CN110596693A - 一种迭代更新的多传感器gmphd自适应融合方法 - Google Patents

Abstract

本发明公开了一种迭代更新的多传感器GMPHD自适应融合方法，该方法先构建异步多传感器多目标跟踪场景和构建一种多传感器迭代更新自适应融合框架；在每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计；再进行传感器排序和融合，对各传感器滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；再将输出反馈给各传感器，作为下一时刻的输入。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域，该方法可以提高在密集杂波环境下多传感器对监测区域内目标的估计精度，维持跟踪过程。

Description

一种迭代更新的多传感器GMPHD自适应融合方法

技术领域

本发明涉及密集杂波环境下的多传感器多目标跟踪领域，涉及一种基于PHD滤波的多传感器自适应融合多目标跟踪方法，用于解决在密集杂波环境的多目标跟踪，提高对监测空间中未知目标的跟踪质量，达到高精度且稳定的跟踪效果。

背景技术

在多传感器跟踪系统中，数据融合技术需要融合来自多个传感器的数据以获得对目标的状态估计，能够提高跟踪系统的性能。然而，随着目标数增多和数据关联复杂等因素，多传感器多目标跟踪技术也面临诸多挑战。截至目前，国内外研究学者已提出许多数据融合算法，主要包括两类：传感器级融合和特征级融合。这两类融合方法分别对应数据关联的两个层级。在传感器级融合方法中，每个传感器分别利用自身的量测对目标进行跟踪形成航迹，然后利用数据关联方法对航迹进行关联和融合，数据关联方法包括：交互式多模型Interaction Multiple Model，IMM)，联合数据关联(Joint Probability DataAssociation，JPDA)和多假设跟踪(Multiple Hypothesis Tracking，MHT)等。在特征级融合技术中，所有传感器的量测信息都被传送至融合中心进行，然后融合中心将“量测-目标”进行关联处理来得到目标的状态估计。然而，迄今为止，这两类融合方式都需要解决数据关联问题，在复杂场景中会面临计算量爆炸的风险。

随机有限集的出现为多传感器多目标跟踪问题提供了一个新的解决思路。基于随机有限集理论，目标状态和量测分别被看作一个随机集合，进而利用跟踪算法对目标的新生和消亡进行建模。Mahler基于随机有限集框架提出了概率假设密度(ProbabilityHypothesis Density，PHD)滤波器，该方法能够避免量测和目标之间的数据关联问题。PHD滤波器有两种实现方式：序贯蒙特卡洛(Sequential Monte Carlo，SMC)PHD滤波器和高斯混合(Gaussian Mixture，GM)PHD滤波器。其中与SMCPHD方法相比，GMPHD方法计算量小，因此在工程上得到了更多的关注和应用。针对随机有限集下的多传感器多目标跟踪问题，目前已提出了许多多传感器PHD融合方法，主要包括多传感器似然函数相乘法和多传感器迭代更新法等。这些方法均能利用多传感器融合的优势准确地估计目标的数量和状态。然而，这些方法都是基于序贯蒙特卡洛PHD滤波器，需要很大的计算量。此外，多传感器迭代更新算法中采用的是序贯方式，即在当前传感器滤波得到对目标的估计后，使用下一个传感器的量测信息对当前传感器的后验估计再更新一次，从而得到新的估计结果。Mahler指出，由于多传感器在进行每一次迭代更新时都存在一定的数据损失，所以原则上讲基于迭代更新的多传感器GMPHD融合结果是顺序敏感的，即不同的迭代更新顺序会造成不同的融合结果。尽管如此，目前对多传感器GMPHD融合顺序的研究还较为匮乏。

发明内容

针对密集杂波环境下，常规的点迹融合算法具有的局限性限制了跟踪效果的提高。本发明提出了一种面向密集杂波下的基于PHD滤波的多传感器自适应融合多目标跟踪方法，该方法可以提高在密集杂波环境下多传感器对监测区域内目标的估计精度，维持跟踪过程。为了达到上述目的，本发明采用技术方案如下：

(1)构建异步多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；

(2)构建一种多传感器迭代更新自适应融合框架；

(3)在每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计；

(4)传感器排序。根据下式分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；

(5)进行融合。基于步骤(4)计算得到的传感器融合顺序和下列公式进行融合操作；

(6)枝剪、合并与状态输出。对各传感器滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；

(7)将步骤(6)的输出反馈给各传感器，作为下一时刻的输入，从步骤(3)开始直到结束。

本发明的有益效果：针对复杂环境下的多传感器数据融合多目标跟踪问题，本发明提出了一套完整的处理方法流程，最主要的是提出一种多传感器GMPHD迭代更新融合算法。其次，为了研究融合顺序对融合结果的影响，基于OSPA度量评价指标，提出一种多传感器GMPHD自适应融合算法。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

附图说明

图1是多传感器GMPHD迭代更新融合算法流程图；

图2是本发明方法与单传感器算法及多传感器GMPHD迭代更新融合方法OSPA比较图。

具体实施方式

以下结合技术方案和附图1，详细叙述本发明的具体实施方式。

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；其中传感器的量测来自目标或来自杂波；

建立目标的运动模型：

式中，k表示离散时间变量，i表示目标的序号，i＝1,2,···,N，表示第i个目标在k时刻的状态变量，ω_k表示均值为零、方差为Q_k的高斯白噪声，映射f_k|k+1表示第i个目标从k时刻到k+1时刻状态转移的状态转移方程。第i个目标在k时刻的状态变量其中，(x_i,k,y_i,k)为k时刻第i个目标在监测空间中的位置分量，为k时刻第i个目标在监测空间中的速度分量。

如果传感器的量测来自目标，则传感器的量测符合以下传感器量测模型：

式中，j表示传感器的序列，j＝1,2,···,m，表示k时刻传感器j的输出量测，映射h_k表示第j个传感器在k时刻对目标状态的观测方程，υ_k表示均值为零、方差为的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立。k时刻传感器j的观测集合为累积观测集合为m个传感器累积到k时刻的观测集合为传感器j在k时刻对被跟踪目标的探测概率为 其中j＝1,2,···,m。

如果传感器的量测来自杂波，则传感器的量测符合以下杂波模型：

式中，！表示阶乘，n_k为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ的泊松分布，ρ(n_k)为杂波个数n_k的概率函数，y_l为第l个杂波的位置状态，Ψ(x)为监测空间的体积，q(y_l)为第l个杂波出现的概率。

(2)构建一种多传感器迭代更新自适应融合框架；

不同的融合顺序会产生不同的用于更新的量测信息，从而造成不同的融合结果。基于OSPA度量对GM粒子集进行质量评价，根据粒子集质量对传感器融合顺序进行排序，从而得到最优融合顺序。该方法描述如下：

假设存在Q个传感器，对于任意的传感器l,l＝1…Q，k时刻得到它的后验GM粒子集其中n(l,k)为GM项个数，和分别表示目标的权重、状态估计和对应的协方差估计；则对于传感器i_k,j_k∈{1,…,Q}，根据如下的OSPA距离公式计算它们之间的一致性度量：

其中，c为水平参数，用于调节目标状态估计误差的阈值。p为距离敏感参数，π(j_k)表示n(j_k,k)中随机取n(i_k,k)个元素随机排列，其中p均取2。

进一步定义传感器i_k的全局一致性度量如下：

基于上式分别计算每个传感器的全局一致性度量，并将计算结果从小到大排序。此处认为全局一致度量越小，则传感器获得的GM粒子集质量越高。因此，按照全局一致性度量由大到小对融合顺序进行排序，即最先将GM粒子集质量最低的传感器进行融合，然后与GM粒子集质量第二低的传感器进行融合，以此类推，直到最终与GM粒子集质量最高的传感器融合完毕。

(3)在每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计；

高斯混合PHD滤波算法具体过程如下：

1)预测新生目标

式中，S_m表示第m个传感器，表示传感器m对第i个目标在k-1时刻的预测的先验权重，表示传感器m对第i个目标在k时刻的先验预测权重；表示第i个目标在k-1时刻的预测状态值，表示第i个目标在k时刻的先验预测状态值；表示第i个目标在k-1时刻的预测协方差，表示第i个目标在k时刻的先验预测协方差，J_γ,k表示预测的新生目标个数。

2)预测已存在目标

式中，示第i_b个目标在k时刻的先验权值，表示第i_b个目标在k-1时刻的权值；表示第i_b个目标在k-1时刻的预测状态值，表示第i_b个目标在k时刻的先验预测状态值，F_k-1表示k-1时刻目标的状态转移矩阵；表示第i_b个目标在k-1时刻的预测协方差，表示第i_b个目标在k时刻的先验预测协方差，表示第i_b个目标在k-1时刻的协方差，J_k-1表示预测的已存在的目标个数，Q_k-1表示k-1时刻的过程噪声协方差。

3)更新

k时刻预测PHD强度密度D_k|k-1的高斯和形式为：

式中，N(·；x,P)表示均值为x、协方差为P的高斯分布，J_k|k-1表示k时刻的目标个数；表示第i_s个目标在k时刻的先验预测状态值，其中i_s＝i+i_b。

则k时刻后验PHD强度密度D_k的高斯和形式为：

其中

式中，表示传感器j在k时刻对被跟踪目标的检测概率，κ_k(z)表示监测空间中的杂波强度。

(4)传感器排序。根据下式分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；

(5)进行融合。基于步骤(4)计算得到的传感器融合顺序和下列公式进行融合操作；

首先，利用v_k-1(x)、目标状态方程和传感器量测方程得到预测密度函数v_k|k-1，然后利用传感器1的量测集更新v_k|k-1，得到k时刻传感器1的PHD

对于传感器2，将作为预测PHD，由更新公式可得：

同样可以表示成高斯混合形式：

以此类推，对Q个传感器均重复上述操作，则对于第Q个传感器有：

(6)枝剪、合并与状态输出。对各传感器滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；

经过融合步骤得到k时刻的高斯混合粒子集由于后验概率密度高斯项随时间变化会出现无限制增加，因此需要通过枝剪和合并来解决该问题。

首先对中权重值小于设定门限T_th的高斯项进行删除；接着从权重值最大的一个开始，利用马氏距离判断其与每个点迹间的距离，通过合并门限U来对门限内的高斯项进行合并，通过循环操作后得到N_k表示输出高斯项的个数，则x_k即为输出的状态，其包括目标的位置与速度。

(7)将步骤(6)输出的反馈给各传感器，作为下一时刻的输入，从步骤(3)开始直到采样时间结束。

如图2所示；本方法与单传感器GMPHD方法和多传感器GMPHD迭代融合算法的OSPA对比图，其OSPA度量值最小，跟踪效果优于其他两种方法。

Claims (1)

1.一种迭代更新的多传感器GMPHD自适应融合方法，其特征在于，该方法具体包括以下步骤：

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；其中传感器的量测来自目标或来自杂波；

建立目标的运动模型：

式中，k表示离散时间变量，i表示目标的序号，i＝1,2,···,N，表示第i个目标在k时刻的状态变量，ω_k表示均值为零、方差为Q_k的高斯白噪声，映射f_k|k+1表示第i个目标从k时刻到k+1时刻状态转移的状态转移方程；第i个目标在k时刻的状态变量其中，(x_i,k,y_i,k)为k时刻第i个目标在监测空间中的位置分量，为k时刻第i个目标在监测空间中的速度分量；

如果传感器的量测来自目标，则传感器的量测符合以下传感器量测模型：

式中，j表示传感器的序列，j＝1,2,···,m，表示k时刻传感器j的输出量测，映射h_k表示第j个传感器在k时刻对目标状态的观测方程，υ_k表示均值为零、方差为的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立；k时刻传感器j的观测集合为累积观测集合为m个传感器累积到k时刻的观测集合为传感器j在k时刻对被跟踪目标的探测概率为其中j＝1,2,···,m；

如果传感器的量测来自杂波，则传感器的量测符合以下杂波模型：

式中，！表示阶乘，n_k为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ的泊松分布，ρ(n_k)为杂波个数n_k的概率函数，y_l为第l个杂波的位置状态，Ψ(x)为监测空间的体积，q(y_l)为第l个杂波出现的概率；

(2)构建一种多传感器迭代更新自适应融合框架；

基于OSPA度量对GM粒子集进行质量评价，根据粒子集质量对传感器融合顺序进行排序，从而得到最优融合顺序；该方法描述如下：

假设存在Q个传感器，对于任意的传感器l,l＝1…Q，k时刻得到它的后验GM粒子集其中n(l,k)为GM项个数，和分别表示目标的权重、状态估计和对应的协方差估计；则对于传感器i_k,j_k∈{1,…,Q}，根据如下的OSPA距离公式计算它们之间的一致性度量：

其中，c为水平参数，用于调节目标状态估计误差的阈值；p为距离敏感参数，π(j_k)表示n(j_k,k)中随机取n(i_k,k)个元素随机排列，其中p均取2；

进一步定义传感器i_k的全局一致性度量如下：

基于上式分别计算每个传感器的全局一致性度量，并将计算结果从小到大排序；此处认为全局一致度量越小，则传感器获得的GM粒子集质量越高；因此，按照全局一致性度量由大到小对融合顺序进行排序，即最先将GM粒子集质量最低的传感器进行融合，然后与GM粒子集质量第二低的传感器进行融合，以此类推，直到最终与GM粒子集质量最高的传感器融合完毕；

(3)在每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计；

高斯混合PHD滤波算法具体过程如下：

1)预测新生目标

式中，S_m表示第m个传感器，表示传感器m对第i个目标在k-1时刻的预测的先验权重，表示传感器m对第i个目标在k时刻的先验预测权重；表示第i个目标在k-1时刻的预测状态值，表示第i个目标在k时刻的先验预测状态值；表示第i个目标在k-1时刻的预测协方差，表示第i个目标在k时刻的先验预测协方差，J_γ,k表示预测的新生目标个数；

2)预测已存在目标

式中，示第i_b个目标在k时刻的先验权值，表示第i_b个目标在k-1时刻的权值；表示第i_b个目标在k-1时刻的预测状态值，表示第i_b个目标在k时刻的先验预测状态值，F_k-1表示k-1时刻目标的状态转移矩阵；表示第i_b个目标在k-1时刻的预测协方差，表示第i_b个目标在k时刻的先验预测协方差，表示第i_b个目标在k-1时刻的协方差，J_k-1表示预测的已存在的目标个数，Q_k-1表示k-1时刻的过程噪声协方差；

3)更新

k时刻预测PHD强度密度D_k|k-1的高斯和形式为：

式中，N(·；x,P)表示均值为x、协方差为P的高斯分布，J_k|k-1表示k时刻的目标个数；表示第i_s个目标在k时刻的先验预测状态值，其中i_s＝i+i_b；

则k时刻后验PHD强度密度D_k的高斯和形式为：

其中

式中，表示传感器j在k时刻对被跟踪目标的检测概率，κ_k(z)表示监测空间中的杂波强度；

(4)传感器排序；根据下式分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；

(5)进行融合；基于步骤(4)计算得到的传感器融合顺序和下列公式进行融合操作；

首先，利用v_k-1(x)、目标状态方程和传感器量测方程得到预测密度函数v_k|k-1，然后利用传感器1的量测集更新v_k|k-1，得到k时刻传感器1的PHD

对于传感器2，将作为预测PHD，由更新公式可得：

同样可以表示成高斯混合形式：

以此类推，对Q个传感器均重复上述操作，则对于第Q个传感器有：

(6)枝剪、合并与状态输出；对各传感器滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；

经过融合步骤得到k时刻的高斯混合粒子集由于后验概率密度高斯项随时间变化会出现无限制增加，因此需要通过枝剪和合并来解决该问题；

首先对中权重值小于设定门限T_th的高斯项进行删除；接着从权重值最大的一个开始，利用马氏距离判断其与每个点迹间的距离，通过合并门限U来对门限内的高斯项进行合并，通过循环操作后得到N_k表示输出高斯项的个数，则x_k即为输出的状态，其包括目标的位置与速度；

(7)将步骤(6)输出的反馈给各传感器，作为下一时刻的输入，从步骤(3)开始直到采样时间结束。