CN109214432B - 一种多传感器多目标联合检测、跟踪与分类方法 - Google Patents

一种多传感器多目标联合检测、跟踪与分类方法 Download PDF

Info

Publication number
CN109214432B
CN109214432B CN201810937812.7A CN201810937812A CN109214432B CN 109214432 B CN109214432 B CN 109214432B CN 201810937812 A CN201810937812 A CN 201810937812A CN 109214432 B CN109214432 B CN 109214432B
Authority
CN
China
Prior art keywords
target
loss
decision
class
classification
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
Application number
CN201810937812.7A
Other languages
English (en)
Other versions
CN109214432A (zh
Inventor
敬忠良
李旻哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201810937812.7A priority Critical patent/CN109214432B/zh
Publication of CN109214432A publication Critical patent/CN109214432A/zh
Application granted granted Critical
Publication of CN109214432B publication Critical patent/CN109214432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明提供了一种多传感器多目标联合检测、跟踪与分类方法，其特征在于，包括以下步骤：S1：给定的多目标状态的初值，定义新的贝叶斯风险；S2：在所述类别假设集合中的类别假设的条件下对所述多目标状态进行预测，得到多目标的先验状态分布；S3：在类别决策集合条件下，计算k时刻的多目标后验密度，得到后验多目标状态分布；S4：计算不同决策条件下的多目标检测损失、状态估计损失及分类损失；S5：根据所述检测损失、状态估计损失及分类损失，基于最小贝叶斯风险准则得到多目标的估计和分类最优解。该方法易于实现，为多传感器组网环境感知系统提供了重要的技术支持。

Description

一种多传感器多目标联合检测、跟踪与分类方法
技术领域
本发明涉及传感器目标检测技术领域，特别涉及一种多传感器多目标联合检测、跟踪与分类方法。
背景技术
多传感器多目标联合检测、跟踪与分类问题是战场环境监测中需要解决的一个重要且复杂的问题。这个问题解决的是对监视区域的军事目标(舰艇、飞机、导弹)的检测、跟踪和识别。在实际应用中，多(异类)传感器进行组网是一种常用手段。该系统中一般包括多种类别的传感器，如雷达(Radar)、红外(IR)、电子支援(ESM)、敌我识别(IFF)等，利用传感器之间的量测互补及信息融合，可以提高目标的综合发现概率，跟踪精度，以及识别准确率。
解决这个问题，需要估计目标的数目，各目标的运动状态，并且判断目标的类别。前两个问题是估计问题，需要得到多目标状态的最优估计，后一个问题是决策问题，需要对目标的类别进行判断。实际上，这三个子问题是是互相耦合的，因此，它们需要被联合地解决。并且，该问题也是一个联合决策与估计问题。
对现有的文献检索发现，传统方法主要有：1)先决策后估计，即先判断目标类别，再进行跟踪和分类。2)先估计再决策，即先对多目标进行跟踪，再判断目标类别。3)估计目标类别-状态的概率密度函数。前两种方法属于两步法，由于没有考虑决策和估计之间的相关性，因此无法得到联合的最优解。后一种方法属于密度估计，但无法给出明确的决策以及相应的估计结果。近年来，提出了一种联合决策与估计方法，该方法将目标运动状态估计的损失和目标分类损失进行联合，从而定义了一种新的广义贝叶斯风险，最终在最小贝叶斯风险条件下得到联合解决决策与估计问题的方法。本发明以该理论为基础，本发明给出了联合地求解多目标检测、跟踪和分类问题的具体方法。
发明内容
本发明的目的在于提供一种多传感器多目标联合检测、跟踪与分类方法，以解决现有的方法由于没有考虑决策和估计之间的相关性，因此无法得到联合的最优解以及无法给出明确的决策以及相应的估计结果的问题。
为实现上述目的，本发明提供了一种多传感器多目标联合检测、跟踪与分类方法，包括以下步骤：
S1：给定目标类别的识别框架，包含J种目标可能属于的类别，给定的多目标状态的初值，定义新的贝叶斯风险，包括：设置类别决策损失为当多目标类别假设集合为真时决策的损失，设置状态估计损失为条件化的多目标状态估计误差的期望，以及设置检测损失为条件化的多目标数目估计损失，分类损失是当目标类别判断为类别假设集合H而类别假设为类别决策集合D时的损失；
S2：在所述类别假设集合H的条件下对所述多目标状态进行预测，得到多目标的先验状态分布，其中类别假设集合H包含所有单个目标的类别假设条件；
S3：在类别决策集合D条件下，计算该时刻的多目标后验密度，得到后验多目标状态分布，其中类别决策集合D包含了对所有单个目标的类别决策结果，单个目标的类别决策为判断该目标为第j种目标，其中j∈J；
S4：计算不同决策集合条件下的多目标检测损失、状态估计损失及分类损失；
S5：根据所述检测损失、状态估计损失及分类损失，基于最小贝叶斯风险准则得到多目标的估计和分类最优解。
较佳地，所述步骤S1中定义的新的贝叶斯风险表示为：
Figure BDA0001768043420000021
其中，所述类别决策损失表示为cmn，则cmn为当多目标类别假设集合Hm为真时决策
Figure BDA0001768043420000022
的损失，m表示第m组多目标类别的假设集合，n表示第n组多目标类别的决策集合，k表示第k个时刻；所述估计损失表示为
Figure BDA0001768043420000031
所述检测损失表示为
Figure BDA0001768043420000032
Figure BDA0001768043420000033
是假设和决策集合的后验概率，αmn，βmn和γmn是各损失的非负权重，Zk为多目标量测，X为标签随机有限集，其包含若干个被赋予了标签的目标。
较佳地，所述步骤S2中，对于标签随机有限集X，其包含的所有目标都被赋予唯一的标签l，则对标签为l的目标的类别假设表示为
Figure BDA0001768043420000034
J为目标可能属于的类别的个数；
设k-1时刻多目标集合包含L个目标，则多目标的状态分布表示为类别假设
Figure BDA0001768043420000035
条件下的状态分布
Figure BDA0001768043420000036
和假设概率
Figure BDA0001768043420000037
其中，
Figure BDA0001768043420000038
为标签为l的目标的存在概率；
则k时刻的多目标的先验状态分布表示为：
Figure BDA0001768043420000039
其中，L+表示k时刻预测的所有多目标的标签集合，它包括了幸存目标及新生目标的标签，
Figure BDA00017680434200000310
是单个目标的在该假设下的预测状态分布，
Figure BDA00017680434200000311
是该类别假设的预测概率，
Figure BDA00017680434200000312
是预测的存在概率，
Figure BDA00017680434200000313
为类别假设概率。
较佳地，所述步骤S3中，设k时刻的类别决策集合为
Figure BDA00017680434200000314
这里L(X)＝{L(x)：x∈X}表示多目标的标签随机有限集X中包含的所有目标标签，
Figure BDA00017680434200000315
表示k时刻标签为l的目标的类别决策；
则当得到k时刻的多目标量测Zk时，在类别决策集合条件下计算k时刻的多目标后验密度为
Figure BDA00017680434200000316
较佳地，所述步骤S3中，首先得到类别决策对应的量测空间，然后判断映射θ下标签为l的目标的多传感器量测是否属于决策对应的量测划分区域
Figure BDA0001768043420000041
这里采用包含函数
Figure BDA0001768043420000042
表示任意一个量测z是否落入
Figure BDA0001768043420000043
然后对不同的决策区域计算类别决策条件下的多目标状态分布的估计，得到后验多目标状态分布及类别假设概率。
较佳地，所述步骤S4中，在利用标签随机有限集X计算得到的类别相关多目标后验分布之后，用多个目标各自的状态估计损失相加得到多目标的检测损失，状态估计损失，以及分类损失。
较佳地，所述步骤S5中，将多目标检测损失，估计损失，以及分类损失相加得到量测Zk下的条件化的总体损失
Figure BDA0001768043420000044
进而得到最优决策Dk为：
Figure BDA0001768043420000045
这里Cn(Zk)是决策n下的损失；
而合理的参数选择为：
γi≈(αmn·1+βmn·max(εx))/(1-r(l))
该损失表示单个目标漏检的损失大于最大估计损失和最大分类损失的和。
本发明方法是一种基于标签随机有限集和联合决策与估计的多传感器多目标联合检测、跟踪与分类方法，其在一种在多种(异类)传感器条件下，对于目标数目不确定，以及量测存在漏检、杂波和噪声干扰情况下，利用多目标检测、跟踪与分类之间的相关性，联合地解决多传感器多目标检测、跟踪与分类的方法。
该方法首先定义了多目标联合检测、跟踪与分类的广义贝叶斯风险，并在最小贝叶斯准则下得到了最优解。由于在多目标问题中需要在量测与目标之间的关联关系未知的情况下，得到航迹化的目标状态估计值。该方法还给出了条件化的标签多伯努利滤波器，得到了具有解析形式的多目标状态估计以及相应损失的方法。此外，该方法通过近似地传递多目标状态分布，降低了算法的计算复杂度，使得该方法的计算量符合实时性的要求。本方法框架清晰利于实现，并且可以达到实时计算的性能要求。从而为多传感器组网环境感知系统提供了重要的技术支持。
附图说明
图1为本发明方法总体流程图；
图2为本发明优选实施例的多目标数目估计结果；
图3为本发明优选实施例的多目标位置估计的OSPA距离；
图4为本发明优选实施例的平均错误分类概率；
图5为本发明优选实施例的综合性能测度；
图6为本发明优选实施例的不同参数下多目标数目估计比较；
图7为本发明优选实施例的不同参数下多目标位置估计的OSPA距离；
图8为本发明优选实施例的不同参数下平均错误分类概率；
图9为本发明优选实施例的不同参数下综合性能测度。
具体实施方式
以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作进一步的解释说明，且各个实施例不构成对本发明实施例的限定。
本实施例提供的一种多传感器多目标联合检测、跟踪与分类方法，包括以下步骤：
S1：给定目标类别的识别框架，包含J种目标可能属于的类别，给定的多目标状态的初值，定义新的贝叶斯风险，包括：设置类别决策损失为当多目标类别假设集合为真时决策的损失，设置状态估计损失为条件化的多目标状态估计误差的期望，以及设置检测损失为条件化的多目标数目估计损失，分类损失是当目标类别判断为类别假设集合H而类别假设为类别决策集合D时的损失；
S2：在所述类别假设集合H的条件下对所述多目标状态进行预测，得到多目标的先验状态分布，其中类别假设集合H包含所有单个目标的类别假设条件；
S3：在类别决策集合D条件下，计算该时刻的多目标后验密度，得到后验多目标状态分布，其中类别决策集合D包含了对所有单个目标的类别决策结果，单个目标的类别决策为判断该目标为第j种目标，其中j∈J；
S4：计算不同决策集合条件下的多目标检测损失、状态估计损失及分类损失；
S5：根据所述检测损失、状态估计损失及分类损失，基于最小贝叶斯风险准则得到多目标的估计和分类最优解。
该方法经过利用模拟战场环境的多部雷达、电子支援器模拟器产生的测试数据进行测试，具体实施步骤如下：
步骤S1，给定目标类别的识别框架，包含J种目标可能属于的类别，给定的多目标状态的初值，定义新的贝叶斯风险：
首先，给定多目标状态的初值，一般可以采用粗略的预估计方法，如根据前一时刻的量测给出各目标的初始存在概率，大致位置和运动状态。对目标的类别概率可以初始化为平均概率值。对多目标状态分布概率密度利用标签随机有限集(labeled RFS，labeledrandom finite set)进行建模。基于标签随机有限集的多目标状态分布π(X)中通过对各个目标增加标签信息，并利用独立的伯努利分布描述各个目标的状态。
然后，定义的新的贝叶斯风险表示为：
Figure BDA0001768043420000061
其中，所述决策损失表示为cmn，则cmn为当多目标类别假设集合Hm为真时决策
Figure BDA0001768043420000071
的损失，m表示第m组多目标类别的假设集合，n表示第n组多目标类别的决策集合，k表示第k个时刻；所述估计损失表示为
Figure BDA0001768043420000072
所述检测损失表示为
Figure BDA0001768043420000073
Figure BDA0001768043420000074
是假设和决策集合的后验概率，αmn，βmn和γmn是各损失的非负权重，Zk为多目标量测，x为包含若干个被赋予了标签的目标的标签随机有限集。
步骤S2，在所述类别假设集合H的条件下对所述多目标状态进行预测，得到多目标的先验状态分布，其中类别假设集合H包含所有单个目标的类别假设条件。
步骤S2中，对于标签随机有限集x，其包含的所有目标都被赋予唯一的标签l，则对标签为l的目标的类别假设表示为
Figure BDA0001768043420000075
J为目标可能属于的类别的个数；
设k-1时刻多目标集合包含L个目标，则多目标的状态分布表示为类别假设
Figure BDA0001768043420000076
条件下的状态分布
Figure BDA0001768043420000077
和假设概率
Figure BDA0001768043420000078
其中，
Figure BDA0001768043420000079
为标签为l的目标的存在概率；
则k时刻的多目标的先验状态分布表示为：
Figure BDA00017680434200000710
其中，L+表示k时刻预测的所有多目标的标签集合，它包括了幸存目标及新生目标的标签，
Figure BDA00017680434200000711
是单个目标的在该假设下的预测状态分布，
Figure BDA00017680434200000712
是该类别假设的预测概率，
Figure BDA00017680434200000713
是预测的存在概率，
Figure BDA00017680434200000714
为类别假设概率。
将标签为l的目标上一时刻的后验概率分布
Figure BDA00017680434200000715
用高斯混合来表示：
Figure BDA0001768043420000081
这里N表示该目标状态服从高斯分布，在k-1时刻，第l个目标在类别假设j条件下的高斯混合分布中包含了
Figure BDA0001768043420000082
个高斯元，
Figure BDA0001768043420000083
和
Figure BDA0001768043420000084
分别为该分布中的均值向量和方差，则标签为l的目标的预测状态分布为：
Figure BDA0001768043420000085
Figure BDA0001768043420000086
Figure BDA0001768043420000087
其中，
Figure BDA0001768043420000088
和
Figure BDA0001768043420000089
是类别相关的状态转移矩阵和过程噪声方差阵。假设新生的多目标状态分布也可以用标签多伯努利随机集表示，并且每个新生目标的状态分布为
Figure BDA00017680434200000810
其中，
Figure BDA00017680434200000811
和
Figure BDA00017680434200000812
是状态向量的均值和方差。那么，预测的多目标密度可以表示为参数集合
Figure BDA00017680434200000813
其中状态分布
Figure BDA00017680434200000814
可以用高斯混合来表示：
Figure BDA00017680434200000815
步骤S3，在类别决策集合D条件下，计算该时刻的多目标后验密度，得到后验多目标状态分布，其中类别决策集合D包含了对所有单个目标的类别决策结果，单个目标的类别决策为判断该目标为第j种目标，其中j∈J。
具体地，步骤S3中，设k时刻的类别决策集合为
Figure BDA00017680434200000816
这里L(X)＝{L(x)：x∈X}表示多目标的标签随机有限集X中包含的所有目标标签，
Figure BDA0001768043420000091
表示k时刻标签为l的目标的类别决策；
则当得到k时刻的多目标量测Zk时，计算k时刻的多目标后验密度为：
Figure BDA0001768043420000092
该分布是一个加权和的形式，权重为
Figure BDA0001768043420000093
该分布可以简化为参数集合
Figure BDA0001768043420000094
此外，步骤S3中，首先得到类别决策对应的量测空间，然后判断映射θ下标签为l的目标的多传感器量测是否属于决策对应的量测划分区域
Figure BDA0001768043420000095
这里采用包含函数
Figure BDA0001768043420000096
表示任意一个量测z是否落入
Figure BDA0001768043420000097
然后对不同的决策区域计算类别决策条件下的多目标状态分布的估计，得到后验多目标状态分布及类别假设概率。
具体地，当
Figure BDA0001768043420000098
时，
Figure BDA0001768043420000099
当
Figure BDA00017680434200000910
时，
Figure BDA00017680434200000911
量测更新后的目标后验状态分布
Figure BDA00017680434200000912
和类别假设概率
Figure BDA00017680434200000913
分别为：
Figure BDA00017680434200000914
Figure BDA00017680434200000915
Figure BDA00017680434200000916
Figure BDA00017680434200000917
其中
Figure BDA00017680434200000918
和
Figure BDA00017680434200000919
分别是雷达和ESM的量测似然函数。多目标状态分布中的权重
Figure BDA00017680434200000920
正比于
Figure BDA00017680434200000921
其中
Figure BDA00017680434200000922
是当前所有目标的量测似然和状态预测分布的内积，当前时刻目标包含了上一时刻幸存的目标和当前时刻新生的目标，它们的标签分别为Ik-1和B。
进一步，在保持多目标数目估计无偏性的条件下，基于标签多伯努利随机集的多目标状态后验分布可以用参数集合近似地表示为
Figure BDA0001768043420000101
其中，
Figure BDA0001768043420000102
Figure BDA0001768043420000103
Figure BDA0001768043420000104
步骤S4，计算不同决策集合条件下的多目标检测损失、状态估计损失及分类损失。
具体地，步骤S4中，在利用标签随机有限集X计算得到的类别相关多目标后验分布之后，用多个目标各自的状态估计损失相加得到多目标的检测损失，状态估计损失，以及分类损失。三种损失的具体计算过程分别如下：
多目标状态估计损失为各目标状态估计损失的和：
Figure BDA0001768043420000105
该公式中
Figure BDA0001768043420000106
是目标l在类别假设i和决策条件j下的目标状态估计值，
Figure BDA0001768043420000107
是类别决策
Figure BDA0001768043420000108
条件下的最优状态估计值
Figure BDA0001768043420000109
多目标的分类损失为各目标的分类损失的和：
Figure BDA00017680434200001010
其中
Figure BDA00017680434200001011
是当目标l的类别假设
Figure BDA00017680434200001012
为真时，决策为
Figure BDA00017680434200001013
的损失。
目标数目的估计损失可以等效地基于公式(9)中的权重计算得到：
Figure BDA0001768043420000111
其中FN(L)表示包含了N个目标的标签集合的幂集，除此之外，由于不同目标的类别是相互独立的，类别假设集合的概率为：
Figure BDA0001768043420000112
步骤S5，根据所述检测损失、状态估计损失及分类损失，基于最小贝叶斯风险准则得到多目标的估计和分类最优解。
利用上一步求得的各参数，计算多目标检测损失，估计损失，以及分类损失，可将检测损失，估计损失及分类损失相加得到量测Zk下的条件化的总体损失
Figure BDA0001768043420000113
Figure BDA0001768043420000114
在最小贝叶斯风险准则下可以得到多目标的估计和分类最优解。
根据全部损失，得到最优决策Dk为：
Figure BDA0001768043420000115
这里Cn(Zk)是决策n下的损失；状态的最优估计值为
Figure BDA0001768043420000116
由于目标的正确检测是跟踪和分类的前提，当γi相对较小的时候，CJDE损失
Figure BDA0001768043420000117
在这种参数设定下，可能会由于选择更小的状态估计和分类损失，而判断目标丢失，进而可能得到不正确的联合检测、跟踪与分类结果。多目标检测损失可以计算为
Figure BDA0001768043420000118
其中c表示(I，θ)∈FN(L)×Θ。
而合理的参数选择为：
γi≈(αmn·1+βmn·max(εx))/(1-r(l)) (25)
该损失表示单个目标漏检的损失大于最大估计损失和最大分类损失的和。
本实施例提供的基于标签随机有限集和联合决策与估计的多传感器多目标联合检测、跟踪与分类方法。针对多种传感器(包括多部雷达、ESM等对目标距离、角度等位置和运动信息)的模拟数据，标签随机有限计算了新的条件化多目标后验状态分布，并计算相应的检测损失，状态估计损失，以及分类损失，最终在最小贝叶斯风险准则下得到该问题的联合最优解。假设二维场景中有若干个的目标，目标有两种可能的类别，不同的类别具有的运动模型不同。第j个类别的第i个运动模型为：
xk＝Fk，ixk-1+wk，i
其中Fk，i是模型相关的状态转移矩阵，wk，i是方差为Qk，i的高斯噪声。目标类别1只包含匀速(CV)运动模型，其参数设定为：
Figure BDA0001768043420000121
Figure BDA0001768043420000122
其中σv是过程噪声的协方差
Figure BDA0001768043420000123
目标类别2具有两种运动模型，匀速模型和匀加速(CA)模型，CV模型与类别1相同，而CA模型的参数为：
Figure BDA0001768043420000131
Figure BDA0001768043420000132
其中σa是过程噪声，协方差为
Figure BDA0001768043420000133
模型转移概率矩阵为：
Figure BDA0001768043420000134
目标的运动学量测为zk＝[xk，yk]T+wk，其中[xk，yk]是目标的位置，wk是方差为
Figure BDA0001768043420000135
的高斯量测噪声，其中σx＝σy＝2m。目标检测概率为pd＝0.98，杂波在监视范围内服从均匀分布，杂波的密度为6×10-5。
假设有两个非机动目标和一个机动目标在二维场景中运动。目标1的初始位置为[-200，700]m，初始速度为[50，0]m/s，该目标从开始到结束一直做匀速运动。目标2在k＝5时刻出现，初始位置为[-200，1000]m，以[40，30]m/s做匀速运动，直到k＝25时刻消失。机动目标3在k＝3时刻出现，在k＝27时刻消失，初始位置为[0，1900]m，并以[4，-3]m/s2的加速度做匀加速运动。
本发明方法记为CJDE-LMB，该方法的多目标检测、跟踪和分类结果分别在多目标势估计，最优子模式分配(OSPA)距离，以及分类正确概率上与传统方法进行比较。此外，对于方法的整体性能用联合性能测度(JPM)来衡量。这种联合测度用目标检测、跟踪和分类的损失的加权求和计算得到，加权的系数与广义贝叶斯风险中的系数相同。相比较的传统方法有如下三种：
1)先估计后决策：先基于全局最近邻算法计算每个目标的状态，然后根据当前时刻的量测与状态预测值的似然比得到目标的类别概率。
2)先决策后估计：在最小的贝叶斯决策风险下判断目标的类别，然后在决策条件下估计目标的状态。
3)估计多目标的联合状态-类别概率密度：首先用粒子形式的PHD滤波器在目标类别相关的运动模型集下计算目标的状态-类别后验概率密度。然后通过粒子聚类的方式提取目标的状态和类别概率。这种方法这里记为YW-JDTC算法。
在仿真实验中，目标幸存的概率为ps＝0.98，目标新生的概率为pb＝0.02。新生目标的状态服从高斯分布，bk＝N(x；mb，Qb)，其中，均值分别为
Figure BDA0001768043420000141
新生目标状态分布的方差均为
Figure BDA0001768043420000142
所有的目标类别都有相同的初始概率。目标类别2包含的两种运动模型的初始概率均为0.5。根据上一小节对参数选择的分析，CJDE风险中的损失系数设定为
Figure BDA0001768043420000143
多目标的检测、跟踪与分类结果根据1000次蒙特卡洛仿真得到。
图2给出了多目标的目标数目估计结果。可以看出，CJDE-LMB可以正确地检测出所有目标。这是由于CJDE风险中的系数γ相对比较大，因此方法对目标漏检的惩罚更加严重。跟踪的结果显示在图3中。如图所示，在OSPA距离下，CJDE-LMB算法的跟踪结果是最好的。这是因为该方法考虑了决策和估计的相互关系，在决策正确的情况下，多目标的状态在合理的量测-目标映射下被更新。相比之下，在ETD和YW-JDTC的跟踪过程中，并不考虑目标的类别决策，而在DTE中也没有被考虑类别决策可能发生的错误。图4给出了多目标分类的平均错误概率。这几种方法中，CJDE-LMB是最好的，而ETD算法最差。产生这种现象的原因是由于在ETD方法中，决策仅仅依赖于当前的状态估计。此外，虽然CJDE-LMB在分类结果上的优势相比YW-JDTC算法不是非常明显，但是应当注意到，CJDE-LMB给出了明确的目标类别决策结果，而YW-JDTC仅仅给出了目标类别概率。将所有的损失相加，并在JPM下比较所有的结果。如图5所示，CJDE-LMB的综合性能也比其他算法都要好。这个例子体现出，由于CJDE-LMB考虑到了估计和决策的相关性，所以估计和决策的性能均得到了提高。此外，该方法得到了明确的估计和分类结果。
为了体现贝叶斯风险中参数选择的重要性，在第二个算例中，多目标的联合检测、跟踪与分类结果在不同的参数条件下求取。假设两组参数分别设定为
Figure BDA0001768043420000151
和
Figure BDA0001768043420000152
这里参数α和β的选择使得状态估计和分类损失相对平衡。当γ＝100的时候，目标的正确检测更加重要，相比之下，当γ＝10的时候，目标检测损失在
Figure BDA0001768043420000153
中不太重要。
不同参数下的目标检测、跟踪和分类结果在图6～图9中给出。如图所示，当所有的目标保持各自的运动模式时，所有的目标均被正确地检测到。在第三个目标发生匀加速运动时，该目标的航迹在参数γ＝100的条件下得到了保持，当参数γ＝10时，该目标在一些仿真实验中被漏检。这种现象产生的原因是当目标3发生机动之后，最优的贝叶斯类别决策变为机动目标，因此估计和决策损失会因为运动模型和最优决策的改变而突然增加。在这种情况下，当参数设定为γ＝100时，由于漏检的损失较大，所有航迹在无偏的多目标数目估计的条件下被正确的维持。相比之下，当γ＝10时，由于选择了更小的估计和分类损失，目标容易被判断为消失，产生目标漏检。
由于不正确的目标检测结果，如图7和图8所示，在参数γ＝10的条件下，平均的多目标跟踪和分类性能比γ＝100时要差。如图9所示，在综合性能测度下，多目标联合检测、跟踪与分类结果在γ＝100的条件下要更好。
该实施例结果体现出，由于目标检测是跟踪和正确分类的前提，为了保证多目标的正确检测，目标漏检的损失需要占主要部分。
本发明方法具有闭合的解析形式，可以针对任意多个同类或者异类传感器得到的多目标的联合检测、跟踪与分类解。同时，本发明方法的近似实现方式，使得计算复杂度符合实际工程需求。本发明还给出了方法中的参数选择方法。本发明框架清晰易于实现，并且可以达到实时计算的性能要求。从而可以在传感器组网目标跟踪与识别监视系统中得到广泛应用，并可为良好的战场环境感知及信息融合系统提供重要的技术支持。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何本领域的技术人员在本发明揭露的技术范围内，对本发明所做的变形或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述的权利要求的保护范围为准。

Claims (5)

1.一种多传感器多目标联合检测、跟踪与分类方法，其特征在于，包括以下步骤：
S1：给定目标类别的识别框架，包含J种目标可能属于的类别，给定的多目标状态的初值，定义新的贝叶斯风险，包括：设置类别决策损失为当多目标类别假设集合为真时决策的损失，设置状态估计损失为条件化的多目标状态估计误差的期望，以及设置检测损失为条件化的多目标数目估计损失，分类损失是当目标类别判断为类别假设集合H而类别假设为类别决策集合D时的损失；
S2：在所述类别假设集合H的条件下对所述多目标状态进行预测，得到多目标的先验状态分布，其中类别假设集合H包含所有单个目标的类别假设条件；
S3：在类别决策集合D条件下，计算当前时刻的多目标后验密度，得到后验多目标状态分布，其中类别决策集合D包含了对所有单个目标的类别决策结果，单个目标的类别决策为判断该目标为第j种目标，其中j∈J；
S4：计算不同决策集合条件下的多目标检测损失、状态估计损失及分类损失；
S5：根据所述检测损失、状态估计损失及分类损失，基于最小贝叶斯风险准则得到多目标的估计和分类最优解；
所述步骤S1中定义的新的贝叶斯风险表示为：
Figure FDA0003333117080000011
其中，所述类别决策损失表示为cmn，则cmn为当多目标类别假设集合Hm为真时决策
Figure FDA0003333117080000012
的损失，m表示第m组多目标类别的假设集合，n表示第n组多目标类别的决策集合，k表示第k个时刻；所述状态估计损失表示为
Figure FDA0003333117080000013
所述检测损失表示为
Figure FDA0003333117080000014
Figure FDA0003333117080000015
是假设和决策集合的后验概率，αmn，βmn和γmn是各损失的非负权重，Zk为多目标量测，X为标签随机有限集，其包含若干个被赋予了标签的目标；
所述步骤S2中，对于标签随机有限集X，其包含的所有目标都被赋予唯一的标签l，则对标签为l的目标的类别假设表示为
Figure FDA0003333117080000021
j∈J，J为目标可能属于的类别的个数；
设k-1时刻多目标集合包含L个目标，则多目标的状态分布表示为类别假设
Figure FDA0003333117080000022
条件下的状态分布
Figure FDA0003333117080000023
和假设概率
Figure FDA0003333117080000024
其中，
Figure FDA0003333117080000025
为标签为l的目标的存在概率；
则k时刻的多目标的先验状态分布表示为：
Figure FDA0003333117080000026
其中，L+表示k时刻预测的所有多目标的标签集合，它包括了幸存目标及新生目标的标签，
Figure FDA0003333117080000027
是单个目标的在该假设下的预测状态分布，
Figure FDA0003333117080000028
是预测的存在概率，
Figure FDA0003333117080000029
为类别假设概率。
2.根据权利要求1所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S3中，设k时刻的类别决策集合为
Figure FDA00033331170800000210
这里L(X)＝{L(x):x∈X}表示多目标的标签随机有限集X中包含的所有目标标签，
Figure FDA00033331170800000211
表示k时刻标签为l的目标的类别决策；
则当得到k时刻的多目标量测Zk时，在类别决策集合条件下计算k时刻的多目标后验密度为
Figure FDA00033331170800000212
3.根据权利要求2所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S3中，首先得到类别决策对应的量测空间，然后判断映射θ下标签为l的目标的多传感器量测是否属于决策对应的量测划分区域
Figure FDA00033331170800000213
这里采用包含函数
Figure FDA00033331170800000214
表示任意一个量测z是否落入
Figure FDA00033331170800000215
然后对不同的决策区域计算类别决策条件下的多目标状态分布的估计，得到后验多目标状态分布及类别假设概率。
4.根据权利要求2所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S4中，在利用标签随机有限集X计算得到的类别相关多目标后验分布之后，用多个目标各自的状态估计损失相加得到多目标的检测损失，状态估计损失，以及分类损失。
5.根据权利要求2所述的多传感器多目标联合检测、跟踪与分类方法，其特征在于，所述步骤S5中，将多目标检测损失，估计损失，以及分类损失相加得到量测Zk下的条件化的总体损失
Figure FDA0003333117080000031
进而得到最优决策Dk为：
Figure FDA0003333117080000032
这里Cn(Zk)是决策n下的损失；
而合理的参数选择为：
γmn≈(αmn·1+βmn·max(εx))/(1-r(l))，
该损失表示单个目标漏检的损失大于最大估计损失和最大分类损失的和。
CN201810937812.7A 2018-08-16 2018-08-16 一种多传感器多目标联合检测、跟踪与分类方法 Active CN109214432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810937812.7A CN109214432B (zh) 2018-08-16 2018-08-16 一种多传感器多目标联合检测、跟踪与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810937812.7A CN109214432B (zh) 2018-08-16 2018-08-16 一种多传感器多目标联合检测、跟踪与分类方法

Publications (2)

Publication Number Publication Date
CN109214432A CN109214432A (zh) 2019-01-15
CN109214432B true CN109214432B (zh) 2022-02-08

Family

ID=64988650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810937812.7A Active CN109214432B (zh) 2018-08-16 2018-08-16 一种多传感器多目标联合检测、跟踪与分类方法

Country Status (1)

Country Link
CN (1) CN109214432B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110967690B (zh) * 2019-11-12 2023-06-16 江南大学 一种基于多伯努利分布式多传感器多目标跟踪方法
CN111914211B (zh) * 2020-07-30 2023-03-10 深圳大学 一种新生目标标签多贝努利分布的生成方法及装置
CN112200830A (zh) * 2020-09-11 2021-01-08 山东信通电子股份有限公司 一种目标跟踪方法及设备
CN113219452B (zh) * 2021-05-07 2022-05-31 电子科技大学 未知视域下的分布式多雷达联合配准与多目标跟踪方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5325445A (en) * 1992-05-29 1994-06-28 Eastman Kodak Company Feature classification using supervised statistical pattern recognition
CN1166922C (zh) * 2002-07-18 2004-09-15 上海交通大学 多传感器多目标信息融合方法
CN101465071B (zh) * 2009-01-08 2010-12-01 上海交通大学 多平台目标跟踪与分布交互仿真系统
CN102147468B (zh) * 2011-01-07 2013-02-27 西安电子科技大学 基于贝叶斯理论的多传感器检测跟踪联合处理方法
CN103345577B (zh) * 2013-06-27 2016-05-18 江南大学 变分贝叶斯概率假设密度多目标跟踪方法
CN105093186A (zh) * 2015-08-27 2015-11-25 电子科技大学 一种基于异构雷达传感网的多目标融合检测方法
CN105717505B (zh) * 2016-02-17 2018-06-01 国家电网公司 利用传感网进行多目标跟踪的数据关联方法
CN107831490A (zh) * 2017-12-01 2018-03-23 南京理工大学 一种改进的多扩展目标跟踪方法

Also Published As

Publication number Publication date
CN109214432A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109214432B (zh) 一种多传感器多目标联合检测、跟踪与分类方法
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN108089183B (zh) 一种用于异步多基地雷达系统的检测跟踪一体化方法
CN108333569A (zh) 一种基于phd滤波的异步多传感器融合多目标跟踪方法
WO2012009947A1 (zh) 特征迹驱动的多目标跟踪装置及方法
CN108344981B (zh) 面向杂波的多传感器异步检测tsbf多目标跟踪方法
Lan et al. Joint target detection and tracking in multipath environment: A variational Bayesian approach
CN111562571B (zh) 一种未知新生强度的机动多目标跟踪与航迹维持方法
Jenkins et al. Information-based adaptive sensor management for sensor networks
CN115204212A (zh) 一种基于stm-pmbm滤波算法的多目标跟踪方法
Liu et al. Multi-target Bayes filter with the target detection
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN112269401A (zh) 基于跟踪精度与风险控制的自适应主动传感器跟踪方法
Wang et al. Study on multiple targets tracking algorithm based on multiple sensors
Fu et al. Observation bootstrapping CDK-GMPHD filter based on consensus fusion strategy
CN111262556B (zh) 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
Reuter et al. Real-time implementation of a random finite set particle filter.
CN107590509B (zh) 基于最大期望近似的切尔诺夫融合方法
Li Data mining-based tracking method for multisource target data of heterogeneous networks
CN111811515B (zh) 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
CN117169818B (zh) 一种面向海面机动目标跟踪的雷达波形设计方法
Ge et al. NG-RC Based Multi-Target Data Association Algorithm
Wang et al. Multisensor and Multitarget Tracking Based on Generalized Covariance Intersection Rule
Ren et al. Multi-pedestrian tracking based on social forces
Saad et al. Improving data association based on finding optimum innovation applied to nearest neighbor for multi-target tracking in dense clutter environment

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