CN111325776A - 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 - Google Patents
一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 Download PDFInfo
- Publication number
- CN111325776A CN111325776A CN202010101424.2A CN202010101424A CN111325776A CN 111325776 A CN111325776 A CN 111325776A CN 202010101424 A CN202010101424 A CN 202010101424A CN 111325776 A CN111325776 A CN 111325776A
- Authority
- CN
- China
- Prior art keywords
- target
- phd
- distribution
- kalman filtering
- state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 6
- 238000012733 comparative method Methods 0.000 description 5
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于变分贝叶斯T分布卡尔曼滤波的PHD多目标跟踪方法,它属于制导和智能信息处理技术领域,主要解决非线性情况和量测异常值情况下多目标跟踪算法精度下降问题。该方法基于变分贝叶斯推断框架,采用T分布卡尔曼滤波技术更新目标状态,并基于变分贝叶斯框架和T分布卡尔曼滤波推导了目标后验概率密度,提高了PHD跟踪算法的鲁棒性和总体跟踪精度,可以满足实际工程系统的设计需求,具有良好的工程应用价值。
Description
技术领域
本发明属于智能信息处理技术领域,涉及多目标跟踪方法。具体地说是一种鲁棒的PHD跟踪方法,基于变分贝叶斯和T分布卡尔曼滤波技术,可用于无人汽车、空中管制和精确制导等雷达系统中的目标跟踪。
背景技术
传统的目标跟踪技术多适用于线性量测场景,但真实跟踪场景中的量测信息多维非线性模型,并且在突发干扰情况下量测误差会产生较大幅度波动,导致测量异常值产生,使目标跟踪精度下降。目前经典的多目标跟踪框架包括概率假设密度(PHD)、势PHD(CPHD)等,这些方法主要基于贝叶斯推断和卡尔曼滤波技术来更新目标状态,在线性条件下会取得较好的跟踪效果,但抗干扰能力较低,量测发生突发异常值等情况时会出现漏跟或错跟等情况。
目前,目标跟踪领域除应用卡尔曼滤波外,主要还有粒子滤波、扩展卡尔曼(EK)滤波和无迹卡尔曼(UK)滤波三种主要的滤波技术,以提高非线性量测噪声情况下的跟踪精度。然而,粒子滤波技术采用大量的粒子去拟合真实分布,需要大量的运算代价且无法处理量测突发异常值,不适于现实推广。EK技术通过雅克比矩阵对非线性情况进行局部线性优化,仅适用于弱线性场景。UK通过寻找特征点来实现局部线性优化,同样适于弱线性场景且无法优化量测异常值情况。可见,目标处理非线性跟踪场景的主要问题是滤波算法的鲁棒性不强,且难以有效处理量测异常值情况。
发明内容
针对上述问题,本发明提出一种基于变分贝叶斯技术和T分布卡尔曼(TK)滤波技术的鲁棒PHD多目标跟踪方法。采用TK技术提高算法处理量测异常值情况的精度。采用变分贝叶斯推断技术提高算法应对非线性情况的鲁棒性,并推导PHD框架中的目标似然函数。
实现本发明的关键技术是:用变分贝叶斯滤波框架提高PHD算法的鲁棒性,引入TK技术提高算法处理量测异常值情况的精度,实现复杂非线性场景下的高精度跟踪。
为实现上述目标,具体实现步骤如下:
一种基于变分贝叶斯T分布卡尔曼滤波的PHD多目标跟踪方法,包括如下步骤:
步骤1,令初始时刻k=0,初始化参数:目标状态其中,和是第j个目标状态矢量和状态误差的协方差矩阵;场景参数为其中,和是量测噪声和过程噪声的协方差矩阵,是观测矩阵,是变分贝叶斯迭代的次数,v是T分布的自由度;
步骤3,根据量测集Zk,在变分贝叶斯框架下使用TK技术进行次迭代,对目标预测状态ξk|k-1进行更新,得到更新的目标状态基于变分贝叶斯推断,将目标后验似然强度近似地分解为两个函数的乘积形式并分别进行求解,得到目标的权重
步骤5,若下一时刻观测信息到达,转到步骤2进行迭代;否则,目标跟踪过程结束。
步骤2-1,DS,k|k-1(x)为目标目标存活的PHD,表示为
其中,Fk-1表示状态传递矩阵;
步骤2-2,Dβ,k|k-1(x)为目标衍生的PHD,表示为
进一步地,步骤3目标后验的PHD表示为,按下述步骤计算得到:
其中,
其中,线性场景下
hk(mk|k-1)=Hkmk|k-1
其中,ux和uy分别表示目标在X和Y轴上的坐标。非线性场景下
步骤3-2,目标权重表示为
其中,
其中,d表示物理空间的维度。
本发明具有以下优点:
(1)本发明采用了变分贝叶斯滤波框架,可以有效提高PHD跟踪算法的鲁棒性,提高对线性和弱非线性情况的跟踪精度。
(2)本发明针对量测异常值这种强干扰情况,引入TK滤波技术更新目标状态,可有效提高该情况下的整体跟踪精度。
附图说明
图1是本发明的整体流程图。
图2是本发明实施例中线性量测场景的目标轨迹图。
图3是本发明实施例中线性和非线性量测场景的目标轨迹图。
图4是本发明实施例中线性场景200次蒙特卡洛实验的平均OSPA误差结果图。
图5是本发明实施例中线性场景200次蒙特卡洛实验的平均目标数估计结果图。
图6是本发明实施例中线性场景200次蒙特卡洛实验的平均运算时间代价图。
图7是本发明实施例中非线性场景200次蒙特卡洛实验的平均OSPA误差结果图。
图8是本发明实施例中非线性场景200次蒙特卡洛实验的平均目标数估计结果图。
图9是本发明实施例中非线性场景200次蒙特卡洛实验的平均运算时间代价结果图。
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。
本发明涉及的基础理论进行如下的介绍:
1.变分贝叶斯推断技术
设量测为Z,目标状态为X,在递推过程中,若想用函数Ψ(Z)去逼近后验概率密度g(Z|X),则可用KL散度降低来迭代逼近,即
令
L(Ψ)=∫Ψ(Z)logg(Z,X)dZ-∫Ψ(Z)logΨ(Z)dZ
则Ψ(Z)可以被表示为logg(X)=KL(Ψ||g)+L(Ψ)
令-KL(Ψ(zj)||Ψ*(zj))=0,则L(Ψ)最大化,因此有
通过循环迭代,可令Ψ(zj)逼近g(Z|X)。
2.T分布卡尔曼滤波技术
设系统方程为xk|xk-1~N(f(xk-1),Qk)
zk|xk~Student(h(xk),Rk,ν)
给定目标状态矢量ξk-1和T分布的自由度ν,则TK滤波过程可表示为:
预测:
mk|k-1=∫f(xk-1)N(xk-1|mk-1,Pk-1)dxk-1
Pk|k-1=∫(f(xk-1)-mk-1)(f(xk-1)-mk-1)T×N(xk-1|mk-1,Pk-1)dxk-1+Qk
更新
μk=∫h(xk)N(xk|mk|k-1,Pk|k-1)dxk
Ck=∫(xk-mk|k-1)(h(xk)-μk)T×N(xk|mk|k-1,Pk|k-1)dxk
mk=mk|k-1+Kk(zk-μk)
Dk=∫(zk-h(xk))(zk-h(xk))T×N(xk|mk,Pk)dxk
本发明提出一种基于变分贝叶斯T分布卡尔曼滤波的PHD多目标跟踪方法,包括如下步骤:
步骤1,令初始时刻k=0,初始化参数:目标状态其中,和是第j个目标状态矢量和状态误差的协方差矩阵;场景参数为其中,和是量测噪声和过程噪声的协方差矩阵,是观测矩阵,是变分贝叶斯迭代的次数,v是T分布的自由度。
步骤2-1,DS,k|k-1(x)为目标目标存活的PHD,表示为
其中,Fk-1表示状态传递矩阵。
步骤2-2,Dβ,k|k-1(x)为目标衍生的PHD,表示为
步骤3,根据量测集Zk,在变分贝叶斯框架下使用TK技术进行次迭代,对目标预测状态ξk|k-1进行更新,得到更新的目标状态基于变分贝叶斯推断,将目标后验似然强度近似地分解为两个函数的乘积形式并分别进行求解,得到目标的权重
步骤3目标后验的PHD表示为,按下述步骤计算得到:
其中,
其中,线性场景下
hk(mk|k-1)=Hkmk|k-1
其中,ux和uy分别表示目标在X和Y轴上的坐标。非线性场景下
步骤3-2,目标权重表示为
其中,
其中,d表示物理空间的维度。
则合并对应目标。
步骤5,若下一时刻观测信息到达,转到步骤2进行迭代;否则,目标跟踪过程结束。
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
假设多个目标在X-Y平面上作匀速运动,目标运动状态表示为xk={ux,uy,vx,vy},其中,{ux,uy}分别为单个目标在笛卡尔坐标系中X方向和Y方向上的位置,{vx,vy}分别为每个目标在X方向和Y方向上的速度。目标的状态传递矩阵为
非线性场景模拟现实中传感器探测目标的极坐标系数据系统,表示为弧度值和目标距离的形式,即
2.仿真内容及结果分析
仿真实验将本发明方法与GM-PHD、GM-CPHD和EK-PHD方法进行对比实验分析,主要从以下两个方面开展实验:
实验1:线性跟踪场景:
图2是本场景的轨迹图,目标由圆圈位置产生,在三角位置消亡。量测在笛卡尔坐标系下加线性高斯噪声产生,场景共4个目标,跟踪时长为100个时刻。
图4是200次蒙特卡洛实验的平均OSPA误差结果图。可以看出,本发明方法跟踪结果的总体误差小于对比方法。
图5是200次蒙特卡洛实验的平均目标数估计结果图。可以看出,与对比方法相比,本发明方法目标数估计结果更接近真实值
图6是200次蒙特卡洛实验的平均运算代时间价图。可以看出,本发明方法的运算时间代价高于对比方法。
实验总体结果可以看出,在线性场景中,本发明方法针对量测异常值情况的总体跟踪精度高于对比方法,但运算时间代价高于对比方法。
实验2:非线性跟踪场景:
本场景对比实验中加入了用于处理非线性场景的EK-PHD跟踪算法,以验证本发明方法针对非线性场景跟踪的有效性。
图3是本场景的轨迹图,目标由圆圈位置产生,在三角位置消亡。量测在极坐标系下加线性高斯噪声产生,场景共10个目标,跟踪时长为100个时刻。
图7是200次蒙特卡洛实验的平均OSPA误差结果图。可以看出,本发明方法跟踪结果的总体误差小于对比方法。
图8是200次蒙特卡洛实验的平均目标数估计结果图。可以看出,与对比方法相比,本发明方法目标数估计结果更接近真实值.
图9是200次蒙特卡洛实验的平均运算代时间价图。可以看出,本发明方法的运算时间代价高于对比方法。
实验总体结果可以看出,本发明方法可以适用于非线性场景,且在量测存在异常值的情况时,跟踪精度要高于传统用于非线性场景的EK-PHD算法,但运算时间代价高于对比方法。
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 (3)
1.一种基于变分贝叶斯T分布卡尔曼滤波的PHD多目标跟踪方法,其特征在于:包括如下步骤:
步骤1,令初始时刻k=0,初始化参数:目标状态其中,和是第j个目标状态矢量和状态误差的协方差矩阵;场景参数为其中,和是量测噪声和过程噪声的协方差矩阵,是观测矩阵,是变分贝叶斯迭代的次数,v是T分布的自由度;
步骤3,根据量测集Zk,在变分贝叶斯框架下使用TK技术进行次迭代,对目标预测状态ξk|k-1进行更新,得到更新的目标状态基于变分贝叶斯推断,将目标后验似然强度近似地分解为两个函数的乘积形式并分别进行求解,得到目标的权重
步骤5,若下一时刻观测信息到达,转到步骤2进行迭代;否则,目标跟踪过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101424.2A CN111325776A (zh) | 2020-02-19 | 2020-02-19 | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101424.2A CN111325776A (zh) | 2020-02-19 | 2020-02-19 | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325776A true CN111325776A (zh) | 2020-06-23 |
Family
ID=71167307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010101424.2A Pending CN111325776A (zh) | 2020-02-19 | 2020-02-19 | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325776A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219452A (zh) * | 2021-05-07 | 2021-08-06 | 电子科技大学 | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 |
CN113514824A (zh) * | 2021-07-06 | 2021-10-19 | 北京信息科技大学 | 安防雷达的多目标跟踪方法及装置 |
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 |
---|---|---|---|---|
CN103345577A (zh) * | 2013-06-27 | 2013-10-09 | 江南大学 | 变分贝叶斯概率假设密度多目标跟踪方法 |
CN106772353A (zh) * | 2016-11-29 | 2017-05-31 | 深圳大学 | 一种适用于闪烁噪声的多目标跟踪方法及系统 |
CN109886305A (zh) * | 2019-01-23 | 2019-06-14 | 浙江大学 | 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法 |
-
2020
- 2020-02-19 CN CN202010101424.2A patent/CN111325776A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345577A (zh) * | 2013-06-27 | 2013-10-09 | 江南大学 | 变分贝叶斯概率假设密度多目标跟踪方法 |
CN106772353A (zh) * | 2016-11-29 | 2017-05-31 | 深圳大学 | 一种适用于闪烁噪声的多目标跟踪方法及系统 |
CN109886305A (zh) * | 2019-01-23 | 2019-06-14 | 浙江大学 | 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法 |
Non-Patent Citations (2)
Title |
---|
袁常顺,王俊,向洪,魏少明,张耀天: "非线性量测下自适应噪声协方差PHD滤波", 《北京航空航天大学学报》, 31 January 2017 (2017-01-31), pages 53 * |
袁常顺;王俊;向洪;魏少明;张耀天: ""非线性量测下自适应噪声协方差PHD滤波"《北京航空航天大学学报》", pages: 53 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219452A (zh) * | 2021-05-07 | 2021-08-06 | 电子科技大学 | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 |
CN113514824A (zh) * | 2021-07-06 | 2021-10-19 | 北京信息科技大学 | 安防雷达的多目标跟踪方法及装置 |
CN113514824B (zh) * | 2021-07-06 | 2023-09-08 | 北京信息科技大学 | 安防雷达的多目标跟踪方法及装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325776A (zh) | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 | |
Reuter et al. | A fast implementation of the labeled multi-Bernoulli filter using Gibbs sampling | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN108573496B (zh) | 基于lstm网络和深度增强学习的多目标跟踪方法 | |
Dong et al. | The labeled multi-Bernoulli filter for multitarget tracking with glint noise | |
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
Chang et al. | Applied state estimation and association | |
CN111488552B (zh) | 基于高斯混合概率假设密度的紧邻多目标跟踪方法 | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
Jing et al. | Process noise identification based particle filter: an efficient method to track highly manoeuvring targets | |
Arasaratnam et al. | Tracking the mode of operation of multi-function radars | |
Xie et al. | The multiple model Poisson multi-Bernoulli mixture filter for extended target tracking | |
Svensson et al. | A new multiple model filter with switch time conditions | |
CN111504327A (zh) | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 | |
Gan et al. | Tracking the Splitting and Combination of Group Target With $\delta $-Generalized Labeled Multi-Bernoulli Filter | |
CN115544425A (zh) | 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 | |
CN115619825A (zh) | 地面多目标跟踪状态及轨迹确定方法 | |
Havangi | Robust square-root cubature fastSLAM with genetic operators | |
Qiu et al. | Multiple targets tracking by using probability data association and cubature Kalman filter | |
CN111504326B (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 | |
Liu et al. | Multiple maneuvering target tracking by improved particle filter based on multiscan JPDA | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
Lan et al. | Variational Nonlinear Kalman Filtering With Unknown Process Noise Covariance | |
CN111523090B (zh) | 基于高斯混合概率假设密度的数目时变多目标跟踪方法 | |
Morsly et al. | Genetic Algorithm combined to IMM approach for racking Highly Maneuvering Targets. |
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 |