針對(duì)復(fù)雜交通場景下單傳感器跟蹤性能不佳以及目標(biāo)檢測(cè)概率未知問題,提出了一種基于相機(jī)雷達(dá)融合的高斯混合概率密度假設(shè)(GM-PHD)多目標(biāo)跟蹤改進(jìn)算法。通過預(yù)關(guān)聯(lián)將目標(biāo)集合劃分為相機(jī)雷達(dá)量測(cè)匹配目標(biāo)、僅相機(jī)量測(cè)匹配目標(biāo)、僅雷達(dá)量測(cè)匹配目標(biāo)以及無匹配目標(biāo),并采用不同的置信度對(duì)目標(biāo)狀態(tài)進(jìn)行更新,綜合雷達(dá)的徑向距離以及相機(jī)的方位角對(duì)目標(biāo)進(jìn)行更準(zhǔn)確的定位估計(jì)。將相機(jī)量測(cè)作為先驗(yàn)條件,簡化優(yōu)化高斯分量剪枝合并過程。仿真實(shí)驗(yàn)表明:所提算法能夠有效提高目標(biāo)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(jī)雷達(dá)融合的GM-PHD跟蹤結(jié)果

圖3標(biāo)準(zhǔn)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(shí)現(xiàn)過濾一部分雜波，對(duì)設(shè)定目標(biāo)進(jìn)行跟蹤的功能。但仔細(xì)對(duì)比，本文提出的算法在以下幾方面明顯優(yōu)于標(biāo)準(zhǔn)的GM-PHD算法:1)由于預(yù)先對(duì)相機(jī)量測(cè)做了關(guān)聯(lián)，在目標(biāo)更新步驟中降低了護(hù)欄、樹木等不感興趣目標(biāo)的....

圖5算法OSPA距離比較

式中X,Y為兩個(gè)隨機(jī)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(gè)集合的維數(shù)，p為距離的階數(shù)，本實(shí)驗(yàn)中p=2,c=100。圖5是20次仿真實(shí)驗(yàn)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(biāo)準(zhǔn)GM-PHD。后者的平均OSPA距離為119.86m....

圖2目標(biāo)運(yùn)動(dòng)軌跡與量測(cè)

式中過程噪聲vk～N(·;0;σv2)，傳感器的觀測(cè)值為目標(biāo)的徑向距離以及方位角，觀測(cè)噪聲根據(jù)第一節(jié)傳感器的特性進(jìn)行設(shè)置。設(shè)雜波均勻分布在整個(gè)觀測(cè)空間，雷達(dá)每時(shí)刻會(huì)檢測(cè)到3～6個(gè)雜波。場景中存在護(hù)欄、路燈以及樹木等干擾目標(biāo)，一定概率被雷達(dá)誤檢，誤檢概率為0.4;由于這類干擾目標(biāo)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(biāo)車輛一在中間車道行駛，目標(biāo)車輛二完成復(fù)雜變道以及超車動(dòng)作，目標(biāo)行人三在50s時(shí)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(biāo)的運(yùn)動(dòng)模型和觀測(cè)模型為

本文編號(hào)：4004722