[发明专利]前后向预测与速度加权结合的像平面片段轨迹关联方法

权利要求书

1.前后向预测与速度加权结合的像平面片段轨迹关联方法，其特征在于，该方法包括以下步骤：

S1：对场景中的轨迹进行预处理，得到时间空间上没有交集的轨迹集合，此时可按时间顺序由前至后依次对轨迹集进行关联，以两段轨迹为例进行讨论，时间靠前的称为旧轨迹，时间靠后的称为新轨迹；

S2：对旧轨迹集合进行前向预测，对新轨迹集合进行后向预测：

S2.1：对旧轨迹集合中的轨迹进行前向滤波，对新轨迹集合中的轨迹进行后向滤波，此时滤波使用二维匀加速模型，对于二维匀加速模型，假设目标在二维状态空间做匀加速运动，假设此时状态矢量为：

X_CA(k)＝[x(k),y(k),v_x(k),v_y(k),a_x(k),a_y(k)]^T

其中x(k),y(k),v_x(k),v_y(k),a_x(k),a_y(k)分别代表目标在k时刻x,y方向的位置、速度和加速度,有目标的状态方程为：

其中q_CA(k)代表零均值方差为的高斯白噪声，其本质上即代表加加速度的扰动项；

在滤波过程中，CA模型对应观测模型为：

其中Z(k)代表k时刻的量测量，r_p(k)代表观测过程中的像元误差，假定服从零均值、方差为的高斯分布；

S2.2：对旧轨迹集合中的轨迹进行后向预测，对新轨迹集合中的轨迹进行前向预测，此时滤波使用二维匀速模型，对于二维匀速模型，假设目标在二维状态空间做匀速运动，假设此时状态矢量为：

X_CV(k)＝[x(k),y(k),v_x(k),v_y(k)]^T

其中x(k),y(k),v_x(k),v_y(k)分别代表目标在k时刻x,y方向的位置和速度,则有目标的状态方程为：

其中T代表采样时间，q_CV(k)代表零均值方差为的高斯白噪声，其本质上即代表加速度的扰动项；

S3：对旧轨迹集合和新轨迹集合利用速度加权思路选择时间窗口，构造检验量：

S3.1：针对第i条旧轨迹和第j条新轨迹，利用速度加权的思路选择检验时间窗中点位置：

其中代表第i条旧轨迹和第j条新轨迹时间窗中点位置，代表新第i条旧轨迹和第j条新轨迹时间窗初始位置，n_w代表时间窗口大小，代表新第i条旧轨迹和第j条新轨迹时间间隔，代表第j条新轨迹后向估计在时刻的速度，代表第i条旧轨迹前向估计在时刻的速度，norm(x)代表对向量x取模值，floor(x)代表对数值x取整数部分；

S3.2：在选定检验时间窗后，定义统计量其中有为服从n_x自由度的x²分布，其中n_x代表x(k)的维度，此时n_x仅考虑位置分量，即取n_x＝2，对时间窗内的统计量加和，有轨迹i、轨迹j关联检验量为：

由于各个时刻的统计量相互独立，有服从自由度为n_x×n_w的x²分布；

S4：对得到的关联检验量进行假设检验，在假设检验门限内，若新旧轨迹都还有多条，则构造检验矩阵，使用二维指派的方法给出新旧轨迹的关联情况：

S4.1：对关联检验量进行假设检验，即

H₀：轨迹i、轨迹j是同一目标轨迹；

H₁：轨迹i、轨迹j不是同一目标轨迹；

在假设H₀成立的条件下，以显著性水平α获得此时的门限值Th₁₂，此时判断准则为：

对进行假设检验；

S4.2：若新旧轨迹集合均只有一条，则通过假设检验即可判别是否为同一目标，若有多条，则构造检验矩阵：

遍历求解该二维指派问题，得到其最小值的匹配情况，即可得到旧轨迹集合和新轨迹集合之间的最佳关联。