trackerPHD
多传感器，多目标PHD跟踪器
描述
的trackerPHD系统对象™是一种跟踪器，能够处理来自多个传感器的多个目标检测。该跟踪器使用多目标概率假设密度(PHD)滤波器来估计点目标和扩展目标的状态。PHD是定义在跟踪系统状态空间上的函数，其在某一状态处的值定义为单位状态空间体积上的目标期望数量。PHD由概率密度函数的加权和(混合)表示，PHD中的峰值对应可能的目标。有关跟踪器如何工作的概述，请参见算法．
默认情况下,trackerPHD可以使用ggiwphd过滤器，它将来自扩展对象的检测建模为解析点云。你也可以用trackerPHD与gmphd过滤器，它跟踪点目标和具有指定形状的扩展对象。跟踪器的输入是由生成的检测报告objectDetection，fusionRadarSensor，irSensor,或sonarSensor对象。跟踪器输出所有维护的跟踪及其分析信息。
使用此对象跟踪目标:
创建
trackerPHD对象并设置其属性。调用带有参数的对象，就像调用函数一样。
要了解更多关于System对象如何工作的信息，请参见什么是系统对象?
创建
描述
跟踪器= trackerPHDtrackerPHD具有默认属性值的系统对象。
跟踪器= trackerPHD (名称,值）trackerPHD (' MaxNumTracks ', 100)创建一个PHD跟踪器，最多允许100个跟踪。将每个属性名用引号括起来。
属性
使用
要处理检测和更新跟踪，可以使用参数调用跟踪器，就好像它是一个函数一样(在这里描述)。
语法
描述
confirmedTracks=跟踪器(检测，时间）检测，在更新时，时间．已确认的航迹将被更正并预测到更新时间。
confirmedTracks=跟踪器(检测，配置，时间）配置．当传感器的配置随时间变化时，使用此语法。要启用此语法，请设置HasSensorConfigurationsInput财产真正的．
［也返回一个暂定曲目列表，confirmedTracks，tentativeTracks，allTracks) =跟踪器(___）tentativeTracks，以及所有曲目的列表，allTracks．您可以将此输出语法与前面的任何输入语法一起使用。
［也返回分析信息，confirmedTracks，tentativeTracks，allTracks，analysisInformation) =跟踪器(___）analysisInformation，可用于航迹分析。您可以将此输出语法与前面的任何输入语法一起使用。
输入参数
输出参数
对象的功能
要使用对象函数，请将System对象指定为第一个输入参数。例如，释放名为obj，使用以下语法:
发行版(obj)
例子
使用trackerPHD跟踪两个对象
设置传感器配置，创建PHD跟踪器，并为跟踪器提供检测。
创建传感器配置。指定传感器的杂波密度和设置IsValidTime属性为true。配置= trackingSensorConfiguration (1);配置。ClutterDensity = 1e-7; configuration.IsValidTime = true;创建一个PHD跟踪器。追踪= trackerPHD (“SensorConfigurations”、配置);在t=0时，在点[5;-5;0]和[-5;5;0]附近创建检测用这些检测更新跟踪器。。检测=细胞(20日1);为i = 1:10 detections{i} = objectDetection(0，[5;-5;0] + 0.2*randn(3,1));结束为j = 11:20 detected {j} = objectDetection(0，[-5;5;0] + 0.2*randn(3,1));结束追踪(检测,0);
0.1秒后再次更新跟踪器，假设目标以每秒[1;2;0]单位的恒定速度移动。
dT = 0.1;为I = 1:20 detections{I}。时间=检测{}。时间+ dT;检测我{}。米easurement = detections{i}.Measurement + [1;2;0]*dT;结束[confTracks, tentTracks allTracks] =追踪(检测,dT);
可视化检测和确认的轨迹。
%从检测中获得测量值。d =[检测{}):;测量= [d.Measurement];使用getTrackPositions函数提取确认跟踪的位置。注意，我们使用默认的传感器配置% FilterInitializationFcn, initcvggiwphd，它使用恒定速度%模型并将状态定义为[x;vx;y;vy;z;vy]。positionSelector = [1 0 0 0 0 0;0 0 1 0 0;0 0 0 0];位置= getTrackPositions (confTracks positionSelector);图()图(测量(1:),测量(2:)“x”，“MarkerSize”5,“MarkerEdgeColor”，“b”）;持有在；情节(职位(1,1),职位(1、2),“v”，“MarkerSize”5,“MarkerEdgeColor”，“r”）;持有在；情节(职位(2,1),职位(2,2),“^”，“MarkerSize”5,“MarkerEdgeColor”，“r”）;传奇(“检测”，“轨道1”，“轨道2”)包含(“x”) ylabel (“y”）
在使用跟踪场景中跟踪车辆trackerPHD
创建一个跟踪场景并指定它StopTime而且UpdateRate属性。
场景= trackingScenario;场景。StopTime＝Inf; scenario.UpdateRate = 0;
在场景中添加一个塔平台并指定其尺寸。
塔=平台(场景中,“ClassID”3);塔。D我米ensions = struct(.．.“长度”10.．.“宽度”10.．.“高度”现年60岁的.．.“OriginOffset”30], [0 0);
在场景中添加一个汽车平台。指定它的尺寸和轨迹。
车=平台(场景中,“ClassID”2);的车。D我米ensions = struct(.．.“长度”, 4.7,.．.“宽度”, 1.8,.．.“高度”, 1.4,.．.“OriginOffset”(-0.6 0 0.7));的车。Trajectory = waypointTrajectory(.．.[0 -15 -0.23;0.3 -29.5 -0.23;0.3 -56.5 -0.23;.．.-0.3 -78.2 -0.23;4.4 -96.4 -0.23]，.．.[0;1.4;2.7;4.1;6.3;8.2),.．.“课程”, -88;-89;-89;-92;-84;-71年),.．.“水平”, (10;10;10;10;10;10),.．.“ClimbRate”, (0;0;0;0;0;0),.．.“AutoPitch”,真的,.．.“AutoBank”,真正的);
创建一个非扫描雷达，指定其属性，并将传感器安装在塔上。
NoScanning = fusionRadarSensor (“SensorIndex”, 1.．.“UpdateRate”10.．.“MountingAngles”(-90 0 0),.．.“FieldOfView”20 [10],.．.“ScanMode”，“没有扫描”，.．.“之内”,真的,.．.“DetectionCoordinates”，“场景”，.．.“TargetReportFormat”，“检测”，.．.“HasElevation”,真正的);塔。传感器= NoScanning;
创建一个戏剧情节，可视化传感器覆盖范围，跟踪和检测。
tp = theaterPlot (“XLim”, -58年[58],“YLim”, -104 (12)“ZLim”, -109年[8]);设置(tp。父母,“YDir”，“反向”，“ZDir”，“反向”）;视图(tp.Parent, -37.5, 30);汽车的平台绘图仪。platp = platformPlotter (tp,“DisplayName的”，“目标”，“MarkerFaceColor”，“k”）;用于传感器检测的检测绘图仪。detp = detectionPlotter (tp,“DisplayName的”，“检测”，“MarkerSize”6.．.“MarkerFaceColor”(0.85 0.325 0.098),“MarkerEdgeColor”，“k”，“历史”, 10000);传感器的覆盖率绘图器。covp = coveragePlotter (tp,“DisplayName的”，传感器覆盖的）;用于轨道的轨道绘图器。tPlotter = trackPlotter (tp,“DisplayName的”，“跟踪”）;
提取传感器的传感器配置并使用它来指定PHD跟踪器。
sensorConfig = trackingSensorConfiguration (scenario.Platforms {1} .Sensors {1},.．.“SensorTransformFcn”@cvmeas,“FilterInitializationFcn”, @initcvggiwphd);追踪= trackerPHD (“SensorConfigurations”sensorConfig,.．.“PartitioningFcn”@ (x) partitionDetections (4.7 x 1),.．.“AssignmentThreshold”, 20岁,“ExtractionThreshold”, 0.8,.．.“ConfirmationThreshold”, 1.5,“MergingThreshold”, 20岁,.．.“DeletionThreshold”2 e 1“出生率”1 e - 3,.．.“HasSensorConfigurationsInput”,真正的);
模拟场景，生成检测，并使用检测来跟踪汽车。在模拟过程中更新戏剧情节。
而推进(场景)& & ishghandle (tp.Parent)生成传感器数据。[引爆器,配置,sensorConfigPIDs] =检测(场景);读取传感器数据。allDets =[侦破{}):;如果~ isempty (allDets)%提取测量位置。量=猫(2,allDets.Measurement) ';%提取测量噪声。allDets.MeasurementNoise measCov =猫(3日);其他的量= 0 (0,3);measCov = 0 (3 3 0);结束获得真实的位置。truePoses = platformPoses(场景);truePosition = vertcat (truePoses (:) .Position);更新跟踪器的检测和传感器配置。。[cTracks, tTracks allTracks] =追踪(引爆器,配置,scenario.SimulationTime);更新戏剧情节。plotPlatform (platp truePosition);plotDetection (detp量、measCov);plotCoverage (covp coverageConfig(场景));更新轨迹绘图仪。提取跟踪位置。positionSelector = [1 0 0 0 0 0 0;0 0 1 0 0 0;0 0 0 0 1 0];位置= getTrackPositions (cTracks positionSelector);标记并绘制轨道。如果~isempty(cTracks) labels = cell(numel(cTracks)，1);为i =1:numel(cTracks) labels{i} = {[“T”num2str (cTracks(我).TrackID)]};结束plotTrack (tPlotter,位置,标签);结束drawnow结束
更多关于
算法
概率假设密度
概率假设密度(PHD)是定义在跟踪系统状态空间上的函数，其在某一状态处的值定义为单位状态空间体积上的目标期望数量。PHD通常是由混合成分近似的，每个成分对应于对状态的估计。PHD常用的近似有高斯混合、SMC混合、GGIW混合和GIW混合。
要理解PHD，就以高斯混合为例。高斯混合可以用
在哪里米是组分的总数，N（x|米我，P我)为带均值的正态分布米我和协方差P我,w我是重量吗我组件。重量w我控件表示的目标的数量，可以是小数我组件。集成的D（x)在状态空间区域上的结果是该区域内目标的预期数量。集成D（x)在整个状态空间上的结果是目标的总期望数量(∑w我)，因为对整个状态空间的正态分布的积分为1。的x的峰(局部最大值)的-坐标D（x)表示目标最可能的状态。
例如，下图演示了一个PHD函数D（x) =N（x|−4,2)+ 0.5N（x| 3、0.4)+ 0.5N（x| 4, 0.4)。这些分量的权重之和为2，这意味着可能存在两个目标。从山顶D（x)，这些目标的可能位置为x=−4,x= 3,x= 4。请注意，最后两个组件彼此非常接近，这意味着这两个组件可能属于一个对象。
参考文献
[1] K.格兰斯托姆，C.伦德奎斯特和O.奥格纳。”使用高斯混合PHD滤波器扩展目标跟踪。”航空航天和电子系统汇刊。2012年第4期第48卷第3268-3286页。
[2]格兰斯托姆，K.和O.奥格纳。”利用随机矩阵跟踪多个扩展目标的PHD滤波器。”IEEE信号处理汇刊。2012年第11期第60卷第5657-5671页。
[3] Granstorm, K.和A. Natale, P. Braca, G. Ludeno和F. Serafino。利用x波段海洋雷达数据进行扩展目标跟踪的伽马高斯逆Wishart概率假设密度。《IEEE地球科学与遥感汇刊》。2015年第12期第53卷第6617-6631页。
Panta, Kusha，等，“高斯混合概率假设密度滤波器的数据关联和跟踪管理。”航空航天和电子系统汇刊，第45卷，no。3, 2009年7月，第1003-16页。
[5] Ristic, B.等，“PHD和CPHD过滤器的自适应目标生成强度。”航空航天和电子系统汇刊，第48卷，no。2, 2012, pp. 1656-68。
扩展功能
版本历史
介绍了R2019a
您也可以从以下列表中选择网站: