CN107677997A - 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 - Google Patents
基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 Download PDFInfo
- Publication number
- CN107677997A CN107677997A CN201710895163.4A CN201710895163A CN107677997A CN 107677997 A CN107677997 A CN 107677997A CN 201710895163 A CN201710895163 A CN 201710895163A CN 107677997 A CN107677997 A CN 107677997A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- target
- extension
- msubsup
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/70—Radar-tracking systems; Analogous systems for range tracking only
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于GLMB滤波和Gibbs采样的扩展目标跟踪方法,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集框架下多扩展目标跟踪方法,该方法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计。首先,结合广义标签多伯努利滤波器建立了扩展目标的量测有限混合模型,利用Gibbs采样和贝叶斯信息准则推导出有限混合模型的参数来对多扩展目标状态进行学习跟踪,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状的估计。仿真实验表明本发明所给的方法能够有效跟踪多扩展目标,准确估计扩展目标状态和形状,并且能够获得目标的航迹轨迹。
Description
技术领域
本发明属于多扩展目标跟踪领域,针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled randomfinite sets,L-RFS)框架下多扩展目标跟踪方法。
背景技术
传统的目标跟踪算法一般假定被跟踪的目标为一个点目标,即一个目标最多产生一个量测,但随着现代传感器技术的不断发展,雷达分辨率的日益提高使得我们能够从单个目标中获得多个量测,即一个目标在一个采样周期内产生不止一个量测点,这类目标称为扩展目标。扩展目标的跟踪能为我们提供被跟踪目标精确的运动信息和形态信息,这在人工智能时代具有重要的应用价值。传统的跟踪算法因为其不再满足点目标假设,传统的点目标模型不再适用。这是本发明研究的现实依据。在多扩展目标的跟踪中为了更有效的获得整体最优的跟踪性能,本发明结合广义标签多伯努利滤波器(Generalized labelledmulti-bernoulli,GLMB)建立了扩展目标的量测有限混合模型,利用Gibbs采样和贝叶斯信息准则(BIC)准则推导出有限混合模型的参数来对多扩展目标状态进行学习跟踪,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状的估计。
发明内容
本发明针对现有技术的不足,提供了一种基于GLMB滤波和Gibbs采样的多扩展目标跟踪方法。其具体内容如下:
1系统建模
1.1目标动态模型
在随机有限集(RFS)框架下,多扩展目标在k时刻的状态用下面的RFS集合表示:
随着时间的变化,状态集Xk包含了k时刻多目标的所有动态信息,在下一时刻,一些目标会消亡或继续存活并且状态改变,也会有一些再生目标和新生目标,目标RFS的状态模型可以写成如下形式:
其中,Sk|k-1(x),Bk|k-1(x)和Γk分别表示目标的存活,再生和新生。
考虑二维平面内跟踪N(k)个扩展目标的情形,目标动态方程如下:
xk+1,i=Axk,i+υk,i,i=1,…,N(k) (3)
这里,是第i个扩展目标的状态向量,和分别表示k时刻扩展目标i在x轴和y轴方向上的位置,和分别表示在x和y方向上的速度。A为状态转移矩阵,υk,i是服从标准高斯分布的过程噪声。
1.2目标量测模型
假设目标在k时刻的观测量测为: 表示扩展目标在k时刻的量测集,其中表示扩展目标在k时刻的第nk个量测。RFS Zk包含了杂波、目标观测和漏检信息。目标的量测加上杂波和虚警的量测就构成了总的量测。
量测的动态方程如下所示:
zk+1,i=Hxk,i+ωk,i (4)
其中,H为观测矩阵,ωk,i为观测噪声,观测噪声协方差为diag([10;10])×diag([10;10]),i表示第i个扩展目标。
2扩展目标的模型
2.1有限混合模型(FMM)
有限混合模型通常用来描述各种随机源产生的量测集Z={z1,…,zn},f(zi|Θ)表示混合密度,其中是Θ是混合分布的参数集。显然很难直接对混合密度进行推导,将指示变量ei∈{1,2,…,n}加入混合密度f(zi|Θ),当ei=j时,它表示来源于第j个分布的第i个扩展目标的量测zi,根据概率定理得出混合密度的形式如下所示:
进一步推导,得出
f(zi|Θ)=ω1f(zi|θ1)+…+ωmf(zi|θm) (6)
其中,混合分布的参数集Θ={ω1,…,ωm,θ1,…,θm},{θ1,…,θm}是单个分布元素的参数,{ω1,…,ωm}是每个元素的混合权重,由下式定义:
ωj=P(ei=j|Θ) (7)
2.2扩展目标有限混合模型
在k时刻,扩展目标量测集它的混合分布函数如下公式:
其中,表示扩展目标的第个量测的混合权重,表示第个量测的参数集。
假设多扩展目标的分布为一个均匀杂波分布和多个高斯分布组成, 表示均匀杂波量测集,则多扩展目标混合分布可以写成下式所示:
其中,参数集Vk为均值uk的正定阵。扩展目标估计通过下面的贝叶斯方程来表述:
p(Θk|Zk)∝g(Zk|Θk)p(Θk) (10)
假设各量测之间是相互独立的,则量测似然函数用下式来表示:
其中,扩展目标参数先验是联合分布,直接估计单个参数比较困难,所以采用条件分布的形式:
p(Θk)=p(mk)p(ωk|mk)p(Dk|ωk,mk)p(uk|Dk,ωk,mk) (12)
其中,分别表示混合权重集,均值向量集,协方差集。
推导得出,参数的后验分布如下公式:
p(Θk|Zk)=p(ωk|Zk)p(Dk|ωk,Zk)p(uk|Dk,ωk,Zk) (13)
协方差矩阵服从自由度为βk,J的逆Wishart分布,p[(Dk)-1|ωk,mk]=W(Vk,J,βk,J),Vk,J为均值uk的正定阵。
3扩展目标GLMB滤波
使用GLMB滤波算法对扩展目标进行跟踪,GLMB滤波主要分为两步:预测步和更新步。扩展目标状态目标被检测到的概率为则目标未被检测的到概率为标准GLMB滤波算法在贝叶斯递推下封闭,其算法定义如下:
为便于计算,上述公式可以写成如下形式,称为δ-GLMB:
如果目标的先验分布为上述δ-GLMB分布,则多扩展目标的预测步如下所示:
其中
其中,是新生标签的权重,是存活标签的权重.pB(x,l)是新生目标的概率密度,是由先验密度p(ξ)(·,l)得到的存活目标的密度.f(x|·,l)表示存活目标的概率密度。
如果多目标的先验如公式(15)所示,则更新步如下所示:
其中,θ(i)=θ(i′)>0表示i=i′
在获得目标状态估计基础上,进一步学习出扩展目标的形状。
4扩展目标形状估计
本发明采用Gibbs采样算法估计高斯分布的均值协方差及各个高斯分布的权重,然后利用BIC准则来判断几个高斯分布的拟合真实程度。对扩展目标形状采用椭圆建模,以均值替代扩展目标的中心量测即椭圆的中心点,不断学习出扩展目标的形状。
4.1Gibbs采样算法
Gibbs采样可以在给定协方差数据和参数的先验分布条件下获得参数的后验分布样本。Gibbs采样算法步骤如下所示:
4.2Gibbs采样和BIC算法步骤
在Gibbs采样的基础上,结合贝叶斯信息准则(BIC)来评价扩展目标有限混合模型和真实数据分布的匹配度。其物理含义意味着用简单的模型来表达更多的信息。BIC准则定义如下公式:
BIC(mk,Θk,Zk)=-2logL(Θk,mk|Zk)+Mkln(nk) (28)
其中,Mk是独立参数的个数,logL(Θk,mk|Zk)表示参数集Θk和元素个数mk的对数似然函数。
Mk=3mk+2 (29)
基于Gibbs采样和BIC准则,本发明实现了对扩展目标形状的跟踪学习。算法步骤如下所示:
通过上述算法,输出得到权重,均值,协方差和BIC值,采用第j个扩展目标的等效量测替代该扩展目标量测;均值和协方差为输入变量,以均值为中心点,对扩展目标形状采用椭圆逼近建模,通过Gibbs参数学习算法获得扩展目标的形状。
本发明的有益效果:针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,本发明给出了一种基于GLMB滤波和Gibbs采样的有限混合模型多扩展目标跟踪方法。该方法结合GLMB滤波,建立量测有限混合模型,采用Gibbs采样算法估计高斯分布的均值协方差及各个高斯分布的权重,然后利用BIC准则来判断高斯分布的拟合真实程度,对扩展目标形状采用椭圆建模。该方法实现了对多扩展目标的有效跟踪。
附图说明
图1.多扩展目标运动真实轨迹;
图2.多扩展目标跟踪图;
图3.扩展目标形状估计;
图4.多扩展目标在X和Y方向上的跟踪轨迹;
图5.多扩展目标个数估计;
图6.OSPA距离;
具体实施方式
以下结合附图对本发明作进一步说明。
本发明提出了一种基于GLMB滤波和Gibbs采样的有限混合模型多扩展目标跟踪方法,该发明主要应用于杂波环境下对多扩展目标的跟踪估计,多扩展目标的状态、目标个数、扩展目标形状的估计。其具体实施方式如下:
步骤1系统建模
步骤1.1目标动态模型
在随机有限集(RFS)框架下,多扩展目标在k时刻的状态用下面的RFS集合表示:
随着时间的变化,状态集Xk包含了k时刻多目标的所有动态信息,在下一时刻,一些目标会消亡或继续存活并且状态改变,也会有一些再生目标和新生目标,目标RFS的状态模型可以写成如下形式:
其中,Sk|k-1(x),Bk|k-1(x)和Γk分别表示目标的存活,再生和新生。
考虑二维平面内跟踪N(k)个扩展目标的情形,目标动态方程如下:
xk+1,i=Axk,i+υk,i,i=1,…,N(k) (3)
这里,是第i个扩展目标的状态向量,和分别表示k时刻扩展目标i在x轴和y轴方向上的位置,和分别表示在x和y方向上的速度。A为状态转移矩阵,υk,i是服从标准高斯分布的过程噪声。
步骤1.2目标量测模型
假设目标在k时刻的观测量测为: 表示扩展目标在k时刻的量测集,其中表示扩展目标在k时刻的第nk个量测。RFS Zk包含了杂波、目标观测和漏检信息。目标的量测加上杂波和虚警的量测就构成了总的量测。
量测的动态方程如下所示:
zk+1,i=Hxk,i+ωk,i (4)
其中,H为观测矩阵,ωk,i为观测噪声,观测噪声协方差为diag([10;10])×diag([10;10]),i表示第i个扩展目标。
步骤2扩展目标有限混合模型建模
在k时刻,扩展目标量测集它的混合分布函数如下公式:
其中,表示扩展目标的第个量测的混合权重,表示第个量测的参数集。
假设多扩展目标的分布为一个均匀杂波分布和多个高斯分布组成, 表示均匀杂波量测集,则多扩展目标混合分布可以写成下式所示:
其中,参数集Vk为均值uk的正定阵。扩展目标估计通过下面的贝叶斯方程来表述:
p(Θk|Zk)∝g(Zk|Θk)p(Θk) (7)
假设各量测之间是相互独立的,则量测似然函数用下式来表示:
其中,扩展目标参数先验是联合分布,直接估计单个参数比较困难,所以采用条件分布的形式:
p(Θk)=p(mk)p(ωk|mk)p(Dk|ωk,mk)p(uk|Dk,ωk,mk) (9)
其中,分别表示混合权重集,均值向量集,协方差集。
推导得出,参数的后验分布如下公式:
p(Θk|Zk)=p(ωk|Zk)p(Dk|ωk,Zk)p(uk|Dk,ωk,Zk) (10)
协方差矩阵服从自由度为βk,J的逆Wishart分布,p[(Dk)-1|ωk,mk]=W(Vk,J,βk,J),Vk,J为均值uk的正定阵。
步骤3扩展目标GLMB滤波
使用GLMB滤波算法对扩展目标进行跟踪,GLMB滤波主要分为两步:预测步和更新步。扩展目标状态目标被检测到的概率为则目标未被检测的到概率为标准GLMB滤波算法在贝叶斯递推下封闭,其算法定义如下:
为便于计算,上述公式可以写成如下形式,称为δ-GLMB:
如果目标的先验分布为上述δ-GLMB分布,则多扩展目标的预测步如下所示:
其中
其中,是新生标签的权重,是存活标签的权重.pB(x,l)是新生目标的概率密度,是由先验密度p(ξ)(·,l)得到的存活目标的密度.f(x|·,l)表示存活目标的概率密度。
如果多目标的先验如公式(15)所示,则更新步如下所示:
其中,θ(i)=θ(i′)>0表示i=i′
在获得目标状态估计基础上,进一步学习出扩展目标的形状。
步骤4扩展目标形状估计
本发明采用Gibbs采样算法估计高斯分布的均值协方差及各个高斯分布的权重,然后利用BIC准则来判断几个高斯分布的拟合真实程度。对扩展目标形状采用椭圆建模,以均值替代扩展目标的中心量测即椭圆的中心点,不断学习出扩展目标的形状。
步骤4.1Gibbs采样和BIC算法步骤
在Gibbs采样的基础上,结合贝叶斯信息准则(BIC)来评价扩展目标有限混合模型和真实数据分布的匹配度。其物理含义意味着用简单的模型来表达更多的信息。BIC准则定义如下公式:
BIC(mk,Θk,Zk)=-2logL(Θk,mk|Zk)+Mkln(nk) (25)
其中,Mk是独立参数的个数,logL(Θk,mk|Zk)表示参数集Θk和元素个数mk的对数似然函数。
Mk=3mk+2 (26)
基于Gibbs采样和BIC准则,本发明实现了对扩展目标形状的跟踪学习。算法步骤如下所示:
通过上述算法,输出得到权重,均值,协方差和BIC值,采用第j个扩展目标的等效量测替代该扩展目标量测;均值和协方差为输入变量,以均值为中心点,对扩展目标形状采用椭圆逼近建模,通过Gibbs参数学习算法获得扩展目标的形状。
为了更好地阐释本发明,在本发明实验中,假设扩展目标的个数为4,目标被检测到的概率为pD=0.98,杂波分布为均匀分布,杂波密度函数如下公式所示:
V(S)表示杂波分布的区域面积,λc为杂波强度。杂波强度λc=30,杂波区域[-990,-990,1980,1980],四个扩展目标在2维平面做匀速直线(CV)运动,运动场景大小为[-1000,1000]×[-1000,1000]m2,检测时间为100s。四个扩展目标分别在不同的时间和地点出生和消失。第一个扩展目标的存活时间为[1-70]s,第二个扩展目标的存活时间为[1-100]s,第三个扩展目标的存活时间为[19-80]s,第四个扩展目标的存活时间[40-100]s。
目标的状态方程为:
xk+1,i=Axk,i+υk,i,i=1,…,N(k)
其中,状态转移矩阵为:
其中T=1s表示采样时间,是扩展目标i的状态向量,和分别表示k时刻扩展目标i在x轴和y轴方向上的位置,和分别表示在x和y方向上的速度。
目标的观测方程为:
zk+1,i=Hxk,i+ωk,i
其中,观测矩阵H=[1 0 0 0;0 0 1 0],观测噪声协方差为diag([10;10])×diag([10;10]),i表示第i个目标。四个扩展目标的初始状态分别为:
x1=[800m;-15m/s;800m;-11m/s]
x2=[800m;-10m/s;-600m;5m/s]
x3=[-800m;20m/s;400m;-5m/s]
x4=[-200m;15m/s;800m;-10m/s]
图1给出的是0-100s内多扩展目标运动真实轨迹。在整个跟踪过程中,假设四个扩展目标是相互独立的,图中不同的曲线代表不同扩展目标的运动轨迹,圆形表示目标运动的起点,三角形表示目标运动的终点。
图2给出的是0-100s内多扩展目标跟踪效果图。图中黑色圆圈圈住的目标即为扩展目标,黑色圆圈之外的小黑点为杂波。图示为19时刻多扩展目标跟踪图,此时存活有四个扩展目标,四个扩展目标的位置分别在[-582,225]m,[-160,720]m,[-64,-340]m,[743,225]m处。
图3为19时刻扩展目标形状估计图,本发明采用椭圆对扩展目标形状进行估计,图中黑色椭圆轮廓即为扩展目标的估计形状。
由于GLMB滤波算法给每个目标添加了独一无二的标签,因此在算法的实现中能够辨别每个扩展目标,得到如图4所示的多扩展目标的跟踪轨迹,第一个图表示的是在x方向的跟踪轨迹,第二个图表示在y轴方向上的跟踪轨迹。在第1s时,第一个和第二个扩展目标出现,第19s第三个扩展目标出现,第40s时,第四个扩展目标出现,第100s时,仅存在第二和第四个扩展目标,可以看出估计点与真实轨迹基本吻合,说明的本发明提出的算法能够对多扩展目标进行良好的跟踪。
图5给出的是多扩展目标个数估计图。从图中可以看出多扩展目标个数的估计基本和真实个数吻合。0-20s目标的个数为2个,在第20s后,第三个扩展目标出生,目标个数变为3个,再到第40s后,第四个扩展目标出现,第70s时第一个目标死亡,再到第80s第三个目标死亡,扩展目标个数最终变为2个。
为评估本发明所给方法的性能,采用最优次模式分配距离(Optimal Sub PatternAssignment,OSPA):
其中,X和分别为真实状态集和估计状态集,个数分别为m和n,且m≤n,1<p<∞,Πk表示1,2,…,k所有各种排列组成的集合。这里c=100,p=1,OSPA距离如图6所示。图中OSPA距离较小,这说明本发明对多扩展目标跟踪的优越性和准确性。
最后说明,以上描述仅用于本发明的技术方案而非限制其所包含范围,即对本发明的技术方案进行修改或者等同替换,而并未脱离其目的和范围的,均应涵盖于本发明的权利要求当中。
Claims (1)
1.基于GLMB滤波和Gibbs采样的扩展目标跟踪方法,其特征在于:该方法包括以下步骤:
1系统建模
1.1目标动态模型
在随机有限集RFS框架下,多扩展目标在k时刻的状态用下面的RFS集合表示:
随着时间的变化,状态集Xk包含了k时刻多目标的所有动态信息,在下一时刻,一些目标会消亡或继续存活并且状态改变,也会有一些再生目标和新生目标,目标RFS的状态模型写成如下形式:
<mrow>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mo>&cup;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&cup;</mo>
<mo>&lsqb;</mo>
<msub>
<mo>&cup;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msub>
<msub>
<mi>B</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&cup;</mo>
<msub>
<mi>&Gamma;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Sk|k-1(x),Bk|k-1(x)和Γk分别表示目标的存活,再生和新生;
考虑二维平面内跟踪N(k)个扩展目标的情形,目标动态方程如下:
xk+1,i=Axk,i+υk,i,i=1,…,N(k) (3)
这里,是第i个扩展目标的状态向量,和分别表示k时刻扩展目标i在x轴和y轴方向上的位置,和分别表示在x和y方向上的速度;A为状态转移矩阵,υk,i是服从标准高斯分布的过程噪声;
1.2目标量测模型
假设目标在k时刻的观测量测为: 表示扩展目标在k时刻的量测集,其中表示扩展目标在k时刻的第nk个量测;RFS Zk包含了杂波、目标观测和漏检信息;目标的量测加上杂波和虚警的量测就构成了总的量测;
量测的动态方程如下所示:
zk+1,i=Hxk,i+ωk,i (4)
其中,H为观测矩阵,ωk,i为观测噪声,观测噪声协方差为diag([10;10])×diag([10;10]),i表示第i个扩展目标;
2扩展目标的模型
2.1有限混合模型FMM
有限混合模型通常用来描述各种随机源产生的量测集Z={z1,…,zn},f(zi|Θ)表示混合密度,其中是Θ是混合分布的参数集;显然很难直接对混合密度进行推导,将指示变量ei∈{1,2,…,n}加入混合密度f(zi|Θ),当ei=j时,它表示来源于第j个分布的第i个扩展目标的量测zi,根据概率定理得出混合密度的形式如下所示:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>&Theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>&Theta;</mi>
<mo>,</mo>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>j</mi>
<mo>|</mo>
<mi>&Theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
进一步推导,得出
f(zi|Θ)=ω1f(zi|θ1)+…+ωmf(zi|θm) (6)
其中,混合分布的参数集Θ={ω1,…,ωm,θ1,…,θm},{θ1,…,θm}是单个分布元素的参数,{ω1,…,ωm}是每个元素的混合权重,由下式定义:
ωj=P(ei=j|Θ) (7)
2.2扩展目标有限混合模型
在k时刻,扩展目标量测集它的混合分布函数如下公式:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>e</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mi>&Theta;</mi>
<mi>k</mi>
<mi>e</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mi>e</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>e</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mi>e</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msubsup>
<mi>m</mi>
<mi>k</mi>
<mi>e</mi>
</msubsup>
</mrow>
<mi>e</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>e</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msubsup>
<mi>m</mi>
<mi>k</mi>
<mi>e</mi>
</msubsup>
</mrow>
<mi>e</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,表示扩展目标的第个量测的混合权重,表示第个量测的参数集;
假设多扩展目标的分布为一个均匀杂波分布和多个高斯分布组成, 表示均匀杂波量测集,则多扩展目标混合分布写成下式所示:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>U</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>V</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>;</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>;</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,参数集Vk为均值uk的正定阵;扩展目标估计通过下面的贝叶斯方程来表述:
p(Θk|Zk)∝g(Zk|Θk)p(Θk) (10)
假设各量测之间是相互独立的,则量测似然函数用下式来表示:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mi>i</mi>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mi>i</mi>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mi>U</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>;</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,扩展目标参数先验是联合分布,直接估计单个参数比较困难,所以采用条件分布的形式:
p(Θk)=p(mk)p(ωk|mk)p(Dk|ωk,mk)p(uk|Dk,ωk,mk) (12)
其中,分别表示混合权重集,均值向量集,协方差集;
推导得出,参数的后验分布如下公式:
p(Θk|Zk)=p(ωk|Zk)p(Dk|ωk,Zk)p(uk|Dk,ωk,Zk) (13)
协方差矩阵服从自由度为βk,J的逆Wishart分布,p[(Dk)-1|ωk,mk]=W(Vk,J,βk,J),Vk,J为均值uk的正定阵;
3扩展目标GLMB滤波
使用GLMB滤波算法对扩展目标进行跟踪,GLMB滤波主要分为两步:预测步和更新步;扩展目标状态目标被检测到的概率为则目标未被检测的到概率为标准GLMB滤波算法在贝叶斯递推下封闭,其算法定义如下:
为便于计算,上述公式写成如下形式,称为δ-GLMB:
如果目标的先验分布为上述δ-GLMB分布,则多扩展目标的预测步如下所示:
<mrow>
<msub>
<mi>&pi;</mi>
<mo>+</mo>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mo>+</mo>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Delta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mo>+</mo>
</msub>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mo>+</mo>
</msub>
<mo>,</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>F</mi>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
<mo>&times;</mo>
<mi>&Xi;</mi>
</mrow>
</munder>
<msup>
<msub>
<mi>&omega;</mi>
<mo>+</mo>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mo>+</mo>
</msub>
<mo>,</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&times;</mo>
<msub>
<mi>&delta;</mi>
<msub>
<mi>I</mi>
<mo>+</mo>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mo>+</mo>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>p</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<msub>
<mi>X</mi>
<mo>+</mo>
</msub>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
其中
其中,是新生标签的权重,是存活标签的权重.pB(x,l)是新生目标的概率密度,是由先验密度p(ξ)(·,l)得到的存活目标的密度.f(x|·,l)表示存活目标的概率密度;
如果多目标的先验如公式(15)所示,则更新步如下所示:
<mrow>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>|</mo>
<mi>Z</mi>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<mi>&Delta;</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>F</mi>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
<mo>&times;</mo>
<mi>&Xi;</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>&theta;</mi>
<mo>&Element;</mo>
<msup>
<mi>&Theta;</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</munder>
<msup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&times;</mo>
<msub>
<mi>&delta;</mi>
<mi>I</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mi>X</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>23</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,θ(i)=θ(i′)>0表示i=i′;
<mrow>
<msup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>|</mo>
<mi>Z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&psi;</mi>
<mi>Z</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&eta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>25</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&eta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>&zeta;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo><</mo>
<msup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&psi;</mi>
<mi>Z</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>,</mo>
<mi>l</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>26</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&psi;</mi>
<mi>Z</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&delta;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>q</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mn>0</mn>
</msub>
<mo>(</mo>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>|</mo>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>27</mn>
<mo>)</mo>
</mrow>
</mrow>
在获得目标状态估计基础上,进一步学习出扩展目标的形状;
4扩展目标形状估计
4.1 Gibbs采样算法
Gibbs采样在给定协方差数据和参数的先验分布条件下获得参数的后验分布样本;Gibbs采样算法步骤如下所示:
4.2 Gibbs采样和BIC算法步骤
在Gibbs采样的基础上,结合贝叶斯信息准则BIC来评价扩展目标有限混合模型和真实数据分布的匹配度;BIC准则定义如下公式:
BIC(mk,Θk,Zk)=-2log L(Θk,mk|Zk)+Mkln(nk) (28)
其中,Mk是独立参数的个数,log L(Θk,mk|Zk)表示参数集Θk和元素个数mk的对数似然函数;
Mk=3mk+2 (29)
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>30</mn>
<mo>)</mo>
</mrow>
</mrow>
基于Gibbs采样和BIC准则,实现了对扩展目标形状的跟踪学习;算法步骤如下所示:
通过上述算法,输出得到权重,均值,协方差和BIC值,采用第j个扩展目标的等效量测替代该扩展目标量测;均值和协方差为输入变量,以均值为中心点,对扩展目标形状采用椭圆逼近建模,通过Gibbs参数学习算法获得扩展目标的形状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895163.4A CN107677997B (zh) | 2017-09-28 | 2017-09-28 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895163.4A CN107677997B (zh) | 2017-09-28 | 2017-09-28 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107677997A true CN107677997A (zh) | 2018-02-09 |
CN107677997B CN107677997B (zh) | 2021-06-29 |
Family
ID=61139019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710895163.4A Active CN107677997B (zh) | 2017-09-28 | 2017-09-28 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107677997B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN108875245A (zh) * | 2018-06-29 | 2018-11-23 | 电子科技大学 | 基于glmb滤波器的多传感器自适应角度控制方法 |
CN108919225A (zh) * | 2018-07-26 | 2018-11-30 | 中国人民解放军海军航空大学 | 部分均匀环境下距离扩展目标多通道融合检测方法 |
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN109670142A (zh) * | 2019-01-07 | 2019-04-23 | 杭州电子科技大学 | 一种基于随机有限集的可分辨机动群目标状态估计方法 |
CN110596643A (zh) * | 2019-08-12 | 2019-12-20 | 杭州电子科技大学 | 一种多声音阵列移动目标检测定位方法 |
WO2020007487A1 (en) * | 2018-07-06 | 2020-01-09 | Bayerische Motoren Werke Aktiengesellschaft | Object tracking based on multiple measurement hypotheses |
CN110909312A (zh) * | 2019-12-18 | 2020-03-24 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN111563960A (zh) * | 2020-05-08 | 2020-08-21 | 北京理工大学重庆创新中心 | 基于贝叶斯递推的空间群目标检测方法、装置及存储介质 |
CN111812637A (zh) * | 2020-06-02 | 2020-10-23 | 杭州电子科技大学 | 具有类型概率的l-rfs混合目标结构建模与估计方法 |
WO2021008077A1 (zh) * | 2019-07-16 | 2021-01-21 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及系统 |
CN113030940A (zh) * | 2021-02-05 | 2021-06-25 | 河南科技大学 | 一种转弯机动下的多星凸型扩展目标跟踪方法 |
CN113850009A (zh) * | 2020-06-28 | 2021-12-28 | 西安电子科技大学 | 一种基于椭圆rhm的标签粒子多扩展目标跟踪方法 |
CN116500575A (zh) * | 2023-05-11 | 2023-07-28 | 兰州理工大学 | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 |
CN117214857A (zh) * | 2023-11-09 | 2023-12-12 | 中国人民解放军海军航空大学 | 一种三维场景下高斯多假设多扩展目标的跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073853A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于马尔可夫蒙特卡洛算法的多目标车辆跟踪方法 |
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
CN105007057A (zh) * | 2015-07-09 | 2015-10-28 | 杭州电子科技大学 | 一种针对有限集跟踪滤波器的均匀密集杂波稀疏方法 |
CN106157327A (zh) * | 2015-04-16 | 2016-11-23 | 南京理工大学 | 一种基于矩阵低秩表示理论的运动目标跟踪方法 |
US20170204405A1 (en) * | 2013-01-31 | 2017-07-20 | Codexis, Inc. | Methods, systems, and software for identifying bio-molecules using models of multiplicative form |
CN107102295A (zh) * | 2017-04-13 | 2017-08-29 | 杭州电子科技大学 | 基于glmb滤波的多传感器tdoa无源定位方法 |
-
2017
- 2017-09-28 CN CN201710895163.4A patent/CN107677997B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073853A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于马尔可夫蒙特卡洛算法的多目标车辆跟踪方法 |
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
US20170204405A1 (en) * | 2013-01-31 | 2017-07-20 | Codexis, Inc. | Methods, systems, and software for identifying bio-molecules using models of multiplicative form |
CN106157327A (zh) * | 2015-04-16 | 2016-11-23 | 南京理工大学 | 一种基于矩阵低秩表示理论的运动目标跟踪方法 |
CN105007057A (zh) * | 2015-07-09 | 2015-10-28 | 杭州电子科技大学 | 一种针对有限集跟踪滤波器的均匀密集杂波稀疏方法 |
CN107102295A (zh) * | 2017-04-13 | 2017-08-29 | 杭州电子科技大学 | 基于glmb滤波的多传感器tdoa无源定位方法 |
Non-Patent Citations (3)
Title |
---|
MICHAEL BEARD ETC.: ""Multiple Extended Target Tracking with Labelled Random Finite Sets"", 《ARXIV》 * |
STEPHAN REUTER ETC.: ""A Fast Implementation of the Labeled Multi-Bernoulli Filter Using Gibbs Sampling"", 《2017IEEE INTELLIGENT VEHICLES SYMPOSIUM》 * |
WEIFENG LIU ETC.: ""A Time-varying Clutter Intensity Estimation Algorithm by Using Gibbs Sampler and BIC"", 《19TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN108734725B (zh) * | 2018-04-11 | 2020-09-29 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN108875245A (zh) * | 2018-06-29 | 2018-11-23 | 电子科技大学 | 基于glmb滤波器的多传感器自适应角度控制方法 |
CN108875245B (zh) * | 2018-06-29 | 2021-05-04 | 电子科技大学 | 基于glmb滤波器的多传感器自适应角度控制方法 |
CN112154481B (zh) * | 2018-07-06 | 2023-12-08 | 宝马股份公司 | 基于多个测量假设的目标追踪 |
WO2020007487A1 (en) * | 2018-07-06 | 2020-01-09 | Bayerische Motoren Werke Aktiengesellschaft | Object tracking based on multiple measurement hypotheses |
US11455736B2 (en) | 2018-07-06 | 2022-09-27 | Bayerische Motoren Werke Aktiengesellschaft | Object tracking based on multiple measurement hypotheses |
CN112154481A (zh) * | 2018-07-06 | 2020-12-29 | 宝马股份公司 | 基于多个测量假设的目标追踪 |
CN108919225B (zh) * | 2018-07-26 | 2020-06-30 | 中国人民解放军海军航空大学 | 部分均匀环境下距离扩展目标多通道融合检测方法 |
CN108919225A (zh) * | 2018-07-26 | 2018-11-30 | 中国人民解放军海军航空大学 | 部分均匀环境下距离扩展目标多通道融合检测方法 |
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN109670142A (zh) * | 2019-01-07 | 2019-04-23 | 杭州电子科技大学 | 一种基于随机有限集的可分辨机动群目标状态估计方法 |
CN109670142B (zh) * | 2019-01-07 | 2023-05-02 | 杭州电子科技大学 | 一种基于随机有限集的可分辨机动群目标状态估计方法 |
WO2021008077A1 (zh) * | 2019-07-16 | 2021-01-21 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及系统 |
CN110596643A (zh) * | 2019-08-12 | 2019-12-20 | 杭州电子科技大学 | 一种多声音阵列移动目标检测定位方法 |
CN110909312A (zh) * | 2019-12-18 | 2020-03-24 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN110909312B (zh) * | 2019-12-18 | 2022-04-22 | 哈尔滨工程大学 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
CN111563960B (zh) * | 2020-05-08 | 2023-05-16 | 北京理工大学重庆创新中心 | 基于贝叶斯递推的空间群目标检测方法、装置及存储介质 |
CN111563960A (zh) * | 2020-05-08 | 2020-08-21 | 北京理工大学重庆创新中心 | 基于贝叶斯递推的空间群目标检测方法、装置及存储介质 |
CN111812637B (zh) * | 2020-06-02 | 2022-12-02 | 杭州电子科技大学 | 具有类型概率的l-rfs混合目标结构建模与估计方法 |
CN111812637A (zh) * | 2020-06-02 | 2020-10-23 | 杭州电子科技大学 | 具有类型概率的l-rfs混合目标结构建模与估计方法 |
CN113850009A (zh) * | 2020-06-28 | 2021-12-28 | 西安电子科技大学 | 一种基于椭圆rhm的标签粒子多扩展目标跟踪方法 |
CN113030940A (zh) * | 2021-02-05 | 2021-06-25 | 河南科技大学 | 一种转弯机动下的多星凸型扩展目标跟踪方法 |
CN113030940B (zh) * | 2021-02-05 | 2023-11-17 | 河南科技大学 | 一种转弯机动下的多星凸型扩展目标跟踪方法 |
CN116500575A (zh) * | 2023-05-11 | 2023-07-28 | 兰州理工大学 | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 |
CN116500575B (zh) * | 2023-05-11 | 2023-12-22 | 兰州理工大学 | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 |
CN117214857A (zh) * | 2023-11-09 | 2023-12-12 | 中国人民解放军海军航空大学 | 一种三维场景下高斯多假设多扩展目标的跟踪方法 |
CN117214857B (zh) * | 2023-11-09 | 2024-02-02 | 中国人民解放军海军航空大学 | 一种三维场景下高斯多假设多扩展目标的跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107677997B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107677997A (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
Zhao et al. | Fast Kalman-like optimal unbiased FIR filtering with applications | |
CN104730511B (zh) | 星凸模型下的势概率假设密度多扩展目标跟踪方法 | |
CN104376581B (zh) | 一种采用自适应重采样的高斯混合无迹粒子滤波算法 | |
CN103729637B (zh) | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 | |
CN103383261A (zh) | 一种改进型无损卡尔曼滤波室内动目标定位方法 | |
CN104090262B (zh) | 一种基于多采样率多模型融合估计的移动目标跟踪方法 | |
CN106878375A (zh) | 一种基于分布式组合传感器网络的座舱污染物监测方法 | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
CN106646450A (zh) | 基于距离分步聚类的雷达航迹抗差关联方法 | |
CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN105844217A (zh) | 一种基于量测驱动新生目标强度估计的phd多目标跟踪方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN104573190A (zh) | 一种基于交互式多模型的目标跟踪方法 | |
CN102706345A (zh) | 一种基于衰减记忆序贯检测器的机动目标跟踪方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN106054167A (zh) | 基于强度滤波器的多扩展目标跟踪方法 | |
CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN112949466A (zh) | 视频ai烟尘污染源识别与定位方法 | |
CN106019253A (zh) | 基于箱粒子cphd的多扩展目标跟踪方法 | |
CN114236480A (zh) | 一种机载平台传感器系统误差配准算法 | |
Park et al. | Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors | |
CN116520281B (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
CN109509207A (zh) | 一种对点目标和扩展目标进行无缝跟踪的方法 | |
CN103940430B (zh) | 一种状态受限移动多传感器配置及多目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |