1. 多源感知数据融合算法 (Fusion)

多源数据融合指对不同设备的检测结果进行时空判别与匹配，对于不同设备检测到的同一目标，进行定位修正、信息互补、id 重构等工作，实现大范围内的车辆连续检测跟踪。

1.1 算法介绍

多源感知数据融合具有不同源数据匹配精度低、源数据噪声干扰导致融合数据质量差、直接融合后数据失真与细节丢失等难点。 现有工程中常用融合办法主要是加权平均、多源数据路径预测。现有方法在融合多源信息加权平均容易受到异常值的影响，而路径预测过程未结合最新源数据信息，难以避免失真问题。

本方案采用匈牙利匹配算法与卡尔曼滤波为内核，经过局部坐标系转换，并融合丰富微观交通运动特征的时空轨迹历史数据，实现了同目标轨迹的精准匹配，滤波过程较好的剔除异常值，在滤波过程中对轨迹点高频采样以保证融合结果的低延迟高精度。

1.2 算法输入、输出与调控参数

1.3 算法逻辑

1. 对传入数据 sourcePkg 规范格式：顺序处理 secMark（分钟内毫秒时间）、筛选需要融合的机动车目标。
2. 最小二乘形式提取轨迹运动特征参数，存至矩阵 moMTX。
3. 逐个遍历 source（各数据源），划定参数距离范围作为可匹配候选配对，将所有配对形式存入 link。
4. 对 link 采用 hungarian 算法生成最优匹配。
5. 按匹配对刷新目标 ptcId。
6. 对同 ptcId 目标轨迹按时间序列排列，并送入 kalman 滤波融合，生成融合轨迹。
7. 计算速度、车辆尺寸等其它融合参数。
8. 取融合轨迹当前时刻点返回融合值。

1.4 参考文献

• Kalman, R. E. A New Approach to Linear Filtering and Prediction Problems, Transactions of the ASME Journal of Basic Engineering Vol. 82: pp. 35-45 (1960)
• Harold W. Kuhn, “The Hungarian Method for the assignment problem”, Naval Research Logistics Quarterly, 2: 83–97, 1955. Kuhn’s original publication.
• Chen Z, Zou H, Jiang H, et al. Fusion of WiFi, smartphone sensors and landmarks using the Kalman filter for indoor localization[J]. Sensors, 2015, 15(1): 715-732.

2. 在线轨迹平滑算法 (Smooth)

车辆检测产生的坐标抖动、偏移十分常见且很难避免。抖动产生的位置、速度等信息的偏差将直接引起多场景下风险研判效用的下降。如何适配不同厂商的检测精度同时实现对高频并发数据的在线处理是平滑算法的难点。本方案提供两类平滑算法。

2.1 指数平滑算法（Exponential Smooth）

迭代类平滑，根据上一时刻平滑后轨迹点以及当前时刻平滑前轨迹点即可计算当前时刻平滑后轨迹点。

其中，为平滑后的当前帧轨迹， 为平滑前当前帧轨迹，为上一帧平滑后轨迹, 为平滑参数。

其中，Xst 为平滑后的当前帧轨迹， Xt 为平滑前当前帧轨迹，Xst-1 为上一帧平滑后轨迹, SI 为平滑参数。

2.1.2 算法输入、输出与调控参数

2.1.3 算法逻辑

1. 对于每一辆车，获取其当前轨迹点以及历史多帧平滑后轨迹点。
2. 判断当前轨迹点与历史轨迹点的时间间隔，若间隔过大则放弃平滑。
3. 使用对应公式计算平滑结果。

2.2 多项式平滑算法（Polynomial Smooth）

2.2.1 算法介绍

拟合类平滑，根据末尾point_num个轨迹点时空位置进行多项式拟合 （np.polyfit），拟合次数由 fitting_times 定义，拟合后按最后帧时刻取瞬时位置作为平滑后轨迹点。

2.2.2 算法输入、输出与调控参数

2.2.3 算法逻辑

1. 对于每一辆车，获取其当前轨迹点以及历史多帧轨迹点
2. 基于轨迹点，计算多项式拟合函数
3. 通过多项式拟合结果输出当前轨迹点的平滑结果

2.3 参考文献

• YAĞIMLI M. Real time trajectory tracking of moving objects using adaptive fuzzy time series and exponential smoothing forecasting techniques[J]. 2017.
• Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical chemistry, 1964, 36(8): 1627-1639.