单目标跟踪小结(2):算法
作者:互联网
内容主要提取自 edX 平台上Chalmers的micromaster项目:Emerging Automotive Technologies: Sensor Fusion and Non-linear Filtering for Automotive Systems。
本文主要设计选通机制(gating),最近邻滤波(Nearest Neighbour Filtering),加权融合滤波(Probabilistic data association filtering),高斯叠加滤波(Gaussian Sum Filtering)。
在单目标跟踪小结(1):理论推导中,经过推导,假设,简化后,对线性高斯模型,我们得到如下单目标跟踪算法:
已知:
预测:
更新:
从而:
我们发现,经过一个时间步后, 的项数较上一个时刻增加 倍,而我们希望 与 具有相同的形式,以方便递归计算。
1、选通机制(gating)
我们先介绍选通机制,此方法有助于我们减少 的项数。
考虑:
当 ,即在杂波强度近似处处相等时,
可见,当:
越大时, 越小,其对应的 对 的贡献就越小,这允许我们忽略其对 的影响,从而减少 的求和项数。
称为马氏距离(Mahalanobis Distance),在这里实际上计算了实际测量的 与 间的距离,距离越大,表明 是对目标的测量的可能性就越小。
因为: ,所以: ,其中 为 的维度,这里是卡方分布的自由度。我们可以选择一个数值 G 作为 gate,则:
表示对目标的观测落在 范围内的概率。从而,当我们选择 (有99.5%的把握认为 外的观测是杂波杂波)时,我们可以得到所需的 G。我们首先使用此方法来排除一些杂波点。
2、最近邻滤波(Nearest Neighbour Filtering)
最近邻滤波的思路十分简单,即保留 最大的 作为 的近似,此时更新之后, 也仅有一项。事实上, 最大的项,对应 最小,因此称之为最近邻。
此算法计算量小,速度快,在简单场景下效果好;但容易跟丢目标,复杂场景误差大。
具体算法如下:
3、加权融合滤波(Probabilistic data association filtering)
我们记:
由多个高斯分布 加权求和而得,在本算法中,我们用一个高斯分布来近似上述高斯加权和,近似后的均值和协方差计算如下:
此算法也比较容易实现,适用于简单场景,且效果略好于最近邻滤波;在复杂场景中同样表现不佳。
具体算法如下:
4、高斯叠加滤波(Gaussian Sum Filtering)
此算法仅保留 中的若干项,不超过上限 。设此时 是 项高斯分布之和,即已知:
预测:
即:相当于对每一项 进行预测,权重保持不变,计算加权和:
更新:
即:相当于对预测结果中每一项 进行更新,并计算加权和。由上述分析可见,当 由若干项叠加而成时,可对每一项进行预测-更新,最后再求加权和。我们提醒,此时总项数由 变成 。
具体算法如下:
高斯叠加滤波可以根据算力资源调整复杂度,比最近邻滤波和加权融合滤波更为精确;但算法实现比较复杂,相比后两者对算力要求高,通常在较复杂场景中才能显示其精度优越性。当使用场景十分复杂时,三种算法都有可能失效。
下面通过一个简单案例,实现高斯叠加滤波算法,参见:单目标跟踪小结(3):MATLAB实践
标签:加权,Filtering,高斯,滤波,算法,跟踪,项数,小结 来源: https://blog.csdn.net/weixin_45205765/article/details/113870223