針對復(fù)雜交通場景下單傳感器跟蹤性能不佳以及目標檢測概率未知問題,提出了一種基于相機雷達融合的高斯混合概率密度假設(shè)(GM-PHD)多目標跟蹤改進算法。通過預(yù)關(guān)聯(lián)將目標集合劃分為相機雷達量測匹配目標、僅相機量測匹配目標、僅雷達量測匹配目標以及無匹配目標,并采用不同的置信度對目標狀態(tài)進行更新,綜合雷達的徑向距離以及相機的方位角對目標進行更準確的定位估計。將相機量測作為先驗條件,簡化優(yōu)化高斯分量剪枝合并過程。仿真實驗表明:所提算法能夠有效提高目標跟蹤精度和魯棒性。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖4基于相機雷達融合的GM-PHD跟蹤結(jié)果

圖3標準GM-PHD跟蹤結(jié)果從結(jié)果圖3、圖4中不難看出，兩種GM-PHD算法都可以實現(xiàn)過濾一部分雜波，對設(shè)定目標進行跟蹤的功能。但仔細對比，本文提出的算法在以下幾方面明顯優(yōu)于標準的GM-PHD算法:1)由于預(yù)先對相機量測做了關(guān)聯(lián)，在目標更新步驟中降低了護欄、樹木等不感興趣目標的....

圖5算法OSPA距離比較

式中X,Y為兩個隨機的集合，dc(xi,yπ(i))為兩集合各元素的距離，n和m分別為兩個集合的維數(shù)，p為距離的階數(shù)，本實驗中p=2,c=100。圖5是20次仿真實驗的平均結(jié)果。由此可見，本文所提算法的OSPA距離明顯小于標準GM-PHD。后者的平均OSPA距離為119.86m....

圖2目標運動軌跡與量測

式中過程噪聲vk～N(·;0;σv2)，傳感器的觀測值為目標的徑向距離以及方位角，觀測噪聲根據(jù)第一節(jié)傳感器的特性進行設(shè)置。設(shè)雜波均勻分布在整個觀測空間，雷達每時刻會檢測到3～6個雜波。場景中存在護欄、路燈以及樹木等干擾目標，一定概率被雷達誤檢，誤檢概率為0.4;由于這類干擾目標不....

圖1結(jié)構(gòu)化城市道路仿真場景

搭建如圖1所示結(jié)構(gòu)化城市道路場景，場景中為常見三車道城市道路，目標車輛一在中間車道行駛，目標車輛二完成復(fù)雜變道以及超車動作，目標行人三在50s時出現(xiàn)并橫穿馬路后消失。假設(shè)傳感器的位置為s[xn0yn0]目標的運動模型和觀測模型為

本文編號：4004722