基于gpu架構(gòu)的密集雜波條件下機(jī)動(dòng)多目標(biāo)跟蹤算法
【專利摘要】本發(fā)明屬于雷達(dá)與聲納【技術(shù)領(lǐng)域】，主要涉及結(jié)合的聯(lián)合最大似然-交互式多模型-概率數(shù)據(jù)關(guān)聯(lián)算法(CJML-IMM-PDA)的實(shí)現(xiàn)方法，具體來(lái)說(shuō)是一種基于GPD架構(gòu)的密集雜波條件下多微弱目標(biāo)軌跡初始化及維持的實(shí)現(xiàn)方法，可在微軟提供的軟件集成開(kāi)發(fā)平臺(tái)Visual?studio上，針對(duì)低信噪比、高雜波條件下的激動(dòng)多微弱目標(biāo)進(jìn)行快速的軌跡初始化并且對(duì)已初始化成功的軌跡保持跟蹤狀態(tài)。
【專利說(shuō)明】基于GPU架構(gòu)的密集雜波條件下機(jī)動(dòng)多目標(biāo)跟蹤算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于雷達(dá)與聲納【技術(shù)領(lǐng)域】，主要涉及結(jié)合的聯(lián)合最大似然_交互式多模型-概率數(shù)據(jù)關(guān)聯(lián)算法(CJML-1MM-PDA)的實(shí)現(xiàn)方法，具體來(lái)說(shuō)是一種基于GPD架構(gòu)的密集雜波條件下多微弱目標(biāo)軌跡初始化及維持的實(shí)現(xiàn)方法，可在微軟提供的軟件集成開(kāi)發(fā)平臺(tái)Visual studio上,針對(duì)低信噪比、高雜波條件下的激動(dòng)多微弱目標(biāo)進(jìn)行快速的軌跡初始化并且對(duì)已初始化成功的軌跡保持跟蹤狀態(tài)。
【背景技術(shù)】
[0002]密集雜波條件下的多微弱目標(biāo)跟蹤一直以來(lái)都是多目標(biāo)跟蹤【技術(shù)領(lǐng)域】的研究熱點(diǎn)以及難點(diǎn)，并且該技術(shù)在雷達(dá)(聲納)系統(tǒng)中有舉足輕重的作用。當(dāng)檢測(cè)區(qū)域內(nèi)的目標(biāo)雜波密度較大，信噪比較低時(shí)，一般使用檢測(cè)前跟蹤(TBD)算法進(jìn)行跟蹤，TBD算法能夠累積多幀觀測(cè)數(shù)據(jù)，從而更容易找到目標(biāo)運(yùn)動(dòng)的規(guī)律，因此能夠獲得較好的效果。
[0003]TBD算法按結(jié)構(gòu)可分為兩大類:批處理和迭代，批處理跟蹤器直接從多幀觀測(cè)數(shù)據(jù)中進(jìn)行目標(biāo)跟蹤，由于利用了多幀觀測(cè)，其效果較好，精度較高，但計(jì)算量大。迭代算法主要基于貝葉斯理論，常使用粒子濾波(PF)作為具體的實(shí)現(xiàn)手段。在工程應(yīng)用中，在目標(biāo)跟蹤算法實(shí)施之前往往需要對(duì)航跡進(jìn)行初始化，以找到目標(biāo)的初始狀態(tài)向量，從而進(jìn)一步進(jìn)行跟蹤，在批處理TBD算法中，多目標(biāo)軌跡初始化往往選擇的是聯(lián)合最大似然-概率數(shù)據(jù)關(guān)聯(lián)(JML-PDA)算法。在軌跡初始化完成后，檢測(cè)便不是首要任務(wù)，因此維持目標(biāo)軌跡可以交給其它計(jì)算量相對(duì)較小的算法來(lái)實(shí)施。由于目標(biāo)在監(jiān)測(cè)區(qū)域內(nèi)的運(yùn)動(dòng)狀態(tài)未知，傳統(tǒng)的單模型濾波算法往往無(wú)法得到較好的跟蹤效果，交互式多模型-聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法(IMM-JPDA)基于傳統(tǒng)的數(shù)學(xué)模型，能夠與TBD算法較好有機(jī)結(jié)合起來(lái)，實(shí)現(xiàn)無(wú)縫銜接，因此在密集雜波條件下的多目標(biāo)跟蹤體系中，往往將JML-PDA算法與IMM-JPDA算法結(jié)合起來(lái)使用，稱為CJML-1MM-PDA算法。
[0004]在CJML-1麗-PDA算法中，首先基于IMM-JPDA算法基于上一時(shí)刻已有的軌跡獲得當(dāng)前時(shí)刻下的目標(biāo)狀態(tài)估計(jì)值，再通過(guò)JML-PDA算法搜索出當(dāng)前時(shí)刻下的新生軌跡。其中，JML-PDA算法首先需要獲得軌跡(包括新生軌跡與已有軌跡)與收到量測(cè)之間的關(guān)聯(lián)事件，并基于對(duì)多幀觀測(cè)數(shù)據(jù)得到的聯(lián)合總對(duì)數(shù)似然比CJLLR)進(jìn)行最大化，在獲得幾LR表達(dá)式后基于搜索算法獲取幾LR最大值后輸出對(duì)應(yīng)的參數(shù)向量，常用的搜索算法有:網(wǎng)格搜索法、遺傳搜索算法(GA)和基于觀測(cè)空間反映射到參數(shù)空間的直接搜索法。其中，網(wǎng)絡(luò)搜索法由于計(jì)算效率低，精度不理想而未被廣泛使用，直接搜索法在通過(guò)觀測(cè)映射到參數(shù)空間后能夠縮小搜索范圍以至提高搜索精度，但在高雜波條件下由于接收到的觀測(cè)值較多而計(jì)算量較大，因此其普遍被應(yīng)用于小雜波情況，相較之下，在單線程架構(gòu)的處理器上GA算法的搜索精度與直接搜索法相當(dāng)，并且其搜索基于固定數(shù)量的種子，故其計(jì)算復(fù)雜度在雜波變化時(shí)相對(duì)穩(wěn)定，并且由于在搜索的時(shí)候GA算法各種子在可獨(dú)立計(jì)算其Fitness指數(shù)，具有先天的并行計(jì)算優(yōu)勢(shì)，因此我們選擇GA算法來(lái)搜索LLR的最優(yōu)值，但GA算法也面臨著收斂不穩(wěn)定的問(wèn)題，經(jīng)過(guò)GA算法搜索出的目標(biāo)狀態(tài)向量在較多情況下只是落入最佳幾LR對(duì)應(yīng)狀態(tài)向量的周圍而非最佳狀態(tài)向量本身，要想進(jìn)一步搜索得到最佳的目標(biāo)狀態(tài)向量，需要進(jìn)一步搜索，由于GA算法的輸出結(jié)果離最佳值不遠(yuǎn)，采用傳統(tǒng)的數(shù)學(xué)搜索方法也不會(huì)耗費(fèi)過(guò)多時(shí)間。DFP方法是擬牛頓法中的一種，依靠目標(biāo)函數(shù)對(duì)被搜索狀態(tài)向量的偏導(dǎo)來(lái)進(jìn)一步收斂狀態(tài)向量到最佳值，可取得令人滿意的收斂效果。IMM-JPDA算法的主要計(jì)算量體現(xiàn)在目標(biāo)與量測(cè)之間關(guān)聯(lián)事件的獲取上，會(huì)隨著目標(biāo)數(shù)與量測(cè)數(shù)的增加呈指數(shù)增加，即“組合爆炸”，在傳統(tǒng)架構(gòu)的處理器中，若監(jiān)測(cè)區(qū)域內(nèi)的目標(biāo)較多或雜波密度較大，IMM-JPDA算法根本無(wú)法實(shí)時(shí)實(shí)施。因此，CJML-1MM-PDA算法的計(jì)算量體現(xiàn)在兩個(gè)方面:一是獲得軌跡與量測(cè)之間的關(guān)聯(lián)事件；二是基于搜索算法得到最大幾LR對(duì)應(yīng)的新生軌跡狀態(tài)向量。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于改善傳統(tǒng)基于CPU架構(gòu)的CJML-1MM-PDA算法在計(jì)算實(shí)時(shí)性上的不足，提出一種基于GPU架構(gòu)的處理方法，在保持與CPU同等計(jì)算精度的前提下實(shí)現(xiàn)實(shí)時(shí)跟蹤，可直接應(yīng)用于工程。
[0006]本發(fā)明的思路是:在處理目標(biāo)-量測(cè)之間的關(guān)聯(lián)問(wèn)題時(shí)，預(yù)先將可能存在的各類關(guān)聯(lián)事件存入存儲(chǔ)器中，算法在確定當(dāng)前目標(biāo)數(shù)及量測(cè)數(shù)后，通過(guò)“查表”的方式獲得所有的關(guān)聯(lián)方式，通過(guò)“離線”計(jì)算關(guān)聯(lián)事件可省略較多時(shí)間，此外，本發(fā)明將關(guān)聯(lián)事件的記錄方式由傳統(tǒng)的矩陣方式改為向量方式，可實(shí)現(xiàn)一維并行計(jì)算；在搜索新生軌跡時(shí)，采用對(duì)雜波數(shù)變化相對(duì)不太敏感的GA搜索展開(kāi),在GPU架構(gòu)中獨(dú)立計(jì)算每一種子的Fitness指數(shù),通過(guò)多線程一次計(jì)算即可完成CPU架構(gòu)中多次循環(huán)才能完成的步驟，從而獲得加速比。另外，由于JML-PDA采用多幀觀測(cè)來(lái)進(jìn)行數(shù)據(jù)擬合，并且每幀觀測(cè)往往收到多個(gè)觀測(cè)數(shù)據(jù)，因此JLLR表達(dá)式中往往存在含參數(shù)的多項(xiàng)式求和，在為每一種子計(jì)算Fitness指數(shù)時(shí)，在CPU架構(gòu)中往往需要對(duì)求得的幾LR式中的多幀似然值進(jìn)行數(shù)次循環(huán)再進(jìn)行求和，造成極大的時(shí)間開(kāi)銷，在GPU架構(gòu)中，考慮通過(guò)多個(gè)線程計(jì)算每個(gè)種子的幾LR表達(dá)式，其中，單個(gè)線程計(jì)算一幀觀測(cè)數(shù)據(jù)對(duì)應(yīng)的似然值，再通過(guò)多線程遞歸的方式進(jìn)行求和，可進(jìn)一步獲得加速比。在對(duì)單個(gè)向量進(jìn)行復(fù)選的時(shí)候，參考多線程對(duì)應(yīng)多項(xiàng)式的方式求幾LR的方式可減少求和的循環(huán)次數(shù)，加速整個(gè)“極大似然”過(guò)程。
[0007]本發(fā)明的目的通過(guò)如下步驟實(shí)現(xiàn):
[0008]S1、在CPU端對(duì)IMM-JPDA算法參數(shù)進(jìn)行初始化，具體如下:
[0009]S101、初始化觀測(cè)環(huán)境各項(xiàng)參數(shù)，所述參數(shù)包括:頻率觀測(cè)方差，角度觀測(cè)方差，距離觀測(cè)方差，對(duì)應(yīng)頻率、角度和距離的觀測(cè)方程，虛警概率，檢測(cè)概率，雜波密度，雷達(dá)采樣間隔，各模型協(xié)方差，確認(rèn)門(mén)的門(mén)限Y，k-ι時(shí)刻軌跡在模型j下的狀態(tài)向量xi_,，k-ι時(shí)刻
軌跡在模型j下對(duì)應(yīng)的協(xié)方差矩陣Pt，目標(biāo)i對(duì)應(yīng)于模型j的概率
[0010]S102、收集觀測(cè)信息，并將其存入觀測(cè)矩陣Z中，將每一幀手機(jī)到的觀測(cè)數(shù)量存入記錄向量0bser_num中；
[0011]S103、通過(guò)調(diào)用 CUDA runtime 驅(qū)動(dòng)庫(kù)中的 cudaMallocO 與 cudaMal1cPitchO函數(shù)在顯存中分別開(kāi)辟向量與矩陣的存儲(chǔ)區(qū)域，具體存儲(chǔ)區(qū)域包括:觀測(cè)存儲(chǔ)矩陣cu_Obser、觀測(cè)數(shù)量記錄向量cu_0bser_num、目標(biāo)在模型條件下于k_l時(shí)刻的狀態(tài)矩陣cu_x_k_l、目標(biāo)在模型條件下的預(yù)測(cè)狀態(tài)矩陣cu_X_pre、目標(biāo)在模型條件下的更新?tīng)顟B(tài)矩陣cu_x_k、目標(biāo)在模型條件下于k-1時(shí)刻的協(xié)方差矩陣cu_P_k_l、目標(biāo)在模型條件下的預(yù)測(cè)協(xié)方差矩陣cu_P_pre、目標(biāo)在模型條件下的更新協(xié)方差矩陣cu_P_k、目標(biāo)在模型條件下的互協(xié)方差矩陣cu_S、觀測(cè)方程的雅可比矩陣cu_H_k_k_l、目標(biāo)在各模型下的增益矩陣cu_W ；
[0012]S104、在CPU端將接收到的多幀觀測(cè)信息矩陣Obser和每幀觀測(cè)數(shù)量0bser_num加載到內(nèi)存中；
[0013]S2、基于馬氏轉(zhuǎn)移矩陣Pm在CPU端進(jìn)行模型交換，計(jì)算出目標(biāo)i對(duì)應(yīng)模型j的預(yù)測(cè)概率= Σ/Μ ，其中，M代表算法在執(zhí)行時(shí)選擇的模型集的全部，P表示模型從r轉(zhuǎn)
r 龜M'J
移到j(luò)的概率，為馬氏轉(zhuǎn)移矩陣Pm中的元素；
[0014]S3、在CPU端啟動(dòng)多模型預(yù)測(cè)線程，具體如下:
[0015]S301、在模型j條件下的目標(biāo)狀態(tài)預(yù)測(cè)公式為cu_pre = Fj.cu_x_k_l ,其中,Fj代表模型j的轉(zhuǎn)移矩陣；
[0016]S302、在模型j條件下的目標(biāo)協(xié)方差矩陣的預(yù)測(cè)公式為cu_P_pre = Fj.cu_x_k_l.(Fj) T+Q」，其中，(.)T代表矩陣的轉(zhuǎn)置，Qj代表模型j的方差；
[0017]S303、在模型j條件下的目標(biāo)互協(xié)方差矩陣的計(jì)算公式為cu_s = cu_H_k_k_l.cu_P_pre.(cu_H_k_k_l) T+R,其中，R 為觀測(cè)的協(xié)方差；
[0018]S304、在模型j條件下的目標(biāo)增益矩陣的計(jì)算公式為cu_W = cu_P_pre.cu_H_k_k_l.(ci^P+pre)—1，其中，(.”表示矩陣求逆；
[0019]S4、基于通過(guò)離線算得的預(yù)設(shè)關(guān)聯(lián)事件表獲得目標(biāo)與觀測(cè)之間的關(guān)聯(lián)事件，同時(shí)基于互協(xié)方差矩陣較大的模型劃定確認(rèn)門(mén)排除一部分關(guān)聯(lián)事件，具體如下:
[0020]S401、在S302所述目標(biāo)協(xié)方差矩陣中找出行列式最大的協(xié)方差矩陣S_max對(duì)應(yīng)的模型；
[0021]S402、找出S303所述行列式最大的協(xié)方差矩陣S_max對(duì)應(yīng)的模型；
[0022]S403、判斷目標(biāo)i與模型j的關(guān)聯(lián)性,若(z_j)T.(S_max).z_j ( Y，則意味著模型j落入目標(biāo)i確認(rèn)門(mén)中，有關(guān)聯(lián)的可能性，若(z_j)T.(Sjnaxr1.z_j > Y，則意味著模型j未落入目標(biāo)i確認(rèn)門(mén)中，沒(méi)有關(guān)聯(lián)的可能性，其中，確認(rèn)門(mén)的門(mén)限Y為經(jīng)驗(yàn)值；
[0023]S5、在CPU端啟動(dòng)模型和目標(biāo)之間對(duì)應(yīng)概率的計(jì)算線程，具體如下:
[0024]S501、對(duì)第i個(gè)關(guān)聯(lián)事件E(i)，在兩個(gè)模型下計(jì)算每個(gè)量測(cè)與目標(biāo)關(guān)聯(lián)的似然值，對(duì)所述似然值求和；
[0025]S502、對(duì)所有關(guān)聯(lián)事件，依據(jù)事件內(nèi)量測(cè)與目標(biāo)之間的關(guān)聯(lián)關(guān)系加權(quán)后歸一化得到各量測(cè)對(duì)于各目標(biāo)的概率；
[0026]S6、在CPU端啟動(dòng)多模型更新線程，具體如下:
[0027]S601、基于式 cu_x_k = cu_pre+cu_ff.(Z (m) _z_pre (j))算得基于觀測(cè) m 更新得到模型j下目標(biāo)的狀態(tài)向量，完成后在模型j下將各觀測(cè)對(duì)應(yīng)的狀態(tài)向量同對(duì)應(yīng)的概率加權(quán)得到目標(biāo)在模型j下的狀態(tài)更新；
[0028]S602、基于式 cu_P_k = [cu_x_k_cu_x_k (m) ] [cu_x_k_cu_x_k (m) ]τ 算得各量測(cè)對(duì)應(yīng)于各模型得到的更新協(xié)方差，再將它們同對(duì)應(yīng)的概率加權(quán)，最終與預(yù)測(cè)協(xié)方差cu_P_pre相加得到目標(biāo)在模型j下的更新協(xié)方差矩陣；
[0029]S7、在CPU端基于目標(biāo)i對(duì)應(yīng)于模型j的似然值更新模型概率得到冗；[0030]S8、在CPU端計(jì)算模型j條件下目標(biāo)i在k時(shí)刻的更新?tīng)顟B(tài)向量(及協(xié)方差矩陣P/，基于μ?將其融合得到最終的目標(biāo)狀態(tài)Xk及對(duì)應(yīng)的協(xié)方
差Pk，其中狀態(tài)向量融合式為
【權(quán)利要求】
1.基于GPU架構(gòu)的密集雜波條件下機(jī)動(dòng)多目標(biāo)跟蹤算法，其特征在于，包括以下步驟: S1、在CPU端對(duì)IMM-JPDA算法參數(shù)進(jìn)行初始化，具體如下: S101、初始化觀測(cè)環(huán)境各項(xiàng)參數(shù)，所述參數(shù)包括:頻率觀測(cè)方差，角度觀測(cè)方差，距離觀測(cè)方差，對(duì)應(yīng)頻率、角度和距離的觀測(cè)方程，虛警概率，檢測(cè)概率，雜波密度，雷達(dá)采樣間隔，各模型協(xié)方差，確認(rèn)門(mén)的門(mén)限Y，k-l時(shí)刻軌跡在模型j下的狀態(tài)向量xL，k-1時(shí)刻軌跡在模型j下對(duì)應(yīng)的協(xié)方差矩陣PA，目標(biāo)i對(duì)應(yīng)于模型j的概率 S102、收集觀測(cè)信息，并將其存入觀測(cè)矩陣Z中，將每一幀手機(jī)到的觀測(cè)數(shù)量存入記錄向量 Obser_num 中； S103、通過(guò)調(diào)用CUDA runtime 驅(qū)動(dòng)庫(kù)中的 cudaMallocO 與 cudaMal1cPitchO 函數(shù)在顯存中分別開(kāi)辟向量與矩陣的存儲(chǔ)區(qū)域，具體存儲(chǔ)區(qū)域包括:觀測(cè)存儲(chǔ)矩陣cu_0bser、觀測(cè)數(shù)量記錄向量cu_Obser_num、目標(biāo)在模型條件下于k_l時(shí)刻的狀態(tài)矩陣cu_x_k_l、目標(biāo)在模型條件下的預(yù)測(cè)狀態(tài)矩陣cu_X_pre、目標(biāo)在模型條件下的更新?tīng)顟B(tài)矩陣cu_x_k、目標(biāo)在模型條件下于k-Ι時(shí) 刻的協(xié)方差矩陣cu_P_k_l、目標(biāo)在模型條件下的預(yù)測(cè)協(xié)方差矩陣cu_P_pre,目標(biāo)在模型條件下的更新協(xié)方差矩陣cu_P_k、目標(biāo)在模型條件下的互協(xié)方差矩陣cu_S、觀測(cè)方程的雅可比矩陣cu_H_k_k_l、目標(biāo)在各模型下的增益矩陣cu_W ； S104、在CPU端將接收到的多幀觀測(cè)信息矩陣Obser和每幀觀測(cè)數(shù)量0bser_num加載到內(nèi)存中； S2、基于馬氏轉(zhuǎn)移矩陣Pm在CPU端進(jìn)行模型交換，計(jì)算出目標(biāo)i對(duì)應(yīng)模型j的預(yù)測(cè)概率Mh =’其中，M代表算法在執(zhí)行時(shí)選擇的模型集的全部，P-表示模型從r轉(zhuǎn)移reMrJ到j(luò)的概率，為馬氏轉(zhuǎn)移矩陣Pm中的元素； S3、在CPU端啟動(dòng)多模型預(yù)測(cè)線程，具體如下: S301、在模型j條件下的目標(biāo)狀態(tài)預(yù)測(cè)公式為cu_pre= Fj.οιι_χ_1?_1,其中,Fj代表模型j的轉(zhuǎn)移矩陣； S302、在模型j條件下的目標(biāo)協(xié)方差矩陣的預(yù)測(cè)公式為cu_P_pre= Fj *cu_x_k_l.(Fj)T+Qj，其中，(.)τ代表矩陣的轉(zhuǎn)置，Qj代表模型j的方差； S303、在模型j條件下的目標(biāo)互協(xié)方差矩陣的計(jì)算公式為cu_S= cu_H_k_k_l.cu_P_pre.(cu_H_k_k_l)T+R，其中，R為觀測(cè)的協(xié)方差； S304、在模型j條件下的目標(biāo)增益矩陣的計(jì)算公式為cu_W= cu_P_pre.cu_H_k_k_l.(ci^P+pre)—1，其中，(.”表示矩陣求逆； S4、基于通過(guò)離線算得的預(yù)設(shè)關(guān)聯(lián)事件表獲得目標(biāo)與觀測(cè)之間的關(guān)聯(lián)事件，同時(shí)基于互協(xié)方差矩陣較大的模型劃定確認(rèn)門(mén)排除一部分關(guān)聯(lián)事件，具體如下: S401、在S302所述目標(biāo)協(xié)方差矩陣中找出行列式最大的協(xié)方差矩陣S_max對(duì)應(yīng)的模型； S402、找出S303所述行列式最大的協(xié)方差矩陣S_max對(duì)應(yīng)的模型； S403、判斷目標(biāo)i與模型j的關(guān)聯(lián)性,若(z_j)T.(S_max).z_j ( Y，則意味著模型j落入目標(biāo)i確認(rèn)門(mén)中，有關(guān)聯(lián)的可能性，若(z_j)T.(S_max).z_j > y ,則意味著模型j未落入目標(biāo)i確認(rèn)門(mén)中，沒(méi)有關(guān)聯(lián)的可能性，其中，確認(rèn)門(mén)的門(mén)限Y為經(jīng)驗(yàn)值； S5、在CPU端啟動(dòng)模型和目標(biāo)之間對(duì)應(yīng)概率的計(jì)算線程，具體如下:S501、對(duì)第i個(gè)關(guān)聯(lián)事件E(i)，在兩個(gè)模型下計(jì)算每個(gè)量測(cè)與目標(biāo)關(guān)聯(lián)的似然值，對(duì)所述似然值求和； S502、對(duì)所有關(guān)聯(lián)事件，依據(jù)事件內(nèi)量測(cè)與目標(biāo)之間的關(guān)聯(lián)關(guān)系加權(quán)后歸一化得到各量測(cè)對(duì)于各目標(biāo)的概率； S6、在CPU端啟動(dòng)多模型更新線程，具體如下: S601、基于式cu_x_k= cu_pre+cu_ff.(Z (m) -z_pre(j))算得基于觀測(cè)m更新得到模型j下目標(biāo)的狀態(tài)向量，完成后在模型j下將各觀測(cè)對(duì)應(yīng)的狀態(tài)向量同對(duì)應(yīng)的概率加權(quán)得到目標(biāo)在模型j下的狀態(tài)更新； S602、基于式cu_P_k = [cu_x_k_cu_x_k (m) ] [cu_x_k_cu_x_k (m) ]τ 算得各量測(cè)對(duì)應(yīng)于各模型得到的更新協(xié)方差，再將它們同對(duì)應(yīng)的概率加權(quán)，最終與預(yù)測(cè)協(xié)方差cu_P_pre相加得到目標(biāo)在模型j下的更新協(xié)方差矩陣； S7、在CPU端基于目標(biāo)i對(duì)應(yīng)于模型j的似然值更新模型概率得到μ S8、在CPU端計(jì)算模型j條件下目標(biāo)i在k時(shí)刻的更新?tīng)顟B(tài)向量4及協(xié)方差矩陣P/，基于W將其融合得到最終的目標(biāo)狀態(tài)xk及對(duì)應(yīng)的協(xié)方差pk，其中狀態(tài)向量融合式為
2.根據(jù)權(quán)利要求1所述基于GPU架構(gòu)的密集雜波條件下機(jī)動(dòng)多目標(biāo)跟蹤算法，其特征在于:S1102所述求得每個(gè)遺傳種子在對(duì)應(yīng)幀數(shù)下的局部聯(lián)合似然比之和時(shí)，需要對(duì)max (Obser_num)進(jìn)行判定:若max (Obser_num)≥64,則通過(guò)多線程遞歸的方式進(jìn)行求和；若max (Obser_num) < 64,則使用一個(gè)線程求和。
3.根據(jù)權(quán)利要求1所述基于GPU架構(gòu)的密集雜波條件下機(jī)動(dòng)多目標(biāo)跟蹤算法，其特征在于:S24所述循環(huán)計(jì)算的次數(shù)〈9。
4.根據(jù)權(quán)利要求1所述基于GPU架構(gòu)的密集雜波條件下機(jī)動(dòng)多目標(biāo)跟蹤算法，其特征在于:S2903所述計(jì)算方式為離線計(jì)算。
【文檔編號(hào)】G06T1/20GK104021519SQ201410271158
【公開(kāi)日】2014年9月3日 申請(qǐng)日期:2014年6月17日 優(yōu)先權(quán)日:2014年6月17日
【發(fā)明者】唐續(xù), 高林, 金輝, 李立萍 申請(qǐng)人:電子科技大學(xué)