[发明专利]一种由CPU和GPU协同工作的目标航迹初始化方法

说明书

技术领域

本发明属于雷达与声纳技术领域，主要涉及目标跟踪技术中检测前跟踪技术的目标初始化，特别是使用最大似然-概率数据关联（ML-PDA）算法对目标的初始化。

背景技术

目标跟踪技术广泛应用于各领域中，特别是雷达或声纳系统。目标跟踪技术分为检测后跟踪(TAD)和检测前跟踪(TBD)两大类，相比较而言，TAD算法计算量较低，利于实时实现，但由于TAD算法依赖于前端信号处理器对目标的检测，在低信噪比(SNR)情况下跟踪性能不理想；TBD算法由于在跟踪的同时加入了目标检测，因此在低信噪比下对目标有较强的跟踪能力，但由于计算复杂导致TBD算法在工程中应用受到很多限制。

TBD算法按结构可分为两大类：批处理和迭代，批处理跟踪器直接从多帧观测数据中进行目标跟踪，由于利用了多帧观测，其效果较好，精度较高，但计算量大。迭代算法主要基于贝叶斯理论，常使用粒子滤波(PF)作为具体的实现手段。在工程应用中，目标跟踪算法实施之前需要对航迹进行初始化，以找到目标的初始状态向量，从而进一步进行跟踪，在批处理TBD算法中，目标初始化选择的是最大似然-概率数据关联（ML-PDA）算法。

ML-PDA算法的基本思路是，目标的状态向量为一未知参量，在获取多帧观测数据后可结合监测区域写出多帧数据的总对数似然比（LLR）表达式（目标函数），该表达式含未知参量，当目标函数取最大值时对应的未知参量即为目标的真实状态向量，这一过程常通过遗传搜索算法（GA）来初步优化待估计向量（此处指的是待求的目标状态），再通过DFP搜索方法（变尺度法）来进一步优化待估计向量，得到最优值。而GA算法是在目标函数中随机选取若干各点称之为种子，再计算各种子的Fitness指数（适应指数，指的是GA算法中评价各种子优良程度的指标），选出指标优良的几个种子，再在优良种子的周围随机选出若干新种子，计算新种子的Fitness指数，由此重复计算，直至通过收敛测试。由于GA算法涉及到计算数量庞大的种子的Fitness指数，在传统的单线程CPU架构处理器上运算时需要逐次计算每个种子的的Fitness指数，使得CPU的任务重、耗时长，加之CPU本身就担负着计算机其他应用的计算工作，使得GA算法计算时耗时严重，无法满足目标跟踪的实时性。

发明内容

本发明的目的针对传统基于CPU架构的ML-PDA在计算实时性上的不足，提出一种由CPU和GPU协同工作的目标航迹初始化方法，达到在保持与CPU同等计算精度的前提下实现实时跟踪、计算速度快、可直接应用于工程、减小CPU计算量的目的。

本发明的思路是，采用“初选”，“复选”的方式来寻求最大化LLR，从而保证ML-PDA算法精度，在初选阶段，采用对杂波数变化相对不太敏感的GA搜索展开，在GPU架构中独立计算每一种子的Fitness指数，通过多线程一次计算即可完成CPU架构中多次循环才能完成的步骤，从而获得加速比。另外，由于ML-PDA采用多帧观测来进行数据拟合，并且每帧观测往往收到多个观测数据，因此LLR表达式中存在含参数的多项式求和，在计算每一种子的Fitness指数时，CPU架构中需要进行观测总数次循环，造成极大的时间开销；在GPU架构中，考虑通过每一线程计算LLR表达式中的含参多项式，再通过多线程递归的方式进行求和，可进一步获得加速比。在对单个向量进行复选的时候，参考多线程对应多项式的方式求LLR的方式可规避掉多次循环求和，加速整个“极大似然”过程，由此实现发明目的。

本发明方法包括如下步骤：

步骤1.在CPU主机端对ML-PDA算法参数进行初始化；

步骤2.在CPU端启动LLR计算线程；

步骤3.将LLR存储矩阵cu_Seed_LLR复制到内存填充Seed_LLR，通过遍历方式寻找其最大值max(Seed_LLR)、最小值min(Seed_LLR)与均值mean(Seed_LLR)，计算出Fitness指数线性算式中两个参数a、b；

步骤4.在CPU端创建计算Fitness指数工作线程，cu_Fit_Factor=acu_Seed_LLR+b；

步骤5.将cu_Fit_Factor拷贝到内存填充Fit_Factor，计算出种子的平均Fitness指数，并且将种子的Fitness指数基于平均数归一化；