，在目标更新步骤中降低了护栏、树木等不感兴趣目标的....

图5算法OSPA距离比较

式中X,Y为两个随机的集合，dc(xi,yπ(i))为两集合各元素的距离，n和m分别为两个集合的维数，p为距离的阶数，本实验中p=2,c=100。图5是20次仿真实验的平均结果。由此可见，本文所提算法的OSPA距离明显小于标准GM-PHD。后者的平均OSPA距离为119.86m....

图2目标运动轨迹与量测

式中过程噪声vk～N(·;0;σv2)，传感器的观测值为目标的径向距离以及方位角，观测噪声根据第一节传感器的特性进行设置。设杂波均匀分布在整个观测空间，雷达每时刻会检测到3～6个杂波。场景中存在护栏、路灯以及树木等干扰目标，一定概率被雷达误检，误检概率为0.4;由于这类干扰目标不....

图1结构化城市道路仿真场景

搭建如图1所示结构化城市道路场景，场景中为常见三车道城市道路，目标车辆一在中间车道行驶，目标车辆二完成复杂变道以及超车动作，目标行人三在50s时出现并横穿马路后消失。假设传感器的位置为s[xn0yn0]目标的运动模型和观测模型为

本文编号：4004722