CN111340853B - 基于ospa迭代的多传感器gmphd自适应融合方法 - Google Patents

Abstract

本发明公开了一种基于OSPA迭代的多传感器GMPHD自适应融合方法，本发明为了研究融合顺序对融合结果的影响,在量测迭迭代校正多传感器PHD(ICMPHD)算法的基础上，基于OSPA度量评价指标,提出了一种自适应迭代校正多传感器PHD(AICMPHD)方法，再将高斯混合(GM)技术引入AICMPHD方法中，实现AIC‑GMPHD算法。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

Description

基于OSPA迭代的多传感器GMPHD自适应融合方法

技术领域

本发明涉及复杂环境下的多传感器融合的多目标跟踪领域，涉及一种基于概率假设密度滤波的多传感器自适应融合多目标跟踪方法，用于解决在复杂环境下的多目标跟踪，提高对监测区域内未知目标的跟踪效果，达到高精度且稳定的跟踪效果。

背景技术

在多传感器跟踪系统中，数据融合技术需要融合来自多个传感器的数据以获得对目标的状态估计，能够提高跟踪系统的性能。然而，随着目标数增多和数据关联复杂等因素，多传感器多目标跟踪技术也面临诸多挑战。截至目前，国内外研究学者已提出许多数据融合算法，主要包括两类：传感器级融合和特征级融合。这两类融合方法分别对应数据关联的两个层级。在传感器级融合方法中，每个传感器分别利用自身的量测对目标进行跟踪形成航迹，然后利用数据关联方法对航迹进行关联和融合，数据关联方法包括：交互式多模型Interaction Multiple Model，IMM)，联合数据关联(Joint Probability DataAssociation，JPDA)和多假设跟踪(Multiple Hypothesis Tracking，MHT)等。在特征级融合技术中，所有传感器的量测信息都被传送至融合中心进行，然后融合中心将“量测-目标”进行关联处理来得到目标的状态估计。然而，迄今为止，这两类融合方式都需要解决数据关联问题，在复杂场景中会面临计算量爆炸的风险。

随机有限集(RFS)理论为解决多目标跟踪(MT)问题提供了另一种方法。基本上，基于RFS的算法在轨迹关联问题之前可以获得状态估计，这与基于数据关联的算法不同。由于RFS技术具有很强的随机性描述能力，近年来对其进行了广泛的研究。近年来提出了许多适用的单传感器跟踪(SMT)算法，包括概率假设密度(PHD)算法，基数概率假设密度(CPHD)算法，伯努利跟踪(BT)算法等。理论上，基于RFS的SMT方法可以推广到集中式融合(CF)框架中的多传感器多目标跟踪(MMT)场景。然而，其计算复杂度是爆炸性的。因此，导出了近似方法。一个简单的方法是采用一个(分布式融合)DF框架。也就是说，我们可以使用SMT-RFS方法首先从分布传感器的数据中获取局部估计，然后融合多个传感器估计得到全局估计。广义PHD在理论上提供了良好的性能，但其组合的复杂性给多传感器的问题带来了困难。并行组合近似多传感器PHD(PCAM-PHD)是对广义PHD的一种很好的近似。PCAM-PHD的计算复杂度与各传感器当前跟踪数和观测数的乘积成正比。因此，如果有很多传感器，计算量会很大。为了节省计算资源，还提出了一些简化的乘积型多传感器PHD，顺序融合是一种灵活的来融合多传感器信息的方式。具体来说，可以将多传感器PHD信息、多传感器测量或多传感器后验估计按顺序进行融合。序列融合法的优点是概念简单、计算量线性，但在融合过程中可能会丢失一些信息。正如Meyer所指出的，由于每个融合周期都存在一定的信息损失，因此序贯融合方法对多传感器数据融合顺序非常敏感。Mahler还指出，改变融合顺序会产生不同的多传感器融合算法。Pao针对多传感器PDA算法提出了一种优化融合顺序的方法，即更高质量的传感器数据应在之后进行融合。还有一种连续融合多传感器GM-PHD算法，该算法根据总体一致性值对融合序列进行从小到大的排序。Nagappa提出了一种多传感器迭代校正算法的排序方法，即低检测率传感器的数据应首先进行融合，可以看出，融合顺序对许多顺序融合MMT算法的跟踪质量有影响。

发明内容

针对复杂环境下，常规的点迹融合算法的局限性限制了跟踪质量。本发明提出了一种自适应迭代校正多传感器GMPHD(AIC-GMPHD)方法，该方法可以提高在复杂环境下多传感器对监测区域内目标的估计精度，维持航迹。为了达到上述目的，本发明采用技术方案如下：

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；

(2)构建一种多传感器迭代校正自适应融合框架；

(3)对每个传感器分别应用高斯混合PHD滤波算法对先验信息和自身获得的测量值进行滤波估计；

(4)排序。根据提出的计算OSPA一致性方法分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；

(5)融合。基于步骤(4)计算得到的传感器融合顺序进行融合操作；

(6)枝剪、合并与状态输出。对滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；

(7)将步骤(6)最终的输出反馈给各传感器，作为下一时刻的输入，重复步骤(3)到步骤(7)，迭代完所有时刻，得到最终的融合结果。

本发明的有益效果：针对复杂环境下传感器具有不同的目标检测率、不同的环境杂波强度以及不同的观测精度。本发明提出了一套完整的处理方法流程，为了研究融合顺序对融合结果的影响，基于OSPA度量评价指标，结合迭代校正多传感器PHD(ICMPHD)算法，提出了一种自适应迭代校正多传感器PHD(AICMPHD)方法，再将高斯混合(GM)技术引入AICMPHD方法中，实现AIC-GMPHD算法。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

附图说明

图1是ICMPHD算法流程图；

图2是AIC-GMPHD算法框架图；

图3是本发明方法与最优融合算法即随机融合算法的OSPA比较图。

具体实施方式

以下结合技术方案和附图，详细叙述本发明的具体实施方式。

如图2所示，一种基于OSPA一致性迭代的多传感器GMPHD自适应融合方法，具体如下：

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；其中传感器的量测来自目标或来自杂波；

建立目标的运动模型：

式中，k表示离散时间变量，i表示目标的序号，i＝1,2,···,N，

表示第i个目标在k时刻的状态变量，ω_k表示均值为零、方差为Q_k的高斯白噪声，映射f_k|k+1表示第i个目标从k时刻到k+1时刻状态转移的状态转移方程；第i个目标在k时刻的状态变量

其中，(x_i,k,y_i,k)为k时刻第i个目标在监测空间中的位置分量，

为k时刻第i个目标在监测空间中的速度分量；

如果传感器的量测来自目标，则传感器的量测符合以下传感器量测模型：

式中，j表示传感器的序列，j＝1,2,···,s，

表示k时刻传感器j的输出量测，映射h_k表示第j个传感器在k时刻对目标状态的观测方程，υ_k表示均值为零、方差为/>

的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立；k时刻传感器j的观测集合为

累积观测集合为/>

s个传感器累积到k时刻的观测集合为/>

传感器j在k时刻对被跟踪目标的探测概率为/>

如果传感器的量测来自杂波，则传感器的量测符合以下杂波模型：

式中，！表示阶乘，n_k为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ的泊松分布，ρ(n_k)为杂波个数n_k的概率函数，y_l为第l个杂波的位置状态，Ψ(x)为监测空间的体积，q(y_l)为第l个杂波出现的概率；

(2)构建一种多传感器迭代更新自适应融合框架；

基于OSPA度量对GM粒子集进行质量评价，进行加权来突出权值较大的粒子的对OSPA度量值的影响，再根据粒子集质量的一致性对传感器融合顺序进行排序，从而得到最优融合顺序；该方法描述如下：

假设存在s个传感器，对于任意的传感器j，k时刻得到它的后验GM粒子集

其中/>

为GM项的个数，/>

分别表示目标的权重、状态估计和对应的协方差估计；则对于传感器j₁≠j₂，根据如下的OSPA距离公式计算它们之间的一致性度量：

其中，c为水平参数，用于调节目标状态估计误差的阈值；p为距离敏感参数，p均取2；

进一步定义传感器S的全局一致性度量如下：

基于上式分别计算每个传感器的全局一致性度量，并将计算结果从小到大排序；此处认为全局一致度量越小，则传感器获得的GM粒子集质量越高；因此，按照全局一致性度量由大到小对融合顺序进行排序，即最先将GM粒子集质量最低的传感器进行融合，然后与GM粒子集质量第二低的传感器进行融合，以此类推，直到最终与GM粒子集质量最高的传感器融合完毕；

(3)对每个传感器分别应用高斯混合PHD滤波算法对先验信息和自身获得的测量值进行滤波估计；

高斯混合PHD滤波算法具体过程如下：

1)预测新生目标

式中，

表示第i_b个目标在k-1时刻的先验权重，/>

表示第i_b个目标在k时刻的预测权重；/>

表示第i_b个目标在k-1时刻的先验状态值，/>

表示第i_b个目标在k时刻的预测状态值；/>

表示第i_b个目标在k-1时刻的先验协方差，/>

表示第i_b个目标在k时刻的预测协方差，J_γ,k表示预测的新生目标个数；

2)预测已存在目标

式中，

表示第i_s个目标在k-1时刻的权值，p_s表示目标的生存概率；/>

示第i_s个目标在k时刻的预测权值；/>

表示第i_s个目标在k-1时刻的先验状态值，/>

表示第i_s个目标在k时刻的预测状态值，F_k-1表示k-1时刻目标的状态转移矩阵；/>

表示第i_s个目标在k-1时刻的先验协方差，/>

表示第i_s个目标在k时刻的预测协方差；J_k-1表示预测的已存在的目标个数，Q_k-1表示k-1时刻的过程噪声协方差，F′_k-1表示F_k-1的转置；3)更新

先验PHD强度密度D_k|k-1的高斯和形式为：

J_k|k-1＝J_γ,k+J_k-1

式中，N(·；x,P)表示均值为x、协方差为P的高斯分布，J_k|k-1表示k时刻的预测目标个数；

则k时刻后验PHD强度密度D_k的高斯和形式为：

式中

式中，

表示传感器j在k时刻对被跟踪目标的检测概率，κ_k(z)表示监测空间中的杂波强度；

(4)排序；根据步骤(2)中的自适应融合框架和步骤(3)的估计值分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；

(5)融合；基于步骤(4)计算得到的传感器融合顺序和下列公式进行融合操作，如图1所示；

首先，假设k时刻融合顺序为FS_k＝{s₁,...s_u,...s_s}，将融合顺序中排在第一位的传感器s_u＝1得到的后验估计

作为滤波器的先验信息，即：

利用下一个传感器s_u+1的量测

对其进行更新、剪枝合并，得到后验估计/>

再将其作为滤波器的先验信息，即：

u＝u+1

再利用下一个传感器s_u+1的量测对其进行更新、剪枝合并，结果也同样作为滤波器的先验信息，依照此步骤直到利用最后一个传感器s_u＝s的量测

进行更新、剪枝合并，得到后验高斯粒子估计集/>

将该粒子集反馈给每个传感器，作为下一时刻的先验信息进行滤波；

(6)枝剪、合并与状态输出；

对滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；

对k时刻每一次进行融合后得到的融合的高斯混合粒子集

由于后验概率密度高斯项随时间变化会出现无限制增加，因此需要通过枝剪和合并来解决该问题；

首先对

中权重值/>

小于设定枝剪门限T_th的高斯项进行删除；接着从权重值最大的一个/>

开始，利用马氏距离判断其与每个点迹间的距离，通过合并门限U来对门限内的高斯项进行合并，通过循环操作后得到/>

表示高斯项的个数；在k时刻最后一次融合完成后，进行状态的提取，对高斯粒子权值大于0.5的进行四舍五入，得到状态集x_k，目标估计数N_k；

(7)将步骤(6)最终输出的

反馈给各传感器，作为下一时刻的输入，重复步骤(3)到步骤(7)，迭代完所有时刻，得到最终的融合结果。

本发明方法与最优融合方法和随机融合方法的融合结果比较如图3所示。

Claims (1)

1.基于OSPA迭代的多传感器GMPHD自适应融合方法，其特征在于该方法具体包括以下步骤：

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；其中传感器的量测来自目标或来自杂波；

建立目标的运动模型：

式中，k表示离散时间变量，i表示目标的序号，i＝1,2,···,N，

表示第i个目标在k时刻的状态变量，ω_k表示均值为零、方差为Q_k的高斯白噪声，映射f_k|k+1表示第i个目标从k时刻到k+1时刻状态转移的状态转移方程；第i个目标在k时刻的状态变量/>

其中，(x_i,k,y_i,k)为k时刻第i个目标在监测空间中的位置分量，/>

为k时刻第i个目标在监测空间中的速度分量；

如果传感器的量测来自目标，则传感器的量测符合以下传感器量测模型：

式中，j表示传感器的序列，j＝1,2,···,s，

表示k时刻传感器j的输出量测，映射h_k表示第j个传感器在k时刻对目标状态的观测方程，υ_k表示均值为零、方差为/>

的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立；k时刻传感器j的观测集合为

累积观测集合为/>

s个传感器累积到k时刻的观测集合为/>

传感器j在k时刻对被跟踪目标的探测概率为/>

如果传感器的量测来自杂波，则传感器的量测符合以下杂波模型：

式中，！表示阶乘，n_k为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ的泊松分布，ρ(n_k)为杂波个数n_k的概率函数，y_l为第l个杂波的位置状态，Ψ(x)为监测空间的体积，q(y_l)为第l个杂波出现的概率；

(2)构建一种多传感器迭代更新自适应融合框架；

基于OSPA度量对GM粒子集进行质量评价，进行加权来突出权值较大的粒子的对OSPA度量值的影响，再根据粒子集质量的一致性对传感器融合顺序进行排序，从而得到最优融合顺序；该方法描述如下：

假设存在s个传感器，对于任意的传感器j，k时刻得到它的后验GM粒子集

其中/>

为GM项的个数，/>

分别表示目标的权重、状态估计和对应的协方差估计；则对于传感器j₁≠j₂，根据如下的OSPA距离公式计算它们之间的一致性度量：/>

其中，c为水平参数，用于调节目标状态估计误差的阈值；p为距离敏感参数，p均取2；

进一步定义传感器S的全局一致性度量如下：

基于上式分别计算每个传感器的全局一致性度量，并将计算结果从小到大排序；此处认为全局一致度量越小，则传感器获得的GM粒子集质量越高；因此，按照全局一致性度量由大到小对融合顺序进行排序，即最先将GM粒子集质量最低的传感器进行融合，然后与GM粒子集质量第二低的传感器进行融合，以此类推，直到最终与GM粒子集质量最高的传感器融合完毕；

(3)对每个传感器分别应用高斯混合PHD滤波算法对先验信息和自身获得的测量值进行滤波估计；

高斯混合PHD滤波算法具体过程如下：

1)预测新生目标

式中，

表示第i_b个目标在k-1时刻的先验权重，/>

表示第i_b个目标在k时刻的预测权重；/>

表示第i_b个目标在k-1时刻的先验状态值，/>

表示第i_b个目标在k时刻的预测状态值；/>

表示第i_b个目标在k-1时刻的先验协方差，/>

表示第i_b个目标在k时刻的预测协方差，J_γ,k表示预测的新生目标个数；

2)预测已存在目标

式中，

表示第i_s个目标在k-1时刻的权值，p_s表示目标的生存概率；/>

示第i_s个目标在k时刻的预测权值；/>

表示第i_s个目标在k-1时刻的先验状态值，/>

表示第i_s个目标在k时刻的预测状态值，F_k-1表示k-1时刻目标的状态转移矩阵；/>

表示第i_s个目标在k-1时刻的先验协方差，/>

表示第i_s个目标在k时刻的预测协方差；J_k-1表示预测的已存在的目标个数，Q_k-1表示k-1时刻的过程噪声协方差，F'_k-1表示F_k-1的转置；

3)更新

先验PHD强度密度D_k|k-1的高斯和形式为：

J_k|k-1＝J_γ,k+J_k-1

式中，N(·；x,P)表示均值为x、协方差为P的高斯分布，J_k|k-1表示k时刻的预测目标个数；

则k时刻后验PHD强度密度D_k的高斯和形式为：

式中

式中，

表示传感器j在k时刻对被跟踪目标的检测概率，κ_k(z)表示监测空间中的杂波强度；

(4)排序；根据步骤(2)中的自适应融合框架和步骤(3)的估计值分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；

(5)融合；基于步骤(4)计算得到的传感器融合顺序和下列公式进行融合操作；

首先，假设k时刻融合顺序为FS_k＝{s₁,...s_u,...s_s}，将融合顺序中排在第一位的传感器s_u＝1得到的后验估计

作为滤波器的先验信息，即：

利用下一个传感器s_u+1的量测

对其进行更新、剪枝合并，得到后验估计/>

再将其作为滤波器的先验信息，即：

u＝u+1

再利用下一个传感器s_u+1的量测对其进行更新、剪枝合并，结果也同样作为滤波器的先验信息，依照此步骤直到利用最后一个传感器s_u＝s的量测

进行更新、剪枝合并，得到后验高斯粒子估计集/>

将该粒子集反馈给每个传感器，作为下一时刻的先验信息进行滤波；

(6)枝剪、合并与状态输出；

对滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；

对k时刻每一次进行融合后得到的融合的高斯混合粒子集

由于后验概率密度高斯项随时间变化会出现无限制增加，因此需要通过枝剪和合并来解决该问题；

首先对

中权重值/>

小于设定枝剪门限T_th的高斯项进行删除；接着从权重值最大的一个/>

开始，利用马氏距离判断其与每个点迹间的距离，通过合并门限U来对门限内的高斯项进行合并，通过循环操作后得到/>

表示高斯项的个数；在k时刻最后一次融合完成后，进行状态的提取，对高斯粒子权值大于0.5的进行四舍五入，得到状态集x_k，目标估计数N_k；

(7)将步骤(6)最终输出的

反馈给各传感器，作为下一时刻的输入，重复步骤(3)到步骤(7)，迭代完所有时刻，得到最终的融合结果。/>

Images