initcapf

Создайте фильтр частиц для отслеживания постоянного ускорения из отчета о обнаружении

Синтаксис

Описание

пример

pf = initcapf(detection) инициализирует фильтр частиц с постоянным ускорением для отслеживания объектов на основе информации, представленной в objectDetection объект, detection.

Функция инициализирует постоянное состояние ускорения с тем же соглашением, что и constacc и cameas, [x; <reservedrangesplaceholder13> <reservedrangesplaceholder12>; <reservedrangesplaceholder11> <reservedrangesplaceholder10>; y; <reservedrangesplaceholder8> <reservedrangesplaceholder7>; <reservedrangesplaceholder6> <reservedrangesplaceholder5>; z; <reservedrangesplaceholder3> <reservedrangesplaceholder2>; <reservedrangesplaceholder1> <reservedrangesplaceholder0>].

Примеры

свернуть все

Создайте объект фильтра частиц, отслеживающий постоянное ускорение, trackingPF, из первоначального отчета об обнаружении. Отчет о обнаружении составляется из начального 3-D измерения положения состояния фильтра частиц в прямоугольных координатах. Можно получить измерение положения 3-D с помощью функции измерения постоянного ускорения, cameas.

Этот пример использует координаты, x = 1, y = 3, z = 0 и 3-D шум измерения положения [1 0.2 0; 0.2 2 0; 0 0 1].

detection = objectDetection(0, [1;3;0], 'MeasurementNoise', [1 0.2 0; 0.2 2 0; 0 0 1]);

Использование initcapf для создания trackingPF фильтр, инициализированный в заданном положении и использующий измерительный шум, заданный выше.

pf = initcapf(detection)
pf = 
  trackingPF with properties:

                       State: [9⨯1 double]
             StateCovariance: [9⨯9 double]
     IsStateVariableCircular: [0 0 0 0 0 0 0 0 0]

          StateTransitionFcn: @constacc
     ProcessNoiseSamplingFcn: []
                ProcessNoise: [3x3 double]
     HasAdditiveProcessNoise: 0

              MeasurementFcn: @cameas
    MeasurementLikelihoodFcn: []
            MeasurementNoise: [3x3 double]

                   Particles: [9x1000 double]
                     Weights: [1x1000 double]
            ResamplingPolicy: [1x1 trackingResamplingPolicy]
            ResamplingMethod: 'multinomial'

Проверяйте значения состояния и шума измерения. Проверьте состояние фильтра, pf.State, имеет примерно те же компоненты положения, что и измерение обнаружения, detection.Measurement.

pf.State
ans = 9×1

    0.9674
    0.3690
    0.3827
    3.0317
    0.3056
   -0.5904
    0.0038
    0.0411
   -0.6815

Проверьте, что шум измерения фильтра, pf.MeasurementNoise, совпадает с detection.MeasurementNoise значения.

pf.MeasurementNoise
ans = 3×3

    1.0000    0.2000         0
    0.2000    2.0000         0
         0         0    1.0000

Создайте объект фильтра частиц, отслеживающий постоянное ускорение, trackingPF, из первоначального отчета об обнаружении. Отчет о обнаружении составляется из начального 3-D измерения положения состояния фильтра частиц в сферических координатах. Можно получить измерение положения 3-D с помощью функции измерения постоянного ускорения, cameas.

Этот пример использует координаты az = 30, e1 = 5, r = 100, rr = 4 и измерение шум diag([2.5, 2.5, 0.5, 1].^2).

meas = [30;5;100;4];
measNoise = diag([2.5, 2.5, 0.5, 1].^2);

Используйте MeasurementParameters свойство detection объект для определения системы координат. Когда не определено, поля MeasurementParameters struct использует значения по умолчанию. В этом примере положение датчика, скорость датчика, ориентация, повышение и скорость области значений по умолчанию.

measParams = struct('Frame','spherical');
detection = objectDetection(0,meas,'MeasurementNoise',measNoise,...
    'MeasurementParameters',measParams) 
detection = 
  objectDetection with properties:

                     Time: 0
              Measurement: [4x1 double]
         MeasurementNoise: [4x4 double]
              SensorIndex: 1
            ObjectClassID: 0
    MeasurementParameters: [1x1 struct]
         ObjectAttributes: {}

Использование initcapf для создания trackingPF фильтр, инициализированный в заданном положении и использующий измерительный шум, заданный выше.

pf = initcapf(detection)
pf = 
  trackingPF with properties:

                       State: [9⨯1 double]
             StateCovariance: [9⨯9 double]
     IsStateVariableCircular: [0 0 0 0 0 0 0 0 0]

          StateTransitionFcn: @constacc
     ProcessNoiseSamplingFcn: []
                ProcessNoise: [3x3 double]
     HasAdditiveProcessNoise: 0

              MeasurementFcn: @cameas
    MeasurementLikelihoodFcn: []
            MeasurementNoise: [4x4 double]

                   Particles: [9x1000 double]
                     Weights: [1x1000 double]
            ResamplingPolicy: [1x1 trackingResamplingPolicy]
            ResamplingMethod: 'multinomial'

Проверьте, что состояние фильтра создает примерно то же измерение, что и detection.Measurement.

meas2 = cameas(pf.State, detection.MeasurementParameters)
meas2 = 4×1

   29.9188
    5.0976
   99.8303
    4.0255

Входные параметры

свернуть все

Отчет об обнаружении, заданный как objectDetection объект.

Пример: detection = objectDetection(0,[1;4.5;3],'MeasurementNoise', [1.0 0 0; 0 2.0 0; 0 0 1.5])

Выходные аргументы

свернуть все

Фильтр частиц постоянного ускорения для отслеживания объектов, возвращенный как trackingPF объект.

Алгоритмы

  • Функция конфигурирует фильтр с 1000 частицами. При создании фильтра функция вычисляет матрицу шума процесса, принимая модуль стандартное отклонение для скорости изменения ускорения.

  • Вы можете использовать эту функцию как FilterInitializationFcn свойство trackerTOMHT и trackerGNN Системные объекты.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

.
Введенный в R2018b
Для просмотра документации необходимо авторизоваться на сайте