CN112113572B - 一种解决分布式标签融合的多目标跟踪方法 - Google Patents

一种解决分布式标签融合的多目标跟踪方法 Download PDF

Info

Publication number
CN112113572B
CN112113572B CN202010987602.6A CN202010987602A CN112113572B CN 112113572 B CN112113572 B CN 112113572B CN 202010987602 A CN202010987602 A CN 202010987602A CN 112113572 B CN112113572 B CN 112113572B
Authority
CN
China
Prior art keywords
target
label
sensor
posterior
lmb
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.)
Active
Application number
CN202010987602.6A
Other languages
English (en)
Other versions
CN112113572A (zh
Inventor
薛秋条
王力
吴孙勇
樊向婷
邹宝红
孙希延
纪元法
蔡如华
符强
严肃清
王守华
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010987602.6A priority Critical patent/CN112113572B/zh
Publication of CN112113572A publication Critical patent/CN112113572A/zh
Application granted granted Critical
Publication of CN112113572B publication Critical patent/CN112113572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种解决分布式标签融合的多目标跟踪方法，解决的是标签不统一信息融合差的技术问题，通过采用步骤一，在各个局部传感器上单独运行标签多伯努利滤波器得到局部估计的LMB后验信息，对局部信息设置阈值进行LMB后验修剪截断操作以减少计算复杂度；步骤二，针对各传感器后验标签不一致进行标签匹配从而使得标签一致化；步骤三，共享各传感器与相邻传感器的信息，对共享信息按照标签的方式进行算术平均融合；步骤四，根据融合结果进行目标状态和目标航迹提取的技术方案，较好的解决了该问题，可用于分布式多传感器多目标检测与跟踪中。

Description

一种解决分布式标签融合的多目标跟踪方法
技术领域
本发明涉及分布式多传感器多目标检测与跟踪领域，具体涉及一种解决分布式标签融合的多目标跟踪方法。
背景技术
在基于随机有限集(RFS)的基础上发展了一系列滤波器进行多目标跟踪，能有效地解决复杂的数据关联问题，并能有效地进行目标状态估计，但是却不能估计目标的轨迹。因此，2014年BaBgu Vo团队在RFS基础上引入了标签概念，从而提出标签随机有限集(LRFS)理论。在此基础上，相继提出了广义标签多伯努利(GLMB)滤波器,δ-广义标签多伯努利(δ-GLMB)滤波器和标签多伯努利(LMB)滤波器，这不仅继承了对多目标状态和数目的优良估计性能，而且实现了对目标航迹的输出。但在分布式传感网中，如何有效融合各传感器之间的信息是一个关键问题，并且在进行分布式标签融合时各传感器标签不一致也是一个关键挑战。
本发明提出了一种新的基于标签匹配的分布式标签多伯努利算术平均融合估计方法，首先在各个局部传感器上单独运行LMB滤波器得到局部估计的LMB后验信息，并对局部信息设置阈值进行修剪截断以减少计算复杂度。然后针对各传感器存在标签不一致问题进行标签匹配进行标签一致化。随后各传感器与相邻传感器进行信息共享，并对共享信息按照标签的方式进行算术平均融合。最后根据融合结果进行目标状态和目标航迹提取。根据仿真实验可以看出，本发明方法能有效的进行目标状态和目标轨迹估计。
发明内容
本发明所要解决的技术问题是现有技术中存在的不能有效融合各传感器之间信息、各传感器标签不一致的技术问题。提供一种新的解决分布式标签融合的多目标跟踪方法，该解决分布式标签融合的多目标跟踪方法具有效的进行目标状态和目标轨迹估计的特点。
为解决上述技术问题，采用的技术方案如下：
一种解决分布式标签融合的多目标跟踪方法，所述多目标跟踪方法基于包括：
步骤一，在各个局部传感器上单独运行LMB滤波器得到局部估计的LMB后验信息，对局部信息设置阈值进行修剪截断用于减少计算复杂度；
步骤二，针对各传感器标签通过标签匹配进行标签一致化；
步骤三，共享各传感器与相邻传感器的LMB后验信息，并对共享后的信息按照标签的方式进行算术平均融合；
步骤四，根据融合结果进行目标状态和目标航迹提取。
上述方案中，为优化，进一步地，步骤一包括：
步骤1.1：初始化系统参数，包括系统包含的传感器数目S，各传感器位置Pm＝(xm,ym),m＝1,…,S，跟踪场景平面大小Nx×Ny，算法联合处理周期k，目标新生先验信息
Figure BDA0002689766340000021
Mb为目标新生个数，
Figure BDA0002689766340000022
为新生目标状态向量，
Figure BDA0002689766340000023
为新生目标的存在概率，
Figure BDA0002689766340000024
为新生目标的空间分布函数，初始化变量k＝1；
步骤1.2：各传感器接收跟踪场景内的量测数据Zk＝{Z1,k,Z2,k,…,ZS,k}；
其中，
Figure BDA0002689766340000025
s＝1,…,S，表示k时刻第s个传感器上的量测，ms为第s个传感器检测到量测个数；
步骤1.3：在k时刻，各传感器s通过得到的量测Zs,k以及k-1时刻的标签后验
Figure BDA0002689766340000031
运行标签多伯努利滤波(LMB)得到k时刻的局部LMB后验
Figure BDA0002689766340000032
包括LMB预测和LMB更新，以及对LMB分量进行包括修剪、截断合并在内的操作；其中，Ls为第s个传感器的标签空间，l为目标状态的标签,
Figure BDA0002689766340000033
为k-1时刻第s个传感器上的标签为l的目标状态，
Figure BDA0002689766340000034
为目标
Figure BDA0002689766340000035
的存在概率，
Figure BDA0002689766340000036
为目标
Figure BDA0002689766340000037
服从的空间分布函数，
Figure BDA0002689766340000038
为k时刻第s个传感器上的标签为l'的目标状态，
Figure BDA0002689766340000039
为目标
Figure BDA00026897663400000310
的存在概率，
Figure BDA00026897663400000311
为目标
Figure BDA00026897663400000312
服从的空间分布函数。
进一步地，LMB预测包括对存活标签后验的预测
Figure BDA00026897663400000313
和新生标签后验的预测
Figure BDA00026897663400000314
B是新生标签空间，其中，
Figure BDA00026897663400000315
为k-1时刻第s个传感器上的标签为l的存活目标在k时刻的预测目标状态，
Figure BDA00026897663400000316
为目标
Figure BDA00026897663400000317
的存在概率，
Figure BDA00026897663400000318
为目标
Figure BDA00026897663400000319
服从的空间分布函数，
Figure BDA00026897663400000320
为新生目标状态向量，
Figure BDA00026897663400000321
为新生目标的存在概率，
Figure BDA00026897663400000322
为新生目标的空间分布函数，即k时刻的预测LMB后验密度πs,k|k-1(X)表示如下：
Figure BDA00026897663400000323
其中，
Figure BDA00026897663400000324
Figure BDA00026897663400000325
＜·,·＞表示求两个变量的内积，
Figure BDA00026897663400000326
表示k-1时刻的目标状态
Figure BDA00026897663400000327
的存活概率，
Figure BDA00026897663400000328
为目标状态
Figure BDA00026897663400000329
的空间概率分布函数，ηs(l)为轨迹l的存活概率，
Figure BDA00026897663400000330
为单目标转移密度函数。
进一步地，LMB更新包括利用量测Zs,k对预测后验密度πs,k|k-1(X)进行更新，更新后的LMB后验概率密度πs,k(X|Zs,k)如下：
Figure BDA0002689766340000041
其中，L's＝Ls∪B表示第s个传感器更新后的标签空间，是存活目标标签空间Ls和新生目标标签空间B的并集，
Figure BDA0002689766340000042
表示k时刻的目标状态
Figure BDA0002689766340000043
的存在概率，
Figure BDA0002689766340000044
表示目标状态
Figure BDA0002689766340000045
的空间概率分布函数，l'表示目标状态
Figure BDA0002689766340000046
的标签。
进一步地，标签多伯努利滤波时使用高斯混合方法完成的，每次在局部传感器都会对标签后验分量进行修剪截断，同时对每个后验分量中的高斯成分进行包括修剪、合并及截断在内的操作，其目的是减少计算复杂度。
进一步地，步骤二包括：
选取参考标签空间Ψ0，然后各传感器的标签后验分别与参考空间的标签后验通过距离划分进行匹配实现标签一致化，即同一目标在不同传感器的后验分量中标签是一样的。
进一步地，标签一致化选取的参考空间，每次都以第一个传感器的标签空间作为初始标签空间，进行匹配时采用马氏距离关联法。
进一步地，步骤三包括
步骤3.1，标签一致化之后，每个传感器通过泛洪通信迭代与相邻传感器N s进行信息共享，通信迭代最大次数为T，通信完成后，每个传感器都包括相邻传感器的后验信息。
步骤3.2，每个传感器信息共享后直接按照标签的方式将标签相同的LMB后验信息放入到同一个子集中，从而得到
Figure BDA0002689766340000047
个后验子集，
Figure BDA0002689766340000048
表示通信迭代t次后传感器s上的标签集，每个子集都有一个唯一的标签。
步骤3.3，对每个子集中的LMB后验信息进行AA融合得到融合后的后验密度信息
Figure BDA0002689766340000049
以及融合后的目标个数估计
Figure BDA00026897663400000410
其中
Figure BDA00026897663400000411
表示算术平均融合后第s个传感器上标签为l的目标的存在概率，
Figure BDA00026897663400000412
表示融合后第s个传感器上标签为l的目标x的空间概率分布函数。
进一步地，步骤四包括从融合结果中提取目标状态，即选取存在概率最大的
Figure BDA0002689766340000051
个子集进行目标状态的提取，从每个子集选取权重最大的高斯成分状态值作为目标估计值。
从融合结果中提取目标状态，选取存在概率最大的
Figure BDA0002689766340000052
个子集进行目标状态的提取，从每个子集选取权重最大的高斯成分状态值作为目标估计值，判断k是否小于最大处理周期k-max，若是则返回初始化后的步骤开始执行，否则结束。
本发明的有益效果：本发明的优点是能解决分布式标签多伯努利滤波的标签不一致问题，并且成功实现了分布式标签多伯努利滤波的AA融合多目标估计，在用分布式进行多目标状态估计的同时实现了对多目标轨迹的跟踪。并且与未加标签的分布式多伯努利AA融合多目标跟踪算法相比，本发明所提的方法在跟踪性能上更优，误差更小。
本发明中将所有的未带标签的单目标状态用希腊小写字母表示，如x。带标签的单目标状态用英文黑体小写字母表示，如x＝(x,l)，其中，l表示目标状态x的标签。同时，未带标签和带标签的多目标RFS分别用大写字母和黑体大写字母表示，如X,X。目标个数用整数N表示，单个量测用小写的英文字母表示，如z，多量测RFS用大写的英文字母表示，如Z。此外，用带空格的字母表示空间，如目标状态空间X，量测空间Z，标签空间L，整数空间N，空间中的所有有限子集的集合表示成F(·)，如F(X)。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1，为实施例基于标签匹配的分布式标签多伯努利算术平均融合多目标跟踪算法的示意流程图。
图2，为实施例的传感器网络图及真实目标估计图。
图3，为在实施例下进行多目标跟踪的跟踪效果图。
图4，是利用实施例方法进行多目标跟踪和通过分布式多伯努利算术平均融合进行多伯努利跟踪以及单传感器标签多伯努利跟踪，运行100次蒙特卡洛的跟踪OSPA误差对比图。
图5，是实施例方法和两种对比方法进行多目标跟踪，运行蒙特卡洛100次的势估计统计对比图。
图6，是实施例方法通过不同的通信迭代次数进行多目标跟踪的时间平均OSPA误差对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供一种解决分布式标签融合的多目标跟踪方法，所述多目标跟踪方法基于包括：
步骤一，在各个局部传感器上单独运行LMB滤波器得到局部估计的LMB后验信息，对局部信息设置阈值进行修剪截断用于减少计算复杂度；
步骤二，针对各传感器标签通过标签匹配进行标签一致化；
步骤三，共享各传感器与相邻传感器的LMB后验信息，并对共享后的信息按照标签的方式进行算术平均融合；
步骤四，根据融合结果进行目标状态和目标航迹提取。
本实施例所有步骤、结论、仿真图都在MATLAB-R2018a上验证确认。如图1，具体实施步骤如下：
步骤1：初始化系统参数，包括：系统包含的传感器数目S，各传感器的位置Pm＝(xm,ym),m＝1,…,S，跟踪场景平面大小Nx×Ny，算法联合处理周期k，目标新生先验信息
Figure BDA0002689766340000071
Mb为目标新生个数；
Figure BDA0002689766340000072
为新生目标状态向量，
Figure BDA0002689766340000073
为新生目标的存在概率，
Figure BDA0002689766340000074
为新生目标的空间分布函数，初始化变量k＝1。
步骤2：各传感器接收跟踪场景内的量测数据Zk＝{Z1,k,Z2,k,…,ZS,k}，其中，
Figure BDA0002689766340000075
s＝1,…,S表示k时刻第s个传感器上的量测，ms为第s个传感器检测到量测的个数。
步骤3：在k时刻，各传感器s＝1,…,S通过得到的量测Zs,k以及k-1时刻的标签后验
Figure BDA0002689766340000076
运行标签多伯努利滤波(LMB)得到k时刻的局部LMB后验
Figure BDA0002689766340000077
其中Ls为第s个传感器的标签空间，L's为更新后的标签空间，l为目标状态的标签,
Figure BDA0002689766340000078
为k-1时刻第s个传感器上的标签为l的目标状态，
Figure BDA0002689766340000079
为目标
Figure BDA00026897663400000710
的存在概率，
Figure BDA00026897663400000711
为目标
Figure BDA00026897663400000712
服从的空间分布函数，
Figure BDA00026897663400000713
为k时刻第s个传感器上的标签为l'的目标状态，
Figure BDA00026897663400000714
为目标
Figure BDA00026897663400000715
的存在概率，
Figure BDA00026897663400000716
为目标
Figure BDA00026897663400000717
服从的空间分布函数。该过程包括LMB预测和LMB更新，以及对LMB分量的修剪和截断等操作。
步骤3.1：LMB预测包括对存活标签后验的预测
Figure BDA00026897663400000718
和新生标签后验的预测
Figure BDA00026897663400000719
B是新生标签空间，其中，
Figure BDA00026897663400000720
为k-1时刻第s个传感器上的标签为l的存活目标在k时刻的预测目标状态，
Figure BDA00026897663400000721
为目标
Figure BDA00026897663400000722
的存在概率，
Figure BDA00026897663400000723
为目标
Figure BDA00026897663400000724
服从的空间分布函数，
Figure BDA00026897663400000725
为新生目标状态向量，
Figure BDA00026897663400000726
为新生目标的存在概率，
Figure BDA00026897663400000727
为新生目标的空间分布函数，即k时刻的预测LMB后验密度πs,k|k-1(X)表示如下：
Figure BDA00026897663400000728
其中，
Figure BDA0002689766340000081
Figure BDA0002689766340000082
＜·,·＞表示求两个变量的内积，
Figure BDA0002689766340000083
表示k-1时刻的目标状态
Figure BDA0002689766340000084
的存活概率，
Figure BDA0002689766340000085
为目标状态
Figure BDA0002689766340000086
的空间概率分布函数，ηs(l)为轨迹l的存活概率，
Figure BDA0002689766340000087
为单目标转移密度函数。
步骤3.2：LMB更新，LMB更新包括利用量测Zs,k对预测后验密度πs,k|k-1(X)进行更新，更新后的LMB后验概率密度πs,k(X|Zs,k)如下：
Figure BDA0002689766340000088
其中，L's＝Ls∪B表示第s个传感器更新后的标签空间，是存活目标标签空间Ls和新生目标标签空间B的并集，
Figure BDA0002689766340000089
表示k时刻的目标状态
Figure BDA00026897663400000810
的存在概率，
Figure BDA00026897663400000811
表示目标状态
Figure BDA00026897663400000812
的空间概率分布函数，l'表示目标状态
Figure BDA00026897663400000813
的标签。
步骤3.3：修剪合并，更新完成之后，为了减少计算成本和通信成本需要对标签伯努利分量进行修剪与截断等操作，由于是用高斯混合方法实现，对每个标签分量中的高斯成分也需要进行修剪合并和截断操作。
步骤4：选取参考标签空间，然后各传感器的标签后验分别与参考空间的标签后验通过距离划分进行匹配实现标签一致化，即同一目标在不同传感器的后验分量中标签是一样的。
k时刻，以第一个传感器的标签空间作为相应的初始参考标签空间Ψ0。即初始时的参考标签集为：
Ψ0＝Ψ1
则参考空间对应的目标后验信息π0为：
Figure BDA00026897663400000814
其中，
Figure BDA0002689766340000091
表示标签参考空间中标签为l0的目标对应的存在概率，
Figure BDA0002689766340000092
表示空间概率分布函数的高斯混合表示形式，
Figure BDA0002689766340000093
表示标签为l0的后验分量中第j个高斯分量的状态向量，
Figure BDA0002689766340000094
表示高斯分量
Figure BDA0002689766340000095
的协方差，
Figure BDA0002689766340000096
表示高斯分量
Figure BDA0002689766340000097
的权重。
然后采用距离关联法进行传感器与参考空间的标签匹配，通过传感器s上LMB后验分量的状态均值向量
Figure BDA0002689766340000098
l∈Ψs分别与参考空间LMB后验分量的状态均值向量
Figure BDA0002689766340000099
l'∈Ψ0求取马氏距离如下：
Figure BDA00026897663400000910
其中，
Figure BDA00026897663400000911
为过程噪声协方差矩阵矩阵的逆矩阵，另外，需要设置门限阈值Dmax控制关联匹配，如果这两个LMB后验分量之间的距离满足d＜Dmax，则认为由这两个LMB后验分量可能表示的是同一个目标，故可用参考空间的标签l'替换第s个传感器的标签l。
通过一个二值矩阵S表示每个传感器s上的标签后验与参考空间的距离匹配情况，则匹配矩阵S的大小为Ns×N0，Ns和N0表示的是标签后验分量数，其定义为：
Figure BDA00026897663400000912
其中
Figure BDA00026897663400000913
i＝1,…Ns,j＝1,…N0表示第s个传感器上的第i个标签分量与参考空间中第j个标签分量的距离匹配结果，其值用0和1表示，计算如下：
Figure BDA00026897663400000914
当
Figure BDA00026897663400000915
i＝1,…Ns,j＝1,…N0，且
Figure BDA00026897663400000916
l'j'≠l'j,
Figure BDA00026897663400000917
时，则用参考空间中的标签lj'替换第s个传感器上的标签li，通过标签匹配函数τ表示为：
τ(li)＝l'j
其中，映射函数τ是一个单射函数。但在匹配过程中会出现特殊情况，针对特殊情况的处理方法如下。
若对于第s个传感器上的标签li可在匹配空间Ψ0中匹配到多个标签lj'使得
Figure BDA0002689766340000101
此时则选取距离更小的进行匹配，即
Figure BDA0002689766340000102
若第s个传感器上的标签li在参考空间中对
Figure BDA0002689766340000103
都有
Figure BDA0002689766340000104
即标签li没有在参考空间Ψ0中匹配到可替换标签，此时s传感器上的标签li不需要用标签匹配空间的标签进行替换，直接将此标签作为一个新标签添加到标签匹配空间中。
步骤5：标签一致化之后，每个传感器通过泛洪通信迭代与相邻传感器进行信息共享，传感器间通信迭代次数为t＝0,1,…,T，Ns(t)表示与第s个传感器的距离为t的相邻传感器的集合，T表示最大迭代次数。则传感器s利用泛洪通信迭代t次后，该传感器上的标签后验信息集合为：
Figure BDA0002689766340000105
其中，πj(Xj)表示第j个传感器的标签后验集，Ns(≤t)表示与通信迭代次数小于或等于t次后所有相邻传感器的集合，t＝0时，
Figure BDA0002689766340000106
由于LMB后验信息πs(X)可以完全用目标存在概率及空间分布PDF描述，故第s个传感器泛洪通信迭代t次之后的标签后验信息还能表示成如下：
Figure BDA0002689766340000107
Figure BDA0002689766340000108
其中
Figure BDA0002689766340000109
Figure BDA00026897663400001010
Figure BDA0002689766340000111
表示迭代t次后第s个传感器上的标签集，
Figure BDA0002689766340000112
表示第j个传感器上标签为l的分量中的高斯成分数，Js(t)表示通信迭代t次共享之后，第s个传感器上标签为l的分量中对应的高斯成分数。
步骤6：每个传感器信息共享后直接按照标签的方式将标签相同的LMB后验信息放入到同一个子集中，设一共划分为了
Figure BDA0002689766340000113
个子集，Cs也表示第s个传感器通信共享之后的标签数，即有Cs个可能的潜在目标。
步骤7：每一子集c＝1,…,Cs中所有LMB分量所在的传感器集合为
Figure BDA0002689766340000114
每个子集的标签为
Figure BDA0002689766340000115
则依次对每个子集进行标签后验AA融合，融合公式如下：
Figure BDA0002689766340000116
Figure BDA0002689766340000117
每一子集c＝1,…,Cs中所有LMB分量的高斯成分的并集为
Figure BDA0002689766340000118
其中
Figure BDA0002689766340000119
为第c个子集中高斯成分数。对于高斯成分中的状态和协方差不需要改变，但需要对子集中高斯成分的权重重新进行归一化，如下：
Figure BDA00026897663400001110
此外，还需要对每个子集中的高斯成分进行修剪，合并、与截断操作以减少高斯成分数，从而提高计算效率。传感器s通信AA融合之后的目标平均势估计为
Figure BDA00026897663400001111
步骤8：从融合结果中提取目标状态，即选取存在概率最大的
Figure BDA00026897663400001112
个子集进行目标状态的提取，从每个子集选取权重最大的高斯成分状态值作为目标估计值。
本实施例仿真实验如下：
仿真条件：本发明在Intel(R)Core(TM)i7-7700 CPU@3.60GHz，内存8.0GB处理器的电脑上，采用MATLAB R2018a软件完成仿真。
仿真场景设置：设置如图2所示的有15个传感器的分布式传感器网络，每个传感器的检测范围是整个跟踪场景，每个传感器s∈S的位置为(xs,ys)。整个场景大小的范围设置为[-2km,2km]×[-2km,2km],所有传感器都分布在该范围，并且假设有10个真实目标在该场景内运动，目标的运动情况如表1所示。目标状态记为
Figure BDA0002689766340000121
其中[xk,yk]表示目标位置坐标，
Figure BDA0002689766340000122
表示目标的速度信息，wk为转弯率。本发明假设目标新生过程在每个传感器都共享相同的先验新生信息，设每个时刻在整个场景内新生4个目标，出生过程是服从参数
Figure BDA0002689766340000123
的LMB RFS，其中存在概率为
Figure BDA0002689766340000124
空间概率分布函数服从高斯分布，即
Figure BDA0002689766340000125
Figure BDA0002689766340000126
ΣB＝diag([50,50,50,50,6(π/180)]T)2。存活目标独立于新生目标，所有目标的存活概率为PS(xk)＝0.98，存活目标的状态转移模型为
xk|k-1＝F(ωk-1)xk-1+vs,k
其中，vs,k是服从均值为0，协方差为Q的高斯白噪声，
Figure BDA0002689766340000131
σw＝5m/s2,σu＝(π/180)rad/s为标准偏差。目标轨迹情况如表1。
表1目标轨迹情况
目标 出生位置 出生时间(s) 死亡时间(s)
目标1 [1003.86,-1488.26] 1 100
目标2 [-255.88,1011.41] 10 100
目标3 [-1507.38,256.79] 10 50
目标4 [246.26,738.93] 15 80
目标5 [-1500,250] 20 66
目标6 [-242.62,993.21] 30 100
目标7 [-250,980] 40 80
目标8 [992,1500] 40 100
目标9 [1000,1500] 60 100
目标10 [250,750] 60 100
每个传感器s∈S，在跟踪场景内依检测概率
Figure BDA0002689766340000132
产生相应的目标量测，同时也会产生服从泊松分布的杂波量测，其中均值为λ＝5，目标(xk,yk)的量测产生如下：
Figure BDA0002689766340000133
其中，εs,k为量测噪声，是服从均值为0，协方差为Rk的高斯分布，
Figure BDA0002689766340000134
σr＝10m，σθ＝π/180rad,xs与ys表示传感器的位置，px,k与py,k表示真实目标的坐标值。
滤波性能通过最优子模式(OSPA)误差来评估，其中，阶数参数p＝2,惩罚参数c＝100m。分布式传感网的直径设置为Dm＝6，利用泛洪通信进行相邻传感器之间的信息共享，通信迭代次数t＝1,…,6。为减少计算成本，每个局部传感器滤波后标签多伯努利分量截断阈值为30，每个LMB分量中最多保留10个高斯成分，对高斯成分的合并阈值为4。对每个传感器通过存在概率进行LMB后验分量的修剪，其修剪阈值为0.001，LMB后验分量中的GCs修剪阈值为0.001。
仿真结果和分析：设置10个目标在场景内做随机机动运动，目标原始轨迹分别如图2所示。该仿真考虑将本发明方法分别与2个方法进行对比，方法1是未进行多传感器协作的LMB，即局部传感器单独运行LMB滤波进行多目标跟踪(简称：单传感器LMB)。方法2是未加标签的分布式多伯努利AA融合滤波(简称：分布式MB-AA融合)。为了更好的体现本文算法跟踪效果的有效性，通过对100次蒙特卡洛实验进行OSPA误差统计和势估计统计来说明跟踪性能，并统计不同通信迭代条件下的时间平均OSPA误差(TN-OSPA)结果，
图3表示非线性随机机动情况下不同方法的多目标跟踪结果图，目标的运动状态是随机的。从图中可以看出，在分布式LMB滤波AA融合跟踪方法中能有效地进行多目标跟踪。并且不仅能对多目标状态进行估计，而且可以准确的跟踪多目标轨迹。这能表明本发明方法的跟踪有效性。
图4表示的是通过不同的方法进行多目标跟踪的平均OSPA误差统计结果图，从图中可以看出，利用分布式LMB滤波AA融合进行多目标跟踪的平均OSPA普遍要比分布式MB方法下的融合估计要小，故分布式LMB滤波AA融合的跟踪效果比分布式MB滤波AA融合跟踪效果更优。在LMB滤波中，经过分布式AA融合的效果明显要比没有进行协作的单传感器LMB滤波更好，这也说明了本发明方法的有效性。另外，从图中也能看出这两种方法的OSPA都会在一些特定的时刻出现峰值，这是由于目标的出生和消失没有及时检测到导致的。总的来说，本发明方法在多目标跟踪中是稳定有效地。
图5是不同方法的平均势估计统计结果图，由图可知，分布式LMB-AA融合与分布式多伯努利AA融合的势估计普遍与真实值靠近，但仍能看出本发明方法更加稳定且更接近目标真实势。而图中没有进行分布式协作的单传感器LMB滤波跟踪结果的势估计普遍是比较差的，这表明经过分布式AA融合能有效地提高跟踪性能。
图6是不同通信迭代次数下的TN-OSPA误差统计结果图，从图中可以看出，随着通信迭代次数的增加，OSPA误差会成下降趋势，直到达到平稳的状态。图中两种分别表示分布式MB-AA融合与分布式LMB-AA融合的统计结果，可以看出在T＝3时趋于平稳状态。此外，由图可知本文所提分布式LMB-AA融合方法在不同通信迭代次数下的TN-OSPA普遍要低，这也表明了本发明算法进行多目标跟踪的有效性。
综上可得，本发明方法在分布式多目标跟踪中是稳定有效地。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种解决分布式标签融合的多目标跟踪方法，其特征在于：所述多目标跟踪方法包括：
步骤一，在各个局部传感器上单独运行LMB滤波器得到局部估计的LMB后验信息，对局部信息设置阈值进行修剪截断用于减少计算复杂度；
步骤二，针对各传感器标签通过标签匹配进行标签一致化；
步骤三，共享各传感器与相邻传感器的LMB后验信息，并对共享后的信息按照标签的方式进行算术平均融合；
步骤四，根据融合结果进行目标状态和目标航迹提取；
步骤一包括：
步骤1.1：初始化系统参数，包括系统包含的传感器数目S，各传感器位置Pm＝(xm,ym),m＝1,…,S，跟踪场景平面大小Nx×Ny，算法联合处理周期k，目标新生先验信息
Figure FDA0003969613610000011
Mb为目标新生个数，
Figure FDA0003969613610000012
为新生目标状态向量，
Figure FDA0003969613610000013
为新生目标的存在概率，
Figure FDA0003969613610000014
为新生目标的空间分布函数，初始化变量k＝1；
步骤1.2：各传感器接收跟踪场景内的量测数据Zk＝{Z1,k,Z2,k,…,ZS,k}；
其中，
Figure FDA0003969613610000015
表示k时刻第s个传感器上的量测；
步骤1.3：在k时刻，各传感器s通过得到的量测Zs,k以及k-1时刻的标签后验
Figure FDA0003969613610000016
运行标签多伯努利滤波LMB得到k 时刻的局部LMB后验
Figure FDA0003969613610000021
包括LMB预测和LMB更新，以及对LMB分量进行包括修剪、截断合并在内的操作；其中，Ls为第s个传感器的标签空间，l为目标状态的标签,
Figure FDA0003969613610000022
为k-1时刻第s个传感器上的标签为l的目标状态，
Figure FDA0003969613610000023
为目标状态
Figure FDA0003969613610000024
的存在概率，
Figure FDA0003969613610000025
为目标状态
Figure FDA0003969613610000026
服从的空间分布函数，
Figure FDA0003969613610000027
为k时刻第s个传感器上的标签为l'的目标状态，
Figure FDA0003969613610000028
为目标状态
Figure FDA0003969613610000029
的存在概率，
Figure FDA00039696136100000210
为目标状态
Figure FDA00039696136100000211
服从的空间分布函数；
LMB预测包括对存活标签后验的预测
Figure FDA00039696136100000212
和新生标签后验的预测
Figure FDA00039696136100000213
B是新生标签空间，其中，
Figure FDA00039696136100000214
为k-1时刻第s个传感器上的标签为l的存活目标在k时刻的预测目标状态，
Figure FDA00039696136100000215
为目标状态
Figure FDA00039696136100000216
的存在概率，
Figure FDA00039696136100000217
为目标状态
Figure FDA00039696136100000218
服从的空间分布函数，
Figure FDA00039696136100000219
为新生目标状态向量，
Figure FDA00039696136100000220
为新生目标的存在概率，
Figure FDA00039696136100000221
为新生目标的空间分布函数，即k时刻的预测LMB后验密度πs,k|k-1(X)表示如下：
Figure FDA00039696136100000222
其中，
Figure FDA00039696136100000223
Figure FDA00039696136100000224
＜·,·＞表示求两个变量的内积，
Figure FDA00039696136100000225
表示k-1时刻的目标状态
Figure FDA00039696136100000226
的存活概率，
Figure FDA00039696136100000227
为目标状态
Figure FDA00039696136100000228
的空间概率分布函数，ηs(l)为轨迹l的存活概率，
Figure FDA00039696136100000229
为单目标转移密度函数；
LMB更新包括利用量测Zs,k对预测后验密度πs,k|k-1(X)进行更新，更新后的LMB后验概率密度πs,k(X|Zs,k)如下：
Figure FDA0003969613610000031
其中，L's＝Ls∪B表示第s个传感器更新后的标签空间，是存活目标标签空间Ls和新生目标标签空间B的并集，
Figure FDA0003969613610000032
表示k时刻的目标状态
Figure FDA0003969613610000033
的存在概率，
Figure FDA0003969613610000034
表示目标状态
Figure FDA0003969613610000035
的空间概率分布函数，l'表示目标状态
Figure FDA0003969613610000036
的标签；
步骤三包括
步骤3.1，标签一致化之后，每个传感器通过泛洪通信迭代与相邻传感器N s进行信息共享，通信迭代最大次数为T，通信完成后，每个传感器都包括相邻传感器的后验信息；
步骤3.2，每个传感器信息共享后直接按照标签的方式将标签相同的LMB后验信息放入到同一个子集中，从而得到
Figure FDA0003969613610000037
个后验子集，
Figure FDA0003969613610000038
表示通信迭代t次后传感器s上的标签集，每个子集都有一个唯一的标签；
步骤3.3，对每个子集中的LMB后验信息进行AA融合得到融合后的后验密度信息
Figure FDA0003969613610000039
以及融合后的目标个数估计
Figure FDA00039696136100000310
其中
Figure FDA00039696136100000311
表示算术平均融合后第s个传感器上标签为l的目标的存在概率，
Figure FDA00039696136100000312
表示融合后第s个传感器上标签为l的目标x的空间概率分布函数。
2.根据权利要求1所述的解决分布式标签融合的多目标跟踪方法，其特征在于：标签多伯努利滤波时使用高斯混合方法完成的，每次在局部传感器都会对标签后验分量进行修剪截断，同时对每个后验分量中的高斯成分进行包括修剪、合并及截断在内的操作。
3.根据权利要求1所述的解决分布式标签融合的多目标跟踪方法，其特征在于：步骤二包括：
选取参考标签空间Ψ0，然后各传感器的标签后验分别与参考空间的标签后验通过距离划分进行匹配实现标签一致化，即同一目标在不同传感器的后验分量中标签是一样的。
4.根据权利要求1所述的解决分布式标签融合的多目标跟踪方法，其特征在于：标签一致化选取的参考空间，每次都以第一个传感器的标签空间作为初始标签空间，进行匹配时采用马氏距离关联法。
5.根据权利要求1所述的解决分布式标签融合的多目标跟踪方法，其特征在于：步骤四包括从融合结果中提取目标状态，即选取存在概率最大的
Figure FDA0003969613610000041
个子集进行目标状态的提取，从每个子集选取权重最大的高斯成分状态值作为目标估计值。
CN202010987602.6A 2020-09-18 2020-09-18 一种解决分布式标签融合的多目标跟踪方法 Active CN112113572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010987602.6A CN112113572B (zh) 2020-09-18 2020-09-18 一种解决分布式标签融合的多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010987602.6A CN112113572B (zh) 2020-09-18 2020-09-18 一种解决分布式标签融合的多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN112113572A CN112113572A (zh) 2020-12-22
CN112113572B true CN112113572B (zh) 2023-04-07

Family

ID=73801605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010987602.6A Active CN112113572B (zh) 2020-09-18 2020-09-18 一种解决分布式标签融合的多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN112113572B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112325880B (zh) * 2021-01-04 2021-03-26 中国人民解放军国防科技大学 分布式平台相对定位方法、装置、计算机设备和存储介质
CN113219452B (zh) * 2021-05-07 2022-05-31 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
CN115099343B (zh) * 2022-06-24 2024-03-29 江南大学 一种有限视野下分布式标签多伯努利融合跟踪方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2244633A4 (en) * 2008-02-14 2013-10-23 Penn State Res Found MEDICAL IMAGING SYSTEM AND METHOD
CN106291533B (zh) * 2016-07-27 2018-10-16 电子科技大学 一种基于amd的分布式多传感器融合方法
CN106384121A (zh) * 2016-08-30 2017-02-08 电子科技大学 基于标号空间匹配的标号随机集滤波器分布式融合方法
CN106443632B (zh) * 2016-12-01 2018-11-16 西安电子科技大学 基于标签保持多任务因子分析模型的雷达目标识别方法
CN106910205A (zh) * 2017-03-03 2017-06-30 深圳市唯特视科技有限公司 一种基于随机有限集滤波器耦合的多目标跟踪方法
CN107423539B (zh) * 2017-03-29 2020-07-24 中国电子科技集团公司第三十八研究所 一种gm-phd滤波器的标签分配方法
CN107102295A (zh) * 2017-04-13 2017-08-29 杭州电子科技大学 基于glmb滤波的多传感器tdoa无源定位方法
DE112018007810T5 (de) * 2018-07-06 2021-04-08 Bayerische Motoren Werke Aktiengesellschaft Objektverfolgung auf Grundlage von mehreren Messhypothesen
EP3844714A4 (en) * 2018-10-26 2021-12-01 Samsung Electronics Co., Ltd. METHOD AND DEVICE FOR IMAGE SEGMENTATION USING AN EVENT SENSOR
CN109508444B (zh) * 2018-12-18 2022-11-04 桂林电子科技大学 区间量测下交互式多模广义标签多伯努利的快速跟踪方法
CN110033089B (zh) * 2019-04-17 2021-03-26 山东大学 基于分布式估计算法的手写体数字图像识别深度神经网络参数优化方法及系统

Also Published As

Publication number Publication date
CN112113572A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112113572B (zh) 一种解决分布式标签融合的多目标跟踪方法
Salih et al. Evaluation of classification algorithms for intrusion detection system: A review
Ding et al. MST-GAT: A multimodal spatial–temporal graph attention network for time series anomaly detection
Al_Janabi et al. Assessing the suitability of soft computing approaches for forest fires prediction
Ibrahim et al. An improved runner-root algorithm for solving feature selection problems based on rough sets and neighborhood rough sets
Jalali et al. An advanced short-term wind power forecasting framework based on the optimized deep neural network models
Kondratyuk et al. When ensembling smaller models is more efficient than single large models
Amin et al. Intelligent neutrosophic diagnostic system for cardiotocography data
Wu et al. A hybrid-forecasting model reducing Gaussian noise based on the Gaussian support vector regression machine and chaotic particle swarm optimization
Wang et al. Multi-step-ahead time series prediction method with stacking LSTM neural network
Cirrincione et al. The growing curvilinear component analysis (GCCA) neural network
Yelleni et al. Monte Carlo DropBlock for modeling uncertainty in object detection
Yang et al. Multi-target association algorithm of AIS-radar tracks using graph matching-based deep neural network
Zhu et al. Measurement-driven multi-target tracking filter under the framework of labeled random finite set
Kalifullah et al. Retracted: Graph‐based content matching for web of things through heuristic boost algorithm
CN116501444B (zh) 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法
Gong et al. Joint Evidential $ K $-Nearest Neighbor Classification
Xiao et al. Robust visual tracking based on modified mayfly optimization algorithm
CN115619825A (zh) 地面多目标跟踪状态及轨迹确定方法
Senthilkumar et al. Prediction of rice disease using modified feature weighted fuzzy clustering (MFWFC) based segmentation and hybrid classification model
Aljibawi et al. A survey on clustering density based data stream algorithms
Wang et al. Net learning
Bae et al. Safe semi-supervised learning using a bayesian neural network
Rahmathullah et al. A batch algorithm for estimating trajectories of point targets using expectation maximization
Panse et al. Survey on modelling methods applicable to gene regulatory network

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Xue Qiutiao

Inventor after: Yan Suqing

Inventor after: Wang Shouhua

Inventor after: Wang Li

Inventor after: Wu Sunyong

Inventor after: Fan Xiangting

Inventor after: Zou Baohong

Inventor after: Sun Xiyan

Inventor after: Ji Yuanfa

Inventor after: Cai Ruhua

Inventor after: Fu Qiang

Inventor before: Xue Qiutiao

Inventor before: Yan Suqing

Inventor before: Wang Shouhua

Inventor before: Wang Li

Inventor before: Wu Sunyong

Inventor before: Fan Xiangting

Inventor before: Zou Baohong

Inventor before: Sun Xiyan

Inventor before: Ji Yuanfa

Inventor before: Cai Ruhua

Inventor before: Fu Qiang

GR01 Patent grant
GR01 Patent grant