Vylepšení kvality odhadu vícecílového sledovacího algoritmu s využitím on-demand externích senzorů

Abstract

Tato práce se zabývá problematikou sledování více cílů, především probability hypothesis density (PHD) filtrem, a metodami, jak zlepšit jeho výkonnost v oblastech, kde je senzor zatížen významným množstvím misdetekcí nebo vysokou intenzitou clutteru. K tomuto účelu jsou využívány informace z on-demand externích senzorů. Představujeme tři postupy, jak zahrnout dodatečné informace z algoritmů pro sledování jednoho cíle -- probabilistic data association (PDA) filtrů. Poskytujeme veškeré potřebné teoretické základy pro metody sledování jednoho cíle, sledování více cílů a fúze informací. Vyhodnotíme výkonnost navrhovaných postupů a ukážeme, že zlepšují výsledky sledování.

This thesis focuses on the problem of multi-target tracking, especially on the probability hypothesis density (PHD) filter, and on methods of improving its performance in regions where the sensor is affected by significant misdetections or high clutter rate. To this end, the information from on-demand external sensors is employed. We introduce three approaches to include additional information from single-target trackers -- probabilistic data association (PDA) filters. We provide all required theoretical background for single-target tracking, multi-target tracking, and information fusion methods. We evaluate the performance of proposed approaches and demonstrate that they improve tracking results.