[发明专利]一种并行计算粒子概率假设密度滤波多目标跟踪方法

说明书

本发明公开一种并行计算粒子概率假设密度滤波多目标跟踪方法。针对传统粒子概率假设密度滤波无法实现完全并行计算、实时性差的问题，采用多核处理器实现从重要性采样到状态估计阶段所有过程的并行计算，从而提高多目标跟踪的实时性。每个并行处理单元得到初始化粒子后独立进行重要性采样、权值计算归一化、重采样和局部估计，但保留和记录了重采样后的粒子在重采样前的局部权值，中央处理单元根据这些保留的局部权值计算各个并行单元参与状态估计的粒子权重比，根据此权重比加权融合局部估计值得到最终的多目标状态全局估计。本发明通过并行计算提高多目标跟踪的实时性，具有良好的应用前景。

技术领域

本发明涉及图像、雷达及声纳信号处理领域。

背景技术

多目标跟踪是用信号处理的方法对图像、雷达、声纳等应用场合中存在的多个目标状态信息进行估计，在军事和民用领域中都得到了广泛应用，是国际上十分热门的研究领域之一。

以概率假设密度(Probability Hypothesis Density,PHD)滤波极其各种改进方法为基础的状态估计方法，在多目标跟踪中得到了最广泛的应用，PHD滤波器的序贯蒙特卡罗实现方法，即粒子概率假设密度 (Particle-Probability Hypothesis Density,P-PHD)滤波，用粒子的形式实现PHD的递归，利用一组加权的随机样本逼近概率假设密度分布，以此解决PHD滤波器中多重积分的计算问题，有效的克服了PHD难于计算闭式解的问题，该算法在线性系统和非线性系统下均有良好的滤波效果，但这一多目标跟踪滤波方法仍存在计算量大、实时性差的难题。P-PHD滤波及其改进算法需要大量的随机样本进行计算以得到更准确的概率假设密度分布，导致该滤波器计算量大实时性较差，并行计算可以显著的提高处理器的利用率和计算速度，如果能够用并行计算的方法实现P-PHD滤波，就可以大幅度提高多目标跟踪的实时性。由于P-PHD 滤波借助了一些粒子滤波的过程实现，有些研究引入粒子滤波过程中的一些并行特性提出了并行计算的方法，但大多只是一些局部过程的并行计算，无法实现整个过程的并行计算，尤其是重采样和归一化权值这些需要利用所有粒子信息的过程，并行计算难以实现。无论是比例分配分布式重采样还是非比例分配分布式重采样，在采样后归一化权值和粒子转移阶段都需要中央处理器介入，因而都不是一种完全的并行运算。如果能够实现粒子概率假设密度滤波的完全并行计算，就可以大幅度提高处理器的计算速度和处理能力，从而提高多目标跟踪的实时性。

发明内容

本发明提供一种并行计算粒子概率假设密度滤波多目标跟踪方法，解决上述粒子概率假设密度滤波无法实现完全并行计算、实时性差的问题，从而大幅度提高处理器的计算速度减少时间消耗，不同于已有的方法，提出的方法能够实现从重要性采样到状态估计阶段所有过程的并行计算。

为实现上述目的，本发明采用如下技术方案：

一种并行计算粒子概率假设密度滤波多目标跟踪方法，具体步骤为：

步骤一，处理器并行任务分配：由多核处理器承担并行粒子概率假设密度滤波多目标跟踪的计算任务，将多核处理器分为1个中央处理单元(CU，Central Unit)和P个处理单元(PE，Processing Element)；

步骤二，初始化：CU将初始化的或者上一轮迭代的L个粒子平均分配给P个PE，每个PE独立处理 L/P个粒子，CU输入所有观测信息并送给PE；

步骤三，产生重要性密度函数：每个PE独立并行计算重要性采样密度函数，重新产生采样粒子，新检测目标对应的新生粒子则由CU采样；