[发明专利]一种并行的雷达多目标关联方法

说明书

技术领域

本发明属于雷达多目标数据处理领域，尤其适用于密集杂波背景下的多目标数据关联。

背景技术

杂波环境下的多目标数据互联技术是雷达多目标领域中最重要又最难处理的问题，特别是当回波落入波门的交叉区域时，则此时的多目标关联就变得非常复杂。联合概率数据关联(jointprobabilisticdataassociation,JPDA)是在仅适用于单目标跟踪的概率数据关联的方法上提出来的，在杂波环境下进行多目标数据关联的良好算法。JPDA根据落入跟踪波门内的所有点迹的不同排列组合的联合假设，计算出每个联合事件的发生概率，计算出点迹属于目标的联合概率。然而联合假设的数量随落入跟踪波门内的点迹数目的增加而呈指数增加，具有很高的计算量，可能造成跟踪处理时数据处理的滞后，因此在工程中很少被使用。

通常在CPU中拥有的活动线程数不超过其包含的物理处理器的数量两倍，因而并行处理能力较差。而GPU设计者将更多的晶体管用作执行单元，而不是像CPU那样用作复杂的控制单元和缓存并以此来提高少量执行单元的执行效率，因此GPU具有更强大的并行计算能力。

发明内容

为了解决现有技术中多目标跟踪JPDA算法效率的问题，本发明提供一种并行的雷达多目标关联方法，将JPDA算法移植到GPU来实现，采用CPU+GPU的异构并行架构，对传统的JPDA算法合理划分GPU执行部分和CPU执行部分，协同工作，充分利用GPU超强的并行计算能力来提高JPDA算法的实现效率。

一种并行的雷达多目标关联方法，具体步骤如下：

S1、将雷达观测区域的m个量测值、t个目标的当前状态值以及目标运动模型的参数拷入显存，然后对每个目标的当前状态进行估计得到状态的预测值，计算出量测与目标互连的确认矩阵，所述确认矩阵为t行m列矩阵，所述确认矩阵的元素为0或1；

S2、将S1所述确认矩阵拷贝至GPU，并在GPU上调度进程进行后续处理，由S1得到的确认矩阵进一步计算出所有的可行事件的集合，表示为事件矩阵，所述事件矩阵为x行m列矩阵，所述事件矩阵的每一行表示一个可能的事件，x为总的事件数，0≤x≤m^t+1；

S3、在CPU，利用S2所述事件矩阵，求出每个事件发生的概率；

S4、结合S2所述事件矩阵和S3所述每个事件发生的概率，可以得到各量测与目标之间互相配对的概率矩阵，根据所述概率矩阵以及当前协方差矩阵，将各个量测对目标的状态预测值进行概率的加权平均，对于每个目标得到唯一的状态更新值以及协方差更新值，具体如下将：

S41、将S2所述事件矩阵，S3所述每个事件发生的概率，状态预测值和更新前的协方差拷贝到GPU；

S42、在GPU中调度m个线程块，每个线程块有t+1个线程，每个线程块对应一个目标，线程块内一个线程对应一个量测与目标的配对情况；

S43、对S42所述线程块中线程号为0的线程计算出更新的协方差矩阵以及卡尔曼增益；

S44、在S42所述每个线程对应的量测与目标配对的概率，若概率大于0，则计算该量测对该目标的状态更新，并用该概率值对状态进行加权，并将加权值加到最后的更新状态上，其中，所述概率矩阵为t行m+1列矩阵，所述概率矩阵的每一行表示目标被漏检以及与不同量测相互配对的概率，所述概率矩阵的第2列到第m+1列则表示各目标分别与各个量测配对的概率。

进一步地，S1所述计算确认矩阵的具体步骤如下：

S11、将S1所述雷达观测区域的m个量测值、t个目标的当前状态值以及目标运动模型的参数拷贝到显存中，其中，i为正整数，m为正整数；

S12、在GPU上调度t个线程块，每个线程块包含m个线程；

S13、对于线程块i，先让线程号为0的线程计算出第i个目标的状态预测值，然后判断所述线程块i内每一线程计算出的量测是否可能属于所述第i个目标，若属于所述第i个目标，则记作1，若不属于所述第i个目标，则记作0，将计算结果写入确认矩阵相应位置，第i个线程块的第j个线程对应S1所述确认矩阵的第i行第j列元素，其中，i＝0,2,3,...,t-1，j＝0,2,3,...,m-1。

进一步地，S2所述计算出事件矩阵的具体步骤如下：

S21、将S1所述确认矩阵拷贝至GPU，对GPU调度的进程块进行划分；

S22、对于S1所述每一个量测值与目标之间的配对情况都有t+1种，则所有的事件数为m^t+1种；