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 PDFInfo
- 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
- phd
- fusion
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims description 10
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000007499 fusion processing Methods 0.000 claims abstract description 9
- 238000013138 pruning Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000001914 filtration Methods 0.000 abstract description 6
- 230000004888 barrier function Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
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；
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；
表示传感器i的第j个高斯分量的权重；
表示期望为
方差为
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
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：
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；
其中，
表示融合后的强度函数；
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}；
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；
其中，
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；
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：
其中，
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，
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。
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) |
Citations (5)
| 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 |
-
2020
- 2020-02-19 CN CN202010100980.8A patent/CN111289945B/zh active Active
Patent Citations (5)
| 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)
| Title |
|---|
| YU JY 等: "Distributed multi-sensor CPHD filter using pairwise gossiping", 《2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111289945B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8341742B2 (en) | Network attack detection devices and methods | |
| 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 | |
| WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
| Hao et al. | Distributed multiple human tracking with wireless binary pyroelectric infrared (PIR) sensor networks | |
| CN111402293B (zh) | 面向智能交通的一种车辆跟踪方法及装置 | |
| CN109061569B (zh) | 一种时空信息融合的目标检测方法及系统 | |
| CN106291498B (zh) | 一种基于粒子滤波的检测跟踪联合优化方法 | |
| CN109523575A (zh) | 红外弱小目标检测方法 | |
| CN106920253A (zh) | 一种基于遮挡分层的多目标跟踪方法 | |
| Patil et al. | GeoSClean: Secure cleaning of GPS trajectory data using anomaly detection | |
| CN111753623A (zh) | 一种运动物体的检测方法、装置、设备及存储介质 | |
| CN105391694A (zh) | 一种多源态势信息融合方法 | |
| CN105469054A (zh) | 正常行为的模型构建方法及异常行为的检测方法 | |
| CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
| CN116132311A (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 | |
| CN112362042B (zh) | 一种基于智能船舶多传感设备的航迹关联判断方法 | |
| CN112116630A (zh) | 目标跟踪的方法 | |
| CN116502708A (zh) | 基于性能评估和委员会投票的抗拜占庭攻击的dfl方法 | |
| Attari et al. | A Multi-Target Tracking Formulation of SVSF With the Joint Probabilistic Data Association Technique | |
| CN113538947A (zh) | 车联网中一种采用交互多模型的雷达目标路径处理方法 | |
| Hsu et al. | RAF: a dynamic and efficient approach to fusion for multitarget tracking in CCTV surveillance | |
| CN107786524B (zh) | 高级持续性威胁的检测方法和装置 | |
| Zhang et al. | A method for detecting abnormal behavior of ships based on multi-dimensional density distance and an abnormal isolation mechanism | |
| CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 |
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 |