trackerPHD
Мультидатчик, средство отслеживания мультиобъекта PHD
Описание
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
trackerPHDобъект 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.
Создание
Описание
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.
Свойства
Использование
Чтобы обработать обнаружения и дорожки обновления, вызовите средство отслеживания с аргументами, как будто это была функция (описанный здесь).
Синтаксис
Описание
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.
Входные параметры
Выходные аргументы
Функции объекта
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)
Примеры
Отследите Два Объекта Используя trackerPHD
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')
Больше о
Алгоритмы
Плотность гипотезы вероятности
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.
Ссылки
[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.