【目标跟踪】扩展物体和群体目标的形状跟踪与星凸RHMs（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

文献来源：

摘要：
本文涉及跟踪扩展对象或群组目标，这会导致来自不同测量源的测量数量变化。为此，除了目标的运动学，还会跟踪目标的形状。目标范围采用一种称为随机超曲面模型（RHM）的新方法建模，该方法假设不同的测量源位于形状边界的缩放版本上。本文介绍了用于跟踪星凸近似形状目标的星凸RHM。通过高斯假设的状态估计器进行星凸RHM的贝叶斯推理，从而实现了一种高效的递归闭合形式测量更新。模拟展示了该方法在典型扩展对象和群组跟踪场景中的性能。

典型的目标跟踪建模假设是目标是一个没有范围的数学点。然而，在现实世界的跟踪系统中，有两种主要场景不适用于这一标准假设。

首先，现代传感器设备（如雷达设备）的分辨率通常比目标物体的空间范围更高（参见图1）。因此，在单次扫描中可能会解析出目标物体上的几个未知点，即测量源。这些测量源可能会从一次扫描到另一次扫描变化，并且它们的位置不仅取决于目标的形状，还取决于更复杂的目标特性（如表面的性质）甚至目标与传感器的几何关系。

其次，作为一个单一实体考虑的一组点目标可以被看作是一个整体，因为各个成员之间存在着高度相互依赖性，这由群体行为规定。同样，在这种情况下，测量源会在每次扫描中变化，并且它们的位置高度依赖于群体的属性（例如群体之间的几何关系）。

在这种意义上，扩展物体可以被定义为具有共同属性的一组测量源，例如动态行为或状态变量。如果这组测量源由有限的测量源组成，则称为群体目标[1]。然而，在连续的测量源组成的情况下，则称为扩展物体。根据这一定义，扩展物体和群体跟踪包括跟踪形成目标的一组测量源。

📚2 运行结果

部分代码：

% Calculate Sigma Points

%Stack state and noise mean
x_ukf = [x; measurementNoiseMean];

%Stack state and noise Covariance
C_ukf = blkdiag(C, measurementNoiseCovariance);

n = size(x_ukf, 1);
n_state = size(x, 1);

lamda = alpha^2 * (n + kappa) - n;

% Calculate Weights Mean
WM(1) = lamda / (n + lamda);
WM(2 : 2 * n + 1) = 1 / (2 * (n + lamda));
% Calculate Weights Covariance
WC(1) = (lamda / (n + lamda)) + (1 - alpha^2 + beta);
WC(2 : 2 * n + 1) = 1 / (2 * (n + lamda));

%Calculate Sigma Points
A = sqrt(n + lamda) * chol(C_ukf)';

xSigma = [zeros(size(x_ukf)) -A A];
xSigma = xSigma + repmat(x_ukf, 1, size(xSigma, 2));

% Filterstep
z = 0;
C_yy = 0;
C_xy = 0;

zSigmaPredict = feval(measurementFunctionHandle, xSigma(1:n_state,:), xSigma(n_state + 1:n, :), measurement, numberOfFourierCoef );

for i = 1 : size(zSigmaPredict, 2);
    z = z + ( zSigmaPredict(:,i) * WM(i) );
end

for i = 1 : size(zSigmaPredict, 2)
    C_yy = C_yy + WC(i) * ( (zSigmaPredict(:,i) - z ) * ( zSigmaPredict(:,i) - z )') ;
    C_xy = C_xy + WC(i) * ( (xSigma(1:size(x, 1),i) - x ) * ( zSigmaPredict(:,i) - z )');
end

K = C_xy / C_yy;
x_e = x + K * (zeros(size(z)) - z);
C_e = C - K * (C_yy) * K';

end

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

M. Baum and U. D. Hanebeck, "Shape tracking of extended objects and group targets with star-convex RHMs," 14th International Conference on Information Fusion, Chicago, IL, USA, 2011, pp. 1-8. keywords: {Shape;Target tracking;Noise measurement;Shape measurement;Bayesian methods;Radar tracking;Mathematical model;Target tracking;shape tracking;extended objects;group targets},

🌈4 Matlab代码实现