一种多目标数据跟踪方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113987741A(43)申请公布日2022.01.28(21)申请号202111072136.X(22)申请日2021.09.14(71)申请人武汉光庭信息技术股份有限公司地址430000湖北省武汉市东湖开发区光谷软件园一期以西、南湖南路以南光谷软件园六期2幢8层208号(72)发明人王军德费腾张伟张家豪(74)专利代理机构武汉蓝宝石专利代理事务所(特殊普通合伙)42242代理人范三霞(51)Int.Cl.G06F30/20(2020.01)G06Q10/04(2012.01)权利要求书2页说明书6页附图3页(54)发明名称一种多目标数据跟踪方法及系统(57)摘要本发明涉及一种多目标数据跟踪方法及系统，其方法包括：获取多个传感器的测量数据以及多个预测数据，并根据每个传感器的测量数据和多个预测数据的向量相关一致性，对每个测量目标和每个预测目标进行匹配；统计每个测量目标和每个预测目标的匹配成功的次数，并根据其构建关联矩阵；根据基于运动学模型的卡尔曼滤波方法和所述关联矩阵，对所述测量目标和预测目标进行管理。本发明通过基于向量相关一致性的匹配方法，解决了最大匹配算法导致出现误差的问题，实现了实时多传感器多目标数据跟踪和预测。CN113987741ACN113987741A权利要求书1/2页1.一种多目标数据跟踪方法，其特征在于，包括如下步骤：获取多个传感器的测量数据以及多个预测数据，并根据每个传感器的测量数据和多个预测数据的向量相关一致性，对每个测量目标和每个预测目标进行匹配；统计每个测量目标和每个预测目标的匹配成功的次数，并根据其构建关联矩阵；根据基于运动学模型的卡尔曼滤波方法和所述关联矩阵，对所述测量目标和预测目标进行管理。2.根据权利要求1所述的多目标数据跟踪方法，其特征在于，所述向量相关一致性通过如下方法计算：其中，ρ(.)表示关联矩阵的向量相关一致性指数；S表示预测目标数据，T表示测量目标数据，E(.)表示相对应的均值；s表示预测目标数据的序数，t表示测量目标数据的序数，M和N分别表示测量目标总数和预测目标总数。3.根据权利要求2所述的多目标数据跟踪方法，其特征在于，若存在一个测量目标与多个预测目标的向量相关一致性指数相等，则：从所述多个预测目标的数据中，选择与测量目标的欧式距离最小的一组预测目标数据作为匹配数据。4.根据权利要求1所述的多目标数据跟踪方法，其特征在于，所述根据基于运动学模型的卡尔曼滤波方法和所述关联矩阵，对所述测量目标和预测目标进行管理包括：根据基于运动学模型的卡尔曼滤波方法对测量目标和预测目标的数据进行更新；统计经过更新后的预测目标以及测量目标的匹配次数，并根据其对测量目标和预测目标的数据进行管理。5.根据权利要求4所述的多目标数据跟踪方法，其特征在于，所述统计经过更新后的预测目标以及测量目标的匹配次数，并根据其对测量目标和预测目标的数据进行管理包括：若存在测量目标和预测目标的数据在预设帧数内匹配次数不小于阈值，则保留该测量目标及其数据；否则，将该测量目标从关联矩阵中剔除。6.根据权利要求1－5中任一项所述的多目标数据跟踪方法，其特征在于，所述关联矩阵通过如下方法构建：将每个传感器的测量数据和每个预测数据的序数分别作为关联矩阵的行数据和列数据；将行数据对应的测量数据与列数据对应的预测数据进行向量相关一致性计算；根据所述向量相关一致性计算的结果，确定行数据与列数据对应的关联矩阵中的元素的取值。7.一种多目标数据跟踪系统，其特征在于，包括获取模块、匹配模块、管理模块，所述获取模块，用于获取多个传感器的测量数据以及多个预测数据，并根据每个传感器的测量数据和多个预测数据的向量相关一致性，对每个测量目标和每个预测目标进行匹配；匹配模块，用于统计每个测量目标和每个预测目标的匹配成功的次数，并根据其构建2CN113987741A权利要求书2/2页关联矩阵；管理模块，用于根据基于运动学模型的卡尔曼滤波方法和所述关联矩阵，对所述测量目标和预测目标进行管理。8.根据权利要求7所述的多目标数据跟踪系统，其特征在于，所述管理模块包括更新单元、管理单元，所述更新单元，用于根据基于运动学模型的卡尔曼滤波方法对测量目标和预测目标的数据进行更新；所述管理单元，统计经过更新后的预测目标以及测量目标的匹配次数，并根据其对测量目标和预测目标的数据进行管理。9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一项所述的多目标数据跟踪方法。10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任一项