CN111504327B - 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 - Google Patents

Abstract

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，它属于能信息处理技术领域，主要解决多目标的航迹更新和状态平滑问题。本发明方法在GLMB跟踪算法框架下，更新其提供的多目标航迹，根据航迹量测生成目标状态并平滑。本发明与传统方法相比，提高了在遇到目标量测漏检、伪目标存在的情况下多目标跟踪的精度和鲁棒性，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

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

技术领域

本发明属于智能信息处理技术领域，涉及多目标航迹更新和状态平滑方法。具体地说是一种基于航迹平滑技术的广义标签多伯努利(GLMB)多目标跟踪方法，可用于导弹防御、战场监视、机器人视觉、空中交通导航与管制、人机交互和医学电子显微等系统中多目标的跟踪。

背景技术

GLMB是近年来最前沿的多目标跟踪框架之一，采用高斯分布来描述目标状态，并设定关联历史空间来描述目标航迹。然而，在遇到目标量测漏检、伪目标存在的情况下，其跟踪结果不稳定，且产生较大误差。

发明内容

针对上述问题，本发明基于状态平滑技术，提出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。实现本发明的关键技术是：基于GLMB跟踪算法，更新其提供的多目标航迹，然后根据航迹量测生成目标状态并平滑，从而有效提高了多目标跟踪的精度和鲁棒性。

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，所述方法包括如下步骤：

步骤1，初始化参数，根据航迹开始和结束的时间间隔以及航迹数量，生成目标航迹量测集，并设辅助随机变量为1；

步骤2，从航迹开始到结束，根据航迹量测生成航迹的目标状态，得到均值和协方差；

步骤3，从航迹开始到航迹结束的前一时刻，平滑航迹的目标状态，得到平滑后的均值和方差；

步骤4，从航迹开始到结束，更新辅助随机变量；

步骤5，根据给定的迭代次数，将步骤2-5的过程迭代相应的次数，进行多目标的跟踪。

进一步地，步骤1中，生成目标航迹量测集为其中，/>和/>是航迹l开始和结束的时间间隔，N_traj是航迹数量，/>表示在k时刻用来更新分量状态的相应量测；若/>的相应分量是漏检目标，则/>假定辅助随机变量/>生成目标航迹量测集的具体步骤如下：

步骤1-1，由GLMB滤波技术的更新步骤可得关联历史空间ξ^(h,t)：

ξ^(h,t):＝(ξ^(h),θ^(h,t,k))

其中，θ^(h,t,k)为k时刻的关联图，保存了航迹与量测的分配关系，ξ^(h,t)保存了所有时间间隔航迹与量测的分配关系；

步骤1-2，提取目标航迹

步骤1-3，辨别筛选目标航迹量测集，剔除伪目标；

当l≥1时，若则/>表示真实目标的航迹，否则将其作为伪目标去除；其中，N_pse为给定的伪目标临界值，|·|表示集合元素的数量。

进一步地，步骤2中，初始化目标状态参数，生成时刻的状态均值/>和协方差

其中，Θ(·)表示集合中的第一个非空元素，用来处理GLMB滤波器提供的是一个空集的情况，/>为GLMB滤波器出生分量的初始误差矩阵；

根据航迹量测生成l航迹的目标状态,得到和/>

其中，

其中，z_k为量测值，μ_k为估计状态与量测的误差，H_k为观测模型，S_k为联合噪声，K_k为卡尔曼增益，R_k为量测噪声。

进一步地，步骤3平滑l航迹的目标状态,得到均值和协方差/>的方法为：

初始化平滑参数，生成时刻的平滑均值/>和协方差/>

平滑l航迹的目标状态,得到和/>

其中，和/>为平滑后的目标均值和协方差，/>和/>为平滑前的目标状态参数，G为平滑系数，F_k为转移模型。

本发明具有以下优点：

(1)本发明采用GLMB提供的航迹信息生成平滑的状态估计，可有效应对GLMB状态估计不准所带来的跟踪误差。

(2)本发明采用状态平滑技术，在遇到目标量测漏检、伪目标存在的情况下，有效提高了多目标跟踪的精度和鲁棒性。

附图说明

图1为本发明实施例中所述的多目标跟踪方法的整体流程图。

图2为本发明实施例中多目标复杂运动的轨迹图。

图3为本发明实施例中低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。

图4为本发明实施例中低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。

图5为本发明实施例中低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。

图6为本发明实施例中存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。

图7为本发明实施例中存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。

图8为本发明实施例中存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。

图9为本发明实施例中无异常值、检测概率为0.95时杂波率变化场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。

图10为本发明实施例中有异常值、漏检概率为0.95时杂波率变化场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。

图11为本发明实施例中无异常值、杂波率为20时检测率变化场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。

图12为本发明实施例中有异常值、杂波率为20时检测率变化场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。

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。

以下先进行本发明所述的多目标跟踪方法的基础理论介绍。

基于δ-广义标签多伯努利(δ-GLMB)多目标跟踪技术：δ-GLMB滤波假定量测集Z＝{z₁,…,z_|Z|},标签集I＝{l₁,…,l_|I|}，|·|为集合的元素数量，关联图θ描述了量测与标签的分配关系。

其中S_i,j为关联矩阵S的元素，每个元素由1或0构成，当且仅当第j个量测分配给标签l_i时，S_i,j＝1，且i∈{1,…,|I|},j∈{1,…,|Z|}。因此，最优分配问题可以转换成最小矩阵代价问题。

其中，C_i,j表示第j个量测分配给第i个标签的代价，通过分配排名算法，可以得到T^(h)种最优分配进而更新关联历史空间ξ^(h,t)：

ξ^(h,t):＝(ξ^(h),θ^(h,t,k))

其中，θ^(h,t,k)为k时刻(h,t)假设分量的关联图，保存了航迹与量测的分配关系，ξ^(h,t)保存了所有时刻航迹与量测的分配关系。

状态平滑技术：状态平滑在目标跟踪中广泛应用，能有效提高跟踪结果的精度，其平滑过程如下：

其中，和/>为平滑后的目标均值和协方差，/>和/>为平滑前的目标状态参数，G为平滑系数，F_k为转移模型。

T分布下的状态估计技术：T分布更适于描述非线性场景中的目标，其状态更新步骤为：

其中,表示航迹l在k时刻的均值，/>表示航迹l在k时刻的协方差。

其中，z_k为量测值，μ_k为估计状态与量测的误差，H_k为观测模型，S_k为联合噪声，K_k为卡尔曼增益，R_k为量测噪声，v为自由度，d为空间维度，tr{·}表示矩阵的迹。

参照图1，本发明所述的基于航迹平滑技术的广义标签多伯努利多目标跟踪方法，具体实施步骤包括如下：

步骤1，初始化参数，根据航迹开始和结束的时间间隔以及航迹数量，生成目标航迹量测集，并设辅助随机变量为1。

生成目标航迹量测集为其中，/>和/>是航迹l开始和结束的时间间隔，N_traj是航迹数量，/>表示在k时刻用来更新分量状态的相应量测。若/>的相应分量是漏检目标，则/>假定辅助随机变量/>生成目标航迹量测集的具体步骤如下：

步骤1-1，由GLMB滤波技术的更新步骤可得关联历史空间ξ^(h,t)：

ξ^(h,t):＝(ξ^(h),θ^(h,t,k))

其中，θ^(h,t,k)为k时刻的关联图，保存了航迹与量测的分配关系，ξ^(h,t)保存了所有时间间隔航迹与量测的分配关系。

步骤1-2，提取目标航迹

步骤1-3，辨别筛选目标航迹量测集，剔除伪目标；

当l≥1时，若则/>表示真实目标的航迹，否则将其作为伪目标去除；其中，N_pse为给定的伪目标临界值，|·|表示集合元素的数量。

步骤2，从航迹开始到结束，根据航迹量测生成航迹的目标状态，得到均值和协方差。

步骤2中，首先初始化目标状态参数，生成时刻的状态均值/>和协方差

其中，Θ(·)表示集合中的第一个非空元素，用来处理GLMB滤波器提供的是一个空集的情况，/>为GLMB滤波器出生分量的初始误差矩阵。

然后根据航迹量测生成l航迹的目标状态,得到和/>

其中，

其中，z_k为量测值，μ_k为估计状态与量测的误差，H_k为观测模型，S_k为联合噪声，K_k为卡尔曼增益，R_k为量测噪声。

步骤3，从航迹开始到航迹结束的前一时刻，平滑航迹的目标状态，得到平滑后的均值和协方差。

平滑l航迹的目标状态,得到均值和协方差/>的方法为：

初始化平滑参数，生成时刻的平滑均值/>和协方差/>

平滑l航迹的目标状态,得到和/>

其中，和/>为平滑后的目标均值和协方差，/>和/>为平滑前的目标状态参数，G为平滑系数，F_k为转移模型。

步骤4，从航迹开始到结束，更新辅助随机变量。

具体的，从到/>时刻，更新辅助随机变量/>

其中，v为自由度，tr{·}表示矩阵的迹。

步骤5，根据给定的迭代次数N_ite，将步骤2-5的过程迭代相应的N_ite次，进行多目标的跟踪。

以下进行本多目标跟踪方法的仿真实验进行验证。

仿真条件及参数为，假设多目标在二维平面，目标运动状态为其中x和y分别表示笛卡尔坐标，v_x和v_y分别表示目标在X轴、Y轴方向速度矢量。

场景基础参数设定如下：

S＝4000×2000

T_s＝1,ω₀＝0.01

P_s＝0.99,v＝10

Q_k＝diag([1,0,1,0])

R_k＝diag([10²,10²])

m₀＝[u_x,0,0,u_y,0,0]^T

P₀＝diag([20,100,20,100])

其中，S表示传感器探测面积，T_s表示扫描间隔，P_s表示目标存活概率，Q_k表示过程噪声，R_k表示量测噪声，v表示自由度，N_ite表示变分贝叶斯迭代次数，ω₀表示初始权重，m₀表示以u_x,0和u_y,0为初始X、Y坐标的初始运动状态，P₀表示初始协方差。

低干扰场景参数设定如下：

P_out＝0

r_c＝20

P_D＝0.95

存在量测异常值的强干扰场景参数设定如下：

P_out＝10％

r_c＝50

P_D＝0.75

其中，P_out表示量测异常概率，r_c表示每帧的杂波率，P_D表示检测概率，表示量测异常噪声。

仿真实验，将本发明方法与传统方式GLMB跟踪算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，低干扰场景：本实验中四个目标在100内的不同时刻产生和消亡，轨迹如图2所示。

图3是传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图，OSPA值是多目标跟踪的误差度量。可以看出，使用本发明的平滑GLMB算法在跟踪复杂运动的多目标时取得了更精准的跟踪效果。

图4是传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。可以看出，本发明方法目标数估计精度与GLMB相似。

图5是传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。可以看出，本发明方法的时间代价与GLMB相似。

实验2，存在量测异常值的强干扰场景：本实验中四个目标在100内的不同时刻产生和消亡，轨迹如图2所示。

图6是传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。可以看出，在强干扰下，本发明方法依旧保持了精准的跟踪效果。

图7是传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。可以看出，本发明方法目标数估计精度与GLMB相似。

图8是传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。可以看出，本发明方法的时间代价与传统方法相似。

实验3，参数变化场景：本实验中四个目标在100内的不同时刻产生和消亡，轨迹如图2所示。

图9是无异常值时杂波率变化场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。可以看出，使用本发明的平滑GLMB算法在跟踪复杂运动的多目标时取得了更精准的跟踪效果。

图10是有异常值时杂波率变化场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。可以看出，有异常值时，本发明方法依旧保持了精准的跟踪效果。

图11是无异常值时检测率变化场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。可以看出，本发明方法目标数估计精度高于传统方法。

图12是有异常值时检测率变化场景下场景下检测率变化时传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。可以看出，有异常值时，本发明方法依旧保持了精准的跟踪效果。

从实验结果中明显可以看出，针对非线性运动的多目标跟踪，低干扰场景下，本发明方法在目标数估计上与GLMB算法相似，在OSPA误差上小于传统方法；存在量测异常值的强干扰场景下，本发明方法目标数估计精度高于传统方式，在OSPA误差上明显小于传统方法；参数变化场景下，本发明方法在OSPA误差上明显小于传统方法，说明本具有良好的抗干扰能力，同时本发明方法的时间代价与传统算法相似，因此本发明方法适用于非线性强干扰场景下，鲁棒性要求较高的传感器系统。

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)

1.一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法，其特征在于：所述方法包括如下步骤：

步骤1，初始化参数，根据航迹开始和结束的时间间隔以及航迹数量，生成目标航迹量测集，并设辅助随机变量为1；

步骤1中，生成目标航迹量测集为其中，/>和/>是航迹l开始和结束的时间间隔，N_traj是航迹数量，/>表示在k时刻用来更新分量状态的相应量测；若/>的相应分量是漏检目标，则/>假定辅助随机变量/>生成目标航迹量测集的具体步骤如下：

步骤1-1，由GLMB滤波技术的更新步骤可得关联历史空间ξ^(h,t)：

ξ^(h,t):＝(ξ^(h),θ^(h,t,k))

其中，θ^(h,t,k)为k时刻的关联图，保存了航迹与量测的分配关系，ξ^(h,t)保存了所有时间间隔航迹与量测的分配关系；

步骤1-2，提取目标航迹

步骤1-3，辨别筛选目标航迹量测集，剔除伪目标；

当l≥1时，若则/>表示真实目标的航迹，否则将其作为伪目标去除；其中，N_pse为给定的伪目标临界值，|·|表示集合元素的数量；

步骤2，从航迹开始到结束，根据航迹量测生成航迹的目标状态，得到均值和协方差；

步骤3，从航迹开始到航迹结束的前一时刻，平滑航迹的目标状态，得到平滑后的均值和协方差；

步骤4，从航迹开始到结束，更新辅助随机变量；

步骤5，根据给定的迭代次数，将步骤2-5的过程迭代相应的次数，进行多目标的跟踪。

2.根据权利要求1所述的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，其特征在于：步骤2中，初始化目标状态参数，生成时刻的状态均值/>和协方差

其中，Θ(·)表示集合中的第一个非空元素，用来处理GLMB滤波器提供的是一个空集的情况，/>为GLMB滤波器出生分量的初始误差矩阵；

根据航迹量测生成l航迹的目标状态,得到和/>

其中，

其中，z_k为量测值，μ_k为估计状态与量测的误差，H_k为观测模型，S_k为联合噪声，K_k为卡尔曼增益，R_k为量测噪声。

3.根据权利要求1所述的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，其特征在于：步骤3平滑l航迹的目标状态,得到均值和协方差/>的方法为：

初始化平滑参数，生成时刻的平滑均值/>和协方差/>

平滑l航迹的目标状态,得到和/>

其中，和/>为平滑后的目标均值和协方差，/>和/>为平滑前的目标状态参数，G为平滑系数，F_k为转移模型。