CN111289945A - 一种基于phd滤波器的分布式多传感器多视角融合方法 - Google Patents

一种基于phd滤波器的分布式多传感器多视角融合方法 Download PDF

Info

Publication number
CN111289945A
CN111289945A CN202010100980.8A CN202010100980A CN111289945A CN 111289945 A CN111289945 A CN 111289945A CN 202010100980 A CN202010100980 A CN 202010100980A CN 111289945 A CN111289945 A CN 111289945A
Authority
CN
China
Prior art keywords
sensor
target
gaussian
fusion
sensors
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
Application number
CN202010100980.8A
Other languages
English (en)
Other versions
CN111289945B (zh
Inventor
易伟
李固冲
卢秀娟
冀文帅
周涛
孔令讲
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010100980.8A priority Critical patent/CN111289945B/zh
Publication of CN111289945A publication Critical patent/CN111289945A/zh
Application granted granted Critical
Publication of CN111289945B publication Critical patent/CN111289945B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于PHD滤波器的分布式多传感器多视角融合算法，应用于传感器技术领域，针对现有技术存在的由于传感器探测视角有限且存在障碍物而造成目标漏检的问题；本发明通过匹配不同传感器间的局部后验强度(PHD)来确定目标的来源，对于同时被多个传感器检测的目标进行算术平均(AA)融合处理，对于只被单传感器检测到的目标则直接保留作为融合结果；本发明可以有效避免障碍物的存在带来的漏检问题，并且比单传感器滤波有较小的误差。

Description

一种基于PHD滤波器的分布式多传感器多视角融合方法
技术领域
本发明属于传感器技术领域，特别涉及一种PHD滤波器、聚类技术和多传感器融合技术。
背景技术
多目标跟踪是一个当前很重要的一个研究主题，其主要的目的之一是同时实现目标状态和目标个数的估计。对于日益复杂的网络系统，单传感器节点已经无法满足人们对跟踪精度的需求，而传感器节点之间的协作(融合)是提高跟踪性能的关键步骤。
集中式融合是将各个传感器的原始信息(如量测)送往融合中心进行处理，虽然该结构信息损失小，但是系统的通信负担和计算量较大，难以很好地工程实现。相比于集中式融合，分布式融合通过先每个传感器节点预处理进而再进行融合处理的方式极大地降低了传感器网络对带宽的需求，受到了越来越多的关注。一般情况下，每一个传感器节点的探测视角是有限的，因此单个节点是无法实现全局观测的。针对这一缺点，在文献“Distributedmulti-sensor CPHD filter using pairwise gossiping[C].IEEE InternationalConference on Acoustics,Speech and Signal Processing.IEEE,2016:3176-3180.”中，考虑到目标存在漏检的问题，首次提出用算术平均代替几何平均的融合策略，但是其并没有很好地解决多视角下的融合问题。2019年，Tiancheng结合了AA技术和随机集理论提出了基于AA的多视角多目标跟踪算法，在文献“Local diffusion based on distributed SMC-PHD filtering using sensors with limited sensing range[J].IEEE SensorJournal,2019:1580-1589.”中，考虑在公共视角内进行节点与其临近节点的粒子交互，但是其并没有考虑传感器探测视角未知以及存在障碍物的场景，同时，也无法避免使用粒子滤波算法带来的退化问题。
发明内容
为解决上述技术问题，本发明提出一种基于PHD滤波器的分布式多传感器多视角融合方法，通过匹配不同传感器间的局部后验强度(PHD)来确定目标的来源，对于同时被多个传感器检测的目标进行算术平均(AA)融合处理，对于只被单传感器检测到的目标则直接保留作为融合结果。
本发明采用的技术方案为：一种基于PHD滤波器的分布式多传感器多视角融合方法，通过匹配不同传感器间的局部后验强度(PHD)来确定目标的来源，对于同时被多个传感器检测的目标进行算术平均(AA)融合处理，对于只被单传感器检测到的目标则直接保留作为融合结果。
具体包以下步骤：
S1、对每部传感器的PHD跟踪采用混合高斯模型来表示；
S2、将所有传感器的高斯分量送到融合中心，以最高后验密度(HPD)为准则进行聚类处理进而得到若干组；
S3、若组内的高斯分量来自多个传感器，则进行AA融合处理，否则直接保留所有的高斯分量。
还包括估计目标状态与目标个数，包括以下分步骤：
A1、对经步骤S3处理后的高斯分量进行剪枝处理；
A2、若经步骤A1处理后的高斯分量对应的权重大于设定值，则判断该高斯分量为目标状态。
步骤A2所述设定值取值为0.5。
本发明的有益效果：本发明通过匹配不同传感器间的局部后验强度(PHD)来确定目标的来源，对于同时被多个传感器检测的目标进行算术平均(AA)融合处理，对于只被单传感器检测到的目标则直接保留作为融合结果。首先将各个传感器的PHD用高斯混合(GM)模型表示，然后以最高后验密度(HPD)为准则将所有传感器的高斯分量(GC)进行聚类处理进而得到很多组。若组内的高斯分量来自多个传感器(>1)，则进行AA融合处理；若组内的高斯分量仅来自一个传感器，则进行直接保留。本发明具备以下优点：
1、在多目标跟踪时降低了对传感器探测视角的需求；
2、有效避免障碍物视角的存在带来的漏检问题；
3、比单传感器滤波有较小的误差。
附图说明
图1是本发明提供的多传感器融合算法流程图。
图2是二维平面内传感器节点分布和航迹图。
图3是二维平面内无障碍物场景下传感器的量测叠加示意图。
图4是二维平面内无障碍物场景下融合算法与单传感器之间的目标个数对比图。
图5是二维平面内无障碍物场景下融合算法与单传感器之间的跟踪目标误差对比图。
图6是二维平面内有障碍物场景下传感器的量测叠加示意图。
图7是二维平面内有障碍物场景下融合算法与单传感器之间的目标个数对比图。
图8是二维平面内有障碍物场景下融合算法与单传感器之间的跟踪目标误差对比图。
具体实施方式
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在Matlab2019a上验证正确。下面结合附图1-8对本发明的内容进行详细阐述。
如图1所示为本发明的方案流程图，包括以下步骤：
步骤1：对后验高斯混合概率假设密度进行参数化表征；
Figure BDA0002386866200000031
其中，vi(x)表示传感器i的多目标后验概率强度，x表示目标状态；Ji表示传感器i的高斯分量的个数；
Figure BDA0002386866200000032
表示传感器i的第j个高斯分量的权重；
Figure BDA0002386866200000033
表示期望为
Figure BDA0002386866200000034
方差为
Figure BDA0002386866200000035
的传感器i的第j个高斯分量对应的高斯密度函数；
步骤2：聚类处理，得到很多分组；
结合最高后验密度(HPD)准则：
Rα(m,P)＝{x:(x-m)TP-1(x-m)≤(Zα)2}
其中，(·)-1表示求逆操作，(·)T表示求转置操作；m和P分别表示高斯密度函数的均值和方差；Zα表示α量化的
Figure BDA0002386866200000036
分布。
最后，所有的传感器的高斯分量可以被聚类分解为很多组：
Figure BDA0002386866200000037
其中，NC表示分组的个数；
本步骤聚类的分组是为了区分目标都被哪些传感器检测到。比如，若目标被两个传感器检测到，那么该分组内的高斯分量就来自于这两个传感器，若只被一个传感器检测到，则表明该分组内的高斯分量只来自某一个传感器。
步骤3：AA融合处理；
Figure BDA0002386866200000038
其中，
Figure BDA0002386866200000039
表示融合后的强度函数；
Figure BDA00023868662000000310
表示第g个分组里的高斯分量所属的传感器的标签集合，g∈{1,…,NC}；
Figure BDA0002386866200000041
表示第g个分组里来自传感器i的高斯分量的标签集合；ωi表示传感器i的融合权重，在本领域中，融合权重的设置是因为传感器融合时每部传感器都有一个可信度，传感器性能越好，理论上融合权重越大，但是在实际仿真中，认为每部传感器的性能差不多，所以两部传感器融合时常常各设置为0.5，即本实施例中ωi取值为0.5。
步骤4：高斯分量的剪枝处理；
Figure BDA0002386866200000042
Figure BDA0002386866200000043
Figure BDA0002386866200000044
其中，
Figure BDA0002386866200000045
是索引为j'的高斯分量的均值；L是满足预先设定的剪枝门限的高斯分量集合，l表示融合后所有高斯分量的索引，即通过预先设定的剪枝门限从融合后所有高斯分量中选取满足条件的高斯分量，得到L；
Figure BDA0002386866200000046
分别是剪枝后的高斯分量的权重、均值；这里的预先设置的剪枝门限的设置是因为在滤波后会产生太多的高斯分量，这些高斯分量需要很大存储空间，同时下一次滤波使会有很大的计算代价，所以设置一个剪枝门限，删除一些权重比较小的高斯分量，降低计算代价；本实施例中剪枝门限取值为10-4。
步骤5：目标个数和状态提取；
对于剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。
通过上面的步骤，就可以得到基于PHD滤波器的分布式多传感器多视角融合处理过程，实现对目标状态和目标个数的估计。
为了进一步说明本发明的技术效果，本实施例提供如图2所示的传感器节点分布和航迹图，分别提供了无障碍物与有障碍物两种情况下本发明方法的效果图；具体的：如图3所示为无障碍物场景下传感器的量测叠加示意图；本发明的融合算法在无障碍物下与单传感器之间的目标个数对比如图4所示，与单传感器之间的跟踪目标误差对比如图5所示，从图4、图5中可以看出，在无障碍的情况下，本发明的方法检测的目标个数明显高于单传感器，检测误差明显低于单传感器的检测效果；如图6所示为有障碍物场景下传感器的量测叠加示意图；本发明的融合算法在有障碍物下与单传感器之间的目标个数对比如图7所示，与单传感器之间的跟踪目标误差对比如图8所示，从图7、图8中可以看出，在有障碍的情况下，本发明的方法检测的目标个数明显高于单传感器，检测误差明显低于单传感器的检测效果；而本发明的融合算法在有障碍物的情况与无障碍的情况下目标检测数量以及检测误差几乎无变化，综上，本发明的方法相比单传感器检测精度更高，且显著有效地避免了障碍物的存在带来的漏检问题。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.一种基于PHD滤波器的分布式多传感器多视角融合方法，其特征在于，通过匹配不同传感器间的局部后验强度来确定目标的来源，对于同时被多个传感器检测的目标进行算术平均融合处理，对于只被单传感器检测到的目标则直接保留作为融合结果。
2.根据权利要求1所述的一种基于PHD滤波器的分布式多传感器多视角融合方法，其特征在于，所述通过匹配不同传感器间的局部后验强度来确定目标的来源，具体包以下步骤：
S1、对每部传感器的PHD跟踪采用混合高斯模型来表示；
S2、将所有传感器的高斯分量送到融合中心，以最高后验密度为准则进行聚类处理进而得到若干组。
3.根据权利要求2所述的一种基于PHD滤波器的分布式多传感器多视角融合方法，其特征在于，步骤S2所述的若干组中每一个组中的各高斯分量的来源相同。
4.根据权利要求3所述的一种基于PHD滤波器的分布式多传感器多视角融合方法，其特征在于，还包括估计目标状态与目标个数，包括以下分步骤：
A1、对经步骤S3处理后的高斯分量进行剪枝处理；
A2、若经步骤A1处理后的高斯分量对应的权重大于设定值，则判断该高斯分量为目标状态。
5.根据权利要求4所述的一种基于PHD滤波器的分布式多传感器多视角融合方法，其特征在于，步骤A1剪枝处理后的高斯分量对应的权重计算式为：
Figure FDA0002386866190000011
其中，
Figure FDA0002386866190000012
表示传感器i的第j个高斯分量的权重，l表示融合后所有高斯分量的索引，
Figure FDA0002386866190000013
表示剪枝后传感器i的第l个高斯分量的的高斯分量的权重，L是满足预先设定的剪枝门限的高斯分量集合。
6.根据权利要求4所述的一种基于PHD滤波器的分布式多传感器多视角融合方法，其特征在于，步骤A2所述设定值取值为0.5。
CN202010100980.8A 2020-02-19 2020-02-19 一种基于phd滤波器的分布式多传感器多视角融合方法 Active CN111289945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010100980.8A CN111289945B (zh) 2020-02-19 2020-02-19 一种基于phd滤波器的分布式多传感器多视角融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010100980.8A CN111289945B (zh) 2020-02-19 2020-02-19 一种基于phd滤波器的分布式多传感器多视角融合方法

Publications (2)

Publication Number Publication Date
CN111289945A true CN111289945A (zh) 2020-06-16
CN111289945B CN111289945B (zh) 2022-05-03

Family

ID=71025633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010100980.8A Active CN111289945B (zh) 2020-02-19 2020-02-19 一种基于phd滤波器的分布式多传感器多视角融合方法

Country Status (1)

Country Link
CN (1) CN111289945B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304536A (zh) * 2023-03-30 2023-06-23 中航(成都)无人机系统股份有限公司 一种分布式多目标跟踪方法、装置、设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729859A (zh) * 2013-12-30 2014-04-16 西北工业大学 一种基于模糊聚类的概率最近邻域多目标跟踪方法
US20140372073A1 (en) * 2011-05-04 2014-12-18 Jacques Georgy Two-stage filtering based method for multiple target tracking
CN104850856A (zh) * 2015-04-30 2015-08-19 中国民航大学 近邻传播观测聚类的多扩展目标跟踪方法
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
CN110298865A (zh) * 2019-05-22 2019-10-01 西华大学 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372073A1 (en) * 2011-05-04 2014-12-18 Jacques Georgy Two-stage filtering based method for multiple target tracking
CN103729859A (zh) * 2013-12-30 2014-04-16 西北工业大学 一种基于模糊聚类的概率最近邻域多目标跟踪方法
CN104850856A (zh) * 2015-04-30 2015-08-19 中国民航大学 近邻传播观测聚类的多扩展目标跟踪方法
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
CN110298865A (zh) * 2019-05-22 2019-10-01 西华大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YU JY 等: "Distributed multi-sensor CPHD filter using pairwise gossiping", 《2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304536A (zh) * 2023-03-30 2023-06-23 中航(成都)无人机系统股份有限公司 一种分布式多目标跟踪方法、装置、设备、存储介质

Also Published As

Publication number Publication date
CN111289945B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN110830946B (zh) 混合型在线数据异常检测方法
CN107529222A (zh) 一种基于深度学习的WiFi室内定位系统
CN111079539B (zh) 一种基于异常追踪的视频异常行为检测方法
CN104133983B (zh) 基于加权负一阶rd和的多目标伯努利分布式融合方法
CN110909636B (zh) 一种基于非均匀分布的人脸识别方法
CN118330386B (zh) 拓扑变化自适应的新型配电系统高阻接地故障定位方法
Elbasi Reliable abnormal event detection from IoT surveillance systems
CN102930556A (zh) 实现多摄像机目标跟踪的视频图像结构化描述处理的方法
CN115796394B (zh) 数值天气预报订正方法、装置、电子设备及存储介质
CN117877068B (zh) 一种基于掩码自监督遮挡像素重建的遮挡行人重识别方法
CN115830075A (zh) 一种面向行人多目标跟踪的分级关联匹配方法
CN118521653A (zh) 复杂场景下激光雷达和惯性测量融合的定位建图方法及系统
CN108093213B (zh) 一种基于视频监控的目标轨迹模糊数据融合方法
CN109376736A (zh) 一种基于深度卷积神经网络的视频小目标检测方法
CN116222577B (zh) 闭环检测方法、训练方法、系统、电子设备及存储介质
CN117148375A (zh) 一种非结构化环境下的小视角激光雷达快速回环检测方法
CN110889862A (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN117527379A (zh) 网络攻击预警方法、装置、电子设备和和存储介质
CN116132311B (zh) 一种基于时间序列的网络安全态势感知方法
CN111289945B (zh) 一种基于phd滤波器的分布式多传感器多视角融合方法
CN113361392B (zh) 无监督的基于相机和无线定位的多模态行人重识别方法
CN111815670A (zh) 多视图目标跟踪方法、装置、系统、电子终端、及存储介质
CN118314370A (zh) 一种基于网格共视的分层式运动恢复结构方法
CN118247310A (zh) 一种基于ByteTrack的无人机对地多目标的跟踪方法
CN118503834A (zh) 一种系统误差鲁棒的网络化雷达智能航迹互联方法

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
GR01 Patent grant
GR01 Patent grant