CN107423539B - 一种gm-phd滤波器的标签分配方法 - Google Patents
一种gm-phd滤波器的标签分配方法 Download PDFInfo
- Publication number
- CN107423539B CN107423539B CN201710198923.6A CN201710198923A CN107423539B CN 107423539 B CN107423539 B CN 107423539B CN 201710198923 A CN201710198923 A CN 201710198923A CN 107423539 B CN107423539 B CN 107423539B
- Authority
- CN
- China
- Prior art keywords
- gaussian
- moment
- value
- label
- gaussian components
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
技术领域
本发明涉及多目标跟踪技术领域,尤其是一种GM-PHD滤波器的标签分配方法。
背景技术
多目标跟踪涉及多个领域,如雷达数据处理、图像/视频处理、机器人导航等,它是一种利用采集的传感器量测信息,通过相应的目标跟踪算法获得目标航迹的过程。近年,基于随机有限集(RFS)框架的多目标跟踪方法成为研究热点,该方法基于有限集统计理论对传感器量测集合进行处理,直接估计出多目标的状态集合,从而避免了传统多目标跟踪方法对数据关联的依赖,并降低了计算复杂度。常见的基于随机有限集理论的滤波方法有概率假设密度(PHD)滤波器、序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器和高斯混合概率假设密度(GM-PHD)滤波器等,其中GM-PHD是比较常用的工程实现方法。
但是,基于RFS的多目标跟踪方法只能给出多目标的状态估计,无法形成航迹是该类方法的主要缺点之一。目前,主要有两种方法解决该问题,一是当估计出多目标状态后,采用传统数据关联(如最近邻法等)的方法进行航迹的起始、关联和终止等,但这类方法仍需要引入复杂的数据关联算法,增加了计算量;另一种方法是标签法,即在滤波器更新时,给每个高斯分量分配标签,这样,滤波器输出带有标签的估计状态,标签相同的状态表示属于同一个目标。对于现有的标签法,主要存在以下缺陷:当同一高斯分量的权值大于等于2时分配相同的标签,使得不同的目标分配了相同的标签,进而无法区分不同目标的航迹;在融合时,按照不同标签对高斯分量进行了分类,但这样无法保证多目标数目估计的正确性,将导致估计状态的丢失;将MHT和RFS理论结合,提出了δ-GLMB算法,在密集目标和强杂波环境下,面临多假设的“组合爆炸”问题。可见,标签分配方法的优劣将直接影响基于RFS的多目标跟踪方法的性能,进而影响航迹管理的性能。
发明内容
本发明的目的在于提供一种标记简单准确,且便于工程应用的GM-PHD滤波器的标签分配方法。
为实现上述目的,本发明采用了以下技术方案:一种GM-PHD滤波器的标签分配方法,该方法包括下列顺序的步骤:
(2)通过GM-PHD滤波器获得k时刻的预测值,k≥1;
(3)利用k时刻的传感器量测值,通过GM-PHD滤波器获得k时刻的更新值;
(4)进行高斯分量的裁剪融合以及标签的重新分配;
(5)提取k时刻的估计结果;
(6)将步骤(4)输出的k时刻的高斯分量代入步骤(2)进行k+1时刻的多目标估计,直到滤波结束。
其中,i=1,…,Jk|k-1,Jk|k-1=Jk-1(1+Jβ,k)+Jγ,k,Jβ,k和Jγ,k分别为k时刻衍生目标和新生目标高斯分量的个数;为新生目标高斯分量对应的标签;为衍生之后的高斯分量对应的标签,其个数为Jk-1×Jβ,k个;Jk|k-1为时间更新后的高斯分量个数。
在步骤(4)中,所述进行高斯分量的裁剪融合以及标签的重新分配具体是指:
(4.4)令round(·)表示将十分位四舍五入后取整数,然后将(4.2)中{Vi},i=1,…,L按照从小到大的顺序排列,同时按照该顺序排列对应的标签,最后,从重新排列后的标签序列中逐个提取前个标签作为本组高斯分量的标签在提取标签的过程中,如果出现标签重复的情况,则重新分配新的标签;
由上述技术方案可知,本发明的优点在于:第一,本发明的标签分配方法既不参与滤波过程,也不参与高斯分量的裁剪和融合过程,在确保目标个数估计准确的前提下进行标签分配,因此不会导致目标丢失,同时,标签分配时,加入重要性排序,标记准确无重复。第二,本发明的标签分配方法计算量非常小,仅在滤波器的基础上增加了标签排序的运算,增加的运算量相比于滤波过程几乎可以忽略,保证了目标跟踪算法的实时性。
附图说明
图1是本发明的方法流程图;
图2为6个目标的真实运动轨迹,“○”为目标的起始位置,“△”为目标的终止位置;
图3为使用本方法的多目标跟踪效果图;
图4为目标总数的变化图。
具体实施方式
如图1所示,一种GM-PHD滤波器的标签分配方法,该方法包括下列顺序的步骤:
(2)通过GM-PHD滤波器获得k时刻的预测值,k≥1;
(3)利用k时刻的传感器量测值,通过GM-PHD滤波器获得k时刻的更新值;
(4)进行高斯分量的裁剪融合以及标签的重新分配;
(5)提取k时刻的估计结果;
(6)将步骤(4)输出的k时刻的高斯分量代入步骤(2)进行k+1时刻的多目标估计,直到滤波结束。
其中,i=1,…,Jk|k-1,Jk|k-1=Jk-1(1+Jβ,k)+Jγ,k,Jβ,k和Jγ,k分别为k时刻衍生目标和新生目标高斯分量的个数;为新生目标高斯分量对应的标签;为衍生之后的高斯分量对应的标签,其个数为Jk-1×Jβ,k个;Jk|k-1为时间更新后的高斯分量个数。
其中,i=1,…,Jk,
在步骤(4)中,所述进行高斯分量的裁剪融合以及标签的重新分配具体是指:
(4.4)令round(·)表示将十分位四舍五入后取整数,然后将(4.2)中{Vi},i=1,…,L按照从小到大的顺序排列,同时按照该顺序排列对应的标签,最后,从重新排列后的标签序列中逐个提取前个标签作为本组高斯分量的标签在提取标签的过程中,如果出现标签重复的情况,则重新分配新的标签;
假设有6个目标在二维平面(x-y平面)作匀速直线运动,状态向量为x=[x,vx,y,vy]T,x,y分别表示x-y平面x方向和y方向的位置,vx,vy分别表示x-y平面x方向和y方向的速度,每个目标的离散空间运动方程为:
其中,F为状态转移矩阵,H为量测矩阵,ωk和υk分别为过程噪声和量测噪声,二者均为零均值高斯白噪声,协方差矩阵分别为Q和R,σω1=σω2=5,συ1=συ2=10;采样时间为T=1s,下标k表示第k个采样周期,k≥1,zk为k时刻传感器量测。
传感器的监控区域为[-1000,1000]m×[-1000,1000]m,6个目标的初始状态分别为: 整个仿真时间为100s,目标1和目标2的存活时间为第1s到第70s,目标3和目标4的存活时间为第40s到第100s,目标5的存活时间为第60s到第100s,目标6的存活时间为第80s到第100s。杂波服从均值为10的Poisson分布。
根据图1所示的本发明的整体流程图,具体实现步骤为:
从k(k≥1)时刻开始,循环执行下列步骤:
步骤102,基于GM-PHD滤波器获得k(k≥1)时刻的预测值,包括各个高斯分量对应的状态均值协方差矩阵权值和相应的标签Tk|k-1,其中状态均值协方差矩阵和权值按照标准GM-PHD滤波器的时间更新过程计算,相应的标签预测值为Jk|k-1=Jk-1(1+Jβ,k)+Jγ,k,Jβ,k和Jγ,k分别为k时刻衍生目标和新生目标高斯分量的个数。
GM-PHD的时间更新过程为:
已知k-1时刻的后验概率假设密度(PHD)的高斯混合描述为:
k时刻,预测PHD为:
其中,pS,k为目标存活概率,式右边第一项中有:
式(1)右边第二项中有:
式中,Jβ,k为k时刻衍生目标高斯分量总数,和分别为衍生目标的第j个高斯分量的状态转移矩阵、过程噪声协方差矩阵和权值,为衍生目标对应的衍生高斯分量的协方差矩阵。式(1)右边第三项中,Jγ,k、和分别为新生目标在k时刻高斯分量的总数、权值、均值和协方差矩阵。
综上,式(1)可重新表示成高斯混合形式,为:
步骤103,利用k(k≥1)时刻的传感器量测值,基于GM-PHD滤波器获得k(k≥1)时刻的更新值,包括各个高斯分量对应的状态均值协方差矩阵权值和相应的标签Tk,其中状态均值协方差矩阵和权值按照标准GM-PHD滤波器的量测更新过程计算,相应的标签更新值为 表示k(k≥1)时刻量测集Zk的个数。
GM-PHD的量测更新过程为:
其中,pD,k为目标检测概率,
式(7)中,
其中,I为相应维数的单位矩阵,κk(z)表示杂波的PHD值。
(4.4)令round(·)表示将个位四舍五入后取整数,然后将(4.2)中按照从小到大的顺序排列,同时按照该顺序排列对应的标签,最后,从重新排列后的标签序列中逐个提取前个标签作为本组高斯分量的标签在提取标签的过程中,如果出现标签重复的情况,则重新分配新的标签;
进行标签分配时,标签用正整数表示,每一时刻实时记录当前最大标签值τmax,当在步骤(4.4)中逐个提取前个标签的过程中出现重复标签时,则将τmax+1分配给待分配标签的高斯分量,并更新最大标签值为τmax=τmax+1。
步骤106,将步骤104输出的k时刻的高斯分量代入步骤102进行k+1时刻的多目标估计,直到滤波结束。
GM-PHD滤波器的参数为:目标的检测概率为0.98,存活概率为0.99;高斯分量的裁剪阈值为TTh=10-5,融合阈值为U=4,最大高斯分量个数为Jmax=100;新生目标初始化参数为:Jβ,k=1,为单位阵,新生目标初始化参数为:Jγ,k=3,
仿真结果见附图2至图4。图2为6个目标的真实运动轨迹,图3中6个目标分别用a、b、c、d、e、f加以区分标记,图4为目标总数的变化图。
通过仿真结果可知,本发明能够准确的完成标签分配的过程,而且标签的分配不会导致目标的丢失和标签重复的现象。另外,分别进行加入标签分配和没有标签分配的估计过程,并分别统计两种情况的平均滤波时间,没有标签分配的平均每一时刻的滤波时间为22.0300毫秒,而加入标签分配的平均每一时刻的滤波时间为22.0310毫秒,可知,标签的分配过程仅对滤波估计过程增加了非常小的计算量,增加的运算量相比于滤波过程几乎可以忽略。
Claims (1)
1.一种GM-PHD滤波器的标签分配方法,该方法包括下列顺序的步骤:
(2)通过GM-PHD滤波器获得k时刻的预测值,k≥1;
(3)利用k时刻的传感器量测值,通过GM-PHD滤波器获得k时刻的更新值;
(4)进行高斯分量的裁剪融合以及标签的重新分配;
(5)提取k时刻的估计结果;
(6)将步骤(4)输出的k时刻的高斯分量代入步骤(2)进行k+1时刻的多目标估计,直到滤波结束;
其中,i=1,…,Jk|k-1,Jk|k-1=Jk-1(1+Jβ,k)+Jγ,k,Jβ,k和Jγ,k分别为k时刻衍生目标和新生目标高斯分量的个数;为新生目标高斯分量对应的标签;为衍生之后的高斯分量对应的标签,其个数为Jk-1×Jβ,k个;Jk|k-1为时间更新后的高斯分量个数;
在步骤(4)中,所述进行高斯分量的裁剪融合以及标签的重新分配具体是指:
(4.4)令round(·)表示将十分位四舍五入后取整数,然后将(4.2)中{Vi},i=1,…,L按照从小到大的顺序排列,同时按照该顺序排列对应的标签,最后,从重新排列后的标签序列中逐个提取前个标签作为本组高斯分量的标签在提取标签的过程中,如果出现标签重复的情况,则重新分配新的标签;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198923.6A CN107423539B (zh) | 2017-03-29 | 2017-03-29 | 一种gm-phd滤波器的标签分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198923.6A CN107423539B (zh) | 2017-03-29 | 2017-03-29 | 一种gm-phd滤波器的标签分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423539A CN107423539A (zh) | 2017-12-01 |
CN107423539B true CN107423539B (zh) | 2020-07-24 |
Family
ID=60423145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710198923.6A Active CN107423539B (zh) | 2017-03-29 | 2017-03-29 | 一种gm-phd滤波器的标签分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423539B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009378B (zh) * | 2017-12-22 | 2019-02-12 | 南京航空航天大学 | 基于均匀初始化gmm的导波hmm的结构时变损伤评估方法 |
CN109447145B (zh) * | 2018-10-23 | 2020-08-21 | 中国电子科技集团公司第三十八研究所 | 一种基于随机有限集理论的多目标跟踪装置 |
CN109886305B (zh) * | 2019-01-23 | 2021-05-04 | 浙江大学 | 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法 |
CN109946694A (zh) * | 2019-03-22 | 2019-06-28 | 哈尔滨工业大学 | 基于随机有限集的圆周sar多目标跟踪方法 |
CN110308442B (zh) * | 2019-06-10 | 2023-04-28 | 南京理工大学 | 强杂波环境下相控阵雷达的gm-phd目标跟踪方法 |
CN111811515B (zh) * | 2020-07-03 | 2022-10-04 | 浙江工业大学 | 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法 |
CN112113572B (zh) * | 2020-09-18 | 2023-04-07 | 桂林电子科技大学 | 一种解决分布式标签融合的多目标跟踪方法 |
CN112688667B (zh) * | 2020-12-22 | 2022-10-11 | 中国人民解放军63921部队 | 一种gm-phd滤波器的设计方法 |
-
2017
- 2017-03-29 CN CN201710198923.6A patent/CN107423539B/zh active Active
Non-Patent Citations (3)
Title |
---|
可提取衍生目标的带标签 GM-PHD 算法;陈金广 等;《光电工程》;20161231;第43卷(第12期);第2-3节 * |
扩展目标 GMPHD滤波器的航迹维持算法;韩玉兰 等;《压电与声光》;20151031;第37卷(第5期);第2节 * |
陈金广 等.可提取衍生目标的带标签 GM-PHD 算法.《光电工程》.2016,第43卷(第12期), * |
Also Published As
Publication number | Publication date |
---|---|
CN107423539A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423539B (zh) | 一种gm-phd滤波器的标签分配方法 | |
CN107369166B (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
CN110320512A (zh) | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 | |
CN107462882B (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 | |
Gao et al. | Firefly algorithm (FA) based particle filter method for visual tracking | |
CN107871156B (zh) | 基于信息素预测的蚁群多细胞跟踪系统 | |
CN106772353B (zh) | 一种适用于闪烁噪声的多目标跟踪方法及系统 | |
CN105976395B (zh) | 一种基于稀疏表示的视频目标跟踪方法 | |
Vinaykumar et al. | Performance evaluation of Alpha-Beta and Kalman filter for object tracking | |
CN106054167B (zh) | 基于强度滤波器的多扩展目标跟踪方法 | |
CN106204477B (zh) | 基于在线低秩背景建模的视频序列背景恢复方法 | |
CN107918688B (zh) | 场景模型动态估计方法、数据分析方法及装置、电子设备 | |
CN107424174B (zh) | 基于局部约束非负矩阵分解的运动显著区域提取方法 | |
Song et al. | 2d lidar map prediction via estimating motion flow with gru | |
CN108717702A (zh) | 基于分段rts的概率假设密度滤波平滑方法 | |
CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
CN105096304B (zh) | 一种图像特征的估计方法和设备 | |
CN105913080A (zh) | 基于随机矩阵的机动非椭圆扩展目标的联合跟踪与分类方法 | |
CN103839280A (zh) | 一种基于视觉信息的人体姿态跟踪方法 | |
CN107292265B (zh) | 一种基于机动检测的目标轨迹快速提取方法 | |
CN106934339B (zh) | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 | |
CN106530319B (zh) | 一种基于轨迹有向图的视频对象协同分割方法 | |
CN104715492B (zh) | 一种同时适应于静止相机和运动相机的前景目标提取方法 | |
CN109118518B (zh) | 双层多贝努利随机有限蚁群多细胞跟踪方法 | |
CN109447145B (zh) | 一种基于随机有限集理论的多目标跟踪装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |