Мультидатчик, средство отслеживания мультиобъекта PHD
trackerPHD Система object™ является средством отслеживания, способным к обработке обнаружений нескольких целей от нескольких датчиков. Средство отслеживания использует мультицелевой фильтр плотности гипотезы вероятности (PHD), чтобы оценить состояния целей точки и расширенных объектов. PHD является функцией, определяемой по пространству состояний системы слежения, и ее значение в состоянии задано как ожидаемое количество целей на модульный объем пространства состояний. PHD представлен взвешенным суммированием (смесь) функций плотности вероятности и достигает максимума в PHD, соответствуют возможным целям. Для обзора того, как средство отслеживания функционирует, см. Алгоритмы.
По умолчанию, trackerPHD может отследить расширенные объекты с помощью ggiwphd отфильтруйте, какие обнаружения моделей от расширенного объекта, когда синтаксический анализ указывает облаку. Можно также использовать trackerPHD с gmphd фильтры, который отслеживает цели точки и расширенные объекты с обозначенными формами. Входные параметры к средству отслеживания являются отчетами обнаружения, сгенерированными objectDetection, radarSensor, monostaticRadarSensor, irSensor, или sonarSensor объекты. Средство отслеживания выходные параметры все обеспеченные дорожки и их информация об анализе.
Отслеживать цели с помощью этого объекта:
Создайте trackerPHD объект и набор его свойства.
Вызовите объект с аргументами, как будто это была функция.
Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты? MATLAB.
tracker = trackerPHDtrackerPHD Системный объект со значениями свойств по умолчанию.
tracker = trackerPHD(Name,Value)trackerPHD('MaxNumTracks',100) создает средство отслеживания PHD, которое позволяет максимум 100 дорожек. Заключите каждое имя свойства в кавычки.
Если в противном случае не обозначено, свойства являются ненастраиваемыми, что означает, что вы не можете изменить их значения после вызова объекта. Объекты блокируют, когда вы вызываете их и release функция разблокировала их.
Если свойство является настраиваемым, можно изменить его значение в любое время.
Для получения дополнительной информации об изменении значений свойств смотрите Разработку системы в MATLAB Используя Системные объекты (MATLAB).
TrackerIndex — Уникальный идентификатор средства отслеживанияУникальный идентификатор средства отслеживания, заданный как неотрицательное целое число. Это свойство используется в качестве SourceIndex в средстве отслеживания выходные параметры, и отличают дорожки, которые прибывают из различных средств отслеживания в системе нескольких-средств-отслеживания. Необходимо задать это свойство как положительное целое число, чтобы использовать дорожку выходные параметры в качестве входных параметров к термофиксатору дорожки.
Пример 1
SensorConfigurations — Настройки отслеживания датчиковtrackingSensorConfiguration объектыНастройка отслеживания датчиков, заданных как массив ячеек trackingSensorConfiguration объекты. Это свойство обеспечивает конфигурационную информацию датчика отслеживания, такую как пределы обнаружения датчика и разрешение датчика, к средству отслеживания. Обратите внимание на то, что нет никаких значений по умолчанию для SensorConfigurations свойство, и необходимо задать SensorConfigurations свойство перед использованием средства отслеживания. Однако можно обновить настройку путем установки HasSensorConfigurationsInput свойство к true и определение входа настройки, config. Если вы устанавливаете MaxDetsPerObject свойство trackingSensorConfiguration возразите против 1, средство отслеживания создает только один раздел, такой, что самое большее одно обнаружение может быть присвоено каждой цели.
PartitioningFcn — Функция, чтобы разделить обнаружения в ячейки обнаружения@partitionDetections (значение по умолчанию) | указатель на функцию | вектор символовФункция, чтобы разделить обнаружения в ячейки обнаружения, определенный функцией указатель или как вектор символов. Когда каждый датчик может сообщить о больше чем одном обнаружении на объект, функция раздела требуется. Функция раздела сообщает обо всех возможных разделах обнаружений от датчика. В каждом разделе обнаружения разделены на взаимоисключающие ячейки обнаружения, приняв, что каждая ячейка обнаружения принадлежит одному расширенному объекту.
Можно также задать собственную функцию раздела обнаружений. Для руководства в записи этой функции можно исследовать детали функции разделения значения по умолчанию, partitionDetections, использование type команда как:
type partitionDetectionsПример:
@myfunction или 'myfunction'
Типы данных: function_handle | char
BirthRate — Уровень рождаемости новых целей в плотности1e-3 (значение по умолчанию) | положительный действительный скалярУровень рождаемости новых целей в плотности, заданной как скаляр. Уровень рождаемости указывает на ожидаемое количество целей, добавленных в плотности в единицу времени. Плотность рождения создается при помощи FilterInitializationFcn из trackingSensorConfiguration используемый со средством отслеживания. В общем случае средство отслеживания добавляет компоненты в функцию плотности двумя способами:
Прогнозирующая плотность рождения – плотность инициализируется FilterInitializationFcn функционируйте, когда названо без входных параметров.
Адаптивная плотность рождения – плотность инициализируется FilterInitializationFcn функционируйте, когда названо входными параметрами обнаружений. Обнаружения выбраны средством отслеживания на основе их логарифмической правдоподобности связи с текущими оценками целей.
Обратите внимание на то, что значение для BirthRate свойство представляет суммирование и прогнозирующей плотности рождения и адаптивной плотности рождения для каждого временного шага.
Пример: 0.01
Типы данных: single | double
DeathRate — Уровень смертности компонентов в плотности1e-6 (значение по умолчанию) | положительный действительный скалярУровень смертности компонентов в плотности, заданной как скаляр. Уровень смертности указывает на уровень, на котором компонент исчезает в плотности после одного временного шага. Уровень смертности относится к вероятности выживания (P s) компонента между последовательными временными шагами
где Δ T является временным шагом.
Пример: 1e-4
Типы данных: single | double
AssignmentThreshold — Порог выбора обнаружений для инициализации компонентаПорог выбора обнаружений для инициализации компонента, заданной как положительная скалярная величина. Во время коррекции средство отслеживания вычисляет вероятность ассоциации между существующими дорожками и ячейками обнаружения. Если вероятность ассоциации (данный отрицательной логарифмической правдоподобностью) ячейки обнаружения ко всем существующим дорожкам выше, чем порог (что означает, что ячейка обнаружения имеет низкую вероятность ассоциации к существующим дорожкам), ячейка обнаружения используется, чтобы инициализировать новые компоненты в адаптивной плотности рождения.
Пример: 18.1
Типы данных: single | double
ExtractionThreshold — Порог для инициализации предварительной дорожкиПорог для инициализации предварительной дорожки, заданной как скаляр. Если вес компонента выше, чем порог, заданный ExtractionThreshold свойство, компонент помечен как 'Tentative' отследите и, учитывая TrackID.
Пример: 0.45
Типы данных: single | double
ConfirmationThreshold — Порог для подтверждения дорожкиПорог для подтверждения дорожки, заданного как скаляр. В trackerPHD объект, дорожка может иметь несколько компонентов, совместно использующих тот же TrackID. Если суммирование веса компонентов предварительной дорожки выше, чем порог, заданный ConfirmationThreshold свойство, состояние дорожки отмечено как 'Confirmed'.
Пример: 0.85
Типы данных: single | double
DeletionThreshold — Порог для удаления компонента1e-3 (значение по умолчанию) | действительная положительная скалярная величинаПорог для удаления компонента, заданного как скаляр. В средстве отслеживания PHD, если вес компонента ниже, чем значение, заданное DeletionThreshold свойство, компонент удален.
Пример: 0.01
Типы данных: single | double
MergingThreshold — Порог для слияния компонентовПорог для слияния компонентов, заданного как действительная положительная скалярная величина. В средстве отслеживания PHD, если расстояние Kullback-Leibler между компонентами с тем же TrackID меньше, чем значение, заданное MergingThreshold свойство, затем эти компоненты объединены на один компонент. Объединенный вес нового компонента равен суммированию весов предварительно объединенных компонентов. Кроме того, если объединенный вес выше, чем первый порог, заданный в LabelingThresholds свойство, объединенный вес является усеченным к первому порогу. Обратите внимание на то, что компоненты с TrackID равняйтесь 0 может также быть объединен друг с другом.
Пример: 30
Типы данных: single | double
LabelingThresholds — Пороги для управления меткойМаркировка порогов, заданных как 1 3 вектор уменьшения положительных значений, [C 1, C 2, C 3]. На основе LabelingThresholds свойство, средство отслеживания управляет компонентами в плотности, использующей эти правила:
Вес любого компонента, который выше, чем первый порог C 1, уменьшается до C 1.
Для всех компонентов с тем же TrackID, если самый большой вес среди этих компонентов больше C 2, то компонент с самым большим весом сохраняется, чтобы сохранить TrackID, в то время как все другие компоненты удалены.
Для всех компонентов с тем же TrackID, если отношение самого большого веса к суммированию веса всех этих компонентов больше C 3, то компонент с самым большим весом сохраняется, чтобы сохранить TrackID, в то время как все другие компоненты удалены.
Если ни условию 2, ни условию 3 не удовлетворяют, то компонент с самым большим весом сохраняет TrackID, в то время как метки всех других компонентов установлены в 0. Когда это происходит, это по существу означает, что некоторые компоненты могут представлять другие объекты. Эта обработка сохраняет возможность для этих незарезервированных компонентов, которые будут извлечены снова в будущем.
Типы данных: single | double
HasSensorConfigurationsInput — Позвольте обновить настройки датчика со временемfalse (значение по умолчанию) | trueПозвольте обновить настройки датчика со временем, заданным как false или true. Установите это свойство на true если вы хотите настройки датчика, обновленного со временем. Кроме того, когда это свойство установлено в true, средство отслеживания должно быть вызвано входом настройки, config, как показано в синтаксисе использования.
Типы данных: логический
StateParameters — Параметры дорожки утверждают систему координатstruct([]) (значение по умолчанию) | struct | struct arrayПараметры дорожки утверждают систему координат, заданную как struct или массив структур. Используйте это свойство задать систему координат состояния дорожки и как преобразовать дорожку от средства отслеживания (названный источником) система координат к системе координат термофиксатора.
Это свойство является настраиваемым.
Типы данных: struct
NumTracks — Количество дорожек обеспечено средством отслеживанияЭто свойство доступно только для чтения.
Количество дорожек обеспечено средством отслеживания, возвращенным как неотрицательное целое число.
Типы данных: double
NumConfirmedTracks — Количество подтвержденных дорожекЭто свойство доступно только для чтения.
Количество подтвержденных дорожек, возвращенных как неотрицательное целое число. Если IsConfirmed полем выходной структуры дорожки является true, дорожка подтверждена.
Типы данных: double
MaxNumSensors — Максимальное количество датчиковМаксимальное количество датчиков, которые могут быть соединены со средством отслеживания, задало как положительное целое число. MaxNumSensors должен быть больше или быть равен самому большому значению SensorIndex найденный во всех обнаружениях раньше обновлял средство отслеживания. SensorIndex свойство objectDetection объект.
Типы данных: single | double
MaxNumTracks — Максимальное количество дорожекМаксимальное количество дорожек, которые средство отслеживания может обеспечить, заданный как положительное целое число.
Типы данных: single | double
Чтобы обработать обнаружения и дорожки обновления, вызовите средство отслеживания с аргументами, как будто это была функция (описанный здесь).
confirmedTracks = tracker(detections,time)detections, во время обновления, time. Подтвержденные дорожки откорректированы и предсказаны ко времени обновления.
confirmedTracks = tracker(detections,config,time)config. Используйте этот синтаксис, когда настройки датчиков изменятся со временем. Чтобы включить этот синтаксис, установите HasSensorConfigurationsInput свойство к true.
[ также возвращает список предварительных дорожек, confirmedTracks,tentativeTracks,allTracks] = tracker(___)tentativeTracks, и список всех дорожек, allTracks. Можно использовать этот выходной синтаксис с любым из предыдущих входных синтаксисов.
[ также возвращает информацию об анализе, confirmedTracks,tentativeTracks,allTracks,analysisInformation] = tracker(___)analysisInformation, который может использоваться в анализе дорожки. Можно использовать этот выходной синтаксис с любым из предыдущих входных синтаксисов.
Чтобы использовать объектную функцию, задайте Системный объект как первый входной параметр. Например, чтобы выпустить системные ресурсы Системного объекта под названием obj, используйте этот синтаксис:
release(obj)
Настройте настройку датчика, создайте средство отслеживания PHD и питайте средство отслеживания обнаружениями.
% Create sensor configuration. Specify clutter density of the sensor and % set the IsValidTime property to true. configuration = trackingSensorConfiguration(1); configuration.ClutterDensity = 1e-7; configuration.IsValidTime = true; % Create a PHD tracker. tracker = trackerPHD('SensorConfigurations',configuration); % Create detections near points [5;-5;0] and [-5;5;0] at t=0, and % update the tracker with these detections. detections = cell(20,1); for i = 1:10 detections{i} = objectDetection(0,[5;-5;0] + 0.2*randn(3,1)); end for j = 11:20 detections{j} = objectDetection(0,[-5;5;0] + 0.2*randn(3,1)); end tracker(detections,0);
Обновите средство отслеживания снова после 0,1 секунд путем предположения, что цели перемещаются в постоянную скорость [1; 2; 0] модуль в секунду.
dT = 0.1;
for i = 1:20
detections{i}.Time = detections{i}.Time + dT;
detections{i}.Measurement = detections{i}.Measurement + [1;2;0]*dT;
end
[confTracks,tentTracks,allTracks] = tracker(detections,dT);Визуализируйте обнаружения и подтвержденные дорожки.
% Obtain measurements from detections. d = [detections{:}]; measurements = [d.Measurement]; % Extract positions of confirmed tracking using getTrackPositions function. % Note that we used the default sensor configuration % FilterInitializationFcn, initcvggiwphd, which uses a constant velocity % model and defines the states as [x;vx;y;vy;z;vy]. positionSelector = [1 0 0 0 0 0;0 0 1 0 0 0;0 0 0 0 1 0]; positions = getTrackPositions(confTracks,positionSelector); figure() plot(measurements(1,:),measurements(2,:),'x','MarkerSize',5,'MarkerEdgeColor','b'); hold on; plot(positions(1,1),positions(1,2),'v','MarkerSize',5,'MarkerEdgeColor','r' ); hold on; plot(positions(2,1),positions(2,2),'^','MarkerSize',5,'MarkerEdgeColor','r' ); legend('Detections','Track 1','Track 2') xlabel('x') ylabel('y')
Плотность гипотезы вероятности (PHD) является функцией, определяемой по пространству состояний системы слежения, и ее значение в состоянии задано как ожидаемое количество целей на модульный объем пространства состояний. PHD обычно аппроксимируется смесью компонентов, и каждый компонент соответствует оценке состояния. Обычно используемые приближения PHD являются Гауссовой смесью, смесью SMC, смесью GGIW и смесью GIW. В настоящее время, trackerPHD реализует представление смеси GGIW ggiwphd, который может использоваться, чтобы отследить расширенные объекты.
Чтобы изучить PHD, возьмите Гауссову смесь в качестве примера. Гауссова смесь может быть представлена
где M является общим количеством компонентов, N (x |mi, P i) является нормальным распределением со средним m i и ковариация P i, и w, i - вес i th компонент. w веса i обозначает номер (может быть дробным) целей, представленных i th компонент. Интегрирование D (x) по области пространства состояний приводит к ожидаемому количеству целей в той области. При интеграции D (x) по целым результатам пространства состояний в общем ожидаемом количестве целей (∑ w i), поскольку интегрирование нормального распределения по целому пространству состояний равняется 1. Координаты x peaks (локальные максимумы) D (x) представляют наиболее вероятные состояния целей.
Например, следующая фигура иллюстрирует функцию PHD, данную D (x) = N (x |−4,2) + 0.5N (x |3 0.4) + 0.5N (x |4 0.4). Суммирование веса этих компонентов равняется 2, что означает, что, вероятно, существуют 2 цели. От peaks D (x) возможные положения этих целей в x = −4, x = 3, и x = 4. Заметьте, что последние два компонента очень друг близко к другу, что означает, что эти два компонента могут возможно быть приписаны одному объекту.
[1] Granstorm, K., К. Ландкуист и О. Оргунер. "Расширенное целевое отслеживание с помощью фильтра Gaussian-mixture PHD". Транзакции IEEE на Космических и Электронных системах. Издание 48, Номер 4, 2012, стр 3268-3286.
[2] Granstorm, K. и О. Оргунер". Фильтр PHD для отслеживания нескольких расширенных целей с помощью случайных матриц". Транзакции IEEE на Обработке сигналов. Издание 60, Номер 11, 2012, стр 5657-5671.
[3] Granstorm, K., и А. Натале, П. Брэка, Г. Лудено и Ф. Серафино. "Гамма Гауссова инверсия плотность гипотезы вероятности Уишарта для расширенной целевой X-полосы использования отслеживания морские радарные данные". Транзакции IEEE на Геонауке и Дистанционном зондировании. Издание 53, Номер 12, 2015, стр 6617-6631.