CN103902819A - 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 - Google Patents
基于变分滤波的粒子优化概率假设密度多目标跟踪方法 Download PDFInfo
- Publication number
- CN103902819A CN103902819A CN201410105378.8A CN201410105378A CN103902819A CN 103902819 A CN103902819 A CN 103902819A CN 201410105378 A CN201410105378 A CN 201410105378A CN 103902819 A CN103902819 A CN 103902819A
- Authority
- CN
- China
- Prior art keywords
- target
- function
- particle
- filtering
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于变分滤波的粒子优化概率假设密度多目标跟踪方法。将目标状态变量的分布参数视作随机变量,并用变分贝叶斯方法求解它们的后验分布,在确定这些参数的估计值后得到优化了的滤波状态分布,再以该状态分布函数作为逼近真实后验PHD函数的重要性函数进行随机粒子采样,从而能使大部分采样粒子分布在高似然概率处,合理利用观测信息,避免传统粒子概率密度假设方法由于粒子采样于低似然概率处而造成的粒子退化现象,最终提高粒子概率假设密度多目标跟踪算法的性能。
Description
技术领域
本发明涉及一种利用变分贝叶斯方法及粒子概率假设密度滤波方法进行多目标跟踪的方法。
背景技术
目标跟踪问题在如今人类许多生产与应用领域都有着广泛的应用,根据目标属性,通常可分为单目标跟踪和多目标跟踪两大类。而在实际应用环境中,对于雷达、声纳以及红外线探测等传感器而言,多以多目标跟踪的情形更为常见,处理手段较单目标跟踪问题自然也更加复杂。所谓多目标跟踪就是要从混有杂波的观测值中进行当前时刻目标个数与各个目标状态的估计。目前主流的多目标跟踪的处理方法主要有:领域法、数据关联法、多假设跟踪法等,而这些算法由于涉及对多个目标的关联问题,计算复杂度会随着目标的增多、目标数目的聚集或虚警个数的增加而呈指数增长,难以应用于工程之中。近年来,许多学者提出的基于随机有限集(Random Finite Sets,RFS)的概率假设密度(Probability Hypothesis Density,PHD)滤波算法,完全避开了传统多目标跟踪方法中涉及的数据关联问题,它具有计算量小、估计精度高、实时性好等特点。正因为如此,PHD滤波也成为了当前多目标跟踪问题的一个研究热点,目前主要实现形式有基于高斯混合的高斯混合PHD滤波器与基于蒙特卡罗方法的粒子PHD滤波器。
变分贝叶斯(Variational Bayes)方法,也叫集成学习(Ensemble Learning),是当前较为流行的一种参数估计方法,它起源于机器学习领域,最早用于针对图模型(GraphicalModels)的参数估计与模型选择问题。该方法的核心思想是针对一个复杂的原版本问题,提出用另一个简化的、易处理的新版本,该简化版本要保证与原版本尽可能的相似,并引入Kullback-Leibler(KL)散度来衡量两者的差异性,通过调节变分参数(VariationalParameters)使新版本与原版本的差异最小。变分贝叶斯方法的一大优势在于,相比于传统的极大似然与最大后验估计方法,它有着更高的估计精度并且能够避免过拟合现象;而相比于近年来同样受关注的马尔可夫链蒙特卡罗(Markov Chain Monte Carlo)方法,在保证估计精度相差不大的情况下,有着更快的收敛与计算速度,更有实际应用的研究价值。于是,进入21世纪后,学者们极大地拓展了变分贝叶斯方法的应用领域,逐渐将其从固定模型的参数推理延伸到以状态空间模型为基础的实时应用领域中,并动态估计变化的系统状态、系统结构参数以及噪声参数。
发明内容
本发明的目的在于提供一种更具高效性和自适应性,能提高多目标的状态估计效果的基于变分滤波的粒子优化概率假设密度多目标跟踪方法。
本发明的目的是这样实现的:
步骤一:对于在某监控区域内的未知数目、未知状态(位置、速度、加速度)的多目标,通过传感器测量得到所有目标包括位置、方向在内的观测信息;
步骤二:初始化目标的PHD函数,并获得相应的粒子集;
步骤三:利用变分贝叶斯方法对上一步骤中的粒子集进行更新,获得变分滤波后的目标后验状态分布;
步骤四:以变分滤波后得到的后验状态分布作为重要性函数进行采样,预测目标的PHD函数;
步骤五:对预测的目标PHD函数进行更新;
步骤六:获得更新的目标PHD函数后,若有效粒子数量低于设定阈值,则对粒子进行重采样再回到步骤三,否则直接回到步骤三,如此反复直至到达滤波最终时刻;
步骤七:滤波结束后输出最终估计结果,确定监控区域内目标个数以及每个目标包括位置、速度和加速度等在内的状态信息。
本发明是为了提高杂波环境下多目标跟踪滤波器的性能,提出的一种基于变分滤波的粒子优化的概率假设密度多目标跟踪方法。本发明将目标状态变量的分布参数视作随机变量,并用变分贝叶斯方法求解它们的后验分布,在确定这些参数的估计值后得到优化了的滤波状态分布,再以该状态分布函数作为逼近真实后验PHD函数的重要性函数进行随机粒子采样,从而能使大部分采样粒子分布在高似然概率处,合理利用观测信息,避免传统粒子概率密度假设方法由于粒子采样于低似然概率处而造成的粒子退化现象,最终提高粒子概率假设密度多目标跟踪算法的性能。
本发明的优点在于:
(1)本发明采用层次式模型对每个目标的状态参数进行建模,相比传统目标状态的建模方法只把目标状态本身视作随机变量而忽略状态分布的参数的不确定性,它充分考虑了其状态分布参数的不确定性以及潜在的内在联系;
(2)本发明用变分贝叶斯方法对上述层次式模型进行估计,从而形成变分滤波,得到了用于优化的重要性采样的粒子集。传统粒子概率假设密度多目标跟踪算法中的粒子采样是从固定重要性函数分布中选取的,无法进行更新,当观测似然函数具有显著尖峰特性时会使目标跟踪效果退化,而本发明中的粒子集是通过变分贝叶斯方法估计得到的,可以动态地地根据观测调整重要性分布,相比于传统方法更具高效性和自适应性,从而最终提高多目标的状态估计效果。
附图说明
图1是贝叶斯滤波意义下粒子PHD滤波实现的示意图;
图2是本发明的方法流程图;
图3是每个目标的状态的层次式模型结构指示图;
图4是变分滤波后用于重要性采样的近似分布结构示意图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
PHD滤波算法在随机集理论框架下,把当前时刻的所有目标的状态值集合作为一个状态RFS变量,把当前时刻的观测值集合也作为一个观测RFS变量,并把多目标跟踪问题放在贝叶斯滤波框架下加以解决。与贝叶斯最优滤波唯一区别的是,贝叶斯滤波传递的是单目标状态的后验概率密度函数,而PHD滤波传递的是多目标状态的PHD,也就是多目标后验密度的一阶矩。图1显示了其蒙特卡罗方法下的实现原理,即粒子PHD滤波原理,图中Dk-1(·)和Dk(·)分别代表目标在k-1和k时刻的PHD函数。该算法基本思想是利用一组带有相应权值的随机样本(粒子)逼近PHD函数分布,其意义在于解决PHD重积分没有闭式解的难题。在滤波过程中,PHD函数被一系列离散的带权值的样本近似,随着样本粒子数量的增加,PHD滤波接近于最优贝叶斯估计。这是一种基于仿真的统计滤波方法,不受模型线性和高斯假设的限制,可以适用于非线性非高斯的随机系统。由于在粒子的采样过程中,通常选取单目标的系统状态转移函数为重要性分布,但它没有考虑最新观测数据对估计值的修正,严重依赖模型本身,当观测似然函数概率密度曲线具有显著尖峰特性而严重偏离系统状态转移函数的峰值时,会使采样粒子与真实PHD函数的样本粒子差异较大,有效粒子个数急剧减少,最终造成滤波精度的下降,严重时甚至发散失效,使多目标跟踪滤波器性能退化。
本发明是一种基于变分滤波的粒子优化概率假设密度滤波跟踪方法,流程如图2所示,包括以下几个主要步骤:
步骤一:对于在某监控区域内的未知数目、未知状态(位置、速度、加速度)的多目标,通过传感器测量得到所有目标包括位置、方向在内的观测信息;
考虑k时刻在某一监控区域内,假设有Nk个目标,多目标状态为其中任意一个xk表示该时刻第n个目标的状态,其中n∈{1,…Nk}。传感器实际得到Mk个量测值,则多量测集合中任意一个zk表示该时刻第m个量测值,其中m∈{1,…Mk}。
步骤二:初始化目标的PHD函数,并获得相应的粒子集;
对于任一单目标,使用如下状态空间模型:
式中,fk|k-1(xk|xk-1)表示k-1时刻到k时刻的系统状态转移函数,hk(zk|xk)为k时刻的观测似然函数,wk与vk分别代表系统过程噪声和观测噪声。再考虑k时刻对于每一个目标状态xk,传统滤波算法认为xk=N(xk|μk,Σk)服从高斯分布,其中均值μk和方差Σk为其分布参数。在变分滤波框架下,为使模型能有更好的通用性,认为μk与Σk为不再为普通参数,假设它们是分别服从高斯分布N(·)与逆威沙特分布iW(·)的随机变量,它们的概率密度函数形式如下:
式中,p(·)表示变量相应的概率密度函数,μk-1为k-1时刻状态xk-1均值,Σ为初始方差;S为初始对称正定阵,n为初始自由度。这样,系统的状态模型就成为了一个层次式模型,其示意图具体如图3所示。
所以在k=0时刻,用L0个粒子表征先验PHD函数D0(·),粒子数始终与估计目标数成一定的比例,每个目标用L0个粒子来描述,有个目标,故取样本来自初始PHD函数D0(·),i=1,2,…,L0,且PHD函数D0(·)表示如下:
步骤三:利用变分贝叶斯方法对上一步骤中的粒子集进行更新,获得变分滤波后的目标状态估计结果;
可以看出,(5)仍服从高斯分布,于是利用高斯分布性质,均值μk的均值与方差的预测值可分别计算如下:
其中,上角标“*”代表该变量来源于上一时刻的变分滤波的估计值。
在大多数多目标跟踪问题中,尤其是对于被动式传感器,因为观测似然函数是高度非线性的,所以对于难以通过变分贝叶斯方法求出变分后验分布。考虑用蒙特卡洛方法逼近求解。以高斯分布为变分滤波过程中的重要性分布(不同于粒子概率假设密度滤波中的重要性分布),即选取:
上式中,s代表变分滤波中采样点个数,总样本点个数为S,每个采样点权值可按下式计算:
步骤四:以变分滤波后得到的后验状态分布作为重要性函数进行采样,预测目标的PHD函数;
考虑到在多目标跟踪问题中,每一时刻的目标可能来自于上一时刻衍生的目标,也可能是新生的目标,固采样分两部分进行。
对于上一时刻衍生的目标,以本发明提出的经变分滤波产生的以为均值、期望为协方差的带有观测信息的高斯分布作为重要性密度函数进行采样,即选取重要性密度函数代替原先的系统状态转移函数fk|k-1(xk|xk-1)。于是,对于i=1,2,…,Lk-1,Lk-1表示存活目标的粒子数,每个选取的样本与权值满足:
对于新生目标的粒子可通过检测到的新目标的产生模型得到,采样样本可从另一个重要性密度函数Π(xk|Zk)采样获得,即对于i=Lk-1+1,…,Lk-1+Jk,其中Jk为新生目标的粒子数,每个选取的样本与权值满足:
由以上计算的采样粒子及其权值,可得目标的预测PHD函数为:
步骤五:对预测的目标PHD函数进行更新;
更新的目标PHD函数Dk(xk)表示为:
步骤六:获得PHD函数后,若有效粒子数量低于设定阈值,则对粒子进行重采样再回到步骤三,否则直接回到步骤三,如此反复直至到达滤波最终时刻;
计算所有权值之和,即估计目标数:
步骤七:滤波结束后输出最终估计结果,确定监控区域内目标个数以及每个目标包括位置、速度和加速度等在内的状态信息。
利用加权准则确定多目标的后验PHD函数为:
目标数的估计值为所有粒子权值之和为:
Claims (1)
1.一种基于变分滤波的粒子优化概率假设密度多目标跟踪方法,其特征是:
步骤一:对于在某监控区域内的未知数目、未知状态的多目标,通过传感器测量得到所有目标包括位置、方向在内的观测信息;
步骤二:初始化目标的PHD函数,并获得相应的粒子集;
步骤三:利用变分贝叶斯方法对上一步骤中的粒子集进行更新,获得变分滤波后的目标后验状态分布;
步骤四:以变分滤波后得到的后验状态分布作为重要性函数进行采样,预测目标的PHD函数;
步骤五:对预测的目标PHD函数进行更新;
步骤六:获得更新的目标PHD函数后,若有效粒子数量低于设定阈值,则对粒子进行重采样再回到步骤三,否则直接回到步骤三,如此反复直至到达滤波最终时刻;
步骤七:滤波结束后输出最终估计结果,确定监控区域内目标个数以及每个目标包括位置、速度和加速度等在内的状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410105378.8A CN103902819A (zh) | 2014-03-21 | 2014-03-21 | 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410105378.8A CN103902819A (zh) | 2014-03-21 | 2014-03-21 | 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103902819A true CN103902819A (zh) | 2014-07-02 |
Family
ID=50994136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410105378.8A Pending CN103902819A (zh) | 2014-03-21 | 2014-03-21 | 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103902819A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104501812A (zh) * | 2014-12-05 | 2015-04-08 | 江南大学 | 基于自适应新生目标强度的滤波算法 |
CN105320143A (zh) * | 2014-07-31 | 2016-02-10 | 霍尼韦尔国际公司 | Phd滤波器中的双步骤修剪 |
CN105353352A (zh) * | 2015-11-17 | 2016-02-24 | 中国人民解放军海军航空工程学院 | 改进搜索策略的mm-pphdf机动多目标跟踪方法 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
CN108345718A (zh) * | 2018-01-16 | 2018-07-31 | 浙江工业大学 | 一种农业机械设计变量不确定性表征方法 |
CN109284677A (zh) * | 2018-08-16 | 2019-01-29 | 昆明理工大学 | 一种贝叶斯滤波目标跟踪算法 |
CN110647723A (zh) * | 2019-08-14 | 2020-01-03 | 中国科学院计算机网络信息中心 | 基于原位可视化的粒子数据处理方法、装置和系统 |
CN111262556A (zh) * | 2020-01-16 | 2020-06-09 | 自然资源部第二海洋研究所 | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 |
CN111539510A (zh) * | 2020-04-16 | 2020-08-14 | 中国人民解放军海军航空大学 | 一种基于平行分割粒子滤波的mimo雷达目标跟踪方法 |
CN112154464A (zh) * | 2018-06-19 | 2020-12-29 | 株式会社岛津制作所 | 参数搜索方法、参数搜索装置以及参数搜索用程序 |
CN112215146A (zh) * | 2020-10-12 | 2021-01-12 | 西安交通大学 | 基于随机有限集的弱小目标联合检测与跟踪系统及方法 |
US11175142B2 (en) | 2014-07-31 | 2021-11-16 | Honeywell International Inc. | Updating intensities in a PHD filter based on a sensor track ID |
CN115070765A (zh) * | 2022-06-27 | 2022-09-20 | 江南大学 | 一种基于变分推断的机器人状态估计方法及系统 |
CN115291241A (zh) * | 2022-08-29 | 2022-11-04 | 太原理工大学 | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 |
-
2014
- 2014-03-21 CN CN201410105378.8A patent/CN103902819A/zh active Pending
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10605607B2 (en) | 2014-07-31 | 2020-03-31 | Honeywell International Inc. | Two step pruning in a PHD filter |
CN105320143A (zh) * | 2014-07-31 | 2016-02-10 | 霍尼韦尔国际公司 | Phd滤波器中的双步骤修剪 |
US11175142B2 (en) | 2014-07-31 | 2021-11-16 | Honeywell International Inc. | Updating intensities in a PHD filter based on a sensor track ID |
CN104501812A (zh) * | 2014-12-05 | 2015-04-08 | 江南大学 | 基于自适应新生目标强度的滤波算法 |
CN105353352A (zh) * | 2015-11-17 | 2016-02-24 | 中国人民解放军海军航空工程学院 | 改进搜索策略的mm-pphdf机动多目标跟踪方法 |
CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
CN106683122B (zh) * | 2016-12-16 | 2020-02-04 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
CN108345718A (zh) * | 2018-01-16 | 2018-07-31 | 浙江工业大学 | 一种农业机械设计变量不确定性表征方法 |
CN112154464B (zh) * | 2018-06-19 | 2024-01-02 | 株式会社岛津制作所 | 参数搜索方法、参数搜索装置以及参数搜索用程序 |
CN112154464A (zh) * | 2018-06-19 | 2020-12-29 | 株式会社岛津制作所 | 参数搜索方法、参数搜索装置以及参数搜索用程序 |
CN109284677A (zh) * | 2018-08-16 | 2019-01-29 | 昆明理工大学 | 一种贝叶斯滤波目标跟踪算法 |
CN109284677B (zh) * | 2018-08-16 | 2022-06-03 | 昆明理工大学 | 一种贝叶斯滤波目标跟踪算法 |
CN110647723A (zh) * | 2019-08-14 | 2020-01-03 | 中国科学院计算机网络信息中心 | 基于原位可视化的粒子数据处理方法、装置和系统 |
CN110647723B (zh) * | 2019-08-14 | 2023-12-26 | 中国科学院计算机网络信息中心 | 基于原位可视化的粒子数据处理方法、装置和系统 |
CN111262556A (zh) * | 2020-01-16 | 2020-06-09 | 自然资源部第二海洋研究所 | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 |
CN111262556B (zh) * | 2020-01-16 | 2023-09-08 | 自然资源部第二海洋研究所 | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 |
CN111539510A (zh) * | 2020-04-16 | 2020-08-14 | 中国人民解放军海军航空大学 | 一种基于平行分割粒子滤波的mimo雷达目标跟踪方法 |
CN112215146B (zh) * | 2020-10-12 | 2022-04-22 | 西安交通大学 | 基于随机有限集的弱小目标联合检测与跟踪系统及方法 |
CN112215146A (zh) * | 2020-10-12 | 2021-01-12 | 西安交通大学 | 基于随机有限集的弱小目标联合检测与跟踪系统及方法 |
CN115070765A (zh) * | 2022-06-27 | 2022-09-20 | 江南大学 | 一种基于变分推断的机器人状态估计方法及系统 |
CN115291241A (zh) * | 2022-08-29 | 2022-11-04 | 太原理工大学 | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 |
CN115291241B (zh) * | 2022-08-29 | 2024-04-26 | 太原理工大学 | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103902819A (zh) | 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 | |
CN101975575B (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
WO2018119912A1 (zh) | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 | |
Septier et al. | Langevin and Hamiltonian based sequential MCMC for efficient Bayesian filtering in high-dimensional spaces | |
Senanayake et al. | Predicting spatio-temporal propagation of seasonal influenza using variational Gaussian process regression | |
Wang et al. | Chaotic time series method combined with particle swarm optimization and trend adjustment for electricity demand forecasting | |
CN103644903B (zh) | 基于分布式边缘无味粒子滤波的同步定位与地图构建方法 | |
Delande et al. | Regional variance for multi-object filtering | |
CN108153259B (zh) | 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法 | |
CN110175541B (zh) | 一种海平面变化非线性趋势提取的方法 | |
CN109726802B (zh) | 一种铁路和风电场环境风速机器学习预测方法 | |
CN104730537A (zh) | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
CN114580260B (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN104048676A (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
CN105373805A (zh) | 一种基于最大熵准则的多传感器机动目标跟踪方法 | |
CN103424742A (zh) | 一种序贯处理测量数据的目标跟踪方法与目标跟踪系统 | |
Abdulkadir et al. | Artificial neural network modeling of rainfall in Ilorin, Kwara State, Nigeria | |
CN103296995A (zh) | 任意维高阶(≥4阶)无味变换与无味卡尔曼滤波方法 | |
CN105353353B (zh) | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 | |
CN111736127A (zh) | 面向未知海域海杂波的源域生成和分布参数泛化方法 | |
Li et al. | Automatic identification of modal parameters for high arch dams based on SSI incorporating SSA and K-means algorithm | |
Shaikh et al. | Wavelet decomposition impacts on traditional forecasting time series models | |
CN115907120A (zh) | 一种基于注意力机制的vmd-cnn-lstm短期风电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140702 |
|
WD01 | Invention patent application deemed withdrawn after publication |