CN111274529A - 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 - Google Patents
一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 Download PDFInfo
- Publication number
- CN111274529A CN111274529A CN202010101448.8A CN202010101448A CN111274529A CN 111274529 A CN111274529 A CN 111274529A CN 202010101448 A CN202010101448 A CN 202010101448A CN 111274529 A CN111274529 A CN 111274529A
- Authority
- CN
- China
- Prior art keywords
- target
- measurement
- phd
- matrix
- tracking algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000000126 substance Substances 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 8
- 238000000638 solvent extraction Methods 0.000 description 3
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于智能信息处理技术领域,涉及多扩展目标的预测划分与量测标记,具体为一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法,实现了对紧邻目标量测集的高精度划分和精确跟踪,可以用更小的代价实现更精确地划分,从而可以提高滤波器的精度,可用于航空航天、机器人导航、无人车辆导航,车辆跟踪、激光雷达等领域,与传统方法相比,本发明具有良好的精度与鲁棒性,具有良好的利用价值。
Description
技术领域
本发明属于智能信息处理技术领域,涉及雷达信号处理和多扩展目标跟踪,准确地说是一种用于高斯逆威沙特概率假设密度(GIW-PHD)滤波器的多扩展目标跟踪算法,此方法可在复杂情况下以较小的代价实现更精确地跟踪,可用于航空航天、机器人导航、无人车辆导航、车辆跟踪、激光雷达等领域。
背景技术
通常,多目标跟踪基于每个目标每次探测最多产生一个量测的假设,然而,随着高分辨率传感器技术的发展(如激光雷达),每次探测可能产生多个量测,称这该类型的目标为扩展目标。
目前GIW-PHD跟踪算法在扩展目标跟踪问题中被广泛使用,该算法针对多扩展目标的量测集划分方法主要包括:距离-子划分(DP-SP)、期望最大划分(EMP)和预测划分(PP)等方法。DP-SP先用距离进行初步划分然后用Kmean++进行子划分,EMP算法根据假设期望最大的原则进行划分,PP算法使用预测信息进行划分,但是当目标紧邻并机动时,划分结果都会出现较大误差。因此,针对目标紧邻并执行机动时出现误差的问题,现有方法有待进一步优化。
发明内容
针对上述紧邻目标跟踪精度下降的问题,本发明提出了一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法。实现本发明的关键技术是对目标和对应量测进行标记,然后通过分析k和k+1之间目标状态和对应量测信息的变化,调整预测参数进行量测集划分。因此,提出跟踪算法的精度高于原算法。
一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法,包括如下步骤:
步骤1,令初始时刻k=0,初始化参数:初始目标状态为x0={m0,P0},m0为目标的位置,P0为运动误差的协方差矩阵;
步骤2,当k≥1时,对量测集进行划分;
将一组量测集Z划分成若干个非空的子集或单元W;检测W中的元素数量,利用预测信息将量测划分为集群;如果一个量测可以被分成两个集群,选择分量权重大的集群;
步骤3,根据量测信息,利用GIW-PHD跟踪算法框架对目标运动状态进行多假设滤波;
步骤4,修剪合并:
步骤5,若下一帧观测信息到达,转到步骤2进行迭代;否则,跟踪过程结束。
进一步地,步骤2所述的用目标的预测位置信息对目标量测集进行划分,按下述步骤计算得到:
θ=<α1,k,α1,k+1>
进一步地,所述步骤3包括如下步骤:
目标更新检测PHD为:
GIW分量权重由以下公式更新:
其中βFA,k是每次扫描的每个监视量的杂波量测参数,γ(j)是目标产生的平均测量次数。
本发明具有以下优点:
(1)实现了对紧邻目标量测集的高精度划分和精确跟踪,可以用更小的代价实现更精确地划分,从而可以提高滤波器的精度,可用于航空航天、机器人导航、无人车辆导航,车辆跟踪、激光雷达等领域。
(2)本发明鲁棒性较强,可适应多目标紧邻的极端跟踪情景。
(3)本发明在保持高精度的条件下,计算复杂度较低。
附图说明
图1是本发明的整体流程图。
图2是本发明实施例的仿真实验中真实轨迹示意图,(a)是回转轨迹,(b)是交叉轨迹。
图3是本发明实施例的回转轨迹仿真实验中100次蒙特卡洛实验的平均结果图,(a)是ET-OSPA误差均值,(b)是目标数估计值,(c)是运算时间代价。
图4是本发明实施例的交叉轨迹仿真实验中100次蒙特卡洛实验的平均结果图,(a)是ET-OSPA误差均值,(b)是目标数估计值。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明涉及如下的基础理论内容:
1.GIW-PHD滤波器的实现
假设k时刻扩展目标的状态为:
2.PP量测集划分算法
由于采用了目标预测信息,因此PP划分方法对目标机动非常敏感,具体可通过以下两个步骤描述:
(1)将一组量测值Z分割成非空的子集或单元W,目标预测信息按如下公式将量测结果分成簇:
(2)如果一个量测可以被分成两个杂波,选择权重最高的分量。
本发明提出一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法,包括如下步骤:
步骤1,令初始时刻k=0,初始化参数:初始目标状态为x0={m0,P0},m0为目标的位置,P0为运动误差的协方差矩阵。
步骤2,当k≥1时,对量测集进行划分。
将一组量测集Z划分成若干个非空的子集或单元W;检测W中的元素数量,利用预测信息将量测划分为集群;如果一个量测可以被分成两个集群,选择分量权重大的集群。
步骤2所述的用目标的预测位置信息对目标量测集进行划分,按下述步骤计算得到:
θ=<α1,k,α1,k+1>
步骤3,根据量测信息,利用GIW-PHD跟踪算法框架对目标运动状态进行多假设滤波。
所述步骤3包括如下步骤:
目标更新检测PHD为:
GIW分量权重由以下公式更新:
其中βFA,k是每次扫描的每个监视量的杂波量测参数,γ(j)是目标产生的平均测量次数。
步骤5,若下一帧观测信息到达,转到步骤2进行迭代;否则,跟踪过程结束。
本发明的效果可通过以下实验仿真进一步说明:
1.仿真条件及参数
仿真场景的参数如下:
S=4000×4000m2,
βFA,k=6.25×10-7,
Rk=diag([1,1]),
Qk=diag([0.5,0.5,0,0])
Ts表示传感器扫描间隔,S表示带有速率参数的监视体积,杂波量测的泊松均值是S×βFA,k=10。Rk和Qk分别是过程噪声协方差和量测噪声。
新生目标参数如下:
w0=0.1,
γ(j)=20,
V0=diag([50,50]),
P0=diag([25,100]),
2.仿真内容及结果分析
仿真实验,将本发明方法与使用SSP、PP和EMP划分方法的GIW-PHD跟踪算法进行对比实验分析,主要在回转估计和交叉轨迹开展实验:
图2是两个试验场景的轨迹图。a回转轨迹,b交叉轨迹。
图3是回转轨迹场景的100次蒙特卡洛平均结果。a、b和c分别是OSPA误差、目标数估计和时间代价结果。可见,本发明在跟踪误差和目标数估计方面最优且与SSP结果相似,在时间代价方面由于SSP。因此,本发明适用于弱机动和目标紧邻场景,且整体性能优于现有方法。
图4是交叉轨迹场景的100次蒙特卡洛平均结果。a和b分别是OSPA误差和目标数估计结果,SSP算法在目标数量多于3时失效,因此本实验为列出结果。可见,本发明在多个目标紧邻时的跟踪误差小于其它方法,目标数估计结果更接近于真实值。因此,本发明适用于多个目标紧邻交叉场景,且整体性能优于现有方法。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (4)
1.一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法,其特征在于:所述算法包括如下步骤:
步骤1,令初始时刻k=0,初始化参数:初始目标状态为x0={m0,P0},m0为目标的位置,P0为运动误差的协方差矩阵;
步骤2,当k≥1时,对量测集进行划分;
将一组量测集Z划分成若干个非空的子集或单元W;检测W中的元素数量,利用预测信息将量测划分为集群;如果一个量测可以被分成两个集群,选择分量权重大的集群;
步骤3,根据量测信息,利用GIW-PHD跟踪算法框架对目标运动状态进行多假设滤波;
步骤4,修剪合并:
步骤5,若下一帧观测信息到达,转到步骤2进行迭代;否则,跟踪过程结束。
2.根据权利要求1所述的一种鲁棒的高斯逆威沙特PHD多扩展目标跟踪算法,其特征在于:步骤2所述的用目标的预测位置信息对目标量测集进行划分,按下述步骤计算得到:
θ=<α1,k,α1,k+1>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101448.8A CN111274529B (zh) | 2020-02-19 | 2020-02-19 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101448.8A CN111274529B (zh) | 2020-02-19 | 2020-02-19 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274529A true CN111274529A (zh) | 2020-06-12 |
CN111274529B CN111274529B (zh) | 2023-11-24 |
Family
ID=71000419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010101448.8A Active CN111274529B (zh) | 2020-02-19 | 2020-02-19 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274529B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731370A (zh) * | 2020-12-04 | 2021-04-30 | 杭州电子科技大学 | 一种考虑输入噪声的高斯过程扩展目标跟踪方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391446A (zh) * | 2017-07-24 | 2017-11-24 | 江南大学 | 基于随机矩阵的不规则形状多扩展目标形状和状态估计方法 |
CN109917372A (zh) * | 2018-12-28 | 2019-06-21 | 江苏理工学院 | 基于目标预测的扩展目标量测集划分和跟踪方法 |
EP3567399A1 (fr) * | 2018-05-09 | 2019-11-13 | Thales | Procede de pistage de cibles, notamment maritimes, et radar mettant en oeuvre un tel procede |
-
2020
- 2020-02-19 CN CN202010101448.8A patent/CN111274529B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391446A (zh) * | 2017-07-24 | 2017-11-24 | 江南大学 | 基于随机矩阵的不规则形状多扩展目标形状和状态估计方法 |
EP3567399A1 (fr) * | 2018-05-09 | 2019-11-13 | Thales | Procede de pistage de cibles, notamment maritimes, et radar mettant en oeuvre un tel procede |
CN109917372A (zh) * | 2018-12-28 | 2019-06-21 | 江苏理工学院 | 基于目标预测的扩展目标量测集划分和跟踪方法 |
Non-Patent Citations (3)
Title |
---|
KARL GRANSTRÖM: "A PHD Filter for Tracking Multiple Extended Targets Using Random Matrices" * |
李鹏: "基于随机有限集的多扩展目标跟踪和航迹维持算法研究" * |
樊鹏飞;李鸿艳;: "基于GIW-PHD的扩展目标联合跟踪与分类算法" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731370A (zh) * | 2020-12-04 | 2021-04-30 | 杭州电子科技大学 | 一种考虑输入噪声的高斯过程扩展目标跟踪方法 |
CN112731370B (zh) * | 2020-12-04 | 2024-04-12 | 杭州电子科技大学 | 一种考虑输入噪声的高斯过程扩展目标跟踪方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111274529B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN107300698B (zh) | 一种基于支持向量机的雷达目标航迹起始方法 | |
CN108734725B (zh) | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN111274529A (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN111965618A (zh) | 一种融合多普勒量测的转换量测跟踪方法及系统 | |
Lin et al. | Mobile robot self-localizationusing visual odometry based on ceiling vision | |
CN110702093B (zh) | 基于粒子滤波的定位方法、装置、存储介质及机器人 | |
CN111707997A (zh) | 雷达目标跟踪方法、装置、电子设备及存储介质 | |
CN109239704B (zh) | 一种基于序贯滤波交互式多模型的自适应采样方法 | |
CN117075097B (zh) | 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统 | |
CN114002667A (zh) | 一种基于随机矩阵法的多近邻扩展目标跟踪算法 | |
CN112991394A (zh) | 基于三次样条插值和马尔科夫链的kcf目标跟踪方法 | |
CN113192110A (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
CN115469314A (zh) | 一种均匀圆环阵稳健水下目标方位跟踪方法及系统 | |
CN112285697A (zh) | 一种多传感器多目标空时偏差校准与融合方法 | |
CN112906743B (zh) | 一种快速多传感器集势概率假设密度滤波方法 | |
CN112241583A (zh) | 一种最小化后验距离的传感器路径优化方法 | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
CN111504326B (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 | |
CN112581616B (zh) | 基于序贯分块滤波的最近邻ukf-slam方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN109239647B (zh) | 一种基于多维拟合的多目标跟踪方法 | |
CN108572362B (zh) | 一种tws雷达空时联合关联跟踪方法及装置 |
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 |