CN110909312A - 一种应用于rbmcda跟踪算法的目标消亡判断方法 - Google Patents
一种应用于rbmcda跟踪算法的目标消亡判断方法 Download PDFInfo
- Publication number
- CN110909312A CN110909312A CN201911309513.XA CN201911309513A CN110909312A CN 110909312 A CN110909312 A CN 110909312A CN 201911309513 A CN201911309513 A CN 201911309513A CN 110909312 A CN110909312 A CN 110909312A
- Authority
- CN
- China
- Prior art keywords
- target
- probability
- value
- state
- covariance
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明提出一种应用于RBMCDA跟踪算法的目标消亡判断方法,所述方法包括步骤一:在第k‑1时刻预测下一时刻的目标状态值方差;步骤二:由预测的目标状态值方差,根据均匀分布概率终止模型计算目标消亡概率;步骤三:根据目标消亡概率,粒子进行蒙特卡洛采样,确定目标状态。本发明由于采用了预测的目标状态值方差作为判决依据,从而将目标消亡概率模型的参数与量测噪声和状态转移噪声建立了联系,不需要另外进行目标消亡模型参数的调整,使系统具有更好的鲁棒性。
Description
技术领域
本发明属于多目标跟踪技术领域,特别是涉及一种应用于RBMCDA跟踪算法的目标消亡判断方法。
背景技术
R-B蒙特卡洛数据关联跟踪算法(RBMCDA,Rao-Blackwellized Monte Carlo DataAssociation)是基于多假设跟踪的一种改进多目标跟踪算法,通过结合Rao-Blackwellized粒子滤波器(RBPF)和多假设数据关联实现目标的跟踪和航迹的生成,该方法混合使用了粒子滤波和卡尔曼滤波方法,以数据关联的后验分布作为最优重要性密度函数进行粒子采样,具有较好的鲁棒性和较高的跟踪精度,是解决现实世界复杂环境下多传感器MTT问题的最有效方法之一。
目标消亡问题是指在对数个未知且变化的目标进行跟踪时,能否准确的对目标的消失进行判断。大多数对目标消亡的判断方法具有一定的延时性,这是为了提高其对目标消亡判断的可靠性,避免出现误判的情况。一个良好的目标消亡判断方法或模型,应同时具备较小的延时性和较高的准确率等特点。目前目标消亡方法可以分为基于规则的启发式模式和基于某一分布的概率模式。基于规则的启发式模式设定某一参数的终止门限,当该参数超过门限时判定目标死亡。概率分布模式将某一参数与目标消亡的关系按照某一概率分布建立模型,并使用蒙特卡洛采样的方式进行判断。
在RBMCDA算法中,目标消亡的判断依据是目标持续未与量测值关联的时长,目标消亡的概率与该时长服从“不完全伽马分布”。该分布具有两个参数,一个是伽马分布的形状参数α,一个是伽马分布的尺度参数β。在跟踪时,需要对这两个参数进行调整,以达到较好的目标消亡判断。但是这种调整的直观性较差,很难调整至最优参数。模型参数设置不合适,目标消亡概率会与实际情况不符。若目标消亡概率大于实际情形,将会引起跟踪目标航迹错误终止的情况,若目标消亡概率小于实际情形,会导致在真实目标消失后跟踪目标航迹难以及时终止。
发明内容
本发明目的是为了解决在RBMCDA算法中,目标消亡模型的参数调整不直观,且极易出现模型参数与实际情况不匹配,导致目标消亡的判断出错的问题,提出了一种应用于RBMCDA跟踪算法的目标消亡判断方法。
本发明是通过以下技术方案实现的,本发明提出一种应用于RBMCDA跟踪算法的目标消亡判断方法,采用预测的目标状态值方差作为目标消亡的判决依据,建立均匀分布概率终止模型,具体包括以下步骤:
步骤一:在第k-1时刻预测下一时刻的目标状态值方差;
步骤二:由预测的目标状态值方差,根据均匀分布概率终止模型计算目标消亡概率;
步骤三:根据目标消亡概率,粒子进行蒙特卡洛采样,确定目标状态。
进一步地,在步骤一中,在RBMCDA跟踪算法中,预测部分采用了卡尔曼滤波的预测过程,该预测过程给出了预测协方差矩阵,即
当某一估计目标在数据关联时未与量测值关联,则其预测值作为当前时刻的估计值,若持续一段时间都没有关联量测值,由式(1)可以看到,此时目标状态协方差不断增大;在RBMCDA跟踪算法中,量测值与目标i关联的似然服从高斯分布,即
其中,p表示概率分布,表示正态分布,表示量测值,ck为数据关联指示,c1:k-1表示历史关联,y1:k-1表示历史量测,表示量测矩阵,mi,k|k-1和Pi,k|k-1分别表示目标i的状态预测均值和状态预测协方差,Ri,k表示当前时刻对目标i的量测噪声协方差。
其中H表示量测矩阵,Pi,k|k-1表示第i个目标在第k时刻的状态预测协方差矩阵,ο符号表示哈达玛积;Φ中元素服从在[η,μ]区间的均匀分布,η,μ分别表示所服从均匀分布上限和下限,在上限以上,目标消亡的概率为1,在下限以下,目标消亡的概率为0;如果量测值为多维的,即m>1时,航迹终止概率为各维度中最大值,即
其中,dk表示目标消亡;u表示积分变量;
本发明虽然该方法是在RBMCDA算法中提出的,但该方法不局限于此算法,对于所有的粒子滤波类跟踪算法,该方法均适用;RBMCDA原目标消亡概率模型的参数在不同传感器,不同试验下都需要重新调整,而本发明由于采用了预测的目标状态值方差作为判决依据,从而将目标消亡概率模型的参数与量测噪声和状态转移噪声建立了联系,不需要另外进行目标消亡模型参数的调整,使系统具有更好的鲁棒性。本发明的目标消亡判断方法在其适用范围内包含了以目标持续未关联量测时长为依据的目标消亡模型,且模型参数的调整更具直观性。
附图说明
图1为本发明所述应用于RBMCDA跟踪算法的目标消亡判断方法的流程图;
图2是300次蒙特卡洛实验得到的两种方法的MOTA统计曲面示意图;其中(a)为现有方法,(b)为本发明所述方法;
图3是两种方法在不同模型参数下得到的MOTA结果示意图;其中(a)为现有方法MOTA统计结果,(b)为本发明所述方法MOTA统计结果;
图4是MOTA统计结果随蒙特卡洛次数的变化趋势示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1,本发明提出一种应用于RBMCDA跟踪算法的目标消亡判断方法,采用预测的目标状态值方差作为目标消亡的判决依据,建立均匀分布概率终止模型,具体包括以下步骤:
步骤一:在第k-1时刻预测下一时刻的目标状态值方差;
在步骤一中,在RBMCDA跟踪算法中,预测部分采用了卡尔曼滤波的预测过程,该预测过程给出了预测协方差矩阵,即
当某一估计目标在数据关联时未与量测值关联,则其预测值作为当前时刻的估计值,若持续一段时间都没有关联量测值,由式(1)可以看到,此时目标状态协方差不断增大;在RBMCDA跟踪算法中,量测值与目标i关联的似然服从高斯分布,即
其中,p表示概率分布,表示正态分布,表示量测值,ck为数据关联指示,c1:k-1表示历史关联,y1:k-1表示历史量测,表示量测矩阵,mi,k|k-1和Pi,k|k-1分别表示目标i的状态预测均值和状态预测协方差,Ri,k表示当前时刻对目标i的量测噪声协方差。当Pi,k|k-1中元素增大时,与预测均值相距较远的关联的似然数值增大,容易引起错误关联。
步骤二:由预测的目标状态值方差,根据均匀分布概率终止模型计算目标消亡概率;
其中H表示量测矩阵,Pi,k|k-1表示第i个目标在第k时刻的状态预测协方差矩阵,ο符号表示哈达玛积;Φ中元素服从在[η,μ]区间的均匀分布,η,μ分别表示所服从均匀分布上限和下限,在上限以上,目标消亡的概率为1,在下限以下,目标消亡的概率为0;如果量测值为多维的,即m>1时,航迹终止概率为各维度中最大值,即
其中,dk表示目标消亡;u表示积分变量;
在量测噪声和状态转移噪声均为先验已知的情况下,能够确定Φ中元素的变化范围,并给定η,μ的具体值,即可根据式(2)计算目标消亡的概率。该目标消亡判断方法以预测的目标状态值方差作为依据,在其适用范围内包含了以目标持续未关联量测时长为依据的目标消亡模型。
步骤三:根据目标消亡概率,大量粒子进行蒙特卡洛采样,确定目标状态。
实施例
以目标方位作为状态量和量测量进行仿真验证,现有RBMCDA算法为基于持续未关联时长的目标消亡模式,选取25组参数,本发明方法为基于预测的目标状态值方差的目标消亡模型,选取30组参数。以多目标跟踪准确率(MOTA)作为评价标准,对多目标跟踪的缺失率pmiss、误判率pfp和误配率pmme进行统计,MOTA可表示为
MOTA=1-(pmiss+pfp+pmme)
MOTA数值越接近于1,说明多目标跟踪性能越好。仅当缺失率、误判率和误配率均为零时,MOTA值为1。
重复产生量测数据300次,对55组参数均进行300次蒙特卡洛实验,得到MOTA统计结果如图2所示,可以看到,本发明方法的MOTA统计均值曲面整体高于现有方法,且曲面变化较现有方法缓慢,说明本发明所述方法有较强的参数稳健性。本发明所述方法在η=2且μ=4时MOTA值最大,为0.88,现有方法在伽马分布的形状参数α=2且尺度参数β=2.5时MOTA达到最大,为0.83,具体信息如图3所示。
选取MOTA统计数值最大的前两组参数,给出MOTA统计结果随蒙特卡洛次数的变化趋势,如图4所示。可以看到,300次实验获得了较为稳定的统计结果,且本发明所述目标消亡的判断方法的MOTA明显稳定高于现有方法。
综上分析可知,进行多次蒙特卡洛实验,本发明所述方法和现有方法均能得到稳定的MOTA统计结果,但本发明所述方法的MOTA统计均值曲面整体高于现有方法,且曲面变化较现有方法缓慢,说明本发明所述方法具有更高的多目标跟踪准确率,和更强的参数稳健性。通过仿真实验,证明了本发明所述方法的有效性和稳健性。
以上对本发明所提出的一种应用于RBMCDA跟踪算法的目标消亡判断方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种应用于RBMCDA跟踪算法的目标消亡判断方法,其特征在于:采用预测的目标状态值方差作为目标消亡的判决依据,建立均匀分布概率终止模型,具体包括以下步骤:
步骤一:在第k-1时刻预测下一时刻的目标状态值方差;
步骤二:由预测的目标状态值方差,根据均匀分布概率终止模型计算目标消亡概率;
步骤三:根据目标消亡概率,粒子进行蒙特卡洛采样,确定目标状态。
2.根据权利要求1所述的方法,其特征在于:在步骤一中,在RBMCDA跟踪算法中,预测部分采用了卡尔曼滤波的预测过程,该预测过程给出了预测协方差矩阵,即
当某一估计目标在数据关联时未与量测值关联,则其预测值作为当前时刻的估计值,若持续一段时间都没有关联量测值,由式(1)可以看到,此时目标状态协方差不断增大;在RBMCDA跟踪算法中,量测值与目标i关联的似然服从高斯分布,即
其中H表示量测矩阵,Pi,k|k-1表示第i个目标在第k时刻的状态预测协方差矩阵,符号表示哈达玛积;Φ中元素服从在[η,μ]区间的均匀分布,η,μ分别表示所服从均匀分布上限和下限,在上限以上,目标消亡的概率为1,在下限以下,目标消亡的概率为0;
如果量测值为多维的,即m>1时,航迹终止概率为各维度中最大值,即
其中,dk表示目标消亡;u表示积分变量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911309513.XA CN110909312B (zh) | 2019-12-18 | 2019-12-18 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911309513.XA CN110909312B (zh) | 2019-12-18 | 2019-12-18 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909312A true CN110909312A (zh) | 2020-03-24 |
CN110909312B CN110909312B (zh) | 2022-04-22 |
Family
ID=69826324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911309513.XA Active CN110909312B (zh) | 2019-12-18 | 2019-12-18 | 一种应用于rbmcda跟踪算法的目标消亡判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909312B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819682A (zh) * | 2010-04-09 | 2010-09-01 | 哈尔滨工程大学 | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 |
CN102830402A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 水下传感器网络目标跟踪系统及方法 |
CN104794735A (zh) * | 2015-04-02 | 2015-07-22 | 西安电子科技大学 | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
CN107677997A (zh) * | 2017-09-28 | 2018-02-09 | 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 |
CN108121846A (zh) * | 2016-11-29 | 2018-06-05 | 南京航空航天大学 | 一种基于熵惩罚的em未知杂波估计的phd多目标跟踪方法 |
CN110260858A (zh) * | 2019-06-25 | 2019-09-20 | 哈尔滨工程大学 | 一种基于最优阶数灰色自适应动态滤波的航迹跟踪方法 |
CN110320512A (zh) * | 2019-07-09 | 2019-10-11 | 大连海事大学 | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 |
CN110361744A (zh) * | 2019-07-09 | 2019-10-22 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 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 |
-
2019
- 2019-12-18 CN CN201911309513.XA patent/CN110909312B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819682A (zh) * | 2010-04-09 | 2010-09-01 | 哈尔滨工程大学 | 基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法 |
CN102830402A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 水下传感器网络目标跟踪系统及方法 |
CN104794735A (zh) * | 2015-04-02 | 2015-07-22 | 西安电子科技大学 | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
CN108121846A (zh) * | 2016-11-29 | 2018-06-05 | 南京航空航天大学 | 一种基于熵惩罚的em未知杂波估计的phd多目标跟踪方法 |
CN107677997A (zh) * | 2017-09-28 | 2018-02-09 | 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 |
CN110260858A (zh) * | 2019-06-25 | 2019-09-20 | 哈尔滨工程大学 | 一种基于最优阶数灰色自适应动态滤波的航迹跟踪方法 |
CN110320512A (zh) * | 2019-07-09 | 2019-10-11 | 大连海事大学 | 一种基于带标签的gm-phd平滑滤波多目标跟踪方法 |
CN110361744A (zh) * | 2019-07-09 | 2019-10-22 | 哈尔滨工程大学 | 基于密度聚类的rbmcda水下多目标跟踪方法 |
CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 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 |
Non-Patent Citations (4)
Title |
---|
QUAN-RUI LI 等: ""Approximate Bayes multi-target tracking smoother"", 《IET RADAR,SONAR & NAVIGATION》 * |
SIMON JULIER 等: ""A New Method for the Nonlinear Transformation of Means and Covariances in Filters and Estimators"", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
党建武 等: ""水下多目标跟踪技术"", 《探测与控制学报》 * |
屈杨申: ""基于移动传感器网络的多目标跟踪算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110909312B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11057788B2 (en) | Method and system for abnormal value detection in LTE network | |
CN104502899B (zh) | 一种自适应的恒虚警率目标检测方法 | |
CN105182291A (zh) | 自适应目标新生强度的phd平滑器的多目标跟踪方法 | |
CN103995259B (zh) | 密集干扰环境下雷达目标自适应滤波融合检测方法 | |
CN113242209B (zh) | 智能电网虚假数据注入攻击的广义累积和检测方法 | |
CN112684428B (zh) | 一种基于信号代理的多目标恒虚警率检测方法 | |
CN112911627B (zh) | 无线网络性能检测方法、装置以及存储介质 | |
CN114580260B (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
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 | |
CN113504523B (zh) | 基于目标特性的自适应恒虚警方法、设备及其存储介质 | |
CN109188388B (zh) | 一种对抗多目标干扰的恒虚警检测方法 | |
CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
CN105844102A (zh) | 一种自适应无参空间离群点检测算法 | |
CN107276779B (zh) | 一种监控方法、系统及设备 | |
CN112180341B (zh) | 一种背景自适应cfar算法选择的实现方法 | |
CN114114192A (zh) | 集群目标检测方法 | |
CN106526545B (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN115426661A (zh) | 一种基于信任管理的物联网可信覆盖可靠性评估方法 | |
CN109951420A (zh) | 一种基于熵和动态线性关系的多级流量异常检测方法 | |
CN110909312B (zh) | 一种应用于rbmcda跟踪算法的目标消亡判断方法 | |
CN117312769A (zh) | 一种基于BiLSTM的物联网时序数据异常检测方法 | |
CN115032606B (zh) | 一种基于局部最小选定单元平均的恒虚警检测器 | |
CN111123233B (zh) | 一种基于相关性的海杂波纹理估计方法 | |
CN108037488A (zh) | 一种非均匀环境空时样本选择方法 | |
Grimmett et al. | Specsweb post-tracking classification method |
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 |