CN111523619B - 目标存在概率的计算方法、装置、电子设备及存储介质 - Google Patents

目标存在概率的计算方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111523619B
CN111523619B CN202010628305.2A CN202010628305A CN111523619B CN 111523619 B CN111523619 B CN 111523619B CN 202010628305 A CN202010628305 A CN 202010628305A CN 111523619 B CN111523619 B CN 111523619B
Authority
CN
China
Prior art keywords
probability
target
target detection
sensor
measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010628305.2A
Other languages
English (en)
Other versions
CN111523619A (zh
Inventor
丁磊
杨天锡
栾辉
褚世冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Human Horizons Shanghai Autopilot Technology Co Ltd
Human Horizons Shanghai New Energy Drive Technology Co Ltd
Original Assignee
Human Horizons Shanghai Autopilot Technology Co Ltd
Human Horizons Shanghai New Energy Drive Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Human Horizons Shanghai Autopilot Technology Co Ltd, Human Horizons Shanghai New Energy Drive Technology Co Ltd filed Critical Human Horizons Shanghai Autopilot Technology Co Ltd
Priority to CN202010628305.2A priority Critical patent/CN111523619B/zh
Publication of CN111523619A publication Critical patent/CN111523619A/zh
Application granted granted Critical
Publication of CN111523619B publication Critical patent/CN111523619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例提供一种目标存在概率的计算方法、装置、电子设备及存储介质。具体实现方案为：接收传感器报送的目标检测数据；根据目标检测数据得到目标探测概率Pd；根据传感器视场建立传感器FOV概率模型；根据数据关联算法，选出与目标航迹最近的量测作为滤波器输入，滤波后得到新息协方差矩阵S和马氏距离d，根据目标探测概率Pd、新息协方差矩阵S、马氏距离d以及传感器FOV概率模型，计算目标存在概率。本申请实施例对目标存在概率具有较好的分辨率，能够很好地反映传感器FOV概率P S 和目标探测概率Pd的缓慢变化，并且能够很好地反映跟踪器性能。

Description

目标存在概率的计算方法、装置、电子设备及存储介质
技术领域
本申请移动目标探测技术领域，尤其涉及一种目标存在概率的计算方法、装置、电子设备及存储介质。
背景技术
目标存在概率是目标跟踪的一个重要属性，它代表跟踪的目标真实存在的可能性有多大。在判断目标是不是虚假目标时，目标存在概率（PoE，Probability of Existence）是重要的参考指标。现有的目标存在概率计算方法存在以下缺陷：
1）PoE的值上升和下降比较陡，不能很好地反映传感器视场中的目标概率（
Figure 121576DEST_PATH_IMAGE001
）和目标探测概率（Pd）的缓慢变化；
2）PoE分辨率不好；
3）不能很好地反映跟踪器性能。
发明内容
本申请实施例提供一种目标存在概率的计算方法、装置、电子设备及存储介质，以解决相关技术存在的问题，技术方案如下：
第一方面，本申请实施例提供了一种目标存在概率的计算方法，该方法包括：
接收传感器报送的目标检测数据；
根据目标检测数据得到目标探测概率Pd；
根据传感器视场建立传感器FOV概率模型；
根据数据关联算法，选出与目标航迹最近的量测作为滤波器输入，得到新息协方差矩阵S和马氏距离d，根据目标探测概率Pd、新息协方差矩阵S、马氏距离d以及传感器FOV概率模型，计算目标存在概率。
第二方面，本申请实施例提供了一种目标存在概率的计算装置，包括：
接收单元，用于接收传感器报送的目标检测数据；
第一处理单元，用于根据目标检测数据得到目标探测概率Pd；
建模单元，用于根据传感器视场建立传感器FOV概率模型；目标航迹计算单元，用于根据数据关联算法，选出与目标航迹最近的量测作为滤波器输入，得到新息协方差矩阵S和马氏距离d，根据目标探测概率Pd、新息协方差矩阵S、马氏距离d以及传感器FOV概率模型，计算目标存在概率。
第三方面，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，当计算机指令在计算机上运行时，上述各方面任一种实施方式中的方法被执行。
上述技术方案中的优点或有益效果至少包括：对目标存在概率的具有较好的分辨率，能够很好地反映传感器视场中的目标概率和目标探测概率的缓慢变化，并且能够很好地反映跟踪器性能。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1为根据本申请一实施例的目标存在概率的计算方法的流程图；
图2为根据本申请另一实施例的目标存在概率的计算方法的多传感器融合场景的PoE计算框图；
图3为根据本申请另一实施例的目标存在概率的计算方法的传感器FOV概率模型示意图；
图4为根据本申请另一实施例的目标存在概率的计算方法的椭圆波门示意图；
图5为根据本申请另一实施例的目标存在概率的计算方法的sigmod函数转换示意图；
图6为根据本申请另一实施例的目标存在概率的计算方法的仿真结果示意图；
图7为根据现有技术的基于IPDA的目标存在概率计算方法的仿真结果示意图；
图8为根据本申请一实施例的目标存在概率的计算装置的示意图；
图9为根据本申请另一实施例的目标存在概率的计算装置的示意图；
图10为根据本申请另一实施例的目标存在概率的计算装置的第一处理单元的示意图；
图11是用来实现本申请实施例的目标存在概率的计算方法的电子设备的框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
图1为根据本申请一实施例的目标存在概率的计算方法的流程图。如图1所示，该目标存在概率的计算方法可以包括：
步骤S110，接收传感器报送的目标检测数据；
步骤S120，根据目标检测数据得到目标探测概率
Figure 597426DEST_PATH_IMAGE002
；
步骤S125，根据传感器视场建立传感器FOV概率模型；
步骤S130，根据数据关联算法，选出与目标航迹最近的量测作为滤波器输入，得到新息协方差矩阵S和马氏距离d，根据目标探测概率Pd、新息协方差矩阵S、马氏距离d以及传感器FOV概率模型，计算目标存在概率PoE。
在利用多个传感器进行融合或单个传感器的目标跟踪等应用场景中设计的PoE指标，通常可满足以下设计需求：
R1）同等条件下，传感器的FOV(Field of View，视场)中心区域的PoE比边缘区域的PoE大。
R2）同等条件下，如果目标探测概率（用Pd表示）越大，则其对应的PoE越大，也就是说，PoE对Pd有良好的分辨率。
R3）对于同一个波门，多个量测（measurements）综合后的PoE比单个量测的PoE大。
其中，对于多传感器融合应用，量测是传感器报告的目标；对于单传感器目标跟踪应用场景，量测指进入滤波器的测量数据。实际目标可以产生一个或多个量测。
R4）目标建立过程中，PoE应逐步增大；目标消失过程中，PoE应逐步减小；目标跟踪过程中，跟踪性能越好，也就是马氏距离越小，PoE越大。
其中，传感器可包括雷达或摄像头。马氏距离用来表示当前测量和航迹之间的统计距离。
相关技术中的PoE计算方式如下：
Figure 166947DEST_PATH_IMAGE003
Figure 583016DEST_PATH_IMAGE004
Figure 543931DEST_PATH_IMAGE005
Figure 347939DEST_PATH_IMAGE006
Figure 748965DEST_PATH_IMAGE007
其中，LRm表示量测似然比（measurement likelihood ratio）；
Figure 358938DEST_PATH_IMAGE002
表示目标探测概率；𝜆为杂波参数，𝜆值越大表示杂波越密；
Figure 168499DEST_PATH_IMAGE008
表示量测似然（measurement likelihood），具体表示目标波门内第i个量测（传感器报告的目标）的似然函数,也就是概率密度；k表示帧数；m表示量测的总个数；S表示目标跟踪卡尔曼滤波中的新息协方差矩阵；𝐷𝑒𝑡(𝑆)表示S的行列式；d表示马氏距离（Mahalanobisdistance）；v表示新息向量，
Figure 2463DEST_PATH_IMAGE009
表示v的转置向量；LR表示目标似然比（target likelihood ratio）；
Figure 31730DEST_PATH_IMAGE001
表示传感器视场中的目标概率；𝑃𝑐是用来控制目标丢失时𝑃𝑜𝐸的下降过程的参数；PoE表示目标存在概率。
以上PoE计算方法也称为IPDA（IntegratedProbabilisticDataAssociation，综合概率数据关联）方法。其中的LR计算公式包括“存在量测”和“无量测”两种情况。“无量测”包括设备故障等原因没有获取到检测数据的情况；“存在量测”包括能够正常获取到检测数据的情况。
理论上，以上PoE计算方法满足以上PoE设计需求R1~R4。但上述基于IPDA的目标存在概率计算方法存在以下缺陷：1）PoE的值上升和下降比较陡，不能很好地反映传感器视场中的目标概率
Figure 710973DEST_PATH_IMAGE001
和目标探测概率
Figure 109462DEST_PATH_IMAGE002
的缓慢变化；2）PoE分辨率不好；3）不能很好地反映跟踪器性能。
为克服以上PoE计算方法（记为IPDA方法）的缺陷，本申请实施例中重新设计了目标似然比LR的表达式，使之能够反映
Figure 645486DEST_PATH_IMAGE001
和
Figure 630891DEST_PATH_IMAGE002
的变化，同时能够反映卡尔曼跟踪器的跟踪性能。
图2为根据本申请另一实施例的目标存在概率的计算方法的多传感器融合场景的PoE计算框图。在图2的示例中，传感器包括毫米波雷达和摄像头。图2示出了毫米波雷达和摄像头融合后目标的存在概率的计算流程和计算模块。其中，计算模块包括数据关联模块1、IMM（Interactive Multiple Model，交互多模算法）跟踪器2、传感器FOV概率模型3和PoE计算模块4四部分。数据关联模块、IMM跟踪器和传感器FOV概率模型是数据输入模块，PoE计算模块是数据输出模块。
参见图1和图2，在步骤S110中接收传感器报送的目标检测数据。在图2的示例中，传感器包括毫米波雷达和摄像头。图2中的M1和M2分别表示毫米波雷达和摄像头报送的目标测量值。
在步骤S120中，根据传感器报送的目标检测数据可得到目标探测概率Pd。在单传感器目标跟踪的应用场景中，Pd取决于传感器自身的信噪比SNR、功率、虚警率（Pfa）等。在多传感器融合的应用场景中，将分别来自至少两个传感器的量测（目标检测数据）和已建立的目标航迹进行关联，并且从波门内的量测得到目标探测概率Pd。图2示例中的数据关联模块1用于将毫米波雷达和摄像头报送的量值进行关联，同时利用预定算法确定目标探测概率Pd。然后将Pd传输给PoE计算模块。
在步骤S130中，首先从目标检测数据中选择出与目标航迹的关联度最大的量测作为滤波器输入。在一个示例中，关联度具体可用马氏距离d表示。滤波器可采用IMM跟踪器。参见图2，在数据关联模块中，可利用本地最近邻域算法（LNN，Local Nearest Neighbor），从目标检测数据中选择出与目标航迹的关联度最大的量测，将该量测的相关数据传输给IMM跟踪器，以更新IMM跟踪器的输入数据。然后利用IMM跟踪器得到该量测对应的新息协方差矩阵S和马氏距离d。最后将新息协方差矩阵S和该量测对应的马氏距离d传输给PoE计算模块。
在一个示例中，数据关联模块可使用本地最近邻域算法，并使用椭圆波门从目标检测数据中选择出与目标航迹的关联度最大的量测。波门确定准则是，假设各个量测各自独立，则它们的马氏距离服从χ2分布。令真实量测落在航迹波门内的概率为PG，通常取PG ≥0.95, 量测的维数为χ2分布的自由度，则根据PG和量测维数查χ2表可以确定马氏距离的波门。例如，令PG为0.99，量测维数m=2, 查χ2表，当自由度为2、错误概率为1-PG = 0.01时，得γ = 9.21
d2<γ = 9.21
即各量测量和航迹的马氏距离d <sqrt(γ) = 3.03时，才认为是落在波门内的量测为有效量测。
除椭圆波门外，本申请实施例中还可以应用矩形波门、环形波门、以及极坐标系下的扇形波门等。
参见图2的示例，在一种实施方式中，跟踪器包括基于交互多模算法IMM的卡尔曼滤波器。
在一个示例中，IMM跟踪器包含CV（Constant Velocity，恒定速度模型）、CA（Constant Acceleration，恒定加速度模型）两个模型，并且使用卡尔曼滤波器。
步骤S125中，根据传感器视场建立传感器FOV概率模型。步骤S130中，根据步骤S120中得到的目标探测概率Pd、S以及新息协方差矩阵S、马氏距离d和传感器视场中的目标概率
Figure 848245DEST_PATH_IMAGE001
，计算目标存在概率（PoE）。其中，马氏距离d是选出的与目标航迹最近的量测所对应的马氏距离。传感器视场中的目标概率
Figure 163558DEST_PATH_IMAGE001
是根据目标在传感器视场中的位置和传感器FOV概率模型确定的。
参见图2的示例，可利用传感器FOV概率模型得到传感器视场中的目标概率
Figure 808166DEST_PATH_IMAGE001
，并将传感器视场中的目标概率
Figure 546446DEST_PATH_IMAGE001
传输给PoE计算模块。最后PoE计算模块根据目标探测概率Pd、传感器视场中的目标概率
Figure 98650DEST_PATH_IMAGE001
、新息协方差矩阵S、马氏距离d以及所述传感器FOV概率模型计算得到目标存在概率PoE。
本申请实施例对目标存在概率的具有较好的分辨率，能够很好地反映传感器视场中的目标概率
Figure 223730DEST_PATH_IMAGE001
和目标探测概率Pd的缓慢变化，并且能够很好地反映跟踪器性能。
在一种实施方式中，上述方法还包括：
对所述马氏距离d进行加权，利用加权的马氏距离反映目标的跟踪性能。
本申请实施例中，可采用以下公式计算目标的跟踪性能：
Figure 835977DEST_PATH_IMAGE010
其中，k表示帧数，𝑃𝑡表示跟踪性能，d表示马氏距离；𝑤表示马氏距离的权值，用来控制跟踪性能对PoE的影响；S表示新息协方差矩阵；𝐷𝑒𝑡(𝑆)表示S的行列式。
本申请实施例中，对滤波器输出的马氏距离进行滤波、加权，然后和新息协方差矩阵S一起用来描述跟踪性能对PoE的影响。以上公式中，利用加权的马氏距离描述目标的跟踪性能，在后续计算结果中使得PoE能够有效地反映跟踪器的跟踪性能。在一种实施方式中，上述方法还包括：根据目标在传感器视场中的位置和传感器FOV概率模型确定传感器视场中的目标概率
Figure 389449DEST_PATH_IMAGE001
。
图3为根据本申请另一实施例的目标存在概率的计算方法的传感器FOV概率模型示意图。参见图3所示，仍以雷达和摄像头为例，作为一种先验概率，一个示例性的FOV视场中目标的存在概率
Figure 729033DEST_PATH_IMAGE001
的划分规则如下：
1）雷达或摄像头的中心FOV区域（boresight）对应的
Figure 379457DEST_PATH_IMAGE001
大，边缘FOV区域对应的
Figure 975654DEST_PATH_IMAGE001
小。也就是说，如果目标在传感器视场中的位置位于中心FOV区域，则这种情况下
Figure 672215DEST_PATH_IMAGE001
的值较大。图3中10º范围内的扇形区域表示雷达的探测范围，50º范围内的扇形区域表示摄像头的探测范围。从图3中可以看出，角度越小，越接近中心FOV区域，则对应的
Figure 549910DEST_PATH_IMAGE001
的值越大。
2)雷达和摄像头共同覆盖的区域对应的
Figure 179475DEST_PATH_IMAGE001
比单一传感器覆盖区域对应的
Figure 87519DEST_PATH_IMAGE001
大。从图3中可以看出，雷达和摄像头共同覆盖的区域对应的
Figure 271375DEST_PATH_IMAGE001
=0.9，雷达单一传感器覆盖区域对应的
Figure 483920DEST_PATH_IMAGE001
为0.8和0.85，摄像头单一传感器覆盖区域对应的
Figure 515461DEST_PATH_IMAGE001
为0.7和0.75。可见共同覆盖的区域对应的
Figure 781357DEST_PATH_IMAGE001
大于单一传感器覆盖区域对应的
Figure 186931DEST_PATH_IMAGE001
。
3）雷达或摄像头的近处区域对应的
Figure 536922DEST_PATH_IMAGE001
比远处区域对应的
Figure 360652DEST_PATH_IMAGE001
大。其原因是通常情况下近处的SNR（Signal Noise Ratio，信噪比）比远处高，以及对于雷达而言近处的反射功率比远处高。从图3中可以看出，在探测角度相同的情况下，近处区域对应的
Figure 390925DEST_PATH_IMAGE001
比远处区域对应的
Figure 690319DEST_PATH_IMAGE001
大。以雷达为例，近处区域对应的
Figure 572562DEST_PATH_IMAGE001
为0.9，远处区域对应的
Figure 641013DEST_PATH_IMAGE001
分别为0.8和0.85。
在一个示例中，可利用本地最近邻域算法（LNN，Local Nearest Neighbor），从目标检测数据中选择出与目标航迹的关联度最大的量测。例如，从目标检测数据中选择出与目标航迹的马氏距离最近的量测，然后丢弃其它的量测数据，将该量测作为目标，将该目标在传感器视场中的位置和预先设定的划分规则确定所述传感器视场中的目标概率
Figure 186395DEST_PATH_IMAGE001
。
在一种实施方式中，根据所述目标检测数据得到目标探测概率Pd，包括：
利用马氏距离d对所述目标检测数据进行筛选，得到有效量测。
本申请实施例中，对于每一个目标航迹，一方面将来自于毫米波雷达和摄像头传来的量测和该目标航迹进行关联，例如使用本地最近邻域算法LNN作为数据关联方法；另一方面可计算由马氏距离阈值确定的椭圆波内的各量测的探测概率。在各量测和航迹之间的马氏距离小于预设的马氏距离阈值的情况下，确定该量测是落在波门内的有效量测。
参见图2，数据关联模块接收来自于各个传感器送来的量测值M1、M2、…、Mn，利用马氏距离作为精波门进行筛选，将波门内的量测作为有效量测。
在一种实施方式中，根据目标检测数据得到目标探测概率Pd，包括：
获取有效量测对应的探测概率；
将有效量测对应的探测概率中的最大值，作为目标探测概率Pd。
在一种实施方式中，获取有效量测对应的探测概率，包括：
在目标检测数据中包括每个量测对应的探测概率的情况下，从目标检测数据中获取有效量测对应的探测概率；
在目标检测数据中不包括每个量测对应的探测概率的情况下，将预先设定的默认值作为有效量测对应的探测概率。
每个量测对应的探测概率由信噪比SNR、功率、虚警率（Pfa，false alarm rate）等决定。Pfa相同的情况下，SNR越高、功率越大，则量测对应的探测概率越大。图4为根据本申请另一实施例的目标存在概率的计算方法的椭圆波门示意图。如图4所示，仍以雷达和摄像头为例，根据所述目标检测数据得到目标探测概率的一个示例性的方法可包括：
1）如果雷达或摄像头输出的目标检测数据中提供了每个量测对应的检测概率的值，则使用该值确定目标探测概率Pd。如雷达或摄像头输出的目标检测数据中不提供每个量测对应的检测概率的值，则使用默认值作为每个量测对应的检测概率的值，使用该值确定目标探测概率Pd。例如，可以设置默认值为0.85。
2）如果波门中有多个传感器输出的目标，则每个目标可能对应于一个量测或多个量测，多个目标对应于多个量测，则从多个量测对应的检测概率的值中，取最大值作为目标探测概率Pd。Pd的计算公式可表示为：
Pd = max（Pd1，Pd2，…，Pdn）
其中，n是波门内量测的个数，Pd1，Pd2，…，Pdn分别表示波门内每个量测对应的检测概率的值。
本申请实施例中，用一个量测的探测概率代表波门内的各量测的目标探测概率Pd时，除了上述示例中的取最大值的方法外，也可以采用取平均值的方法，即取多个量测对应的检测概率的平均值作为目标探测概率Pd。
在以上示例中，波门中有多个传感器输出的目标。再参见图2示例，数据关联模块1用于将多个传感器报送的目标检测数据进行关联，根据目标检测数据的多个量测对应的数据，利用预定算法确定目标探测概率Pd。其中的预定算法可包括以上Pd的计算公式。
另一种情况下，如果波门只有一个传感器输出的目标，则一个目标可能对应于一个量测或多个量测，则从一个量测或多个量测对应的检测概率的值中，取最大值作为目标探测概率Pd。本申请实施例可以用来计算单种传感器目标的可信度或置信度。比如在毫米波雷达目标跟踪或摄像头图像目标跟踪的过程中用来计算目标的置信度。这时
Figure 815828DEST_PATH_IMAGE001
同样和传感器FOV概率模型相关，FOV中心处
Figure 393440DEST_PATH_IMAGE001
大，边缘处
Figure 926183DEST_PATH_IMAGE001
小，近处
Figure 829417DEST_PATH_IMAGE001
大，远处
Figure 680568DEST_PATH_IMAGE001
小。
Figure 530712DEST_PATH_IMAGE002
和目标的SNR、距离等有关，跟踪性能和马氏距离相关。
在一种实施方式中，所述数据关联算法方法包括LNN数据关联算法、JPDA或Cheap-JPDA（Cheap-JointProbabilisticDataAssociation，简单-联合概率数据关联）数据关联算法。其中，联合概率数据关联JPDA的基本思想是：对落入波门内的所有量测，它们都以不同的概率和航迹相关联，即所有量测都以不同的权重（概率）参与航迹的更新。Cheap-JPDA 是JPDA的修改算法，它以牺牲数据关联的少许准确性为代价，改善了JPDA运算量大的缺点。
在一种实施方式中，所述滤波器包括经典卡尔曼滤波器KF、扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF或交互多模型跟踪器IMM。
在一种实施方式中，根据目标探测概率Pd、新息协方差矩阵S、马氏距离d以及传感器FOV概率模型，计算目标存在概率，包括利用以下公式计算目标存在概率：
Figure 449120DEST_PATH_IMAGE010
Figure 523256DEST_PATH_IMAGE011
Figure 590263DEST_PATH_IMAGE012
Figure 244099DEST_PATH_IMAGE013
其中，k表示帧数，
Figure 751435DEST_PATH_IMAGE014
表示跟踪性能，d表示马氏距离；𝑤表示马氏距离的权值，用来控制跟踪性能对PoE的影响；S表示新息协方差矩阵；𝐷𝑒𝑡(𝑆)表示S的行列式；𝐿𝑅表示似然比；𝐾是用来控制𝐿𝑅上升快慢的参数，也影响最终的概率值；
Figure 573635DEST_PATH_IMAGE001
表示传感器视场中的目标概率；
Figure 415689DEST_PATH_IMAGE002
表示目标探测概率；LLR为LR的对数；𝑃𝑐是用来控制目标丢失时PoE的下降过程的参数，即目标PoE按指数规律跌落，跌落的快慢由𝑃𝑐决定；PoE表示目标存在概率；LLR和PoE之间，通过sigmod函数来转换。𝑎为正数，用来描述LLR和PoE的定量转换关系。LLR计算公式包括“有量测关联(𝑚𝑒𝑎𝑠𝑢𝑟𝑒𝑚𝑒𝑛𝑡)”和“无量测关联(𝑛𝑜𝑚𝑒𝑎𝑠𝑢𝑟𝑒𝑚𝑒𝑛𝑡)”两种情况。“无量测关联”指当前帧目标消失、设备故障等原因没有获取到检测数据的情况；“有量测关联”指当前帧能够正常获取到检测数据的情况。
图5为根据本申请另一实施例的目标存在概率的计算方法的sigmod函数转换示意图。在图5的示例中把LR通过sigmod函数转换成PoE。图5中示出通过sigmod函数将LR从（0，+∞）转换为(0，1)。根据以上公式和图5所示，LR、LLR和PoE的具体数据关系如下：
1）LR为1时，表示信号和噪声各占一半。LLR=0时，𝑃𝑜𝐸 = 0.5，这种数据关系符合常识逻辑。
2）LR->0，LLR-> −∞，PoE -> 0。LR-> +∞，LLR-> +∞，PoE ->1。
以上LR与PoE之间的关系可参照图5中LR的取值范围在[0，5]之间所对应的曲线。在图5中，LR的取值范围在[5，8]之间所对应的曲线用于模拟航迹无量测的情况下LR与PoE之间的关系。
3）对LR取对数使得计算简化。
可针对本申请实施例中计算得出的目标存在概率结果，在MATLAB（MatrixLaboratory，矩阵实验室）中建模仿真。在一个示例中，可设置5个不同
Figure 889527DEST_PATH_IMAGE002
的目标，使用IMM卡尔曼跟踪器，使用LNN进行数据关联。仿真总帧数据为1200帧。在前面的400帧中，传感器视场中的目标概率
Figure 235057DEST_PATH_IMAGE001
逐渐增大，5个不同Pd值的目标切入传感器FOV。在中间的300帧中，传感器视场中的目标概率
Figure 900263DEST_PATH_IMAGE001
值最大。在最后的500帧，传感器视场中的目标概率
Figure 964034DEST_PATH_IMAGE001
逐渐减小。在300-310帧模拟目标中断，这时IMM的卡尔曼滤波器参数（如卡尔曼协方差、新息协方差）和马氏距离均保持量测消失前一帧的值。本申请实施例中计算得出的目标存在概率的仿真结果见图6所示。现有技术的基于IPDA的目标存在概率计算方法的仿真结果见图7所示。
在图6和图7中的左上图和左下图表示仿真条件。在图6和图7中的左上图中，横坐标t[k]表示帧；纵坐标dis_Ma表示滑动窗口的马氏距离（Mahalanobis Distance withSliding Window）；深色图像表示没有滤波（raw dis_Ma）的情况下对应的图像；浅色图像表示滤波后（filtereddis_Ma）的情况对应的图像。在图6和图7中的左下图中，横坐标t[k]表示帧；纵坐标表示根据传感器概率模型（Sensor model）确定的
Figure 241562DEST_PATH_IMAGE001
或
Figure 176020DEST_PATH_IMAGE001
*Pd。由图6和图7可以看出，两个图示是在相同的仿真条件下进行仿真得到的。
在图7中的右上图中，横坐标t[k]表示帧；纵坐标LR_IPDA表示IPDA的目标存在概率计算方法中的LR的值。图7中的右上图的图像表示LR的值随着不同的Pd值变化的图像（LRwith Different Pd）。在图6中的右上图中，横坐标t[k]表示帧；纵坐标表示LLR的值。图6中的右上图的图像表示LLR的值随着不同的Pd值变化的图像（LLR with Different Pd）。
在图7中的右下图中，横坐标t[k]表示帧；纵坐标表示POE的值。图7中的右下图的图像表示由LR得到的PoE的值随着不同的Pd值变化的图像（PoE of LR with DifferentPd）。在图6中的右下图中，横坐标t[k]表示帧；纵坐标表示POE的值。图6中的右下图的图像表示由LLR得到的PoE的值随着不同的Pd值变化的图像（PoE of LLR with Different Pd）。图6中各参数取值如下：𝑤=0.02，𝐾=10，𝑎=4。
比较图6和图7可以得到以下结论：
1）本申请实施例计算的PoE比IPDA方法更好地反映了
Figure 746548DEST_PATH_IMAGE001
的变化。
由图6可以看出，图6中的左下图和图6中的右下图中曲线的趋势是相同的，这说明本申请实施例计算的PoE较好地反映了
Figure 563194DEST_PATH_IMAGE001
的变化。相比之下，图7中的左下图和图7中的右下图中曲线的趋势差别较大，这说明IPDA方法计算的PoE不能很好地反映
Figure 644414DEST_PATH_IMAGE001
的变化。
2）Pd不同的情况下，PoE也不同。这说明本申请实施例计算PoE的区分度明显好于IPDA方法。从图6中的右下图和图7中的右下图比较可知，图6中的右下图中，Pd不同的情况下PoE有明显不同，而在图7中的右下图中这一点则表现得不明显。由此可以说明本申请实施例计算PoE的区分度明显好于IPDA方法。
3）本申请实施例中，马氏距离d的波动，也对应了PoE的小波动。这个仿真结果中也说明申请实施例的方法比IPDA方法的效果好。图6中的右下图的图像中的小锯齿对应于图6中的左上图中的浅色图像的小锯齿，说明仿真结果中马氏距离d的波动也对应了PoE的小波动。而在图6中的右下图的图像中没有类似的小锯齿波动，也不存在马氏距离d的波动对应的PoE的小波动。
综上，本申请实施例的目标存在概率的计算方法相对于现有技术具有如下明显的优势：
1）PoE能够很好地反映
Figure 964537DEST_PATH_IMAGE001
和Pd的变化。
2）设计了目标似然比LR的表达式和将其转化为目标存在概率的公式，使得对应于不同的Pd、
Figure 180666DEST_PATH_IMAGE001
的目标经过计算后具有差别明显的PoE，即提高了PoE的分辨率。
3）设计了加权马氏距离表达式，使得PoE能够有效地反映跟踪器的跟踪性能。也就是在马氏距离大的情况下，跟踪误差也相应大。其中，加权马氏距离表达式为：
Figure 219029DEST_PATH_IMAGE010
图8为根据本申请一实施例的目标存在概率的计算装置的示意图。如图8所示，该目标存在概率的计算装置可以包括：
接收单元100，用于接收传感器报送的目标检测数据；
第一处理单元200，用于根据目标检测数据得到目标探测概率Pd；
建模单元220，用于根据传感器视场建立传感器FOV概率模型；
计算单元400，用于根据数据关联算法，选出与目标航迹最近的量测作为滤波器输入，得到新息协方差矩阵S和马氏距离d，根据目标探测概率Pd、新息协方差矩阵S、马氏距离d以及传感器FOV概率模型，计算目标存在概率。
图9为根据本申请另一实施例的目标存在概率的计算装置的示意图。如图9所示，在一种实施方式中，所述装置还包括第二处理单元300，用于：
对所述马氏距离d进行加权，利用加权的马氏距离反映目标的跟踪性能。
在一种实施方式中，所述第一处理单元200用于：
利用马氏距离d对所述目标检测数据进行筛选，得到有效量测。
图10为根据本申请另一实施例的目标存在概率的计算装置的第一处理单元的示意图。如图10所示，在一种实施方式中，第一处理单元200包括：
获取子单元210，用于获取有效量测对应的探测概率；
处理子单元220，用于将有效量测对应的探测概率中的最大值，作为目标探测概率Pd。
在一种实施方式中，获取子单元210用于：
在目标检测数据中包括每个量测对应的探测概率的情况下，从目标检测数据中获取有效量测对应的探测概率；
在目标检测数据中不包括每个量测对应的探测概率的情况下，将预先设定的默认值作为有效量测对应的探测概率。
在一种实施方式中，数据关联算法方法包括LNN数据关联法、JPDA或Cheap-JPDA数据关联算法。
在一种实施方式中，滤波器包括经典卡尔曼滤波器KF、扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF或交互多模型跟踪器IMM。
如图9所示，在一种实施方式中，上述装置还包括第三处理单元350，用于：
根据目标在传感器视场中的位置和传感器FOV概率模型确定传感器视场中的目标概率。
在一种实施方式中，计算单元用400于利用以下公式计算目标存在概率：
Figure 103940DEST_PATH_IMAGE010
Figure 544149DEST_PATH_IMAGE011
Figure 456479DEST_PATH_IMAGE012
Figure 716559DEST_PATH_IMAGE013
其中，k表示帧数，
Figure 608423DEST_PATH_IMAGE014
表示跟踪性能，d表示马氏距离；𝑤表示马氏距离的权值；S表示新息协方差矩阵；𝐷𝑒𝑡(𝑆)表示S的行列式；𝐿𝑅表示似然比；𝐾是用来控制𝐿𝑅上升快慢的参数；
Figure 434296DEST_PATH_IMAGE001
表示传感器视场中的目标概率；𝑃d表示目标探测概率；LLR为LR的对数；𝑃𝑐是用来控制目标丢失时𝑃𝑜𝐸的下降过程的参数；PoE表示目标存在概率；𝑎为正数，用来描述LLR和PoE的定量转换关系。
本申请实施例目标存在概率的计算装置中各单元的功能可以参见上述方法中的对应描述，在此不再赘述。
图11是用来实现本申请实施例的目标存在概率的计算方法的电子设备的框图。如图11所示，该控制设备包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的指令。处理器920执行该指令时实现上述实施例中的目标存在概率的计算方法。存储器910和处理器920的数量可以为一个或多个。该控制设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。控制设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
该控制设备还可以包括通信接口930，用于与外界设备进行通信，进行数据交互传输。各个设备利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器920可以对在控制设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个控制设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Dignal Processing，DSP)、专用集成电路(Application Specific Sntegrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(advanced RISC machines，ARM)架构的处理器。
本申请实施例提供了一种计算机可读存储介质（如上述的存储器910），其存储有计算机指令，该程序被处理器执行时实现本申请实施例中提供的方法。
可选的，存储器910可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据目标存在概率的计算装置的使用所创建的数据等。此外，存储器910可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器910可选包括相对于处理器920远程设置的存储器，这些远程存储器可以通过网络连接至目标存在概率的计算装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或多个（两个或两个以上）用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (18)

1.一种目标存在概率的计算方法，其特征在于，包括：
接收传感器报送的目标检测数据；
根据所述目标检测数据得到目标探测概率Pd；
根据传感器视场建立传感器FOV概率模型；
根据数据关联算法，选出与目标航迹最近的量测作为滤波器输入，得到新息协方差矩阵S和马氏距离d，根据所述目标探测概率Pd、所述新息协方差矩阵S、所述马氏距离d以及所述传感器FOV概率模型，利用以下公式计算目标存在概率：
Figure 689923DEST_PATH_IMAGE001
Figure 590751DEST_PATH_IMAGE002
Figure 308172DEST_PATH_IMAGE003
Figure 172222DEST_PATH_IMAGE004
其中，k表示帧数，𝑃𝑡表示跟踪性能，d表示马氏距离；𝑤表示马氏距离的权值；S表示新息协方差矩阵；𝐷𝑒𝑡(𝑆)表示S的行列式；𝐿𝑅表示目标似然比；𝐾是用来控制𝐿𝑅上升快慢的参数；
Figure 907966DEST_PATH_IMAGE005
表示传感器视场中的目标概率；
Figure 668112DEST_PATH_IMAGE006
为目标探测概率；LLR表示LR的对数；𝑃𝑐是用来控制目标丢失时𝑃𝑜𝐸的下降过程的参数；PoE表示目标存在概率；𝑎为正数，用来描述LLR和PoE的定量转换关系。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述马氏距离d进行加权，利用加权的马氏距离反映目标的跟踪性能。
3.根据权利要求1所述的方法，其特征在于，根据所述目标检测数据得到目标探测概率Pd，包括：
利用马氏距离d对所述目标检测数据进行筛选，得到有效量测。
4.根据权利要求3所述的方法，其特征在于，根据所述目标检测数据得到目标探测概率Pd，包括：
获取所述有效量测对应的探测概率；
将所述有效量测对应的探测概率中的最大值，作为目标探测概率Pd。
5.根据权利要求4所述的方法，其特征在于，获取所述有效量测对应的探测概率，包括：
在所述目标检测数据中包括每个量测对应的探测概率的情况下，从所述目标检测数据中获取有效量测对应的探测概率；
在所述目标检测数据中不包括每个量测对应的探测概率的情况下，将预先设定的默认值作为有效量测对应的探测概率。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述数据关联算法包括LNN数据关联算法、JPDA或Cheap-JPDA数据关联算法。
7.根据权利要求1至5中任一项所述的方法，其特征在于，所述滤波器包括经典卡尔曼滤波器KF、扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF或交互多模型跟踪器IMM。
8.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：
根据目标在传感器视场中的位置和传感器FOV概率模型确定传感器视场中的目标概率。
9.一种目标存在概率的计算装置，其特征在于，包括：
接收单元，用于接收传感器报送的目标检测数据；
第一处理单元，用于根据所述目标检测数据得到目标探测概率Pd；
建模单元，用于根据传感器视场建立传感器FOV概率模型；
目标航迹计算单元，用于根据数据关联算法，选出与目标航迹最近的量测作为滤波器输入，得到新息协方差矩阵S和马氏距离d，根据所述目标探测概率Pd、所述新息协方差矩阵S、所述马氏距离d以及所述传感器FOV概率模型，利用以下公式计算目标存在概率：
Figure 653254DEST_PATH_IMAGE001
Figure 586575DEST_PATH_IMAGE002
Figure 193137DEST_PATH_IMAGE003
Figure 904610DEST_PATH_IMAGE004
其中，k表示帧数，𝑃𝑡表示跟踪性能，d表示马氏距离；𝑤表示马氏距离的权值；S表示新息协方差矩阵；𝐷𝑒𝑡(𝑆)表示S的行列式；𝐿𝑅表示目标似然比；𝐾是用来控制𝐿𝑅上升快慢的参数；
Figure 331043DEST_PATH_IMAGE005
表示传感器视场中的目标概率；
Figure 255006DEST_PATH_IMAGE006
表示目标探测概率；LLR是LR的对数；𝑃𝑐是用来控制目标丢失时𝑃𝑜𝐸的下降过程的参数；PoE表示目标存在概率；𝑎为正数，用来描述LLR和PoE的定量转换关系。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括第二处理单元，用于：
对所述马氏距离d进行加权，利用加权的马氏距离反映目标的跟踪性能。
11.根据权利要求9所述的装置，其特征在于，所述第一处理单元用于：
利用马氏距离d对所述目标检测数据进行筛选，得到有效量测。
12.根据权利要求11所述的装置，其特征在于，所述第一处理单元包括：
获取子单元，用于获取所述有效量测对应的探测概率；
处理子单元，用于将所述有效量测对应的探测概率中的最大值，作为目标探测概率Pd。
13.根据权利要求12所述的装置，其特征在于，所述获取子单元用于：
在所述目标检测数据中包括每个量测对应的探测概率的情况下，从所述目标检测数据中获取有效量测对应的探测概率；
在所述目标检测数据中不包括每个量测对应的探测概率的情况下，将预先设定的默认值作为有效量测对应的探测概率。
14.根据权利要求9至13中任一项所述的装置，其特征在于，所述数据关联算法包括LNN数据关联算法、JPDA或Cheap-JPDA数据关联算法。
15.根据权利要求9至13中任一项所述的装置，其特征在于，所述滤波器包括经典卡尔曼滤波器KF、扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF或交互多模型跟踪器IMM。
16.根据权利要求9至13中任一项所述的装置，其特征在于，所述装置还包括第三处理单元，用于：
根据目标在传感器视场中的位置和传感器FOV概率模型确定传感器视场中的目标概率。
17.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1至8中任一项所述的方法。
CN202010628305.2A 2020-07-03 2020-07-03 目标存在概率的计算方法、装置、电子设备及存储介质 Active CN111523619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010628305.2A CN111523619B (zh) 2020-07-03 2020-07-03 目标存在概率的计算方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010628305.2A CN111523619B (zh) 2020-07-03 2020-07-03 目标存在概率的计算方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111523619A CN111523619A (zh) 2020-08-11
CN111523619B true CN111523619B (zh) 2020-10-02

Family

ID=71910075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010628305.2A Active CN111523619B (zh) 2020-07-03 2020-07-03 目标存在概率的计算方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111523619B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094803B (zh) * 2021-05-07 2023-03-14 深圳市前海智车科技有限公司 Beacon设备丢失概率的计算方法、装置、设备及存储介质
CN113486300A (zh) * 2021-07-02 2021-10-08 南通大学 一种无人驾驶车辆多目标跟踪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766320A (zh) * 2015-04-02 2015-07-08 西安电子科技大学 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法
CN109525220A (zh) * 2018-12-10 2019-03-26 中国人民解放军国防科技大学 具有航迹关联和提取能力的高斯混合cphd滤波方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6736412B2 (ja) * 2016-08-10 2020-08-05 三菱重工業株式会社 目標物監視システムおよび目標物監視方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766320A (zh) * 2015-04-02 2015-07-08 西安电子科技大学 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法
CN109525220A (zh) * 2018-12-10 2019-03-26 中国人民解放军国防科技大学 具有航迹关联和提取能力的高斯混合cphd滤波方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂环境下基于目标存在概率的多传感器目标跟踪算法;洪帅鑫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200115(第01期);第2-34页 *

Also Published As

Publication number Publication date
CN111523619A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
JP4989331B2 (ja) 航跡統合装置及びプログラム及び航跡統合方法
CN111523619B (zh) 目标存在概率的计算方法、装置、电子设备及存储介质
CN110109095B (zh) 目标特征辅助多源数据的关联方法
KR20180080004A (ko) 가림환경에서의 표적 형상정보를 활용한 표적 추적 방법
CN109738884B (zh) 对象检测方法、装置和计算机设备
CN110865343B (zh) 基于lmb的粒子滤波检测前跟踪方法及系统
JP2017156219A (ja) 追尾装置、追尾方法およびプログラム
JP6977787B2 (ja) センサ情報統合システム、センサ情報統合方法及びプログラム
EP4050460A1 (en) Radar-based object tracking using a neural network
WO2022179207A1 (zh) 视窗遮挡检测方法及装置
CN111722297B (zh) 目标存在概率的计算方法、装置、电子设备及存储介质
WO2021218346A1 (zh) 一种聚类的方法和装置
CN109190647B (zh) 一种有源无源数据融合方法
RU2721623C1 (ru) Способ определения мгновенного положения точки промаха беспилотного летательного аппарата по информации угломерного канала
CN115220002B (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
CN117372928A (zh) 一种视频目标检测方法、装置及相关设备
Ren et al. Improved shape-based distance method for correlation analysis of multi-radar data fusion in self-driving vehicle
CN110910337A (zh) 一种船只航迹融合方法、装置及终端设备
CN110673134A (zh) 一种雷达远近交替测距模式下航迹跟踪优化方法
Hadzagic et al. A Bayesian inference approach for batch trajectory estimation
JP5604893B2 (ja) 目標物管理装置および目標物管理方法
CN114861725A (zh) 一种目标感知跟踪的后处理方法、装置、设备及介质
Schubert et al. Performance evaluation of multiple target tracking in the absence of reference data
CN117872354B (zh) 一种多毫米波雷达点云的融合方法、装置、设备及介质
WO2023061355A1 (zh) 速度检测方法、装置、设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant