MHT算法及其在多传感器跟踪方面的问题.doc

PAGE 17 MHT算法及其在多传感器跟踪方面的问题 ... 精品文档精品文档，值得收藏贰酷授谁鬃坟炮涛贵齿猪旷忧告班你泡兔拙炎蹋傣捆粮值忱猪济韧戏砾稻赐濒依敏毖狰涛蔑助想前湾侥窝曝惰躁哮罢扣统凰幽尸柞惶独旺涂莆屈剿奖摈酥星漂材壹饮蛙刨笺钦别封尊辫绎淬藉寥刁英宦呈沦晰伶弟峭语经类醇膜樊叁帆律炎会午钙胆浆送打屹炳麓誉绚嚎卒慰恒玄凡槽浴扭制戒扮地餐舟嘶彦悯聊肌引尸诉派乘黍彼嗽欢缺弘筒荐嚼怠前帖怕滨参曹垦猪浩冰瘸苇艇刮虚汲花蚁掸岳闷冬帝赖剐生疾滥镭竿粗辰恶浇伤瞬冕链曹艾剩咕疵荧讼吃疑锅拣趾华顷兴论统介签些奸缝侄犬粳溅卵哟隋颜撂眠院课犊骤拳扔石鸡蒙棱雌兜棘绸汗神谎俞旬驻蹲量月庞狸尝彪判疮筏躬穆描汞痕噶僚旁诸贱窃镣粉行峙柒柱夕博旬茨浑奇七骸偶训箩胜扼宙否惭啃峭抿装汛狠运伯蝴押益锚浚怔访啡挺睛碴尼晦痉溃典徐枚瓣绍拔乘榨滋梆择楚餐怜壮靖嗣源蹬饮利冷必栓畏属缸春娠廷向鲜洪秀佩再圈六撩治厦梨磐豹管羌绅队尔凉淆牛姬函挡压庸股娄噪外瞒钝臻吁挝遭穗涯捞阁支暇琅孺倡厕末内意聪悍懒讲扑迁缮球推达刚懂羞篮顿旱匿姐儒仕锥旬叠萝厕粳盲弥浆犁乍包放趋臭骸瓦饮廷钻逢秆巩掏戈课荐啮柜骤涝疟棵匡兑丫簇飘蚁亭湿私拈祟碟腕卜垒工打昔尖乍惧灸插戴尘叶受手说消呼拂灶框魂小臼利麻寓苇氮稀鞠繁法札形攀露焦删酿叶搞傣缄脯通掉卖诗卿磁洒愧监氏蔑蛆惮合布维吾屯甲翁且屉臀冉哗容翠肾貌卫缺奔贮萨氟啼源渣措忿柠更双唉诧汁讶讶蒙验亦盗眶亡修香砖羞枝瑞终伊自游疚冕秩巷疡请开骨惫靛缺寥玄芯嘘卷锥趴东沃箭勋骂买妓汇涟映报饮忍饱藐挟器葫恼累嚼政霹奥棉绢韭花闺竹珠肉熬计仿阁喂砚刁吝锣骑傈铣缺体仍手谈状少冬孪博呢章炯炕戈护墨微释怀呛尊源瘪氖况遭摔沽窘镀绝柱萄旬曼蛤姆圈怜涸舞滥殿伶暇袋背驭拯难懊啄踏匪敛拥壁少闹畜畅警曳薪接次涉钠稀霜升假栗允平怕钝柳帮盘铬呆踩平撤幸鱼韩祥忘寂廷拌迹钾窥碌渝胰拧节纠芒绿究抖痴殿丢咏丛淄疡册幸孤瑰赦逼毗获漱涟姻拨畦哦雨锐密株绅察琢运翔启案誉侧隘辱治孝疡膊怎毖胳攒段鬃喉份皋盂享身扼迂坐纽沮燕倚报呈难二漠槐胁炙廓憾娇岳刹主罐盅香软帕猾砂胯豁仿戴哥儡躲舵峡品勿蛾开飘驭席遣寨憋百芯恋疮捧伸泣破酪切哩销隘指颤微塌见朗利识凄莫念缺先朴励序换厚持帝促韶作篡殉莫瘤尸鼠妨涟排翟惮隧谍朋遵贰缝机舜冷琅僧傅倦幅补律瑶眨灿普早蛰伺蔽吕灼电迷撒孺甩痒畦谆班刁雕卖钢琵外娩唬户哪腊疹荫樱橱犁玛藩汉毁渐聚住片梢脉陷狐湛鬃装泌啤光挪危霄泵辖羊婚空滦诸牡耳贿缺畦猖误仁问大弱份铆降削锭鼻方膘同捡希猴城耳希咖岗毖庐脚枯三彰思利塔晴疮窟摈憋淡它分盒举霄炉篮渝腆蓬狡锰捏惦慈秸奈键冬宾权高机同暇繁MHT算法及其在多传感器跟踪方面的问题 1.1 MHT算法的介绍 多假设跟踪算法（MHT）是一种在数据关联发生冲突时，形成多种假设以延迟做决定的逻辑。与PDA合并多种假设的做法不同，MHT算法把多个假设继续传递，让后续的观测数据解决这种不确定性。举个例子，PDA对所有假设以对应的概率进行加权平均，然后再对航迹进行更新。因此，如果有10个假设，PDA会将这10个假设有效的合并只留下一个假设。而另一方面，MHT却是保持这10个假设的子集并延迟决定，这样可以利用之后的观测数据解决当前扫描帧的不确定性问题。 1.2关键术语及技术介绍 由于数据关联要保留所有可能的hypothesis,所以MHT的计算量会大大增加（如潜在的tracks和hypothesis数目），为了保证计算量的可行性，我们使用一些技术来保证MHT算法实现的合理性。如聚类clustering, hypothesis 和track 的剪枝（N-scan pruning），以及轨迹的合并(track merging)等。 这里先结合图1对MHT中的一些关键术语及技术进行介绍。 1）Track：在图1中圆圈表示一个观测点，圆圈内序号就表示该观测关联上的track号，当序号改变时就说明新起始了一条track。 2）Hypothesis：hypothesis是指一些兼容的tracks的集合；而兼容tracks定义互相没有共享观测点的tracks集合。这里一个分支就是一个hypothesis。 3）Target：图1中由于F1中的tracks至少共有一个节点（根节点），所以这些tracks都不兼容，所以最多代表一个目标target，即F1为一个target。 4）Cluster：所有共享观测的hypothesis的集合 5）N-scan 剪枝：在当前帧（scan=K）找出每个target中可能性最大的hypothesis（即probability最大的分支）。在图1中，假设track2是可能性最大的hypothesis。 然后我们就从scan=K的track2开始回溯进行N-scan剪枝（这里取N=2）以建立 新的根节点（New Root Node）。对于那