خلاصة:
در این مقاله مشکلات ردیابی چند هدفه و چند سنسور با استفاده از قاعده مجموعه ذرات تصادفی مورد بررسی قرار میگیرد.
قضیه چگالی احتمال (PHD) بازگشتی بهصورت دینامیکی اجرا میشود که این حالت دینامیکی بهوسیله تلفیق مقدار بایاس
انتقالی با تابع شدت انجام میگردد. در اینجا به دنبال انتخاب بایاس مناسب ازنظر سرعت پاسخدهی و میزان دقت در ردیابی
چند هدف. بهوسیله دریافت دادهها از چند سنسور در مختصات ۲ بعدی با کمک فیلترPHD هستیم. مشکل تخمین زدن
اندازه بایاس ناشناخته موردتوجه بسیاری قرار گرفته است. اگر تخمین زدن مقدار بایاس بهطور صحیح امکانپذیر باشد.
اندازهگیری چند سنسور را میتوان در قالب مختصات مشترک به کار برد. الگوریتم پیشنهادی اول متشکل از ترکیب چند
الگوریتم شناخته شده در پردازش سنسور میباشد. جبران سازی حرکتی اولین مرحله این روش است که بهوسیله الگوریتمهایGM-PHDصورت میگیرد. پسازآن در مرحله دوم مرزهای اهداف چندگانه حاصل شده بهبود یافته و دقت آشکارسازی
افزایش مییابد. در مرحله نهایی این روش مشخصه کاملی از اهداف متحرک سنسور حاصل میشود. همچنین در این مرحله
اعمال عملگرهایی روی سنسور باعث میشود که کیفیت سنسور نهایی افزایش یابد. در ادامه به معرفی تمام مراحل و توضیح
کامل هرکدام از آنها خواهیم پرداخت. الگوریتم پیشنهادی دوم با توجه به ماهیت مسئله اصلی و شرایط خاصی که در دنباله
فریمها وجود داردء به نظر استفاده از روشهای مبتنی بر تطبیق اجتنابناپذیر میرسد. به همین دلیل در روش اول از
الگوریتمهای GM-PHDاستفاده شده است. در این مقالهء فیلتر GM-PHD برای ردیابی تعداد ناشناخته و زمانهای متغیر
اهداف با سنسورهای مختلف مورد استفاده قرار گرفت. همچنین سنسور را دارای یک خطای ثابت (بایاس) در نظر گرفتیم و
سپس مقدار بایاس سنسورها را تخمین زدیم. برای استخراج فرم جدا شده از تخمین هدف و تخمین بایاس در مرحله بروز رسانی شدت قبلی, از فیلتر دومرحلهای کالمن استفاده شد. علاوه بر این فیلتر پیشنهادی توسعهیافته برای ردیابی اهداف
مانوری که از مدل سوییچ مارکوف پیروی میکنندء مورد استفاده قرار گرفت. نتایج شبیهسازی نشان میدهد که فیلتر
پیشنهادی نسبت به فیلترGM-PHD بدون تخمین بایاس دارای عملکرد بهتری میباشد. میانگینOSPA برای ردیابی
هدف در دو مدل درهمریختگی تقریبا مشابه میباشد. این موضوع نشان میدهد که تفاوت مدل درهمریختگی در ردیابی
بهوسیله فیلتر پیشنهادی تاثیر زیادی در تخمین نمیگذارد.
ملخص الجهاز:
در این مقاله، فیلتر GM-PHD برای ردیابی تعداد ناشناخته و زمانهای متغیر اهداف با سنسورهای مختلف مورد استفاده قرار گرفت، همچنین سنسور را دارای یک خطای ثابت (بایاس) در نظر گرفتیم و سپس مقدار بایاس سنسورها را تخمین زدیم.
- Gaussian Mixture- Probability Hypothesis Density Filter - Augmented State Kalman Filter - Ill-Conditioned - Friedland - Joint Probabilistic Data Association - Multiple Hypothesis Tracking - Finite Set Statistics - Random Finite Sets - Likelihood - Probability Hypothesis Density Filter - Probability Hypothesis Density Filter مبانی نظری: روشهای مختص سنسور ثابت *روش تفریق پس زمینه: در این روش با استفاده از فریمهای ابتدایی دنباله تصاویر سعی در ایجاد هدفی از پس زمینه میشود.
- Clutter - Probability Hypothesis Density Filter - Gaussian Mixture- Probability Hypothesis Density Filter - Sequential Monte Carlo Method- Probability Hypothesis Density Filter - Unscented Kalman Phd Filter فیلتر مونتکارلو 1 امروزه ردیابی چند هدفه و چند سنسور با استفاده از قاعده مجموعه ذرات تصادفی مورد بررسی قرار میگیرد.
In Acoustics Speech and Signal Processing (ICASSP), 2020 IEEE International Conference on (pp.
Bayesian multiple target tracking in forward scan sonar images using the PHD filter.
Particle PHD filter multiple target tracking in sonar image.
GM-PHD filter multi-target tracking in sonar images.
Proceedings of the SPIE Conference on Signal Processing, Sensor Fusion and Target Recognition, 8050, 1-6.
Proceedings of the SPIE Conference on Signal Processing, Sensor Fusion and Target Recognition, 8050, 1-6.