CN110390684A - 一种闪烁噪声下的多目标跟踪方法及系统 - Google Patents
一种闪烁噪声下的多目标跟踪方法及系统 Download PDFInfo
- Publication number
- CN110390684A CN110390684A CN201910639220.1A CN201910639220A CN110390684A CN 110390684 A CN110390684 A CN 110390684A CN 201910639220 A CN201910639220 A CN 201910639220A CN 110390684 A CN110390684 A CN 110390684A
- Authority
- CN
- China
- Prior art keywords
- target
- label
- bernoulli jacob
- distribution function
- current time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 214
- 238000005315 distribution function Methods 0.000 claims abstract description 177
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 9
- 238000013398 bayesian method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003848 UV Light-Curing Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000004083 survival effect Effects 0.000 claims description 2
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明适用于目标跟踪技术领域,提供了一种闪烁噪声下的多目标跟踪方法及系统,利用前一时刻各目标的分布函数和标签多伯努利滤波密度,预测得到当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度;为新生目标设置预设分布函数和预设标签多伯努利滤波密度;合并上述两个分布函数和标签多伯努利滤波密度,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度;处理当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度,以获得当前时刻各目标的分布函数和标签多伯努利滤波密度,并作为下一时刻滤波器的输入。通过本发明可以使滤波器在闪烁噪声环境中准确提取当前时刻各目标的目标状态,提高多目标跟踪的精度。
Description
技术领域
本发明涉及目标跟踪技术领域,尤其涉及一种闪烁噪声下的多目标跟踪方法及系统。
背景技术
标签多伯努利滤波器能够在杂波和噪声环境中准确估计目标数量、跟踪目标轨迹,因此已经应用到许多实际问题中,例如雷达目标跟踪,图像数据跟踪,地面目标跟踪,传感器管理,声频和视频数据跟踪,视觉数据跟踪和细胞跟踪,和移动多目标跟踪等其它应用。
然而,标签多伯努利滤波器多应用于噪声为高斯噪声的情况,而在闪烁噪声环境中的多目标跟踪效果不佳。因此,如何有效地对闪烁噪声下的多目标进行跟踪是需要探索和解决的关键技术问题。
发明内容
本发明的主要目的在于提出一种闪烁噪声下的多目标跟踪方法及系统,以解决现有的用于多目标跟踪的滤波器无法应用在闪烁噪声环境中的问题。
为实现上述目的,本发明实施例第一方面提供一种闪烁噪声下的多目标跟踪方法,包括:
利用前一时刻各目标的分布函数和标签多伯努利滤波密度,通过预测得到当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度;
为新生目标设置预设分布函数和预设标签多伯努利滤波密度;
将所述新生目标的预设分布函数和预设标签多伯努利滤波密度分别与所述当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度;
其中,所述当前时刻各目标包括当前时刻已存在的目标和当前时刻的新生目标;
将所述当前时刻各目标的预测标签多伯努利滤波密度转换为预测的δ-广义标签多伯努利滤波密度,通过变分贝叶斯方法对当前时刻的测量、各目标的预测分布函数和预测δ-广义标签多伯努利滤波密度进行处理,获得各目标的更新分布函数和更新δ-广义标签多伯努利滤波密度;
通过吉布斯采样对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪;裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,形成当前时刻的候选标签多伯努利滤波密度;
对所述当前时刻的候选分布函数和候选标签多伯努利滤波密度进行剪枝融合处理,获得当前时刻各目标的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入;根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率;并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出。
本发明实施例第二方面提供一种闪烁噪声下的多目标跟踪系统,包括:
预测模块,用于利用前一时刻各目标的分布函数和标签多伯努利滤波密度,通过预测得到当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度;
新生目标获取模块,用于为新生目标设置预设分布函数和预设标签多伯努利滤波密度;
合并模块,用于将所述新生目标的预设分布函数和预设标签多伯努利滤波密度分别与所述当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度;
其中,所述当前时刻各目标包括当前时刻已存在的目标和当前时刻的新生目标;
更新模块,用于将所述当前时刻各目标的预测标签多伯努利滤波密度转换为预测的δ-广义标签多伯努利滤波密度,通过变分贝叶斯方法对当前时刻的测量、各目标的预测分布函数和预测δ-广义标签多伯努利滤波密度进行处理,获得各目标的更新分布函数和更新δ-广义标签多伯努利滤波密度;
裁剪模块,用于通过吉布斯采样对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪;裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,形成当前时刻的候选标签多伯努利滤波密度;
提取模块,用于对所述当前时刻的候选分布函数和候选标签多伯努利滤波密度进行剪枝融合处理,获得当前时刻各目标的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入;根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率;并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出。
本发明实施例提出一种闪烁噪声下的多目标跟踪方法,将目标按照时间划分为前一时刻各目标、当前时刻已存在目标和新生目标,其中,前一时刻各目标的分布函数和标签多伯努利滤波密度已知,用于预测当前时刻已存在目标的分布函数和标签多伯努利滤波密度,同时为新生目标设置预设分布函数和预设标签多伯努利滤波密度,将当前时刻目标的分布函数和标签多伯努利滤波密度分别与新生目标的预设分布函数和预设标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度,将当前时刻各目标的预测标签多伯努利滤波密度转换为δ-广义标签多伯努利滤波密度的形式,然后进行更新,从而获得当前时刻目标的更新分布函数和更新δ-广义标签多伯努利滤波密度,通过吉布斯采样对目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪,裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,形成当前时刻的候选标签多伯努利滤波密度,而在将候选分布函数和候选标签多伯努利滤波密度输入滤波器之前,还对其进行剪枝融合处理,从而在候选分布函数和候选标签多伯努利滤波密度基础上再次提取出有效的分量,构成当前时刻目标的分布函数和标签多伯努利滤波密度,上述的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入,根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率,并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出,其中,概率大的目标为滤波器的跟踪目标,滤波器的输出则用于描述目标的状态,从而实现目标跟踪,本发明实施例提供的闪烁噪声下的多目标跟踪方法,可以使滤波器在闪烁噪声环境中准确提取总目标的目标状态,从而提高闪烁噪声环境下多目标跟踪的精度。
附图说明
图1为本发明实施例一提供的闪烁噪声下的多目标跟踪方法的实现流程示意图;
图2为本发明实施例二提供的闪烁噪声下的多目标跟踪系统的组成结构示意图;
图3为本发明实施例三提供的传感器50个扫描周期的测量数据;
图4为本发明实施例三提供的按照实施例一中的闪烁噪声下的多目标跟踪方法处理得到滤波器输出结果;
图5本发明实施例三提供的现有的闪烁噪声下的VB-PHD滤波方法处理得到的滤波器输出结果;
图6为按照实施例一中的闪烁噪声下的多目标跟踪方法与按照VB-PHD滤波方法在经过100次实验得到的平均OSPA距离示意图;
图7为按照实施例一中的闪烁噪声下的多目标跟踪方法与按照VB-PHD滤波方法在经过100次实验得到的目标数量估计示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本文中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。因此,″模块″与″部件″可以混合地使用。
在后续的描述中,发明实施例序号仅仅为了描述,不代表实施例的优劣。
实施例一
如图1所示,本发明实施例提出一种闪烁噪声下的多目标跟踪方法,包括步骤S101至步骤S106。
其中,前一时刻目标和当前时刻目标中的目标指不同时刻的多个跟踪目标,目标在区域内的分布情况由分布函数和标签多伯努利滤波密度表示。
其中,步骤S101至步骤S103为预测步骤,步骤S104为更新步骤,步骤S105为裁剪步骤,步骤S106为输出步骤。
在本发明实施例中,步骤S101的实现流程可以为:
以k-1表示前一时刻,k表示当前时刻,tk-1表示前一时刻的时间,tk表示当前时刻的时间;
当前时刻的观测噪声服从学生氏t分布,表示为:
其中,zk表示k时刻的测量值,表示测量均值,Λk为精度矩阵,λk为t分布的自由度;
所述前一时刻各目标的分布函数表示为:
其中,N表示高斯分布,IG表示逆伽玛分布,xk-1表示前一时刻的状态分量,mk-1表示状态估计均值,Pk-1表示协方差矩阵,Rk-1表示噪声方差矩阵,d表示逆伽玛分布参数αk-1和βk-1的维度;
所述前一时刻各目标的标签多伯努利滤波密度表示为:
其中,表示k-1时刻的标签空间,l=(t,i)表示目标标签,t用于记录对应时刻,i是不重复的正整数,以区分同时刻的其它目标,为存在概率,为概率密度,为权重,Δ(X)=δ|X|(|L(X)|),
根据所述前一时刻各目标的分布函数,得到所述当前时刻已存在目标的预测分布函数,公式为:
其中,mk,S=Fk-1mk-1,αk,S=ρααk-1,βk,S=ρββk-1,xk为当前时刻的状态分量,Fk-1为状态转移矩阵,Qk-1为过程噪声方差矩阵,ρα和ρβ为传播因子;
根据所述前一时刻各目标的标签多伯努利滤波密度,得到所述当前时刻已存在目标的预测标签多伯努利滤波密度,公式为:
其中, 其中,ηsl=pS(l)·,pk-1(l)·,pS(l)为目标存活概率,fxx′为单目标转移密度。
在本发明实施例中,步骤S102的实现流程可以为:
所述新生目标的预设分布函数为:
其中,xk为k时刻的状态分量,mk,B为新生目标的状态估计均值,Pk,B为新生目标的协方差矩阵,αk,B和βk,B为新生目标的逆伽玛分布的参数;
所述新生目标的预设标签多伯努利滤波密度为:
其中,表示新生目标的标签空间,为新生目标的存在概率,为概率密度,为权重。
在本发明实施例中,步骤S103的实现流程可以为:
将所述新生目标的预设分布函数和所述当前时刻已存在目标的预测分布函数进行合并,得到当前时刻各目标的预测分布函数,公式为:
将所述新生目标的预设标签多伯努利滤波密度和所述当前时刻已存在目标的预测标签多伯努利滤波密度进行合并,得到当前时刻各目标的预测标签多伯努利滤波密度,公式为:
其中,
在步骤S101至步骤S103中,采用启发式的方法产生逆伽玛分布的参数,从而根据前一时刻目标的分布函数和标签多伯努利滤波密度,预测当前时刻目标的分布函数和标签多伯努利滤波密度,并为新生目标设置预设分布函数和预设标签多伯努利滤波密度;再将新生目标的预设分布函数和预设标签多伯努利滤波密度分别与当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度。
在步骤S104中,将所述当前时刻各目标的预测标签多伯努利滤波密度转换为δ-广义标签多伯努利滤波密度,利用变分贝叶斯方法处理当前时刻各目标的预测分布函数和预测δ-广义标签多伯努利滤波密度,获得各目标的更新分布函数和更新δ-广义标签多伯努利滤波密度,为下一步骤中的联合裁剪提供数据基础。
在本发明实施例中,步骤S104的实现流程可以为:
将所述当前时刻各目标的预测标签多伯努利滤波密度转换为δ-广义标签多伯努利滤波密度的形式,获得所述预测δ-广义标签多伯努利滤波密度,公式为:
其中, 为的有限子集;
用变分贝叶斯方法获得所述当前时刻各目标的更新分布函数,公式为:
其中,mk=mk|k-1+Kkvk,Pk=Pk|k-1-KkHkPk|k-1, 其中,vk=zk-Hkmk|k-1,Hk为观测矩阵;
将和分别代替和得到Rk,进行迭代更新,直到迭代过程中mk前后两次的差值小于第一阈值或达到最大迭代次数,得到更新后的mk、Pk、αk和βk;
获得所述当前时刻各目标的更新δ-广义标签多伯努利滤波密度,公式为:
其中,θk∈Θk表示由标签到观测集的1-1映射:
其中,
是检测概率,是漏检概率,k(z)是服从泊松分布的噪声混杂度。
在步骤S105中,通过吉布斯采样对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪;裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,形成当前时刻的候选标签多伯努利滤波密度。
在本发明实施例中,步骤S105的实现流程可以为:
将所述预测δ-广义标签多伯努利滤波密度和所述更新δ-广义标签多伯努利滤波密度结合,获得:
其中,表示由所述前一时刻目标的标签多伯努利滤波密度转换后的δ-广义标签多伯努利滤波密度所对应的权重,
其中,Si,j=1{1:M}(j)δγi[j]+δM+j[j]δγi[0]+δM+P+j[j]δγi[-1],
M为当前时刻观测值的数量,P为当前时刻的目标数量;
利用吉布斯采样方法求解得到值较大的γ向量集合即挑选权重值较大的分量,从而得到权重值较大的集合;
对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪,删除权重值较小的目标所对应的分布函数和δ-广义标签多伯努利滤波密度。将裁剪后余下的预测分布函数和更新分布函数作为当前时刻的候选分布函数,将裁剪后的余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,即
其中,为裁剪后的权重值,用于得到当前时刻的候选标签多伯努利滤波密度。
在步骤S106中,在将候选分布函数和候选标签多伯努利滤波密度输入滤波器之前,还对其进行剪枝融合处理,从而在候选分布函数和候选标签多伯努利滤波密度基础上再次提取出有效的分量,构成当前时刻目标的分布函数和标签多伯努利滤波密度,上述的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入,根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率,并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出。
在本发明实施例中,步骤S106的实现流程可以为:
通过滤波器获得所述当前时刻各目标的候选分布函数和候选标签多伯努利滤波密度,获得所述当前时刻各目标的目标轨迹;
选择存在概率大于第二阈值的所述目标轨迹;
对选择的所述目标轨迹中的分量进行剪枝融合,并删除权重值小于第三阈值的分量;
对剩余分量进行加权平均,获取融合后的分量,从而获得当前时刻各目标的分布函数和标签多伯努利滤波密度;
将所述当前时刻各目标的分布函数和标签多伯努利滤波密度作为下一时刻滤波器的输入;
根据所述当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算所述当前时刻各目标的目标存在概率,并根据估计的目标数,依次将存在概率大的目标分布函数提取出来;
将提取出的目标分布函数作为所述滤波器的输出。
在实际应用中,第k个时刻输出的分布函数的均值为当前时刻各目标的状态估计,第k个时刻输出的分布函数的协方差为当前时刻各目标的误差估计。
实施例二
如图2所示,本发明实施例二还提供了一种闪烁噪声下的多目标跟踪系统20,包括但不限于以下组成模块:
预测模块21,用于利用前一时刻各目标的分布函数和标签多伯努利滤波密度,通过预测得到当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度;
新生目标获取模块22,用于为新生目标设置预设分布函数和预设标签多伯努利滤波密度;
合并模块23,用于将新生目标的预设分布函数和预设标签多伯努利滤波密度分别与当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度;
其中,当前时刻各目标包括当前时刻已存在的目标和当前时刻的新生目标;
更新模块24,用于将当前时刻各目标的预测标签多伯努利滤波密度转换为δ-广义标签多伯努利滤波密度,通过变分贝叶斯方法对当前时刻的测量、各目标的预测分布函数和预测δ-广义标签多伯努利滤波密度进行处理,获得各目标的更新分布函数和更新δ-广义标签多伯努利滤波密度;
裁剪模块25,用于通过吉布斯采样对各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪;裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,形成当前时刻的候选标签多伯努利滤波密度;
提取模块26,用于对当前时刻的联合分布函数和联合标签多伯努利滤波密度进行剪枝融合处理,获得当前时刻各目标的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入;根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率;并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出。
实施例三
本发明实施例还以实际应用说明上述实施例一和实施例二中的闪烁噪声下的多目标跟踪方法和闪烁噪声下的多目标跟踪系统的目标跟踪效果。
在本发明实施例中,选取6个在二维观测空间[-1000(m),1000(m)]×[-1000(m),1000(m)]中运动的目标作为跟踪目标。
目标运动观测时长为50s。
目标状态由位置、速度构成,表示为其中ηi,x和ηi,y表示位置分量,和表示速度分量;
目标的状态转移矩阵为
过程噪声协方差矩阵为
Δt=tk-tk-1为当前时刻与前一时刻的时间差,σv为过程噪声标准差。
观测矩阵为
观测噪声协方差矩阵为σw为观测噪声标准差,观测噪声为服从λk=2的t分布噪声。
为了产生仿真数据,仿真实验中设置相关参数:pS=1.0,pD=0.90,k(z)=5.0×10-7m-2,σv=1ms-2,σw=1m。
如图3所示,本发明实施例以传感器的50个扫描周期为一次实验仿真,图3中为通过传感器收集的仿真观测数据。
为了处理上述仿真数据,将闪烁噪声下的概率假设密度滤波器的相关参数设置为:传递因子ρα=ρβ=0.98,第一阈值为0.01,第二阈值为10-3,第三阈值为10-5,逆伽玛分布参数初始值α0=[160,160]T,β0=[2300,2300]T,设定新生目标的协方差为PB=(diag(50,25,50,25))2,存在概率为rB=0.03,权重为wB=1。
基于上述仿真数据,图4示出了现有的闪烁噪声下的VB-PHD滤波方法处理获得的滤波器输出结果,图5示出了本发明实施例提出闪烁噪声下的多目标跟踪方法处理获得的滤波器输出结果,圆圈表示跟踪到的目标,表现了基于图3的目标跟踪效果。图4和图5中,横坐标表示目标与原点的横向距离,单位为m,纵坐标表示目标与原点的纵向距离,单位为m。
本发明实施例还按照实施例一提供的闪烁噪声下的多目标跟踪方法,与现有的闪烁噪声下的VB-PHD滤波方法分别对图3的仿真数据进行处理,进行100次Monte Carlo实验,得到了两种统计结果。其中,图6为两者的平均OSPA(Optimal Subpattem Assignment,最优亚模式分配)距离的统计结果,图7为两者的目标数量估计的统计结果。
图6和图7中,带“+”的曲线表示使用VB-PHD滤波器的滤波效果,带“*”的曲线表示实施例一提供的闪烁噪声下的多目标跟踪方法的滤波效果,并标为VB-LMB滤波器,带“|”的曲线表示真实目标的数目。图6中,纵坐标表示平均OSPA距离,单位为m,横坐标表示时间,单位为s;图7中,纵坐标表示目标数量估计,单位为1,横坐标表示时间,单位为s。
可见,将现有的基于闪烁噪声的VB-PHD滤波方法与本发明实施例一提供的闪烁噪声下的多目标跟踪方法相比,本发明的闪烁噪声下的多目标跟踪方法能够更为准确地估计目标数量,其OSPA距离比现有方法得到的OSPA距离要小,因此,本发明实施例一和实施例二中的闪烁噪声下的多目标跟踪方法和闪烁噪声下的多目标跟踪系统,可以使滤波器在闪烁噪声环境中准确估计目标数目和提取目标分布函数,从而提高闪烁噪声环境下多目标跟踪的精度。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种闪烁噪声下的多目标跟踪方法,其特征在于,包括:
利用前一时刻各目标的分布函数和标签多伯努利滤波密度,通过预测得到当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度;
为新生目标设置预设分布函数和预设标签多伯努利滤波密度;
将所述新生目标的预设分布函数和预设标签多伯努利滤波密度分别与所述当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度;
其中,所述当前时刻各目标包括当前时刻已存在目标和当前时刻的新生目标;
将所述当前时刻各目标的预测标签多伯努利滤波密度转换为预测δ-广义标签多伯努利滤波密度,通过变分贝叶斯方法对当前时刻的测量、各目标的预测分布函数和预测δ-广义标签多伯努利滤波密度进行处理,获得各目标的更新分布函数和更新δ-广义标签多伯努利滤波密度;
通过吉布斯采样对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪;裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,形成当前时刻的候选标签多伯努利滤波密度;
对所述当前时刻的候选分布函数和候选标签多伯努利滤波密度进行剪枝融合处理,获得当前时刻各目标的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入;根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率;并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出。
2.如权利要求1所述的闪烁噪声下的多目标跟踪方法,其特征在于,利用前一时刻各目标的分布函数和标签多伯努利滤波密度,通过预测得到当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度,包括:
以k-1表示前一时刻,k表示当前时刻,tk-1表示前一时刻的时间,tk表示当前时刻的时间;
当前时刻的观测噪声服从学生氏t分布,表示为:
其中,zk表示k时刻的测量值,表示测量均值,Λk为精度矩阵,λk为t分布的自由度;
所述前一时刻各目标的分布函数表示为:
其中,N表示高斯分布,IG表示逆伽玛分布,xk-1表示前一时刻的状态分量,mk-1表示状态估计均值,Pk-1表示协方差矩阵,Rk-1表示噪声方差矩阵,d表示逆伽玛分布参数αk-1和βk-1的维度;
所述前一时刻各目标的标签多伯努利滤波密度表示为:
其中,表示k-1时刻的标签空间,表示目标标签,t用于记录对应时刻,i是不重复的正整数,以区分同时刻的其它目标,为存在概率,为概率密度,为权重,
根据所述前一时刻各目标的分布函数,得到所述当前时刻已存在目标的预测分布函数,公式为:
其中,mk,S=Fk-1mk-1,αk,S=ρααk-1,βk,S=ρββk-1,xk为当前时刻的状态分量,Fk-1为状态转移矩阵,Qk-1为过程噪声方差矩阵,ρα和ρβ为传播因子;
根据所述前一时刻各目标的标签多伯努利滤波密度,得到所述当前时刻已存在目标的预测标签多伯努利滤波密度,公式为:
其中, 其中, 为目标存活概率,fxx′为单目标转移密度。
3.如权利要求1所述的闪烁噪声下的多目标跟踪方法,其特征在于,为新生目标设置预设分布函数和预设标签多伯努利滤波密度,包括:
所述新生目标的预设分布函数为:
其中,xk为k时刻的状态分量,mk,B为新生目标的状态估计均值,Pk,B为新生目标的协方差矩阵,αk,B和βk,B为新生目标的逆伽玛分布的参数;
所述新生目标的预设标签多伯努利滤波密度为:
其中,表示新生目标的标签空间,为新生目标的存在概率,为概率密度,为权重。
4.如权利要求1所述的闪烁噪声下的多目标跟踪方法,其特征在于,将所述新生目标的预设分布函数和预设标签多伯努利滤波密度分别与所述当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度,包括:
将所述新生目标的预设分布函数和所述当前时刻已存在目标的预测分布函数进行合并,得到当前时刻各目标的预测分布函数,公式为:
将所述新生目标的预设标签多伯努利滤波密度和所述当前时刻已存在目标的预测标签多伯努利滤波密度进行合并,得到当前时刻各目标的预测标签多伯努利滤波密度,公式为:
其中,
5.如权利要求1所述的闪烁噪声下的多目标跟踪方法,其特征在于,将所述当前时刻各目标的预测标签多伯努利滤波密度转换为预测的δ-广义标签多伯努利滤波密度,通过变分贝叶斯方法对当前时刻的测量、各目标的预测分布函数和预测δ-广义标签多伯努利滤波密度进行处理,获得各目标的更新分布函数和更新δ-广义标签多伯努利滤波密度,包括:
将所述当前时刻各目标的预测标签多伯努利滤波密度转换为δ-广义标签多伯努利滤波密度的形式,获得所述预测δ-广义标签多伯努利滤波密度,公式为:
其中, 为的有限子集;
用变分贝叶斯方法获得所述当前时刻各目标的更新分布函数,公式为:
其中,mk=mk|k-1+Kkvk,Pk=Pk|k-1-KkHkPk|k-1, 其中,vk=zk-Hkmk|k-1,Hk为观测矩阵;
将和分别代替和得到Rk,进行迭代更新,直到迭代过程中mk前后两次的差值小于第一阈值或达到最大迭代次数,得到更新后的mk、Pk、αk和βk;
获得所述当前时刻各目标的更新δ-广义标签多伯努利滤波密度,公式为:
其中,θk∈Θk表示由标签到观测集的1-1映射:
其中,
是检测概率,是漏检概率,k(z)是服从泊松分布的噪声混杂度。
6.如权利要求1所述的闪烁噪声下的多目标跟踪方法,其特征在于,通过吉布斯采样对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪;裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度的形式,形成当前时刻的候选标签多伯努利滤波密度,包括:
将所述预测δ-广义标签多伯努利滤波密度和所述更新δ-广义标签多伯努利滤波密度结合,获得:
其中,表示由所述前一时刻目标的标签多伯努利滤波密度转换后的δ-广义标签多伯努利滤波密度所对应的权重,
其中,
M为当前时刻观测值的数量,P为当前时刻的目标数量;
利用吉布斯采样方法求解得到值较大的γ向量集合,即挑选权重值较大的分量,从而得到权重值较大的集合,
对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪,删除权重值较小的目标所对应的分布函数和δ-广义标签多伯努利滤波密度。
将裁剪后余下的预测分布函数和更新分布函数作为当前时刻的候选分布函数,将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,即
其中,为裁剪后的权重值,用于得到当前时刻的候选标签多伯努利滤波密度。
7.如权利要求1所述的闪烁噪声下的多目标跟踪方法,其特征在于,对所述当前时刻的候选分布函数和候选标签多伯努利滤波密度进行剪枝融合处理,获得当前时刻各目标的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入;根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率;并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出,包括:
通过滤波器获得所述当前时刻各目标的候选分布函数和候选标签多伯努利滤波密度,获得所述当前时刻各目标的目标轨迹;
选择存在概率大于第二阈值的所述目标轨迹;
对选择的所述目标轨迹中的分量进行剪枝融合,并删除权重值小于第三阈值的分量;
对剩余分量进行加权平均,获取融合后的分量,从而获得当前时刻各目标的分布函数和标签多伯努利滤波密度;
将所述当前时刻各目标的分布函数和标签多伯努利滤波密度作为下一时刻滤波器的输入;
根据所述当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算各目标的存在概率,并根据估计的目标数,依次将存在概率大的目标分布函数提取出来;
将提取出的目标分布函数作为所述当前时刻滤波器的输出。
8.一种闪烁噪声下的多目标跟踪系统,其特征在于,包括:
预测模块,用于利用前一时刻各目标的分布函数和标签多伯努利滤波密度,通过预测得到当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度;
新生目标获取模块,用于为新生目标设置预设分布函数和预设标签多伯努利滤波密度;
合并模块,用于将所述新生目标的预设分布函数和预设标签多伯努利滤波密度分别与所述当前时刻已存在目标的预测分布函数和预测标签多伯努利滤波密度合并,获得当前时刻各目标的预测分布函数和预测标签多伯努利滤波密度;
其中,所述当前时刻各目标包括当前时刻已存在的目标和当前时刻的新生目标;
更新模块,用于将所述当前时刻各目标的预测标签多伯努利滤波密度转换为预测δ-广义标签多伯努利滤波密度,通过变分贝叶斯方法对当前时刻的测量、各目标的预测分布函数和预测δ-广义标签多伯努利滤波密度进行处理,获得各目标的更新分布函数和更新δ-广义标签多伯努利滤波密度;
裁剪模块,用于通过吉布斯采样对所述各目标的预测分布函数、预测δ-广义标签多伯努利滤波密度和所述各目标的更新分布函数、更新δ-广义标签多伯努利滤波密度进行联合裁剪;裁剪后余下的预测分布函数和更新分布函数形成当前时刻的候选分布函数,同时将裁剪后余下的预测δ-广义标签多伯努利滤波密度和更新δ-广义标签多伯努利滤波密度转换为标签多伯努利滤波密度,形成当前时刻的候选标签多伯努利滤波密度;
提取模块,用于对所述当前时刻的候选分布函数和候选标签多伯努利滤波密度进行剪枝融合处理,获得当前时刻各目标的分布函数和标签多伯努利滤波密度,作为下一时刻滤波器的输入;根据当前时刻各目标的标签多伯努利滤波密度估计当前时刻的目标数,计算当前时刻各目标的存在概率;并根据估计的目标数,依次将存在概率大的目标分布函数提取出来,所提取出的目标分布函数作为当前时刻滤波器的输出。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639220.1A CN110390684A (zh) | 2019-07-16 | 2019-07-16 | 一种闪烁噪声下的多目标跟踪方法及系统 |
PCT/CN2019/125850 WO2021008077A1 (zh) | 2019-07-16 | 2019-12-17 | 一种闪烁噪声下的多目标跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639220.1A CN110390684A (zh) | 2019-07-16 | 2019-07-16 | 一种闪烁噪声下的多目标跟踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390684A true CN110390684A (zh) | 2019-10-29 |
Family
ID=68286660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639220.1A Pending CN110390684A (zh) | 2019-07-16 | 2019-07-16 | 一种闪烁噪声下的多目标跟踪方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110390684A (zh) |
WO (1) | WO2021008077A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111504326A (zh) * | 2020-04-30 | 2020-08-07 | 江苏理工学院 | 一种基于t分布的鲁棒glmb多目标跟踪方法 |
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 |
CN112967324A (zh) * | 2021-03-15 | 2021-06-15 | 深圳大学 | 一种多假设的目标跟踪方法、装置、存储介质及电子设备 |
CN113537077A (zh) * | 2021-07-19 | 2021-10-22 | 江苏省特种设备安全监督检验研究院 | 基于特征池优化的标签多伯努利视频多目标跟踪方法 |
CN115097437A (zh) * | 2022-06-06 | 2022-09-23 | 哈尔滨工程大学 | 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837351B (zh) * | 2021-02-02 | 2024-05-03 | 江南大学 | 一种改进的标签多伯努利分布式优化融合跟踪方法 |
CN114061584B (zh) * | 2021-11-02 | 2024-05-24 | 江苏科技大学 | 一种基于多机器人的势均衡多伯努利滤波slam方法 |
CN114325686B (zh) * | 2021-12-23 | 2024-05-03 | 中国人民解放军国防科技大学 | 基于smc-phd滤波器的多目标跟踪方法 |
CN115937253B (zh) * | 2022-11-16 | 2024-06-07 | 苏州经贸职业技术学院 | 厚尾量测噪声下的鲁棒泊松多伯努利滤波方法及相关设备 |
CN117634614A (zh) * | 2023-12-08 | 2024-03-01 | 兰州理工大学 | 一种基于鲁棒MS-MeMBer滤波的群目标跟踪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462882A (zh) * | 2017-09-08 | 2017-12-12 | 深圳大学 | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9552554B2 (en) * | 2014-12-02 | 2017-01-24 | Raytheon Company | Bayes network for target identification |
CN106772353B (zh) * | 2016-11-29 | 2019-04-05 | 深圳大学 | 一种适用于闪烁噪声的多目标跟踪方法及系统 |
CN107677997B (zh) * | 2017-09-28 | 2021-06-29 | 杭州电子科技大学 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
CN110390684A (zh) * | 2019-07-16 | 2019-10-29 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及系统 |
-
2019
- 2019-07-16 CN CN201910639220.1A patent/CN110390684A/zh active Pending
- 2019-12-17 WO PCT/CN2019/125850 patent/WO2021008077A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462882A (zh) * | 2017-09-08 | 2017-12-12 | 深圳大学 | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 |
Non-Patent Citations (3)
Title |
---|
BA-NGU VO, ET AL.: "An Efficient Implementation of the Generalized Labeled Multi-Bernoulli Filter", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
LIU ZONGXIANG,ET AL.: "The Labeled Multi-Bernoulli Filter for Jump Markov Systems Under Glint Noise", 《IEEE ACCESS》 * |
邹燕妮: "闪烁噪声下的多目标跟踪算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111504326A (zh) * | 2020-04-30 | 2020-08-07 | 江苏理工学院 | 一种基于t分布的鲁棒glmb多目标跟踪方法 |
CN111504326B (zh) * | 2020-04-30 | 2023-10-27 | 江苏理工学院 | 一种基于t分布的鲁棒glmb多目标跟踪方法 |
CN112967324A (zh) * | 2021-03-15 | 2021-06-15 | 深圳大学 | 一种多假设的目标跟踪方法、装置、存储介质及电子设备 |
CN113537077A (zh) * | 2021-07-19 | 2021-10-22 | 江苏省特种设备安全监督检验研究院 | 基于特征池优化的标签多伯努利视频多目标跟踪方法 |
CN113537077B (zh) * | 2021-07-19 | 2023-05-26 | 江苏省特种设备安全监督检验研究院 | 基于特征池优化的标签多伯努利视频多目标跟踪方法 |
CN115097437A (zh) * | 2022-06-06 | 2022-09-23 | 哈尔滨工程大学 | 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021008077A1 (zh) | 2021-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390684A (zh) | 一种闪烁噪声下的多目标跟踪方法及系统 | |
CN101944234B (zh) | 特征迹驱动的多目标跟踪方法及装置 | |
CN110674752B (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
Hue et al. | Sequential Monte Carlo methods for multiple target tracking and data fusion | |
Dawson et al. | Evaluation of artificial neural network techniques for flow forecasting in the River Yangtze, China | |
CN110298266A (zh) | 基于多尺度感受野特征融合的深度神经网络目标检测方法 | |
CN110320512A (zh) | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
WO2019047455A1 (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 | |
CN106682696A (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
CN103778441B (zh) | 一种基于DSmT和HMM的序列飞机目标识别方法 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN106372646A (zh) | 基于srck‑gmcphd滤波的多目标跟踪方法 | |
CN104881521B (zh) | 一种标号随机集滤波器分布式融合方法 | |
CN107705321A (zh) | 基于嵌入式系统的运动目标检测与跟踪方法 | |
CN111127523A (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
CN109544537A (zh) | 髋关节x光图像快速自动分析方法 | |
CN110728698A (zh) | 一种基于复合循环神经网络系统的多目标跟踪模型 | |
CN110501671A (zh) | 一种基于测量分配的目标跟踪方法及装置 | |
CN104680002B (zh) | 一种基于随机集理论的分布式融合方法 | |
CN110298865A (zh) | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 | |
CN112986950A (zh) | 基于深度学习的单脉冲激光雷达回波特征提取方法 | |
CN104881867A (zh) | 一种基于特征分布的遥感图像质量评价方法 | |
CN106405538A (zh) | 一种适用于杂波环境的多目标跟踪方法及跟踪系统 | |
CN110376582A (zh) | 自适应gm-phd的机动目标跟踪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191029 |
|
WD01 | Invention patent application deemed withdrawn after publication |