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

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

基于变分滤波的粒子优化概率假设密度多目标跟踪方法

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D_k-1(·)和D_k(·)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N_k个目标，多目标状态为

其中任意一个x_k表示该时刻第n个目标的状态，其中n∈{1,…N_k}。传感器实际得到M_k个量测值，则多量测集合

中任意一个z_k表示该时刻第m个量测值，其中m∈{1,…M_k}。

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：

$\left\{\begin{array}{c}{x}_k=f_{k|k-1}\left(x_k\right|x_{k-1})+w_k\\ z_k=h_k\left(z_k\right|x_k)+v_k\end{array}\right.---\left(1\right)$

式中，f_k|k-1(x_k|x_k-1)表示k-1时刻到k时刻的系统状态转移函数，h_k(z_k|x_k)为k时刻的观测似然函数，w_k与v_k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x_k=N(x_k|μ_k,Σ_k)服从高斯分布，其中均值μ_k和方差Σ_k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μ_k与Σ_k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：

$\left\{\begin{array}{c}p\left({\mathrm{\μ}}_k\right)=N\left({\mathrm{\μ}}_k\right|{\mathrm{\μ}}_{k-1},\mathrm{\Σ})\\ p\left({\mathrm{\Σ}}_k\right)=\mathrm{iw}\left({\mathrm{\Σ}}_k\right|S,n)\end{array}\right.---\left(2\right)$

式中，p(·)表示变量相应的概率密度函数，μ_k-1为k-1时刻状态x_k-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。

由于在k时刻，需要基于多量测集合Z_k对状态x_k进行估计，利用蒙特卡罗方法实现，就是用一组加权随机样本

近似表征，其中i表示第i个粒子，共有L个粒子，于是，后验PHD函数形式如下：

$D_k\left(x_k\right|Z_k)\≈\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{w}_k^{\left(i\right)}\mathrm{\δ}(x_k-x_k^{\left(i\right)})---\left(3\right)$

式中，

为第i个粒子的权值，代表目标状态值为

的目标数的期望值；δ(·)是狄拉克函数。

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：

$D_0\left(x_0\right)=\underset{i=1}{\overset{L_0}{\mathrm{\Σ}}}{w}_0^{\left(i\right)}\mathrm{\δ}(x_0-x_0^{\left(i\right)})---\left(4\right)$

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；

该步骤也是本发明的核心步骤。在变分贝叶斯方法框架下，用q(·)表示待求的变分近似分布，于是在k时刻，由于上一时刻的估计

已知，所以

的变分滤波预测可由根据下式积分运算得到：

$q_{k|k-1}\left({\mathrm{\μ}}_k^{\left(i\right)}\right)=\∫p\left({\mathrm{\μ}}_k^{\left(i\right)}\right|{\mathrm{\μ}}_{k-1}^{\left(i\right)})q\left({\mathrm{\μ}}_{k-1}^{\left(i\right)}\right)d{\mathrm{\μ}}_{k-1}^{\left(i\right)}---\left(5\right)$

可以看出，(5)仍服从高斯分布，于是利用高斯分布性质，均值μ_k的均值与方差的预测值可分别计算如下：

${\mathrm{\μ}}_{\mathrm{k\; k}-1}^{\left(i\right)}={\mathrm{\μ}}_{k-1}^{\left(i\right)*}---\left(6\right)$

${\mathrm{\Σ}}_{\mathrm{k\; k}-1}^{\left(i\right)}={\mathrm{\Σ}}_{k-1}^{\left(i\right)*}+{\mathrm{\Σ}}^{\left(i\right)}---\left(7\right)$

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。

而接下来的变分更新步骤中，依照图3所示各变量关系，根据贝叶斯公式，

和与

三者的联合后验概率密度函数为：

$p(x_k^{\left(i\right)},{\mathrm{\μ}}_k^{\left(i\right)},{\mathrm{\Σ}}_k^{\left(i\right)}|z_{1:k}^{\left(i\right)})\∝p\left(z_k^{\left(i\right)}\right|x_k^{\left(i\right)})p\left(x_k^{\left(i\right)}\right|{\mathrm{\μ}}_k^{\left(i\right)},{\mathrm{\Σ}}_k^{\left(i\right)})q_{k|k-1}\left({\mathrm{\μ}}_k^{\left(i\right)}\right)p\left({\mathrm{\Σ}}_k^{\left(i\right)}\right)---\left(8\right)$

利用变分贝叶斯方法机理，对(8)分别求解均值

方差

对称正定阵

和自由度

的变分后验分布，求解结果如下：

$n_k^{\left(i\right)*}=n^{\left(i\right)}+1---\left(9\right)$

$S_k^{\left(i\right)*}=S^{\left(i\right)}+E\left[x_k^{\left(i\right)}{x}_k^{\left(i\right)T}\right]-E\left[{\mathrm{\μ}}_k^{\left(i\right)}\right]E{\left[x_k^{\left(i\right)}\right]}^T-E\left[x_k^{\left(i\right)}\right]E{\left[{\mathrm{\μ}}_k^{\left(i\right)}\right]}^T+E\left[{\mathrm{\μ}}_k^{\left(i\right)}{\mathrm{\μ}}_k^{\left(i\right)T}\right]---\left(10\right)$

${\mathrm{\μ}}_k^{\left(i\right)*}={\mathrm{\Σ}}_k^{\left(i\right)*}\left(E{\left[{\mathrm{\Σ}}_k^{\left(i\right)}\right]}^{-1}E\right[x_k^{\left(i\right)}]+{\left({\mathrm{\Σ}}_{\mathrm{k\; k}-1}^{\left(i\right)}\right)}^{-1}{\mathrm{\μ}}_{\mathrm{k\; k}-1}^{\left(i\right)})---\left(11\right)$

${\mathrm{\Σ}}_k^{\left(i\right)*}={\left(E\right[{\mathrm{\Σ}}_k^{\left(i\right)}]+{\mathrm{\Σ}}_{\mathrm{k\; k}-1}^{\left(i\right)})}^{-1}---\left(12\right)$

其中，用E[·]表示对应随机变量的期望,由于

与

的后验分布分别为高斯分布 $q\left({\mathrm{\μ}}_k^{\left(i\right)}\right)N\left({\mathrm{\μ}}_k^{\left(i\right)}\right|{\mathrm{\μ}}_k^{\left(i\right)*},{\mathrm{\Σ}}_k^{\left(i\right)*})$ 和逆威沙特分布 $q\left({\mathrm{\Σ}}_k^{\left(i\right)}\right)=\mathrm{iw}\left({\mathrm{\Σ}}_k^{\left(i\right)}\right|n_k^{\left(i\right)*},S_k^{\left(i\right)*}),$ 所以(10)、(11)与(12)中的期望计算式可计算如下：

$E\left[{\mathrm{\μ}}_k^{\left(i\right)}\right]={\mathrm{\μ}}_k^{\left(i\right)*}---\left(13\right)$

$E\left[{\mathrm{\μ}}_k^{\left(i\right)}{\left({\mathrm{\μ}}_k^{\left(i\right)}\right)}^T\right]={\mathrm{\μ}}_k^{\left(i\right)*}\left({\mathrm{\μ}}_k^{\left(i\right)*}\right)+{\mathrm{\Σ}}_k^{\left(i\right)*}---\left(14\right)$

$E\left[{\mathrm{\Σ}}_k^{\left(i\right)}\right]=n_k^{\left(i\right)*}{S}_k^{\left(i\right)*}---\left(15\right)$

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：

$x_k^{(i,s)}~N\left(x_k^{\left(i\right)}\right|E\left[{\mathrm{\μ}}_k^{\left(i\right)}\right],E\left[{\mathrm{\Σ}}_k^{\left(i\right)}\right])---\left(16\right)$

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：

$l_k^{(i,s)}=\frac{p\left(z_k^{\left(i\right)}\right|x_k^{(i,s)})}{\underset{s=1}{\overset{S}{\mathrm{\Σ}}}p\left(z_k^{\left(i\right)}\right|x_k^{(i,s)})}---\left(17\right)$

所以(10)与(11)中关于

的期望可以计算如下：

$E\left[x_k^{\left(i\right)}\right]=\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{l}_k^{(i,s)}{x}_k^{(i,s)}---\left(18\right)$

$E\left[x_k^{\left(i\right)}{\left(x_k^{\left(i\right)}\right)}^T\right]=\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{l}_k^{(i,s)}{x}_k^{(i,s)}{\left(x_k^{(i,s)}\right)}^T---\left(19\right)$

在每个变分滤波的更新步骤中，利用(9)-(19)反复迭代计算，当变分算法收敛时，输出目标状态的每个粒子的均值

与方差

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f_k|k-1(x_k|x_k-1)。于是，对于i=1,2,…,L_k-1，L_k-1表示存活目标的粒子数，每个选取的样本

与权值

满足：

$x_k^{\left(i\right)}~N\left(x_k\right|{\widehat{\mathrm{\μ}}}_k^{\left(i\right)},{\widehat{\mathrm{\Σ}}}_k^{\left(i\right)})---\left(20\right)$

$w_{k|k-1}^{\left(i\right)}=\frac{w_{k|k-1}^{\left(i\right)}{\mathrm{\φ}}_{k|k-1}(x_k^{\left(i\right)},x_{k-1}^{\left(i\right)})}{\mathrm{\π}\left(x_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)*},Z_k)}---\left(21\right)$

式中，预测函数

又满足：

${\mathrm{\φ}}_{k|k-1}(x_k^{\left(i\right)},x_{k-1}^{\left(i\right)})={\mathrm{\β}}_{k|k-1}\left(x_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})+P_{s,k}\left(x_{k-1}^{\left(i\right)}\right)f_{k|k-1}\left(x_k^{\left(i\right)}\right|x_{k-1}^{\left(i\right)})---\left(22\right)$

它表征了存活目标可能是上一时刻留存的，也可能是上一时刻目标衍生的。其中，

表示k-1时刻状态为的目标衍生的PHD函数，

代表k-1时刻状态为

的目标存活的概率。

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(x_k|Z_k)采样获得，即对于i=L_k-1+1,…,L_k-1+J_k，其中J_k为新生目标的粒子数，每个选取的样本与权值

满足：

$x_k^{\left(i\right)}~\mathrm{\Π}\left(x_k\right|Z_k)---\left(23\right)$

$w_{k|k-1}^{\left(i\right)}=\frac{{\mathrm{\γ}}_k\left(x_k^{\left(i\right)}\right)}{J_k\mathrm{\Π}\left(x_k^{\left(i\right)}\right|Z_k)}---\left(24\right)$

其中，

代表新生目标的PHD函数。

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：

$D_{k|k-1}\left(x_k\right)=\left\{\begin{array}{c}\underset{i=1}{\overset{L_{k-1}}{\mathrm{\Σ}}}{w}_{k|k-1}^{\left(i\right)}\mathrm{\δ}(x_k-x_k^{\left(i\right)})\\ \underset{i=1}{\overset{L_{k-1}+J_k}{\mathrm{\Σ}}}{w}_{k|k-1}^{\left(i\right)}\mathrm{\δ}(x_k-x_k^{\left(i\right)})\end{array}\right.---\left(25\right)$

步骤五：对预测的目标PHD函数进行更新；

根据传感器获得的新量测值z_k∈Z_k，用似然函数h_k(z_k|x_k)重新计算权值，进行更新分布。对于i=1,…,L_k-1+J_k，更新粒子权值

$w_k^{\left(i\right)}=[1-P_{D,k}\left(x_k^{\left(i\right)}\right)+\underset{z\∈Z_k}{\mathrm{\Σ}}\frac{P_{D,k}\left(x_k^{\left(i\right)}\right)h_k\left(z\right|x_k^{\left(i\right)})}{{\mathrm{\κ}}_k\left(z_k\right)+\underset{i=1}{\overset{L_{k-1}+J_k}{\mathrm{\Σ}}}{P}_{D,k}\left(x_k^{\left(i\right)}\right)h_k\left(z\right|x_k^{\left(i\right)})w_{k|k-1}^{\left(i\right)}}]w_{k|k-1}^{\left(i\right)}---\left(26\right)$

其中，为k时刻状态为

的目标被检测到得概率，而κk(zk)表示观测数据中杂波的PHD函数。

更新的目标PHD函数D_k(x_k)表示为：

$D_k\left(x_k\right)=\underset{i=1}{\overset{L_{k-1}+J_k}{\mathrm{\Σ}}}{w}_k^{\left(i\right)}\mathrm{\δ}(x_k-x_k^{\left(i\right)})---\left(27\right)$

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：

${\hat{N}}_k=\underset{i=1}{\overset{L_{k-1}{+J}_k}{\mathrm{\Σ}}}{w}_k^{\left(i\right)}---\left(28\right)$

对粒子集

重新采样，得到粒子集

再将权值乘以

最后获得新的权值与粒子集

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：

$D_k\left(x_k\right)=\underset{i=1}{\overset{L_k}{\mathrm{\Σ}}}{w}_k^{\left(i\right)}\mathrm{\δ}(x_k-x_k^{\left(i\right)})---\left(29\right)$

目标数的估计值为所有粒子权值之和为：

${\hat{N}}_k=\underset{i=1}{\overset{L_k}{\mathrm{\Σ}}}{w}_k^{\left(i\right)}.---\left(30\right)$

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。

Images