gmphd
高斯混合滤波器(GM)博士学位
描述
的gmphd对象是一个滤波器实现的概率假设密度(博士)使用高斯成分的混合物。过滤器假定目标状态是高斯和代表这些国家使用高斯成分的混合物。您可以使用一个gmphd滤波器跟踪扩展对象或目标点。在跟踪,一个点对象返回一个拘留/传感器扫描,和一个扩展的对象可以返回多个检测传感器扫描。
你可以直接创建一个gmphd过滤器。你也可以初始化一个gmphd过滤器使用trackerPHD通过指定FilterInitializationFcn的属性trackingSensorConfiguration。您可以使用所提供的initcvgmphd,initctgmphd,initcagmphd,initctrectgmphd初始化函数。或者,您可以创建自己的初始化函数。
创建
描述
博士学位= gmphdgmphd过滤器使用默认属性值。
博士学位= gmphd (stateCovariances)州和stateCovariances设置州和StateCovariances过滤器的属性。
博士学位= gmphd (stateCovariances,名称,值)
属性
对象的功能
预测 |
预测概率假设密度博士过滤器 |
correctUndetected |
正确博士过滤器没有检测假设 |
正确的 |
正确的博士筛选与检测 |
可能性 |
对数似协会检测电池和组件之间的密度 |
附加 |
添加两个博士过滤器对象 |
合并 |
合并组件的密度博士过滤器 |
规模 |
规模组件的重量密度 |
修剪 |
删除过滤器通过删除选定的组件 |
labeledDensity |
保持与一个给定的组件标签ID |
extractState |
从博士过滤器中提取目标状态估计 |
克隆 |
创建复制博士过滤器对象 |
例子
运行gmphd过滤点对象
用两个三维恒定速度组件创建一个过滤器。一个组件的初始状态是(0,0,0,0,0,0)。其他组件的初始状态[1,0,1,0;1;0]。每个组件初始化协方差与协方差等于1位置和速度等于100。
州= [0 (6,1)[1,0,1,0;1;0]];cov1 =诊断接头([1 100 1 100 1 100]);协方差=猫(3 cov1 cov1);博士= gmphd(协方差,“StateTransitionFcn”@constvel,…“StateTransitionJacobianFcn”@constveljac,…“MeasurementFcn”@cvmeas,…“MeasurementJacobianFcn”@cvmeasjac,…“ProcessNoise”眼睛(3),…“HasAdditiveProcessNoise”、假);
0.1预测滤波器时间步。
预测(博士,0.1);
定义三个检测使用ojbectDetection。
rng (2019);检测=细胞(3,1);检测{1}= objectDetection (0, 1, 1, 1) + randn (3,1));检测{2}= objectDetection (0, 0, 0, 0) + randn (3,1));检测{3}= objectDetection (0, 4, 5, 5] + randn (3,1));博士学位。Detections = detections;
计算每一个检测的可能性。点目标筛选,检测的分区是不必要的,每个检测占据了一个细胞。因此,detectionIndices是一个单位矩阵。结果发现1和2的可能性高于检测3,因为他们更接近的组件。
detectionIndices =逻辑(眼(3));detectionIndices logLikelihood =可能性(博士)
logLikelihood =2×3-5.2485 -4.7774 -22.8899 -4.5171 -5.0008 -17.3973
正确的按比例缩小的可能性的过滤器。
lhood = exp (logLikelihood);lhood = lhood. /笔(lhood 2);正确的(博士detectionIndices lhood);
将组件与合并阈值等于1。
合并(博士,1);
提取状态估计与提取阈值等于0.5。
minWeight = 0.5;minWeight targetStates = extractState(博士);(ts1, ts2) = targetStates.State;
可视化结果。
%提取测量。d =[检测{}):;测量= [d.Measurement];%绘制测量和估计。图()plot3(测量(1:),测量(2:),测量(3:)“x”,“MarkerSize”10“MarkerEdgeColor”,“b”);持有在;plot3(壹空间(1),壹空间(3),壹空间(5),“罗”);持有在;plot3 (ts2 (1), ts2 (3), ts2 (5),“罗”);包含(“x”)ylabel (“y”)zlabel (“z”)举行在;传奇(“检测”,“组件”)
引用
[1]Vo, b . N。,W. K. Ma. "The Gaussian Mixture Probability Hypothesis Density Filter."IEEE信号处理卷,54岁,11号,第4104 - 4091页,2006年。
[2]Granstrom, K。,C. Lundquist, and O. Orguner. "Extended Target Tracking Using a Gaussian-mixture PHD filter."IEEE航空航天和电子系统48卷4号,第3286 - 3268页,2012年。
扩展功能
另请参阅
ggiwphd|initcagmphd|initctgmphd|initctrectgmphd|initcvgmphd|partitionDetections|trackerPHD|trackingSensorConfiguration
